Aprender a Aprender: Desafíos que enfrentan los ingresantes a la Universidad y estrategias para mejorar su experiencia educativa y favorecer su retención
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La deserción en el primer año de las carreras de Ingeniería y Ciencias de la Computación es típicamente muy alta, aún en países con realidades socioeconómicas muy distintas, como por ejemplo Canadá y Argentina. Teniendo en cuenta esta realidad, y partiendo de la experiencia de la Universidad Simon Fraser (SFU) en Vancouver, Canadá, se organizó en la Facultad de Ingeniería de la Universidad de Palermo (UP) un seminario para docentes “Aprender a aprender: Cómo ayudar a nuestros estudiantes”. Dicho seminario se basó en la experiencia desarrollada en la SFU con el programa de apoyo a estudiantes denominado “Academic Enhancement Program” (AEP). Esta actividad incluyó la exposición de las ideas centrales del AEP así como discusión e interacción. Adicionalmente, como material a ser discutido en el seminario y directamente relevante para la realidad local, se realizó una encuesta previa entre estudiantes de la Universidad anfitriona y de la Universidad Tecnológica Nacional, incluyendo preguntas de reflexión acerca de estrategias de estudio. En particular, se buscó que los alumnos reflexionaran acerca de los desafíos académicos que ellos sienten que enfrentan. En este artículo describimos brevemente esta actividad, incluyendo resultados iniciales de la encuesta como aporte al análisis y discusión del tema en cuestión.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle