MétaCan
Menu
Retour à la cohorte
Enregistrement W2512784226 · doi:10.5539/ies.v9n9p199

Comparison of Digital Technology Competencies among Mexican and Spanish Secondary Education Students

2016· article· en· W2512784226 sur OpenAlexvenueno aff
Omar Cuevas Salazar, Joel Angulo Armenta, Imelda García-López, Lizzeth Navarro-Ibarra

Notice bibliographique

RevueInternational Education Studies · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueDigital literacy in education
Établissements canadiensnon disponible
Organismes subventionnairesInstituto Tecnológico de Sonora
Mots-clésCompetence (human resources)Information and Communications TechnologyPsychologyMathematics educationTechnological literacyPedagogyMedical educationTeaching methodComputer scienceMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

Information and Communication Technologies (ICT) are tools to be used to support educational processes and students have access to them more and more every day. However this does not assure the appropriate use of these tools. That is why the objective of the present study is to identify the level of competency in the use of ICT of students in secondary schools in Obregon City, Sonora, Mexico, in the opinions of the students themselves and of their teachers and to compare this with the level of digital competencies of students in some regions of Spain, using an investigation carried out earlier. Two questionnaires with 51 questions were used, one for 949 students and the other for 49 teachers. The results show that students claim to have between moderately and very high levels of competence in ICT skills while their teachers say the students have high levels of competence in some technological skills such as producing a written documents with a word processor. In the study in Spain, students and teachers voiced similar averages in the highest level of competencies, but differed in the competencies with the lowest averages.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,391
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Education StudiesMême sujetDigital literacy in educationTravaux en français237 207