Las pizarras digitales y su impacto didáctico en la educación superior
Notice bibliographique
Résumé
En la actualidad nos encontramos donde las tecnologías invaden nuestros ámbitos de vida, que ha realizado muchas funciones de gran ayuda al entorno académico, funciones diarias, empresariales, en nuestra vida cotidiana. Las pizarras digitales ayudan a procesar la enseñanza aprendizaje en las instituciones educativas, estas herramientas tienen una gran variedad de potencial que se debe aprovechar para mejorar la enseñanza aprendizaje de los estudiantes haciendo las clases más didácticas e innovadoras con la ayuda del internet. La pizarra digital interactiva (PDI) es una alternativa nueva e innovadora en el ámbito educativo, es una herramienta que tiene un recurso importante para ayudar al aprovechamiento en las aulas tanto como al docente, como a los estudiantes de esta manera ambos aprovechan nuevos conocimientos de diferente manera ya que las pizarras digitales permiten realizar actividades como mapas conceptuales, exposiciones videos, consulta sobre alguna duda que tenga los estudiantes o el docente y de esta manera cambien la rutina de enseñar a través de dinámicas imágenes, para que haya una interacción por los estudiantes, realicen prácticas para adquirir de mejor manera nuevos conocimientos y les quede claro de que se trata el tema, porque la motivación del estudiante ayuda a mejorar su aprendizaje, ya que se han hechos estudios estadísticos a nivel mundial que tanto para los docentes como para los estudiante es de gran ayuda las pizarras digital para el proceso enseñanza aprendizaje y facilita la interacción en el aula.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,014 | 0,007 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,005 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».