El desempeño académico en matemáticas: el caso de la carrera ingeniero industrial administrador de la UANL
Notice bibliographique
Résumé
Este estudio busca identificar factores que influyen en el bajo rendimiento en el área de matemáticas, de estudiantes de nuevo ingreso de la carrera de Ingeniero Industrial Administrador (IIA) de la Universidad Autónoma de Nuevo León (UANL) durante el semestre enero-junio de 2022. Al inicio de semestre se aplicó una encuesta sobre nivel socioeconómico, género y promedio de preparatoria, también se aplicaron 2 evaluaciones durante el curso de la unidad de aprendizaje de Precálculo para determinar el nivel de conocimientos e incluir los resultados en la exploración de los datos a partir de una regresión lineal, considerando para el análisis la población completa compuesta de 218 estudiantes. Los resultados demuestran que el aprendizaje en matemáticas tiene un efecto secuencial y decreciente, esto es, que mejores promedios de aprendizaje temprano incrementan la calificación obtenida en evaluaciones posteriores, pero que dicho efecto tiende a ser menor entre más distante es la evaluación. Las implicaciones del trabajo demuestran la importancia de contar con cursos remediales al inicio de la formación universitaria que permitan al estudiante contar con mejores herramientas en el aprendizaje temprano de las matemáticas, mejorando así su desempeño posterior.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
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 ».