Impacto de los sistemas de gestión de aprendizaje en tiempos de pandemia
Notice bibliographique
Résumé
Tras los acontecimientos sociales de octubre, noviembre de 2019 en Bolivia y la decisión mundial de suspender las clases presenciales por la pandemia del COVI-19 y pasar a la modalidad de las clases virtuales, surge la preocupación de si los estudiantes están preparados para migrar de las clases presenciales a las clases virtuales o si los docentes están capacitados para poder administrar la educación virtual; así como los padres de familia si tienen las condiciones tecnológicas y económicas para sostener una educación superior con estas nuevas características. La Universidad Mayor de San Andrés UMSA, comienza el 2001 con la incorporación de las Nuevas tecnologías de información y comunicación NTIC con el apoyo de la cooperación Sueca (ASDI – SAREC). La carrera de Ingeniería Industrial, implementa el campus virtual basado en el software libre “Moodle” con el apoyo de la Universidad Tecnológica Nacional (UTN) de Argentina con el Financiamiento del Fondo Argentino de Cooperación Fo.Ar. Concluido el proyecto el 2016 se realizó una evaluación. El 2020 se implementó Google Suite y se evaluó también, comparados los resultados se observa que los usuarios docentes tienen una mayor cantidad de usuarios A-tecnológico A, toda vez que 15,58% de los usuarios Básicos B han pasado a ser A; 36,18% de los usuarios Conectados C han pasado a ser usuarios B, 26,22% de los usuarios Digitales D han pasado a ser usuarios C. En general, el 78% de los usuarios han cambiado a una categoría inferior. En el segmento de los estudiantes se tiene una mayor cantidad de usuarios A, toda vez que 9,17% de los usuarios B han pasado a ser A; 0,73% de los usuarios C han pasado a ser usuarios B, 6,57% de los usuarios D han pasado a ser usuarios C. Cerca del 16,5% de los usuarios han cambiado a una categoría inferior.
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 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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».