Brechas de g?nero en las competencias tecnol?gicas relacionadas con el aprendizaje universitario : Incluir el sexo y el g?nero como variables en la investigaci?n cient?fica
Notice bibliographique
Résumé
Durante el per?odo de confinamiento global que comenz? en el primer trimestre de 2020, se form? un equipo de investigaci?n que combina inform?tica y antropolog?a para comprender la realidad de los estudiantes que de repente cambiaron su forma de recibir clases de forma presencial a virtual. La investigaci?n se llev? a cabo durante 9 meses. Los resultados mostraron que, en comparaci?n con las mujeres, el manejo de las diferentes tecnolog?as por parte de los hombres durante las clases virtuales debido a COVID-19 fue mayor. Las mujeres tienen m?s desaf?os y su dominio de las tecnolog?as se mantiene en niveles m?s bajos. Esto indica que existe una diferencia en el manejo de las tecnolog?as si tenemos en cuenta el sexo de la poblaci?n consultada. During the period of global lock down that began in the first quarter of 2020, a research team combining computer science and anthropology was formed to understand the reality of students who suddenly changed their way of receiving classes from face-to-face to virtual way. The research was carried out for 9 months. The results showed that compared to women, the management of different technologies by men during virtual classes due to COVID-19 was higher. Women had more challenges and their mastery of technologies remained at lower levels. This indicates that there is a difference in the management of the technologies if we take into consideration the sex of the population consulted
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 | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 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 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 ».