Ed-tech in the Global South: research gaps and opportunities
Notice bibliographique
Résumé
Este estudio explora el panorama cambiante de la tecnología educativa (ed-tech) en el contexto de la creciente atención mundial y nacional sobre el tema, con la pandemia de COVID-19 acelerando la incorporación de la tecnología en la educación para mitigar los problemas de acceso, calidad y gestión. La investigación, centrada en los retos y las oportunidades de las escuelas primarias y secundarias de los países de renta media baja (PRMB), identifica tres dimensiones críticas que son fundamentales en los debates sobre ed-tech y que no se han explorado lo suficiente en los PRMB: las implicaciones pedagógicas, el papel de la ed-tech a la hora de abordar las desigualdades y las estructuras de gobernanza. El estudio, que aborda las lagunas de conocimiento mediante revisiones regionales y consultas a expertos, subraya la urgente necesidad de dar prioridad a la dimensión educativa en las iniciativas de ed-tech, situándola en primera línea de los debates y las iniciativas. Las conclusiones subrayan la necesidad de conocer mejor el acceso de los niños a las herramientas digitales, su competencia en el uso de las mismas y la preparación de los profesores para incorporar la tecnología a un aprendizaje eficaz. El estudio también subraya lo inadecuado de una rápida implantación de la tecnología sin un plan integral, afirmando que la tecnología por sí sola no mejora la educación; su potencial se realiza dentro de una estrategia más amplia centrada en mejoras universales del aprendizaje. Haciendo hincapié en los mecanismos de gobernanza eficaces, la investigación ilustra la importancia de contar con ecosistemas de tecnología educativa bien organizados y sólidos para lograr un impacto positivo sostenido.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».