Videojuegos para la inclusión educativa
Bibliographic record
Abstract
En un mundo globalizado e interconectado donde las sociedades están abocadas a cambios continuos y demandan aprendizajes funcionales, activos y eficientes, hoy más que nunca, la educación se configura como un elemento primordial para desarrollar, por un lado, las nociones técnicas e instrumentales de cada una de las áreas del conocimiento y, por otro, las destrezas que capaciten a la persona para desenvolverse en estos escenarios variantes, en los que la comunicación y la socialización son herramientas fundamentales. No obstante, se debe considerar que un aprendizaje eficaz tiene en cuenta diversos procesos psicológicos como la atención, la memoria, la percepción, la motivación, la emoción, etc.; pero además se apoya en una serie de principios psicopedagógicos y didácticos como la imitación, el interés, la actividad, la significación o el juego. Precisamente, este último instrumento pedagógico es el más empleado, en todas sus variantes, para la conquista de los diversos aprendizajes dado los atributos subyacentes que posee. El siguiente artículo presenta en líneas teóricas una de las variantes de este principio didáctico, los videojuegos, reflexionando sobre sus propiedades y los beneficios que comportan en el desarrollo de los procesos de aprendizaje inclusivos, donde se manifiestan los elementos de presencia, participación y progreso.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".