Aprender a Aprender: Desafíos que enfrentan los ingresantes a la Universidad y estrategias para mejorar su experiencia educativa y favorecer su retención
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La deserción en el primer año de las carreras de Ingeniería y Ciencias de la Computación es típicamente muy alta, aún en países con realidades socioeconómicas muy distintas, como por ejemplo Canadá y Argentina. Teniendo en cuenta esta realidad, y partiendo de la experiencia de la Universidad Simon Fraser (SFU) en Vancouver, Canadá, se organizó en la Facultad de Ingeniería de la Universidad de Palermo (UP) un seminario para docentes “Aprender a aprender: Cómo ayudar a nuestros estudiantes”. Dicho seminario se basó en la experiencia desarrollada en la SFU con el programa de apoyo a estudiantes denominado “Academic Enhancement Program” (AEP). Esta actividad incluyó la exposición de las ideas centrales del AEP así como discusión e interacción. Adicionalmente, como material a ser discutido en el seminario y directamente relevante para la realidad local, se realizó una encuesta previa entre estudiantes de la Universidad anfitriona y de la Universidad Tecnológica Nacional, incluyendo preguntas de reflexión acerca de estrategias de estudio. En particular, se buscó que los alumnos reflexionaran acerca de los desafíos académicos que ellos sienten que enfrentan. En este artículo describimos brevemente esta actividad, incluyendo resultados iniciales de la encuesta como aporte al análisis y discusión del tema en cuestión.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.002 |
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 it