Apoyar el desarrollo profesional continuo del personal académico a través del intercambio de experiencias
Bibliographic record
Abstract
Aquest article exposa un experiment a petita escala sobre una estratègia dissenyada per recolzar l�intercanvi d�experiències acadèmiques en una universitat d�educació a distància. Dos petits grups independents compostos per personal acadèmic (un grup amb quatre professors i un altre amb cinc dissenyadors de continguts educatius, tots dos amb empleats amb i sense experiència) es van oferir voluntaris per reunir-se periòdicament durant un període d�un any per elaborar un mapa de coneixements col·lectius que representés una part dels seus coneixements professionals. Aquesta eina i activitat de tutoria entre companys de treball va establir un context d�aprenentatge en el qual es va potenciar que els participants exterioritzessin i compartissin alguns coneixements tàcits desenvolupats per mitjà de la pràctica professional, a més de determinats coneixements organitzatius explícits encara que de vegades ambigus. Les dades analitzades fins al moment inclouen l�enregistrament de les entrevistes realitzades a cada participant abans i després de l�experiment, l�enregistrament de les conclusions al final de cada reunió i el mapa de coneixements elaborat per cada grup. Els resultats suggereixen que combinar les tutories de grup amb la modelització de coneixements col·laboratius és una estratègia prometedora per a promoure l�adquisició d�experiències professionals i per tant per a donar suport al desenvolupament professional del personal acadèmic a les universitats. Aquesta estratègia pot definir-se com una activitat d�aprenentatge intencional però no formal que s�adequa a les conceptualitzacions d�aprenentatge al lloc de treball alhora com a procés d�intercanvi de coneixements i procés de creació de coneixements.
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 | 0.006 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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 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".