“Voluntad de trabajo” dentro del aprendizaje basado en proyectos
Bibliographic record
Abstract
Actualmente, en el marco del Espacio Europeo de Educación Superior, surge la necesidad de adaptar las metodologías de enseñanza-aprendizaje llevadas a cabo en el aula. Para ello, ahora que el eje principal de ese proceso es el estudiante, y el rol del profesor es el de guía, surgen numerosas metodologías activas que como docentes podemos implementar. Labrador y Andreu (2008) y De Miguel (2006) señalan entre ellas el estudio de caso, el aprendizaje basado en problemas, o el aprendizaje basado en proyectos, siendo ésta última la que se ha utilizado en el presente estudio. El objetivo de este trabajo es llevarla a cabo en tres grados de la Facultad de Ciencias de la Educación de Granada (Pedagogía, Educación Social e Infantil), en una muestra de 180 alumnos de primer y segundo curso, para de esta forma estudiar en qué medida influye en su rendimiento. El procedimiento seguido ha sido trabajar por grupos las diferentes temáticas abordadas en las asignaturas, de forma práctica, para que proyectaran la utilidad de lo aprendido en un futuro laboral, además de conseguir que tuviera lugar un aprendizaje significativo en las diferentes materias. Para poder conocer el desarrollo de los grupos de trabajo se les pidió que cumplimentaran el Cuestionario de voluntad de trabajo y el Cuestionario de Voluntad de trabajo por pares (Andrés, Abal, Lozzia, Gómez-Benito, Aguerri, Gilabert y Attorresi (2013) cuyos datos se exponen en la presente ponencia. Se destaca la diferente visión del trabajo individual dentro del grupo en comparación a la percepción que se tiene del trabajo del resto de los miembros que lo forman. Es importante conocer el funcionamiento de los grupos de trabajo ya que de él depende en gran medida el aprovechamiento de los beneficios que del Aprendizaje basado en proyectos se extraen, disminuyendo las limitaciones que puedan surgir.
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 | 0.008 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".