Las pizarras digitales y su impacto didáctico en la educación superior
Bibliographic record
Abstract
En la actualidad nos encontramos donde las tecnologías invaden nuestros ámbitos de vida, que ha realizado muchas funciones de gran ayuda al entorno académico, funciones diarias, empresariales, en nuestra vida cotidiana. Las pizarras digitales ayudan a procesar la enseñanza aprendizaje en las instituciones educativas, estas herramientas tienen una gran variedad de potencial que se debe aprovechar para mejorar la enseñanza aprendizaje de los estudiantes haciendo las clases más didácticas e innovadoras con la ayuda del internet. La pizarra digital interactiva (PDI) es una alternativa nueva e innovadora en el ámbito educativo, es una herramienta que tiene un recurso importante para ayudar al aprovechamiento en las aulas tanto como al docente, como a los estudiantes de esta manera ambos aprovechan nuevos conocimientos de diferente manera ya que las pizarras digitales permiten realizar actividades como mapas conceptuales, exposiciones videos, consulta sobre alguna duda que tenga los estudiantes o el docente y de esta manera cambien la rutina de enseñar a través de dinámicas imágenes, para que haya una interacción por los estudiantes, realicen prácticas para adquirir de mejor manera nuevos conocimientos y les quede claro de que se trata el tema, porque la motivación del estudiante ayuda a mejorar su aprendizaje, ya que se han hechos estudios estadísticos a nivel mundial que tanto para los docentes como para los estudiante es de gran ayuda las pizarras digital para el proceso enseñanza aprendizaje y facilita la interacción en el aula.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.038 | 0.005 |
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".