Características de los aspirantes a la Escuela Normal en México. ¿En qué condiciones inicia su formación el profesorado de primaria?
Bibliographic record
Abstract
En México la formación de profesores de preescolar y primaria se lleva a cabo tradicionalmente en las Escuelas Normales (EN), espacio específico asignado por la autoridad educativa federal para la formación inicial docente. En este estudio cuantitativo se buscó identificar las diferencias entre las características de 345 aspirantes a la Licenciatura en Educación Primaria en seis EN públicas de Baja California (generación 2018-2022), entidad ubicada al noroeste del país. Dichas características fueron recuperadas a través de una encuesta y la información se analizó con distintas pruebas de estadística descriptiva e inferencial. En los resultados se presentan las características de los aspirantes (laborales, socioeconómicas, familiares y académicas), así como la comparación realizada para puntualizar las diferencias significativas entre los grupos de aspirantes por EN y por su ubicación en zona urbana o rural. Se encontró que los aspirantes de la zona rural se encuentran en desventaja en los tres ámbitos analizados: socioeconómico, familiar y académico. La información recuperada es un insumo imprescindible para el diseño de políticas educativas, de carácter institucional, estatal y federal, que permitan el acompañamiento de los aspirantes una vez que ingresen a la EN, como la implementación de programas de becas y tutorías individualizadas.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".