La utilización de la tecnología en el desarrollo del lenguaje de los niños de 4 años
Bibliographic record
Abstract
El estudio comparativo establece la relación entre la utilización de la tecnología y el desarrollo del lenguaje de los infantes en el cuarto año de vida. En el presente estudió se trabajó con una población de 34 niños que asisten al Inicial 2 de la Unidad Educativa Sagrada Familia que fueron divididos en dos grupos: un normal y otro de control. Los métodos utilizados fueron cualitativos y cuantitativos a través de las técnicas de recolección de la información. Así, para obtener el nivel de desarrollo del lenguaje de los niños, se empleó el sub test de lenguaje del test de desarrollo psicomotor TEPSI. Al grupo normal se aplicó las láminas del test, mientras que, al grupo de control se trabajó empleando el mismo test, pero aplicando la tecnología. Seguidamente, se obtuvieron los resultados del test utilizado en los dos grupos y se procesó la información mediante el uso de un estadístico. Por otra parte, el análisis probó que la utilización de la tecnología favorece la valoración del lenguaje, consiguiendo puntajes adecuados para la edad del niño. En definitiva, se evidencia que la tecnología debe ser vista como una herramienta de apoyo para el desarrollo del aprendizaje del lenguaje en niños de 4 años. De esta forma, vemos que se abre nuevas líneas de investigación en cuanto se refiere a la implementación de la tecnología como uso terapéutico en áreas de la estimulación temprana.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".