Estrategia pedagógica TIC para prevenir la violencia y fortalecer competencias ciudadanas desde las emociones. Estudio de caso: Primera infancia Colegio La Estancia San Isidro Labrador, Bogotá 2018
Bibliographic record
Abstract
Esta investigacion surgio a raiz de la necesidad que presentan los programas formativos propuestos en las instituciones, donde es recurrente la pregunta de como abordar los conflictos escolares. Aunque existen enfoques pedagogicos que introducen la prevencion de la violencia, estas propuestas aun se encuentran limitadas en su desarrollo, sobre todo, en las estrategias pedagogicas como medio de resolucion de conflictos. En efecto, los conflictos se han convertido en un problema frecuente en los centros educativos; esta situacion y a la vez desafio, ha permitido emprender la busqueda de soluciones formativas un poco mas apegadas al desarrollo emocional con el proposito de fortalecer las capacidades humanas bajo el fomento de habilidades sociales, que permitan el dialogo y la aceptacion del otro. Por tal motivo se hizo pertinente plantear la siguiente tematica: “Estrategia Pedagogica TIC para Prevenir la Violencia y Fortalecer Competencias Ciudadanas desde las Emociones. Estudio de Caso: Primera Infancia Colegio La Estancia San Isidro Labrador, Bogota 2018”. De esta surgieron una serie de interrogantes concretos que dieron la orientacion coherente al estudio donde se planteo un Estudio de Caso especifico donde, a traves de la observacion no participativa y las entrevistas a profundidad, se determino una realidad presente en un contexto y con base en esta informacion se elaboro una propuesta curricular que adopto lineamientos de competencias ciudadanas e inteligencia emocional. Estos lineamientos se reunieron en una estrategia pedagogica TIC, para prevenir la violencia desde las emociones
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".