Bibliographic record
Abstract
Introducción. Generalmente se cree que la enseñanza comunicativa del lenguaje (ECL) se utiliza para enseñar el lenguaje con fines de comunicación e interacción. Por lo tanto, parece ser más adecuada para desarrollar la habilidad de hablar. No se ha explorado suficientemente la posibilidad de aplicar (ECL) en el desarrollo de otras habilidades como la comprensión lectora. Objetivo. El propósito de esta revisión de bibliográfica es examinar la enseñanza comunicativa de la lengua y su impacto en la comprensión lectora, presentando un caso a consideración en la Unidad Educativa Liceo Policial Chimborazo. Metodología. Se realizaron búsquedas en dos bases de datos electrónicas con una limitación de cuarenta años para reflejar la información más relevante. También se examinaron listas de investigaciones relevantes. Se seleccionaron un total de 32 artículos para su revisión. Dos temas encabezan la revisión de la literatura: "Enseñanza comunicativa de la lengua " y "Comprensión lectora". Resultados. Se encontró que la enseñanza comunicativa de la lengua le da al maestro la oportunidad de diseñar programas para explorar otros aspectos del lenguaje como la lectura. Conclusiones. Con base en la literatura revisada y su discusión anterior, se concluye que, aunque la enseñanza comunicativa de la lengua ha sido criticada por enfocarse más en el aspecto comunicativo del aprendizaje de lenguas, es probable que este método en el Ecuador refuerce las tasas de rendimiento académico de la mayoría de los estudiantes y mejore la tasa de lectura general del país.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.003 |
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".