El papel del profesor en el desarrollo de habilidades cognitivas complejas en personas jóvenes.
Bibliographic record
Abstract
Este artículo ofrece una base teórica y un conjunto de directrices prácticas para los grupos de enriquecimiento (enrichment clusters), un programa que defiende un tipo de aprendizaje distinto al del enfoque deductivo y prescriptivo que gobierna las actividades en tantas aulas hoy en día. Los grupos de enriquecimiento están basados en los intereses y centrados en el alumno, y proporcionan un espacio para el aprendizaje de alto nivel inductivo e investigador que puede integrarse en cualquier programa escolar. Este artículo describe las teorías del aprendizaje y los objetivos que han guiado el desarrollo de los grupos de enriquecimiento y explica en detalle el significado del aprendizaje de alto nivel (high-end learning) y de los problemas reales. También se discuten los hallazgos de los estudios sobre aplicaciones de los grupos de enriquecimiento en relación con los resultados específicos del aprendizaje demostrados por los alumnos y observados por los profesores, que incluyen: búsqueda y focalización de problemas, determinación de la relevancia y los sesgos de la información encontrada, planificación y secuenciación de tareas, metacognición, argumentación, resolución de problemas, comunicación, colaboración y evaluación de datos para identificar patrones y discrepancias. Este enfoque ha sido adoptado en miles de centros educativos de todo el mundo y busca desarrollar comportamientos dotados (gifted behaviours) en un mayor número de alumnos que la mayoría de los programas centrados únicamente en alumnos con un cociente intelectual alto.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".