Educación para la ciudadanía: recorridos por la literatura infantil
Bibliographic record
Abstract
Este estudio, que se centra en la problemática de la educación para la ciudadanía, se basa en un documento oficial del Ministerio de Educación portugués, con el título Estrategia Nacional de Educación para la Ciudadanía. La pregunta central de la investigación de este estudio era la siguiente: ¿Cómo podemos educar para la ciudadanía mediante la literatura infantil? Sus objetivos se centraban en conocer y comprender las concepciones de los niños sobre racismo, multiculturalidad y migración, de modo que se ampliaran sus conocimientos sobre estos temas y se pudiera reflexionar con los niños a partir de la práctica para promover la ciudadanía mediante la literatura infantil. El centro de la metodología consistió en una aproximación a la investigación-acción, en consonancia con la reflexión sobre la propia práctica docente. Como instrumentos de recolección de datos se ha usado la entrevista semiestructurada, la observación participante y las notas de campo, además de registros fotográficos y registros audiovisuales. Los participantes en el estudio han sido niños de una clase de tercero de primaria, de un colegio público y urbano. Los resultados han mostrado un mejor conocimiento y comprensión de los fenómenos en estudio, por parte de los niños, tras la intervención con las obras de literatura infantil. La mayoría de los niños fueron capaces no solo de entender los conceptos de racismo, multiculturalidad y migración, sino también de adoptar una posición crítica sobre estos.
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 | 0.011 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 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".