La labor conjunta en actividades de enseñanza-aprendizaje a partir del estudio de los vectores de la ética comunitaria
Bibliographic record
Abstract
Para la teoría de la objetivación (TO) la comprensión de los procesos de enseñanza-aprendizaje requieren de manera nodal la consideración de la naturaleza y características específicas de la actividad en la que estos tienen lugar (Radford, 2020). Un elemento importante de esta actividad es el tipo de ética que la subyace. La TO se interesa a un tipo muy específico de ética: una ética de orientación comunitaria. El problema que surge en este contexto es el del estudio de la manera en que esta ética emerge en el desarrollo de la actividad escolar; en particular, la manera en que ciertas relaciones entre individuos (los “vectores” de la ética comunitaria) transforman la actividad en lo que, en la TO, se denomina labor conjunta de estudiantes y profesores. El objetivo de este escrito es dar cuenta de la manera en que en una clase de corte “tradicional” van emergiendo, a raíz de un trabajo de profesores y estudiantes, los vectores de la ética comunitaria en actividades de enseñanza-aprendizaje de matemáticas, mediante la propuesta y análisis de una rejilla que considera componentes e indicadores de los vectores de la ética comunitaria.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".