DISEÑO DE RÚBRICAS CON TECNOLOGÍA DE LA INFORMACIÓN PARA LA EVALUACIÓN FORMATIVA DE COMPETENCIAS
Bibliographic record
Abstract
En este estudio de carácter educativo y de uso de tecnología de información, se realiza un análisis del buen diseño de un instrumento de evaluación formativa de las competencias que debe adquirir el estudiante de ingeniería. El modelo de competencias en el Tecnológico Nacional de México establece un proceso evaluativo formativo, a través de varios indicadores de desempeño, los cuales se interpretan en una calificación de rango numérico. Para que una evaluación sea de calidad, se debe establecer que el instrumento cuente con criterios y características bien definidas, no ambiguas y explicitas para el estudiante. Para ello, se diseñan rúbricas de evaluación usando tecnologías de información que permitan que el estudiante se autoevalúe antes de entregar la estrategia de enseñanza, para que el docente evalúe con criterios claros y para que se lleve a cabo la retroalimentación después de la evaluación. Usar rúbricas para evaluar, desde un principio y durante todo el proceso, muestra los criterios de evaluación de una estrategia, que se vinculan a los resultados de la competencia a adquirir. Permiten al estudiante monitorear la propia actividad, autoevaluándose, y favorecen la adquisición de responsabilidad ante los aprendizajes. Aumentan la transparencia de la evaluación, esto es, reduce la subjetividad de la evaluación por parte del docente, siendo más justo. Y da retroalimentación al proceso de evaluación en un tiempo más corto, así el estudiante puede identificar los criterios que no cumplió.
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 | 0.072 | 0.284 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.009 | 0.009 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".