Impacto de los sistemas de gestión de aprendizaje en tiempos de pandemia
Bibliographic record
Abstract
Tras los acontecimientos sociales de octubre, noviembre de 2019 en Bolivia y la decisión mundial de suspender las clases presenciales por la pandemia del COVI-19 y pasar a la modalidad de las clases virtuales, surge la preocupación de si los estudiantes están preparados para migrar de las clases presenciales a las clases virtuales o si los docentes están capacitados para poder administrar la educación virtual; así como los padres de familia si tienen las condiciones tecnológicas y económicas para sostener una educación superior con estas nuevas características. La Universidad Mayor de San Andrés UMSA, comienza el 2001 con la incorporación de las Nuevas tecnologías de información y comunicación NTIC con el apoyo de la cooperación Sueca (ASDI – SAREC). La carrera de Ingeniería Industrial, implementa el campus virtual basado en el software libre “Moodle” con el apoyo de la Universidad Tecnológica Nacional (UTN) de Argentina con el Financiamiento del Fondo Argentino de Cooperación Fo.Ar. Concluido el proyecto el 2016 se realizó una evaluación. El 2020 se implementó Google Suite y se evaluó también, comparados los resultados se observa que los usuarios docentes tienen una mayor cantidad de usuarios A-tecnológico A, toda vez que 15,58% de los usuarios Básicos B han pasado a ser A; 36,18% de los usuarios Conectados C han pasado a ser usuarios B, 26,22% de los usuarios Digitales D han pasado a ser usuarios C. En general, el 78% de los usuarios han cambiado a una categoría inferior. En el segmento de los estudiantes se tiene una mayor cantidad de usuarios A, toda vez que 9,17% de los usuarios B han pasado a ser A; 0,73% de los usuarios C han pasado a ser usuarios B, 6,57% de los usuarios D han pasado a ser usuarios C. Cerca del 16,5% de los usuarios han cambiado a una categoría inferior.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".