Inteligencia Artificial como recurso de información en las bibliotecas escolares, una mirada desde el pensamiento computacional para convertirlas en aulas
Bibliographic record
Abstract
Partiendo de trabajos realizados en el proyecto de investigación UNLaR “Como favorecen las TIC y otras herramientas metacognitivas el aprendizaje significativo de la matemática y la física”, el texto presenta la Inteligencia Artificial (IA) y sus diferentes clasificaciones, como reglas, aprendizaje automático, redes neuronales y generativa. Se discuten las implicancias de la IA en la sociedad, incluyendo el potencial de automatizar trabajos y mejorar la educación, así como las preguntas éticas y sociales relacionadas con la responsabilidad del contenido generado por la IA. Se discute la posible adopción generalizada de la IA generativa en el futuro y su aplicación a un contexto educativo como el de las Bibliotecas Escolares. El texto también destaca la importancia de la biblioteca escolar como recurso educativo valioso para el desarrollo académico, social y emocional de los estudiantes, y cómo los bibliotecarios escolares pueden ayudar a los estudiantes a desarrollar habilidades de investigación y pensamiento crítico, apoyados por la IA. Además, el texto presenta el Pensamiento Computacional como una habilidad esencial en la era digital actual, que permite a las personas analizar, comprender y resolver problemas de manera eficiente y efectiva, en varios espacios además de la matemática, la física o la química; utilizando herramientas y conceptos informáticos. También se menciona la importancia de utilizar la IA de manera consciente y efectiva en la educación, ya que no puede reemplazar el desarrollo de habilidades críticas y emocionales importantes para el aprendizaje. En resumen, el texto presenta un panorama general de la IA, la biblioteca escolar y el Pensamiento Computacional como recursos educativos valiosos que pueden mejorar el aprendizaje y el desarrollo de habilidades en la era digital actual. Sumando algunas experiencias concretas sobre el particular.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".