Formar en decrecimiento para combatir el impacto del cambio climático
Bibliographic record
Abstract
La finalidad de esta investigación ha sido realizar una revisión sistemática de la literatura (RSL) sobre la importancia y abordaje que se hace actualmente en el sistema educativo sobre la enseñanza y aprendizaje de la crisis ambiental y ecosistémica actual. Se toman como base dos palabras clave: decrecimiento y educación. Para ello se ha realizado una RSL siguiendo los estándares de la declaración PRISMA publicada en 2020. Se han seleccionado 36 artículos publicados, de enero de 2005 a diciembre de 2022, en las bases de datos: Scopus, Dialnet, Web of Science y Scielo. Los hallazgos reflejan que es un tema relevante como preocupación pero que no se refleja en la práctica educativa; que se ha incorporado en el currículo, pero de forma esporádica, descontextualizada y sin cuestionar el modelo de crecimiento ilimitado y de consumo que conlleva el capitalismo. En definitiva, que no predomina una visión crítica que cuestione el sistema y el abordaje educativo. Se concluye que es crucial incorporar el decrecimiento de una forma transversal en la educación y reformar los planes de estudio de las Facultades de Educación de todas las universidades para que la pedagogía del decrecimiento sea una prioridad en los mismos
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".