El Aula del Futuro del proyecto IkasLab: Metodologías de aprendizaje en espacios flexibles
Bibliographic record
Abstract
La comunidad educativa demanda enfoques pedagógicos innovadores que favorezcan el aprendizaje interdisciplinar, el trabajo colaborativo del alumnado y el desarrollo de competencias clave. Iniciativas como el Aula del Futuro (INTEF, 2020) e IkasLab (2022) representan ejemplos de entornos educativos de vanguardia. Estas experiencias combinan tecnología avanzada con metodologías activas, ofreciendo un gran potencial para transformar la dinámica de enseñanza y aprendizaje en las aulas. Las Aulas del Futuro, se enmarcan dentro de un modelo educativo en el que el espacio adquiere un papel central. El diseño de estas aulas busca crear un entorno dinámico, colaborativo e innovador, donde las metodologías activas y las tecnologías emergentes juegan un papel fundamental. Ikaslab, es un proyecto piloto impulsado por el Departamento de Educación del Gobierno Vasco, en el que la Facultad de Educación de Bilbao (UPV/EHU), que ha iniciado un proceso de investigación. El objetivo principal de este estudio es examinar la implementación y el impacto del proyecto Ikaslab en distintos centros educativos de la Comunidad Autónoma del País Vasco (CAV). En este artículo se presentan los resultados obtenidos de una muestra de 140 docentes, que en una primera fase del proyecto analizan su perfil como docente para poder trabajar en un aula de estas características. Los resultados obtenidos manifiestan que el profesorado se siente capacitado para trabajar en las Aulas de Futuro del proyecto Ikaslab.
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 | 0.012 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".