Canales para el asesoramiento TIC del profesorado de Primaria: tipos de canales y su incidencia en la integración en el aula
Bibliographic record
Abstract
El propósito del estudio que se presenta en este artículo es averiguar cuáles son los canales o modalidades que el profesorado elige a la hora de formarse en las tecnologías de la información y la comunicación (en adelante, TIC) y qué repercusiones tiene cada uno de los mismos en la posterior aplicación de lo aprendido en el aula. Para conseguir tal propósito se han seleccionado cuatro centros de la isla de Tenerife de diferentes zonas y con diversas situaciones socioeconómicas en su contexto. También han participado algunos CEP (centros del profesorado) a través de los asesores que se dedican a orientar al personal de los centros educativos con respecto a las TIC. En consonancia con los objetivos propuestos y con el fin de recabar datos, se ha elaborado un cuestionario destinado al claustro de cada centro, así como una entrevista no estandarizada que nos ha permitido profundizar en el tema y que se le ha realizado tanto a los asesores del CEP como a los equipos directivos y coordinadores TIC de los centros seleccionados.
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 | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".