Programas de formación docente y estrategias de intervención en altas capacidades/superdotación: Revisión sistemática de literatura
Bibliographic record
Abstract
La formación docente en altas capacidades intelectuales (ACI) o superdotación, representa un gran desafío en el ámbito educativo, ya que es esencial ofrecer una respuesta pedagógica que combine retos intelectuales con apoyo emocional, garantizando así el bienestar integral de los estudiantes con alto potencial. Para alcanzar una formación idónea del profesorado, se necesita programas de formación inicial y continua. El presente artículo pretende caracterizar los programas diseñados para preparar al profesorado en la atención a estudiantes con ACI e identificar las estrategias que permiten abordar sus necesidades cognitivas, creatividad y de adaptación emocional. Se ha utilizado los métodos: prisma, inductivo y deductivo para el análisis, extracción de los contenidos, datos de los artículos científicos y tesis. Entre enero del 2010 a diciembre del 2023, se recuperaron 77 publicaciones de las bases bibliográficas de Scopus, Web of science, ProQuest y del motor de búsqueda Google Académico, de los cuales 30 artículos fueron seleccionados en diferentes países Europeos, Latinos,Canadá y Estados Unidos, puesto que cumplieron los criterios de inclusión. Los datos extraídos incluyeron: el objetivo del programa, competencias docentes, contenidos, estrategias de atención y resultados de la intervención. Esta revisión muestra que los programas integran contenidos como: marco teórico de ACI, detecciones y estrategias de enriquecimiento curricular basados en el modelo teórico de alto rendimiento, cognitivo y sociocultural. Los docentes capacitados mejoran su actitud y se sienten más seguros al ejecutar proyectos, mientras los estudiantes desarrollan habilidades de investigación y fortalecen su creatividad.
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 | 0.025 | 0.058 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.006 | 0.005 |
| Bibliometrics | 0.020 | 0.022 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".