Comunidades de Aprendizaje: una apuesta por la educación del futuro
Bibliographic record
Abstract
Las comunidades de aprendizaje llevan funcionando en nuestro país desde 1978. La comunidad científica internacional apuesta por estos métodos de enseñanza, porque se ha demostrado que aumentan el rendimiento de los alumnos y mejoran la convivencia en los centros. Es un proyecto donde toda la comunidad participa en la tarea de educar y se fundamenta en el aprendizaje dialógico, donde se valora la opinión de todos los participantes, y donde todos aprenden de todos. \nEn este trabajo conoceremos como funcionan las comunidades de aprendizaje, sus antecedentes y fundamentos, y cómo se han extendido por el país con la ayuda de CREA, Centro de investigación en Teorías y prácticas Superadoras de desigualdades. Después averiguaremos cuales son las fases necesarias para que un centro convencional se transforme en comunidad de aprendizaje, y cómo se implican los familiares y voluntarios en las clases de matemáticas. Mediante una encuesta a una muestra de población española, sabremos cuánta gente conoce o ha oído hablar de las comunidades de aprendizaje. Veremos que hay muy pocas comunidades de aprendizaje en toda la geografía española, y sabremos en cuáles de ellas se puede estudiar Secundaria. Después contactaremos con ellas para conocer algunas cuestiones interesantes sobre estos centros. Con todos los datos obtenidos y lo que hemos aprendido, haremos una propuesta práctica de cómo podrían ser las clases de matemáticas de 4º de la ESO para una comunidad de aprendizaje.
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 | 0.009 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.010 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".