Creación de cuestionarios en Editor XML/Gráfico basado en Eclipse RCP
Bibliographic record
Abstract
El e-Learning permite la educación y capacitación a través de Internet. Cuando hablamos de e-Learning, hablamos de la posibilidad que ofrecen los sistemas informáticos de crear cuestionarios interactivos, representarlos sobre cualquier plataforma o tecnología, acceder a ellos independientemente de donde nos encontremos y responderlos en cualquier momento, además de la posibilidad de ver los resultados o crear estudios, estadísticas e informes acerca de ellos. Una de las principales características es que gracias a los estándares existentes, estos sistemas permiten intercambiarse información entre ellos. \nHoy en día, existen multitud de aplicaciones web que ofrecen al usuario opciones para crear sus propios cuestionarios, compartirlos, contestarlos, puntuarlos, visualizar los resultados, etc. Suelen estar integrados en sistemas LMS (Moodle o Dokeos) o sistemas para la edición de MOOCs (EDX), y la gran mayoría utiliza XML como lenguaje de representación de todas esa información. Sin embargo, se trata de sistemas muy acoplados y dependientes de su propia tecnología. \nEste proyecto separa la definición y edición de cuestionarios de lo que sería la parte relativa a la presentación e interacción con el usuario final. Consiste en una aplicación que incluye un editor de ficheros XML (que van a ser los cuestionarios en sí), acompaño de un editor gráfico que permite modificar y pre-visualizar de manera sencilla y rápida cómo queda el cuestionario. \nEl entorno se ha desarrollado bajo la tecnología Eclipse RCP, que permite definir una aplicación de escritorio desde cero a la cual se la va añadiendo funcionalidad. De esta forma, se consigue un entorno que no va a depender de acceso a la red, salvo a la hora de compartir los proyectos de test generados.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.011 |
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".