¿Cómo enseñar el concepto de fuerza desde un punto de vista cualitativo a estudiantes de la comunidad Kankuama?
Bibliographic record
Abstract
Enseñar fuerza de manera cualitativa permite que los estudiantes construyan el concepto y puedan predecir cómo cambia el movimiento de un cuerpo indiferentemente de que tengan o no una base matemática sólida. Además, utilizar las experiencias del entorno cultural y social del estudiante hace que el concepto le parezca más cercano y le permite aplicarlo a su entorno. Este trabajo diseña y pone a prueba una secuencia didáctica para la enseñanza del concepto cualitativo de fuerza dentro del Modelo Educativo Kankuamo. La secuencia propuesta introduce el concepto físico de fuerza a través de los objetos y actividades cotidianas que suceden en la comunidad, ayudando no sólo a identificar la acción de la fuerza en situaciones cercanas, sino también a reforzar la identidad cultural Kankuama. La secuencia consta de seis unidades didácticas que tratan los temas de primera ley de newton, segunda ley de Newton, tercera ley de Newton, fuerzas a distancia, fuerzas de contacto y aplicaciones de las leyes de Newton. Todos los temas se ilustran con experiencias cotidianas en el entorno Kankuamo, combinadas también con videos y experiencias universales, que se discuten utilizando la mayéutica como método, hasta lograr que cambien sus nociones previas del concepto de fuerza. La secuencia se implementó a lo largo de seis semanas con los estudiantes de grado undécimo de la Institución educativa oficial San Isidro Labrador de Atánquez, ubicada en el Resguardo Indígena Kankuamo, parte sur-oriental de la Sierra Nevada de Santa Marta, en el municipio de Valledupar, y se evaluó en un diseño pre-experimental con prueba inicial y prueba final. Los resultados muestran una mejora significativa en el desempeño de los estudiantes, al punto de que prácticamente todos los puntajes de la prueba final superan el máximo puntaje de la prueba inicial; además, las actividades desarrolladas aumentaron notablemente la motivación de los estudiantes. Este trabajo es un aporte significativo a la enseñanza de la ciencia dentro del Modelo Educativo Kankuamo, y un ejemplo exitoso de cómo integrar la ciencia al entorno social y cultural propio de una comunidad que piensa diferente.
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 | 0.010 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.028 |
| Scholarly communication | 0.017 | 0.017 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.006 | 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".