En septiembre de 2018, en el marco del Consejo Federal de Educación de Argentina, se aprobaron los Núcleos de Aprendizaje Prioritario (NAP) de Educación Digital, Programación y Robótica. La resolución pertinente aborda cuestiones referentes al desarrollo de nuevos saberes digitales, indicando que comenzarán a ser temas de enseñanza obligatorios en todos los establecimientos del país, con lo cual involucra y lleva a repensar acciones educativas en distintas dimensiones (currículum, recursos didácticos, metodologías, capacitación y formación, entre las principales). Este documento tiene por objetivo presentar, desde la Universidad Pedagógica Nacional, una propuesta de organización de los Núcleos de Aprendizaje Prioritario en un marco de referencia denominado “Saberes Digitales”, en función de poder conceptualizar y pensar en posibles acciones de apoyo al sistema educativo de nivel primario y secundario en su relación con tales saberes.
No abstract
La educación distribuida de emergencia que la pandemia de COVID -19 impuso en los hogares, amplificó y acentuó el uso de tecnologías digitales en el ejercicio del trabajo docente, específicamente a partir de la producción de bienes informacionales y el uso de plataformas. En este contexto, distintas corporaciones del sector informacional incrementaron sus negocios al proveer software y servicios informáticos a los sistemas educativos. Dicho estado de situación trajo aparejado una serie de cambios en el trabajo docente que van mucho más allá de cuestiones didácticas. A los efectos de explorar las potenciales transformaciones en la labor docente, realizamos un trabajo de campo consistente en una encuesta a maestros y profesores argentinos (muestra autoseleccionada de 205 casos), que ampliamos con datos provenientes de fuentes secundarias y una investigación anterior. De manera central, se indagó acerca de: a) producción de recursos educativos en pandemia, tipos y tiempo insumido, b) reconocimientos por la labor realizada y c) percepción de cambios en el trabajo docente. Del análisis de los testimonios se evidencia, en primer lugar, que la pandemia condujo a que gran parte de los docentes se conviertan en trabajadores informacionales a partir de la producción de bienes digitales, el uso de plataformas para la mediación pedagógica y la automatización de ciertas tareas. Esta transformación se configura en diálogo estrecho con una serie de cambios en el trabajo docente: tiempo de trabajo, gestión del aula y malestar en la salud. La discusión que aquí planteamos consiste en advertir, por un lado, que resulta impreciso y limitado referir únicamente a digitalización en el mundo del trabajo y, por otro lado, que las tendencias ya identificadas en diferentes ámbitos laborales -informacionalización, plataformización y automatización- requieren ser interpretadas a la luz del trabajo docente en pandemia.
The assimilation of time-lapse (4D) seismic data is challenging with ensemble-based methods because of the massive number of data points. This situation requires an excessive computational time and memory usage during the model updating step. We addressed this problem using a deep convolutional autoencoder to extract the relevant features of 4D images and generate a reduced representation of the data. The architecture of the autoencoder is based on the well-known VGG-19 network, from which we take advantage of the transfer learning technique. Using a pre-trained model bypasses the need of large training datasets and avoids the high computational demand to train a deep network. For further improvements in the reconstruction of the seismic images, we apply a fine-tuning of the weights of the latent convolutional layer. We propose to use a fully convolutional architecture, which allows the application of distance-based localization during data assimilation with the Ensemble Smoother with Multiple Data Assimilation (ES-MDA). The performance of the proposed method is investigated in a synthetic benchmark problem with realistic settings. We evaluate the methodology with three variants of the autoencoder, each one with a different level of data reduction. The experiments indicate that it is possible to use latent representations with major data reductions without impairing the quality of the data assimilation. Additionally, we compare CPU and GPU implementations of the ES-MDA update step and show in another synthetic problem that the reduction in the number of data points obtained with the application of the deep autoencoder may provide a substantial improvement in the overall computation cost of the data assimilation for large reservoir models.
Las plataformas han tenido en la última década, por lo menos, un crecimiento continuo y acelerado. Dentro de este contexto, los usos que las y los jóvenes realizan de estas resultan significativos. YouTube no es ajena a dicho fenómeno, más aún ha cobrado relevancia no sólo en términos cuantitativos, sino también cualitativos. Es decir, tanto en el número de suscriptores y visualizaciones, como en la variedad del contenido ofrecido. Así, en un horizonte más amplio que nos permita comprender los procesos de aprendizaje que despliegan las y los jóvenes en dichos espacios, nos proponemos, por un lado, caracterizar los usos de YouTube que realizan las y los estudiantes de escuelas técnicas de sectores populares y, por otro, describir las percepciones que tienen dichos actores respecto de esta plataforma como espacio de resolución de problemas vinculados tanto a la educación informal como a la formal. Metodológicamente, presentamos los resultados de una encuesta en línea realizada en 2019 a estudiantes del ciclo básico de escuelas secundarias públicas técnicas del partido de La Matanza, provincia de Buenos Aires, Argentina.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.