Complementariedad con el Marco UNESCO TIC para Docentes

Complementariedad con el Marco UNESCO TIC para Docentes

A nivel global, el Marco de Competencias TIC para Docentes (UNESCO, 2019) proporciona una visión complementaria. Esta propuesta establece tres niveles de desarrollo profesional docente: adquisición de conocimientos, profundización y creación de conocimiento. Además, abarca seis áreas de actuación: pedagogía, currículo, administración, desarrollo profesional, aplicación de competencias digitales y comprensión de políticas educativas.

El documento resalta la importancia de integrar principios como la inclusión, el acceso abierto, la equidad de género y la ética digital. También subraya el papel del docente en la promoción de competencias del siglo XXI como la resolución de problemas complejos, el trabajo colaborativo, la innovación y la ciudadanía activa (UNESCO, 2019).

El marco se alinea con los Objetivos de Desarrollo Sostenible, en especial el ODS 4 (educación de calidad), ofreciendo una guía para la formulación de políticas públicas y programas de formación docente que favorezcan el desarrollo de sociedades del conocimiento inclusivas.


Figura 1. Estructura del Marco de Competencias TIC para Docentes (versión 3).

Comentarios

Publicar un comentario

Entradas populares de este blog

Minería de datos educativos y análisis del aprendizaje

La minería de datos educativos (EDM, Educational Data Mining) y la analítica del aprendizaje (LA, Learning Analytics) son técnicas que utilizan el análisis de datos para mejorar los procesos educativos. Para ello extrae patrones y tendencias del rendimiento, el comportamiento y las interacciones de los estudiantes. Estas disciplinas optimizan los procesos de aprendizaje, identifican a los estudiantes con sus dificultades y logran personalizar las experiencias de aprendizaje. Su integración promete revolucionar la educación y fomentar el éxito de los estudiantes en la era digital. Líneas de investigación actuales en DaSCI: Portabilidad de modelos predictivos. En la minería de datos educativos, un reto clave es garantizar la portabilidad de los modelos predictivos a través de diferentes cursos. Actualmente, la excesiva dependencia de atributos de bajo nivel durante el entrenamiento limita la adaptabilidad de los modelos. Para abordar este problema, estamos desarrollando y utilizando acti...
Leer más

BIG DATA

  El crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad de modificar, optimizar y generar métodos y modelos de almacenamiento y tratamiento de datos que suplan las falencias que presentan las bases de datos y los sistemas de gestión de datos tradicionales. Respondiendo a esto aparece Big Data, término que incluye diferentes tecnologías asociadas a la administración de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez [1]. A pesar de que el término Big Data se asocia principalmente con cantidades de datos exorbitantes, se debe dejar de lado esta percepción, pues Big Data no va dirigido solo a gran tamaño, sino que abarca tanto volumen como variedad de datos y velocidad de acceso y procesamiento. En la actualidad se ha pasado de la transacción a la interacción, con el propósito de obtener el mejor provecho de la información que se genera minuto a minuto[2]. Con e...
Leer más

Proceso de la Minería de datos educativa

Imagen
  1. Extracción de datos: Consiste en la selección y recuperación de datos del entorno educativo, priorizando fuentes digitales como sistemas de información o entornos virtuales de aprendizaje. Los datos incluyen interacción, uso de sistemas, información de cursos, datos académicos, encuestas socioeconómicas y antecedentes escolares. 2. Preprocesamiento: Se limpian datos (eliminando datos redundantes, incorrectos o faltantes), se mezclan fuentes y se convierten valores para una gestión estandarizada y homogénea. Es crucial excluir atributos irrelevantes y el resultado es un conjunto de datos listo para el análisis. 3. Aplicación de métodos de MDE: Se seleccionan y aplican técnicas acordes a los objetivos, como clasificación/predicción para identificar riesgo académico. Se pueden seleccionar atributos relevantes y ajustar parámetros de algoritmos para refinar la precisión de los modelos. 4. Interpretación de resultados: Se muestran los patrones, relaciones o tendencias descubiertos ...
Leer más