martes, 31 de diciembre de 2024
2 Desde GIC
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Actitudes y comportamiento =
Habilidades en el aula
El resultado de una buena enseñanza es un buen aprendizaje.
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
1. relevante (adj): significativo porque está relacionado con
la vida
2. motivación (n): razón para hacer algo
3. estructura (n): marco organizativo
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
El papel del docente
PALABRAS CLAVE
Lograr (v): tener éxito en
Facilitar (v): ayudar y hacer que la tarea sea más fácil. Un buen facilitador (n) usa sus habilidades para ayudar a los estudiantes a aprender y lograr la tarea.
Guiar (v): mostrar a las personas el camino. Un buen guía (n) sabe a dónde ir, cómo llegar y cuida al grupo con cuidado y atención.
Objetivo de aprendizaje (n): el punto final del
aprendizaje; lo que el aprendizaje pretende lograr
Tarea (n): un trabajo a realizar o una actividad con
un propósito.
El papel del docente es guiar, facilitar y gestionar
el aprendizaje de cada estudiante por igual.
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Fuente:
Educasia.
(2015). Teaching Skills. The Curriculum Project. Myanmar(Birmania).
lunes, 30 de diciembre de 2024
2 Desde GIC
El
poder del análisis avanzado en auditoría
En busca de una
aplicación efectiva.
Se ha implementado un
análisis avanzado en relación con la auditoría de ciertas entidades que ya
mostraban interés en ello y su estructura tecnológica lo permitía. Esto permitió
evaluar la experiencia tanto desde el punto de vista de la auditoría externa
como desde la perspectiva de la auditoría interna. Ese trabajo hizo simpatizar
con la idea de aplicar primero el análisis a las auditorías externas.
Se aplicó análisis de
auditoría avanzado a la información de ingresos a la entidad seleccionada. Se
señala que era un área ideal para aplicar análisis debido a la amplitud de
métricas y datos que se tenían disponibles y que podían correlacionarse con los
resultados de ingresos esperados.
La experiencia indica que,
si bien fue necesaria una inversión de tiempo para extraer y proporcionar los
datos relevantes para la auditoría, se cree que valdrá la pena a largo plazo.
Se requiere una gran cantidad de datos para el análisis y deben formatearse,
validarse y conciliarse con los estados financieros.
El análisis ayudó al
equipo de auditoría de la entidad a encontrar puntos de datos que no se
ajustaban a las hipótesis. Se considera que el beneficio principal es una mayor
calidad de la auditoría, con posibles beneficios secundarios que implican
información más significativa. También es un beneficio someter a toda la
población de transacciones a algún tipo de examen, en lugar de solo una
muestra.
Se señala que el análisis
permite enfocar la auditoría, lo que ayuda a identificar valores atípicos y
tendencias inesperadas en los datos, y a visualizar áreas de riesgo que los
métodos de muestreo no podían detectar. Los auditores, puede apreciar el valor
que la tecnología permite en el proceso de auditoría.
Luego la experiencia
permitió centrarse en ampliar el uso de análisis de datos en auditoría interna.
Hay mucho potencial para el análisis de datos en el ámbito de la auditoría,
tanto interna como externa, en el futuro.
domingo, 29 de diciembre de 2024
2 Desde GIC
Teorías
de aprendizaje 1
Una teoría del
aprendizaje es un marco conceptual coherente integrado por constructos y
principios que describen, explican o predicen como las personas aprenden. Las
teorías psicológicas del aprendizaje y el aprendizaje motor son conceptos que
deben tenerse en cuenta. Más que ofrecer una simple teoría de aprendizaje, la
psicología proporciona teorías alternativas y perspectivas de cómo el
aprendizaje ocurre. Explica que motiva a las personas al aprendizaje y al
cambio (Hilgard & Bower, 1966; Ormrod, 2004; Snowman & Biehler, 2006).
El aprendizaje motor evoluciona
como una rama de la psicología experimental y puede ser diferenciada desde el
aprendizaje verbal (Newell, 1991).
A mediados del siglo xx
fue establecida como una area especializada de estudio y ha sido influenciada
por la teoría de la conducta cibernética y del procesamiento de la información (Van
Sant, 2003).
Las teorías psicológicas
de aprendizaje son útiles en la adquisición de información y en situaciones que
involucran el pensamiento humano, las emociones y la interacción social. El
aprendizaje motor tiene un particular interés cuando se trata de ayudar a las
personas a aprender o desarrollar el reaprendizaje de habilidades.
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Fuente:
Bastable, S.B., Gramet P., Jacobs K. & Sopczyk D. L.
(2011). Health
Professional as Educator. Principles of Teaching and Learning. Jones & Barlett
Learning. USA.
sábado, 28 de diciembre de 2024
2 Desde GIC
Cómo funciona el modelo
de riesgo de auditoría
La naturaleza del riesgo
de auditoría
El riesgo de auditoría es
el riesgo de que un auditor exprese una opinión incorrecta sobre estados
financieros que contienen errores materiales. Dado que los auditores pueden ser
demandados por esto (y perderán el caso judicial y tendrán que pagar),
necesitan una herramienta para reducir el riesgo.
Podrían reducir el riesgo
de auditoría por la fuerza bruta, lo que significa examinar cada una de las
transacciones del cliente. Pero eso sería increíblemente caro. Por eso, en su
lugar, tienen el modelo de riesgo de auditoría. Este modelo calcula la cantidad
total de riesgo asociado con una auditoría dividiéndola en tres partes. Existe
el riesgo de control, que es el riesgo de que los sistemas de control de un
cliente no detecten o eviten errores materiales. Este es un riesgo importante,
ya que los auditores pueden confiar en un buen sistema de control y reducir
considerablemente sus procedimientos de auditoría. Pero si el sistema de
control apesta, entonces los auditores deben compensarlo con más
procedimientos.
Y luego está el riesgo
inherente, que es el riesgo de que los estados financieros de un cliente sean
susceptibles de errores materiales en ausencia de controles internos. Esto
puede ser un problema en un negocio complejo, y especialmente en aquellos en los
que hay mucho juicio involucrado en la toma de decisiones, porque una persona
sin experiencia tiene más probabilidades de cometer un error. También hay más
riesgo inherente cuando una empresa se ocupa de muchas transacciones no
rutinarias, para las que no hay procedimientos. El mismo problema: una persona
sin experiencia podría arruinarlas. En resumen, una empresa con riesgo
inherente está estructurada de tal manera que las cosas pueden salir mal.
Y finalmente, está el
riesgo de detección. Este es el riesgo de que los procedimientos de auditoría
que se utilicen no sean capaces de detectar un error material. El auditor puede
controlar el riesgo de detección añadiendo más procedimientos, o al menos,
procedimientos relevantes. Esta es la variable principal. El auditor puede
aumentar los procedimientos cuando los otros dos riesgos parecen malos, o
reducirlos cuando los otros niveles de riesgo parecen bastante bajos.
Entonces, el modelo de
riesgo de auditoría establece que se multiplica el porcentaje evaluado de
riesgo de control por el porcentaje evaluado de riesgo inherente y por el
porcentaje evaluado de riesgo de detección, y eso da como resultado el
porcentaje de riesgo de auditoría.
En otras palabras, si
alguno de estos riesgos a nivel subsidiario es alto, y especialmente si varios
de ellos lo son, entonces el auditor estará ante un riesgo muy alto de expresar
una opinión de auditoría incorrecta, lo que puede acabar con su carrera y
vaciar su cuenta bancaria si hay una demanda.
Problemas con el modelo
de riesgo de auditoría
El modelo parece bastante
simple, pero tiene un problema básico. ¿Cómo se obtienen esos porcentajes?
¿Quién puede decir que el riesgo de control debe evaluarse en un diez por
ciento? ¿O en un veinte? ¿O en un treinta? La definición de estos riesgos es
subjetiva, por lo que sería muy difícil defender una cifra específica. Sería
una tontería establecer el riesgo inherente en, digamos, un catorce por ciento.
¿Cómo lo justificaría?
Y, de hecho, dado que
cada dato de la ecuación es subjetivo, ¿cómo puede alguien esperar de manera
realista multiplicarlos y obtener un resultado significativo? Básicamente,
estamos tratando de aplicar conceptos matemáticos a las opiniones.
Un enfoque simplificado
Y es por eso que los
auditores prefieren asignar una calificación alta, media o baja a cada uno de
esos riesgos. Es como un semáforo. El verde es una calificación de riesgo bajo,
el rojo es malo y el ámbar está en algún punto intermedio. Cuando todo está en
verde, el auditor está contento porque el riesgo de auditoría también está en
verde. Cuando todo está en rojo, es hora de que el auditor abandone la
auditoría, porque no hay forma de desarrollar una opinión de auditoría
rentable.
Entonces, ¿cómo llegan
los auditores a estas evaluaciones altas, medias o bajas? Sigue siendo una
cuestión de criterio. El riesgo inherente es rojo cuando el entorno es complejo
y no hay muchos procedimientos. En la situación inversa, es verde. Cuando el
auditor realiza una prueba preliminar de los controles y todos los controles
funcionan según lo planeado, entonces obtiene una calificación verde. Cuando el
resultado es más como una zona de guerra, obtiene una calificación roja. Esos
son los fáciles. El auditor debe decidir bajo qué circunstancias se otorgará
una calificación media. No hay ninguna orientación clara al respecto; sigue
siendo una cuestión de criterio.
Entonces, ¿qué sucede
prácticamente con todas las auditorías, en las que la puntuación no es toda
roja o toda verde? Como regla general, si el riesgo de control y el riesgo
inherente son altos y el riesgo de detección es medio, entonces el auditor no
aceptará el trabajo, porque el costo de todos los procedimientos de auditoría
necesarios será demasiado alto. Si el riesgo de detección cae a verde, entonces
probablemente será rentable para el auditor continuar, pero necesita observar
el resultado de los procedimientos de auditoría, para ver si surge algo
extraño, y hay una buena posibilidad de que así sea.
Por otro lado, si
cualquier combinación de dos riesgos se considera baja, entonces la auditoría
puede continuar. Eso es bueno. El problema es que, si calcula el número de
variaciones de tres riesgos de auditoría y tres clasificaciones de riesgo,
tiene 27 combinaciones posibles de resultados, y en aproximadamente la mitad de
ellos, no está claro si el auditor debe retirarse o aceptar el trabajo.
Por lo tanto, como podría
esperarse, este es un área problemática para los auditores. Durante toda la
auditoría, se reevalúa constantemente el riesgo de auditoría y se modifican los
procedimientos de auditoría para hacer frente a lo que se descubre.
Puede parecer que este
episodio fue exclusivamente para beneficio de los nuevos auditores. No es así.
Hay que mirarlo desde la perspectiva del cliente. Si se le presenta al auditor
un sistema de control deficiente o un entorno operativo inherentemente complejo,
la única forma en que el auditor podrá proporcionar una opinión de auditoría
limpia es acumulando procedimientos de auditoría, lo que puede resultar
bastante caro.
Por lo tanto, tiene
sentido seguir trabajando en los sistemas de control durante la temporada baja,
cuando los auditores no están presentes, para hacerlos lo más sólidos posible.
Y tratar de persuadir a la gerencia para que optimice un poco el negocio, instale
más procedimientos y pague más capacitación para los empleados, de modo que el
riesgo inherente también disminuya.
Cuando se hace eso, los
auditores tienen menos problemas y, lo que es más importante, tendrán menos
trabajo que hacer, por lo que sus honorarios de auditoría serán menores.
Fuente:
Bragg, S. (2020). The Audit Risk Model. ABP No.299
Podcast. Accounting Tools, Inc. USA.
viernes, 27 de diciembre de 2024
2 Desde GIC
La IA y el auge de la
productividad que se avecina
La productividad ha sido
de sólo un 1,4 por ciento anual durante la última década. Creo que va a estar
más cerca del 3% en la próxima década. He hecho una apuesta con Bob Gordon, mi
amigo y a veces rival. Y es una apuesta a largo plazo. Puedes comprobarlo allí
y he escrito artículos sobre esto y la razón de ello es que el género de un IA
tiene dos características importantes. En primer lugar, afecta a una amplia
sección de la economía. Las personas que trabajan con el lenguaje y no hay
tantas personas que no lo hagan es probable que se vean afectadas en sus
trabajos.
En segundo lugar, tiene
un gran aumento de productividad para esas tareas específicas, y hablaremos más
sobre eso más adelante. Pero cuando se combinan esas dos cosas, se multiplican
y tienen un efecto más amplio sobre la economía en su conjunto. Si la productividad
llega al nivel del 3%, esto nos permitirá resolver muchos de los problemas de
nuestra economía, déficit presupuestario, atención médica y medio ambiente con
mucha más facilidad de lo que podríamos haberlo hecho antes. Y es un objetivo
realista porque la productividad creció alrededor de un 3% a finales de los
noventa y principios de los dos mil. Así que ya hemos estado allí antes y creo
que vamos a llegar allí de nuevo.
Trabajando con Linsey
Raymond y Danielle Lee en el MIT. Estudiamos un centro de llamadas donde
introdujeron la IA generativa en un proceso por fases. Algunas personas lo
entendieron y otras no. Nosotros, como investigadores, estábamos muy
emocionados porque esto nos dio un experimento natural y pudimos obtener una
inferencia causal de la importancia de la IA generativa. Lo que encontramos nos
sorprendió. Las personas que usan IA generativa en solo unos meses fueron hasta
un 35% más productivas que las que no la usaban.
Además, la satisfacción
del cliente aumentó y se podía observar la frecuencia con la que los clientes
usaban palabras felices en lugar de palabras enojadas. Es mucho más probable
que usaran palabras felices y estaban más satisfechos con las interacciones.
Revisamos millones de estas transcripciones y, por último, pero no por ello
menos importante, esto no se produjo a expensas de los propios trabajadores. No
se trataba simplemente de exprimirlos. De hecho, los trabajadores también
parecían más felices. También hubo menos rotación de trabajadores.
El efecto neto de la IA
generativa fue que tomó a los trabajadores y en dos meses estaban rindiendo tan
bien como los otros trabajadores que no tenían IA generativa y que les había tomado
desarrollarse alrededor de cinco o seis meses.
Fuente:
Brynjolsson,
E. (2024). Data and Disruption: Mastering AI and Machine Learning for Finance. MIT
SMR CONNECTIONS
jueves, 26 de diciembre de 2024
2 Desde GIC
Introducción
El lanzamiento de ChatGPT
a fines de 2022, la primera herramienta de inteligencia artificial generativa
(GenAI) fácil de usar que se puso a disposición del público en general, seguida
de versiones iterativamente más sofisticadas, causó conmoción en todo el mundo
y está impulsando la carrera entre las grandes empresas tecnológicas para
posicionarse en el campo del desarrollo de modelos GenAI.
En todo el mundo, la
preocupación inicial en el ámbito educativo era que los estudiantes utilizaran
ChatGPT y otras herramientas GenAI similares para hacer trampa en sus tareas, socavando
así el valor de la evaluación, la certificación y las cualificaciones del
aprendizaje (Anders, 2023). Mientras que algunas instituciones educativas
prohibieron el uso de ChatGPT, otras acogieron con cautela la llegada de GenAI
(Tlili, 2023). Muchas escuelas y universidades, por ejemplo, adoptaron un
enfoque progresista al creer que “en lugar de intentar prohibir su uso, los
estudiantes y el personal necesitan recibir apoyo para utilizar las
herramientas GenAI de manera eficaz, ética y transparente” (Russell Group, 2023).
Este enfoque reconoce que GenAI está ampliamente disponible, es probable que se
vuelva más sofisticada y tiene un potencial negativo específico y un potencial
positivo único para la educación.
De hecho, GenAI tiene una
gran cantidad de posibles usos. Puede automatizar el procesamiento de
información y la presentación de resultados en todas las representaciones
simbólicas clave del pensamiento humano. Permite la entrega de resultados
finales al proporcionar productos de conocimiento semiacabados. Al liberar a
los humanos de algunas categorías de habilidades de pensamiento de orden
inferior, esta nueva generación de herramientas de IA podría tener profundas
implicaciones para la forma en que entendemos la inteligencia y el aprendizaje
humanos.
Pero GenAI también
plantea múltiples preocupaciones inmediatas relacionadas con cuestiones como la
seguridad, la privacidad de los datos, los derechos de autor y la manipulación.
Algunos de estos son riesgos más amplios relacionados con la inteligencia
artificial que se han exacerbado aún más con GenAI, mientras que otros han emergido
recientemente con esta última generación de herramientas. Ahora es urgente que
cada uno de estos problemas e inquietudes se entienda y se aborde por completo.
Esta Guía está diseñada
para responder a esta necesidad urgente. Sin embargo, un conjunto temático de
orientaciones sobre GenAI para la educación no debe entenderse como una
afirmación de que GenAI es la solución a los desafíos fundamentales de la
educación. A pesar de la hipérbole de los medios, es poco probable que GenAI
por sí sola resuelva alguno de los problemas que enfrentan los sistemas
educativos en todo el mundo. Para responder a los problemas educativos de larga
data, es clave defender la idea de que la capacidad humana y la acción
colectiva, y no la tecnología, es el factor determinante en las soluciones
efectivas a los desafíos fundamentales que enfrentan las sociedades.
Por lo tanto, esta Guía
tiene como objetivo apoyar la planificación de regulaciones, políticas y
programas de desarrollo de capacidad humana adecuados, para garantizar que
GenAI se convierta en una herramienta que realmente beneficie y empodere a
docentes, estudiantes e investigadores.
Basándose en la
Recomendación de la UNESCO sobre la ética de la inteligencia artificial, la
Guía se basa en un enfoque centrado en el ser humano que promueve la agencia
humana, la inclusión, la equidad, la igualdad de género y la diversidad cultural
y lingüística, así como las opiniones y expresiones plurales.
La Guía analiza primero
qué es GenAI y cómo funciona, presentando las diversas tecnologías y modelos
disponibles (Sección 1), antes de identificar una serie de cuestiones éticas y
políticas controvertidas en torno tanto a la IA en general como a GenAI en
particular (Sección 2). A esto le sigue un análisis de los pasos y elementos
clave que deben examinarse cuando se busca regular GenAI con base en un enfoque
centrado en el ser humano, que garantice un uso ético, seguro, equitativo y
significativo (Sección 3).
La Sección 4 propone
luego medidas que pueden adoptarse para desarrollar marcos de políticas
coherentes e integrales para regular el uso de GenAI en la educación y la
investigación, mientras que la Sección 5 analiza las posibilidades de utilizar
creativamente GenAI en el diseño curricular, la enseñanza, el aprendizaje y las
actividades de investigación. La Sección 6 concluye la Guía con consideraciones
sobre las implicaciones a largo plazo de GenAI para la educación y la
investigación.
Fuente:
UNESCO. (2023). Guidance
for generative AI in Education and Research. Francia.
miércoles, 25 de diciembre de 2024
2 Desde GIC
La IA y el auge de la
productividad que se avecina
Hoy hablaremos sobre la
IA generativa y cómo esta tecnología está transformando tanto los negocios como
el papel de las finanzas. Primero veremos qué es la IA generativa y cómo vemos
su impacto en la productividad. Luego, exploraremos el papel de las finanzas en
el liderazgo de la revolución de la IA. Finalmente, examinaremos cómo la IA
generativa cambiará los modelos de negocios.
Tópico 1
La IA y el auge de la
productividad que se avecina
Todos hemos escuchado a
la gente usar los términos IA, aprendizaje automático e IA generativa. Tomemos
un minuto para explicar cómo se relacionan entre sí. La inteligencia artificial
(IA) es el campo que estudia cómo hacer que las máquinas resuelvan problemas de
una manera que requeriría inteligencia si los resolvieran los humanos.
Desde el principio, la
gente se ha centrado principalmente en utilizar métodos simbólicos para
resolver estos problemas, pero también ha habido un pequeño grupo de personas
que utilizan técnicas de aprendizaje automático, normalmente utilizando redes
neuronales para enseñar a las máquinas a resolver los problemas por sí solas
con sistemas simbólicos.
Tomas un programa y
algunas entradas y generas salidas. El aprendizaje automático le da la vuelta a
eso: tomas entradas y salidas y generas un programa. Entonces, la máquina
descubre el programa por sí sola. Esto no funcionó muy bien durante las
primeras décadas, pero alrededor de 2012 comenzamos a ver que realmente
despegaba cuando Jeff Hinton lo introdujo en Imagenet y otros problemas que
estaba abordando la comunidad de IA.
Entonces, ahora, la
mayoría de las investigaciones utilizan estas técnicas de aprendizaje
automático que, por lo general, toman una gran cantidad de datos tanto de
entrada como de salida, pero luego la máquina puede descubrir cómo resolver el
problema por sí sola. Es aprendizaje automático. En los últimos años, hemos
visto otro nuevo desarrollo que es la IA generativa. Con la IA generativa, los
problemas se basan en el aprendizaje automático, pero no se limitan a
clasificar, como, por ejemplo, esto es un perro o esto es un gato, esto es
cáncer, esto no es cáncer, esto es spam, esto no es spam, sino que utiliza esa
tecnología para generar nuevas respuestas.
El nuevo texto genera
nuevas imágenes y esto ha cambiado las reglas del juego porque muchos de los
problemas que la gente común resuelve están relacionados con el lenguaje o las
imágenes y necesitamos generar respuestas y ahora el aprendizaje automático mediante
IA generativa puede ayudar con eso porque la IA generativa es tan poderosa que
espero que transforme la economía y eso se reflejará en una mayor
productividad. De hecho, he dicho que va a duplicar la tasa de crecimiento de
la productividad de la economía estadounidense. Ahora bien, para ser justos, no
ha estado creciendo tan rápido como nos hubiera gustado.
Fuente:
Brynjolsson,
E. (2024). Data and Disruption: Mastering AI and Machine Learning for Finance. MIT
SMR CONNECTIONS
martes, 24 de diciembre de 2024
2 Desde GIC
Metodología
de la investigación
El objetivo principal del
presente trabajo sobre Metodología de la investigación es explicar la
naturaleza y el proceso de la investigación para permitir que los lectores
realicen sus propias investigaciones para encontrar respuestas a sus problemas
de investigación específicos. Este objetivo se logra proporcionando pautas
prácticas, ejercicios, ejemplos relacionados con todos los campos de estudio
relevantes y actividades con estudios de casos. Por lo tanto, este escrito es
esencial tanto para estudiantes de pregrado como de posgrado que necesiten
realizar investigaciones. Puede ser utilizado por investigadores y estudiantes
que trabajen con individuos, grupos de personas, organizaciones, productos o
sistemas, actividades o eventos. Como los principios de la investigación
científica son los mismos para casi todos los campos de estudio, el escrito
puede ser utilizado por estudiantes e investigadores que realicen estudios en
los siguientes campos:
• administración y
gestión de empresas
• servicios
penitenciarios y policía
• contabilidad de costes
y gestión
• gestión de créditos
• gestión de recursos
humanos
• tecnología de la
información
• auditoría interna
• estudios de
biblioteconomía y documentación
• gestión pública
• bienes raíces
• gestión de la seguridad
• impuestos
• banca
• marketing y
• ciencias del
comportamiento humano (por ejemplo, investigación sociológica, psicológica
social y psicológica industrial).
Fuente:
Welman, Kruger & Mitchell (2007). Research
Methodology. Oxford University Press. Southern Africa.
lunes, 23 de diciembre de 2024
2 Desde GIC
A. Conocimientos, actitudes, comportamiento y
habilidades.
1 conocimiento (n)… información y comprensión
2 actitud (n)… cómo alguien piensa y siente
3 comportamiento (n)… cómo actúa alguien
4 habilidad (n)… capacidad de hacer algo
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Las cualidades de un buen profesor
Conocimiento
El docente necesita saber y comprender:
• La materia a
impartir
• Cómo planificar la
enseñanza
• Cómo enseñar la
materia
Actitudes y comportamiento
El docente debe tener una actitud que sea:
• Positiva e
interesada: positiva sobre la enseñanza, sobre la materia y sobre los
estudiantes.
• Razonable: no tiene
favoritos en la clase y está interesado en todos los estudiantes
Una buena actitud la
muestra el docente en el aula cuando:
• Elogia el buen
trabajo y el esfuerzo de los estudiantes.
• Mantiene la calma y
es paciente y servicial.
• Trata a los
estudiantes por igual: no trata a algunos estudiantes mejor que a otros.
Habilidades
El docente es capaz de:
• Planificar: dar una
estructura para el aprendizaje.
• Enseñar: hacer que
el aprendizaje sea variado e interesante; hacer que el aprendizaje sea
relevante; motivar a los estudiantes
• Gestionar el
aprendizaje: ayudar a los estudiantes a aprender y evaluar su progreso.
• Gestionar el aula:
asegurarse de que todos los estudiantes estén trabajando bien.
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Fuente:
Educasia. (2015). Teaching Skills. The Curriculum Project. Myanmar(Birmania).
domingo, 22 de diciembre de 2024
2 Desde GIC
EL APRENDIZAJE
El aprendizaje se define como un cambio relativamente permanente en el
procesamiento mental, el funcionamiento emocional, las habilidades y/o el
comportamiento como resultado de la experiencia.
El aprendizaje permite a las personas adaptarse a las demandas y
circunstancias cambiantes y es crucial en la contabilidad: los estudiantes
adquieren la información y las habilidades necesarias para convertirse en
profesionales o personal que idea y aprende enfoques más efectivos para educar
a otros socios.
A pesar de la importancia del aprendizaje para el desarrollo, el
funcionamiento y el bienestar de cada individuo, continúa el debate sobre cómo
ocurre el aprendizaje, qué tipos de experiencias facilitan o dificultan el
proceso de aprendizaje y qué garantiza que el aprendizaje se vuelva
relativamente permanente.
Hasta finales del siglo XIX, la mayoría de las discusiones y debates sobre
el aprendizaje se basaban en la filosofía, la administración escolar y la
sabiduría convencional (Hilgard, 1996). A principios del siglo XX, surgió el
nuevo campo de la psicología educativa y se convirtió en una fuerza para el
estudio científico del aprendizaje, la enseñanza y la evaluación (Woolfolk,
2001). Como ciencia, la psicología educativa se basa en la recopilación
sistemática de evidencias o datos para probar teorías e hipótesis sobre el
aprendizaje.
Fuente:
Bastable,
S.B., Gramet P., Jacobs K. & Sopczyk D. L. (2011). Health
Professional as Educator. Principles of Teaching and Learning. Jones
& Barlett Learning. USA.
sábado, 21 de diciembre de 2024
2 Desde GIC
APTITUD DOCENTE
CONCEPTO DE ENSEÑANZA
Es bien sabido que la
educación es importante no sólo para la preservación y transmisión de la
cultura, sino también como un instrumento importante en todas las esferas:
social, económica, política y vocacional. Pero en la actualidad, muchos
consideran que la preparación para la vocación es el objetivo fundamental de la
educación. Ganarse la vida se ha vuelto completamente dependiente de la
educación. Por lo tanto, la educación es un proceso social, cultural y ético complejo
diseñado en un contexto social o cultural. Está muy relacionada con las
estructuras sociales, los entornos culturales, los valores e ideales de las
personas, la sociedad y el gobierno. Estos son factores dinámicos debido a los
cuales la definición de enseñanza ha ido cambiando con el tiempo, el lugar y la
sociedad. En resumen, una definición adecuada de enseñanza debería:
(i) identificar si la
enseñanza es un proceso o un producto
(ii) indicar claramente
sus factores constitucionales
(iii) revelar objetivos,
y
(iv) decir algo sobre su
aspecto organizativo y estructural.
Definiciones
1. Según
Morrison, la enseñanza es un proceso social disciplinado en el que el profesor
influye en el comportamiento del alumno menos experimentado y lo ayuda a
desarrollarse de acuerdo con las necesidades e ideas de la sociedad. Por lo
tanto, la enseñanza se reduce a lo que el profesor enseña.
2. Smith
afirma que la enseñanza es un sistema organizado de actividades específicas
destinadas a ayudar al alumno a aprender algo. La enseñanza puede llevarse a
cabo en ausencia del profesor. Smith elaboró más la definición. Consideró la
enseñanza como un proceso tripolar que involucra
(i)
el agente o fuente que produce el aprendizaje, que puede ser humano o material,
(ii)
una meta o propósito a alcanzar, y
(iii)
las variables intervinientes que consisten en la situación de aprendizaje o
enseñanza que involucra condiciones humanas o físicas y métodos de instrucción.
3. Gage
definió la enseñanza como una relación personal entre el profesor y el alumno
que provoca una modificación del comportamiento.
4. Amidon
consideraba la enseñanza como un proceso de interacción entre el profesor y el
alumno, como una empresa cooperativa, un camino de doble sentido. Esta
definición consideraba la enseñanza como un conjunto de actividades debidamente
planificadas y claramente definidas que se emprenden para el logro de ciertos
objetivos.
5. Clarke
amplió el ámbito de la enseñanza e incluyó todas aquellas actividades
organizadas que pueden tener como resultado la modificación del comportamiento
del alumno.
Fuente:
Kumar, S. & Gagan, M.
(2019). Teaching and Research Aptitude. Danika Publishing Company. India.
viernes, 20 de diciembre de 2024
2 Desde GIC
El
poder del análisis avanzado en auditoría
El valor de la innovación
La práctica de la auditoría
está implementando agresivamente la aplicación de análisis de datos y
tecnologías a las auditorías externas y actualmente está aprovechando esa
capacidad en toda la base de clientes. Se continúa desarrollando la metodología
de auditoría, que incorpora análisis y tecnología de inteligencia artificial en
datos de clientes y datos externos según corresponda, al tiempo que se integran
innovaciones adicionales sin problemas.
Además de reconocer la importancia
de ofrecer auditorías de alta calidad, los líderes del ramo también se dan
cuenta de que existe presión sobre las firmas contables para que brinden
auditorías más significativas y perspicaces a los clientes, los inversores y
los mercados de capital.
Los comentarios sobre el
estado de la profesión y la transformación de la auditoría. son:
-Históricamente, la
auditoría no ha estado a la vanguardia de la innovación. Sin embargo, eso está
cambiando rápidamente. Necesitamos evolucionar al mismo ritmo que los clientes,
y los clientes están haciendo inversiones significativas en tecnologías
avanzadas. Esperan que las auditorías sigan el ritmo.
-Es sumamente importante
que las firmas de auditoría compitan en un mercado dinámico y encuentren formas
de diferenciar el valor del servicio que se brinda. Queremos que los clientes
potenciales puedan elegir un auditor en función de criterios clave, incluida la
calidad del servicio y, cada vez más, la innovación.
-Este es un momento
emocionante para la profesión; la innovación permite demostrar el valor
significativo que se ofrece. Y es emocionante para los nuevos profesionales
tener la oportunidad de transformar la forma en que se realiza una auditoría.
-Las opiniones de los reguladores
sobre el uso de tecnología sofisticada y análisis de datos en auditorías
también parecen estar cambiando. No se quiere que las normas de auditoría sean
un inhibidor, sino que, de otro modo, podrían permitir que los logros de la
auditoría tecnológica avancen.
Los auditores ya han
aplicado análisis de auditoría avanzados en todo el mundo y sus clientes ven un
valor sustancial en el uso del análisis de datos. En las firmas de auditoría se
debe invertir en análisis de datos e inteligencia artificial con algunas
aplicaciones de vanguardia que realmente diferencian el servicio y el enfoque
de auditoría.
Suscribirse a:
Entradas (Atom)
