Método neutrosófico para evaluar la implementación de clases virtuales en tiempos COVID-19

Autores/as

  • Liéter Elena Lamí Rodríguez del Rey Universidad de Cienfuegos "Carlos Rafael Rodríguez". Cienfuegos. Cuba
  • María Elena Rodríguez del Rey Rodríguez Universidad de Cienfuegos "Carlos Rafael Rodríguez". Cienfuegos. Cuba
  • Xiomara García Navarro Universidad de Cienfuegos "Carlos Rafael Rodríguez". Cienfuegos. Cuba

Palabras clave:

método neutrosófico, criterio de experto, evaluación y decisión, clases virtuales, Palabras Claves: método neutrosófico, criterio de experto, evaluación y decisión, clases virtuales, COVID-19.

Resumen

El desafío de la situación epidemiológica de carácter mundial desde finales del año 2019 hasta la actualidad, ha forzado el desarrollo de clases virtuales reemplazando las presenciales en el contexto educativo superior, para el cumplimiento estricto de las medidas del distanciamiento social y lograr la disminución de casos positivos en relación con el virus SARS-CoV-2, así como pérdidas humanas que ha traído consigo y la propagación del virus referido. Esta pandemia, en general, ha causado un gran impacto psicológico, social y cultural en torno al aprendizaje efectuado por el estudiante en formación universitaria al asumir los retos de responder las orientaciones que difieren a las tradiciones intelectuales y profesionales en Cuba. La presente investigación propone un método neutrosófico para evaluar la implementación de clases virtuales en tiempos COVID-19. Se aplica una metodológica descriptiva, observacional, de corte transversal. La investigación implementa el criterio de experto neutrosófico para la evaluación y decisión. La experimentación es realizada a partir de experiencias y prácticas educativas en la carrera Licenciatura en Educación Informática, Universidad de Cienfuegos “Carlos Rafael Rodríguez”.

Publicado

2022-10-01

Número

Sección

Articulos

Cómo citar

Método neutrosófico para evaluar la implementación de clases virtuales en tiempos COVID-19. (2022). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 23, 39-48. https://fs.unm.edu/NCML2/index.php/112/article/view/240