Autor: Santiago Cardozo, Adrián Silveira, Bruno Fonseca
Descripción: La presente investigación utiliza técnicas de machine learning para estimar el riesgo escolar durante los primero tres años de la enseñanza primaria en alumnos uruguayos, en función de poder detectar los factores que repitan cursos en la transición de grado. Estos factores pueden ser condiciones sociosanitarias al momento del nacimiento hasta la situación familiar y educativa de los alumnos sobre el final de su escolarización preprimaria. En particular, el análisis se focaliza en el poder predictivo de las habilidades captadas por la Evaluación Infantil Temprana (EIT) que se aplica próximo a la finalización de la educación inicial, sobre los cinco años de edad.
El dataset de la investigación provienen del estudio longitudinal de trayectorias educativas de la cohorte participante de EIT en 2016 (en adelante, Panel-EIT). El panel se conformó con base al seguimiento de la cohorte de estudiantes de nivel 5 de Inicial que participaron de EIT en 2016 y comenzaron el primer grado de educación primaria en 2017 (n = 15.529).
Métodos: Se utilizan tres técnicas de análisis (regresión logística, redes bayesianas y árboles de clasificación).
Resultados: Como se observa en el cuadro 3, los riesgos de repetición (qt, t+1) se concentran fuertemente en el año de ingreso a la escuela graduada (qt=1=0.114 ) y decrecen de manera progresiva en los dos años posteriores ( qt=2 = 0.033 y qt=3 = 0.021 ).
El cuadro 4 presenta los riesgos acumulados al tercer año (1-St=3), condicionados a las variables de interés, incluida la valoración global del desempeño en EIT. Se incluyen, además, los estadísticos descriptivos básicos para cada variable (media o proporción).
El análisis descriptivo muestra, en primer lugar, que los riesgos de repetición están altamente asociados al nivel de habilidades tempranas. Son de q=0.569 para los estudiantes valorados como rojos por EIT a los cinco años, q=0.329 para los amarillos y q=0.081 para los verdes. Ninguna de las restantes variables consideradas muestra una asociación tan fuerte con la repetición, aunque muchas discriminan los riesgos de interés de manera importante y en el sentido previsto. Por ejemplo, las probabilidades de repetir durante los primeros tres años en primaria se incrementan entre los varones, entre los niños de menor edad de su generación, entre los alumnos con mayor ausentismo a clases en inicial, entre quienes asisten a escuelas de menor nivel socioeconómico, entre los que provienen de familias con menos educación y entre los que registran indicadores perinatales considerados críticos.
La figura 1 presenta el GAD correspondiente al modelo de redes bayesianas (BN) estimado. Subrayamos tres resultados principales de este segundo modelo predictivo. Primero, al igual que en el modelo de regresión, las habilidades globales captadas por EIT vuelven a aparecer como el mejor predictor de los riesgos de repetición posterior. Esto se refleja, gráficamente, en el grosor de la flecha que conecta este indicador con la variable de resultado y aparece cuantificado en el cuadro 6, que reporta la magnitud de las asociaciones estimadas.
La figura 2 presenta el resultado del tercer modelo de riesgo (árbol de clasificación). El árbol comienza con un único nodo, que corresponde a 100% de las observaciones. En cada partición sucesiva se reporta: el riesgo q estimado y el porcentaje de casos clasificados en relación con el total de la muestra para el grupo correspondiente. Los árboles ofrecen una forma gráfica para visualizar diferentes configuraciones de riesgo, lo que constituye un enfoque complementario a la noción de “efectos netos”, de carácter aditivo, propia de las técnicas de regresión.
La primera columna del cuadro 7 reporta los indicadores de ajuste global para los tres modelos de riesgo analizados en la sección anterior. En la columna (2) se estiman estos mismos indicadores, pero omitiendo de los modelos correspondientes, a efectos comparativos, al indicador de habilidad global en EIT. Al final de la tabla, se calculan los mismos indicadores de ajuste para una predicción bivariada realizada en exclusivo con base en el desempeño en EIT.
Conclusiones: Los resultados muestran que es posible identificar de manera anticipada y con niveles altos de precisión, sensibilidad y especificidad a los alumnos, que con una lata probabilidad, tenga dificultades para avanzar de grado en la escuela. La identificación temprana de los niños ayuda a poder anticipar esta situación y dar un mayor apoyo a estos niños.
Referencias: Santiago Cardozo, Adrián Silveira, Bruno Fonseca. Detección temprana del riesgo escolar. Predicción de trayectorias de rezago en la educación primaria en Uruguay mediante. https://www.redalyc.org/journal/270/27069733005/html/
Título: Inteligencia artificial en e-learning escenarios plausibles en Latinoamérica y nuevas competencias de egreso
Autor: Moreno-Gutiérrez S. S., López P. S., and García M.M.
Descripción: La presente investigación hace un análisis de la situación actual de la educación en Latinoamérica, como la tecnología cambio la forma de enseñar y aprender, en este aspecto se plantea un análisis de los posibles escenarios y la oportunidad que la inteligencia artificial provee a través del e-learning y el machine learning.
Métodos: Para esto se plantean distintos escenarios en los que la IA y el machine learning pueden ayudar.
Se analizan distintos aspectos como la situación educativa de los países de la región, el acceso a las tecnologías, la infraestructura con la que se cuenta para poder desarrollar proyectos de IA, elaborando una matriz FODA para identificar estos aspectos.
Conclusiones: Los resultados de la investigación muestrean una carente infraestructura en Latinoamérica para el desarrollo de tecnologías de IA, en la enseñanza de estudiantes, muchos no cuentas con los recursos o no se cuenta con apoyo estatal. En este aspecto el desarrollo de los países depende de sus universidades y los profesionales que generen ciencia y conciencia.
Referencias: Moreno-Gutiérrez S. S., López P. S., and García M.M.
. Inteligencia artificial en e-learning escenarios plausibles en Latinoamérica y nuevas competencias de egreso. http://riull.ull.es/xmlui/handle/915/26765
Título: Metodología de implementación de un chatbot como tutor virtual en el ámbito educativo para universidades en Latinoamérica
Autor: Martha Orozco González, Pablo Pytel, María Florencia Pollo-Cattaneo
Descripción: La investigación propone desarrollar un chatbot como tutor virtual en las universidades de Latinoamérica, como objetivo de poder comunicar a los alumnos y los profesores, la solución plantea utilizar la inteligencia artificail y el aprendizaje automático, con la finalidad de que el mismo chatbot pueda brindar información a los estudiantes, siendo capaz de responder e interpretar satisfactoriamente.
La arquitectura de un chatbot debe constar de la siguiente estructura básica:
1. El conocimiento humano debe introducirse en la base de conocimiento del chatbot
2. El usuario hace una solicitud vía texto, o voz, mediante la interfaz de usuario
3. La solicitud es analizada por el chatbot y su Inteligencia Artificial, utilizando el motor de inferencia
4. El chatbot responde en tiempo real mediante una conversación utilizando la interfaz de usuario
La metodología consta de brindar una orientación hacia el desarrollador a la hora de implementar el chatbot.
La construcción del chatbot consta de 6 fases:
• Especificación y análisis de requisitos
• Diseño del chatbot
• Evaluación de alternativas técnicas
• Desarrollo del chatbot
• Pruebas del software
• Puesta en operación del chatbot
Conclusiones: Se analizo el desarrollo y la complejidad de desarrollar esta solución, así como su viabilidad. Los chatbots son aplicaciones que ya vienen ayudando en muchos rubros y en la educación tienen un potencial muy alto que se debe explorar.
Del mismo modo, se ha identificado que la aplicación de este tipo de herramientas tecnológicas va de acuerdo con el comportamiento y las características de la población actual de estudiantes universitarios. Esto es posible, ya que con la aplicación de técnicas de Procesamiento de Lenguaje Natural PNL (Natural Language Processing), se pueden desarrollar chatbots empleando cualquier idioma y adaptarlo a la jerga de los estudiantes, en función de lo que buscan
Referencias: Martha Orozco González, Pablo Pytel, María Florencia Pollo-Cattaneo
. Metodología de implementación de un chatbot como tutor virtual en el ámbito educativo para universidades en Latinoamérica. https://www.researchgate.net/profile/Ed ... f#page=227