MODELOS DE REDES NEURONALES ARTIFICIALES, COMO SUSTENTO EVALUATIVO AL CRECIMIENTO PEDAGÓGICO VIRTUAL EN EDUCACIÓN SUPERIOR

Helmer Fellman Mendoza Jurado

Resumen


La presente investigación tiene el objetivo de implementar un modelo tecnológico basado en una Red Neuronal Artificial y un algoritmo de Procesamiento de Lenguaje Natural, que proporcione un proceso automático como apoyo a revisiones críticas en evaluaciones virtuales a los estudiantes en pregrado (7mo y 8vo semestre respectivamente, en la asignatura de Programación II y Seguridad Informática I), buscando ayudar al proceso educativo que fue implementado como contingencia ante la presencia de una pandemia mundial asociada al virus COVID-19, las mencionadas evaluaciones fueron presentadas bajo la plataforma virtual Moodle que actualmente es recurso fundamental para el proceso de enseñanza y aprendizaje de la Universidad Privada Domingo Savio en todas sus carreras. Esta plataforma hace posible transferir una forma de estudio y evaluación que, por su naturaleza innovadora, sustenta de mejor manera el proceso educativo a distancia actualmente instituido. Una función adicional de esta red neuronal es evaluar a los estudiantes buscando identificar individuos con un tipo psicológico que sea apropiado para llegar a una especialización en asignaturas de alto nivel académico.


Palabras clave


Red Neuronal Artificial; Procesamiento de Lenguaje Natural; Educación Virtual; Motivación

Texto completo:

PDF

Referencias


Anaconda Inc. (2020). Individual Edition. Recuperado de https://www.anaconda. com/products/individual

Crisol-Moya, E., Herrera-Nieves, L. y Montes- Soldado, R. (2020). Educación virtual para todos: una revisión sistemática. Education in the Knowledge Society (EKS), 21, 1-15. doi:. https://doi. org/10.14201/eks.20327

García, I., Armenta, J.A., Lozano Rodríguez, A. y Román, Ó.C. (2020). Investigaciones sobre ambientes educativos mediados por tecnología. Recuperado de h t t p s : / / w w w. r e s e a r c h g a t e . n e t / publication/340875893

Instituto Nacional de Estadística. (2020). Educación Superior Universitaria. Recuperado de https://www.ine.gob. bo/index.php/educacion/educacion-superior-universitaria

Lorenzano, P., Rheinberger, H. J. y Galles, C.D. (Ed.). (2010). History and Philosophy of Science and Technology. Oxforf, United Kingdom: Eolss Publishers. Recuperado de https://books.google. com.bo/books?id=fqTEDAAAQBAJ

Matich, D.J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Rosario: Universidad Tecnológica Nacional. Recuperado de https://www.frro.utn. edu.ar/repositorio/catedras/quimica/5_ anio/orientadora1/monograias/matich-redesneuronales.pdf

Mendoza Jurado, H.F. (2019). Digitalización de la educación en Ingeniería: Del aprendizaje con base tecnológica a la educación inteligente. Educación Superior, 6(1), 40-49. Recuperado de http://www.scielo.org.bo/pdf/escepies/ v6n1/v6n1_a09.pdf

Peters, S. (2019.). Educación y desigualdades sociales en América Latina: los límites de las reformas educativas del inicio del siglo XXI. Recuperado de https://www.academia.edu/42382058/ Educaci%C3%B3n_y_desigualdades_ s o c i a l e s _ e n _ A m % C 3 % A 9 r i c a _ Latina_los_l%C3%ADmites_de_las_ reformas_educativas_del_inicio_del_ siglo_XXI

Russell, T. y Loughran, J. (Ed.) .(2002). Teaching about Teaching: Purpose, Passion and Pedagogy in Teacher Education. London - Washington, D.C.: The Falmer Press. Recuperado de https://books.google.com.bo/ books?id=n9yQAgAAQBAJ

Sarkar, D. (2019). Text Analytics with Python: A Practitioner’s Guide to Natural Language Processing. Berkeley, CA: Apress. Recuperado de https://books.google.com.bo/ books?id=arWZDwAAQBAJ

Singh, P. y Manure, A. (2019). Learn TensorFlow 2.0: Implement Machine Learning and Deep Learning Models with Python. Berkeley, CA: Apress. Recuperado de https://books.google. com.bo/books?id=3_rEDwAAQBAJ

Statista. (2020). Number of universities worldwide by country 2020. Recuperado de https://www.statista. com/statistics/918403/number-of-universities-worldwide-by-country/

Titov, A. S. (2005). Lev Gumilev, ethnogenesis and Eurasianism (Tesis Doctoral). University College London. Recuperado de https://discovery.ucl. ac.uk/id/eprint/1446515/1/U602440. pdf

Webometrics. (2020). Ranking Web de Universidades. Recuperado de https:// www.webometrics.info/es/Latin_ America_es/Bolivia

Zhang, Z. y Sabuncu, M. (2018). Generalized Cross Entropy Loss for Training Deep Neural Networks with Noisy Labels. Neural Information Processing Systems 2018. Conferencia. Montreal, Canada. Recuperado de http://papers. nips.cc/paper/8094-generalized-cross-entropy-loss-for-training-deep-neural-networks-with-noisy-labels.pdf


Enlaces refback

  • No hay ningún enlace refback.