MODELOS DE REDES NEURONALES ARTIFICIALES, COMO SUSTENTO EVALUATIVO AL CRECIMIENTO PEDAGÓGICO VIRTUAL EN EDUCACIÓN SUPERIOR
Palabras clave:
Red Neuronal Artificial, Procesamiento de Lenguaje Natural, Educación Virtual, MotivaciónResumen
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.
Citas
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
