Inteligencia Artificial al Servicio de la Educación
Redes Neuronales en el Pronóstico del Rendimiento Académico
Resumen
El libro "Inteligencia Artificial al Servicio de la Educación: Redes Neuronales en el Pronóstico del Rendimiento Académico" es una obra que combina el rigor académico con un enfoque práctico en el uso de técnicas de aprendizaje automático para abordar los desafíos del rendimiento académico en la educación superior. Esta investigación aplicada, desarrollada en la Facultad de Ingeniería de Sistemas e Informática de la Universidad Nacional de la Amazonía Peruana, ofrece un análisis detallado sobre cómo las tecnologías emergentes pueden transformar la manera en que se monitorean y mejoran los resultados educativos.
El texto comienza explorando la problemática del bajo rendimiento académico en el curso de Álgebra Lineal, un área crítica para los estudiantes de Ingeniería de Sistemas. A través de una metodología bien estructurada, los autores presentan cómo las redes neuronales artificiales, un enfoque avanzado dentro del aprendizaje automático, pueden ser utilizadas para predecir con alta precisión si los estudiantes aprobarán o desaprobarán el curso. Este enfoque no solo supera las técnicas tradicionales de análisis de datos, sino que también establece un precedente para la adopción de tecnologías innovadoras en la educación.
La investigación utiliza herramientas como MATLAB Neural Network Toolbox y MS Excel para analizar datos históricos de los estudiantes, aplicando un modelo predictivo que alcanza métricas destacadas: una precisión del 97.6%, una exhaustividad del 100% y una exactitud del 97.9%. Estos resultados posicionan al modelo como una solución efectiva y altamente confiable, capaz de superar los métodos utilizados en estudios similares realizados en otros contextos. Además, se destacan indicadores específicos, como un error relativo bajo (%E de 2,083) y un coeficiente de error (CE de 0,196274), que refuerzan la solidez del enfoque adoptado.
A lo largo de sus capítulos, el libro detalla cada etapa del desarrollo del modelo predictivo, desde la selección de variables relevantes, como la asistencia y las calificaciones previas, hasta el preprocesamiento de datos y la configuración de la arquitectura de la red neuronal. La explicación técnica es complementada con ejemplos claros y análisis detallados, lo que permite al lector comprender tanto el proceso como los resultados obtenidos.
Sin embargo, este libro no se limita a una descripción técnica. También ofrece reflexiones profundas sobre las implicancias de los hallazgos, planteando cómo estas tecnologías pueden integrarse en la gestión educativa para optimizar la toma de decisiones. Los autores proponen que la implementación de modelos predictivos no solo facilita la identificación temprana de estudiantes en riesgo, sino que también permite diseñar estrategias de intervención personalizadas y asignar recursos de manera más eficiente.
Además, se enfatiza el valor transformador de estas tecnologías en el diseño de políticas educativas basadas en datos. Al proporcionar un enfoque práctico y replicable, esta investigación abre nuevas oportunidades para que otras instituciones educativas adopten enfoques similares, fomentando la equidad y mejorando la calidad de la educación.
Un aspecto destacado del libro es su capacidad para conectar la teoría y la práctica. Los autores no solo validan el modelo con datos históricos, sino que también plantean escenarios futuros para su implementación y escalabilidad, proponiendo estrategias para integrar el modelo en sistemas educativos más amplios. Estas propuestas incluyen la creación de paneles interactivos para docentes, registros electrónicos integrales para capturar más variables predictivas y capacitación en herramientas tecnológicas para personal académico y administrativo.
La obra se distingue también por su lenguaje accesible, que logra transmitir conceptos técnicos complejos de manera comprensible para lectores de diversos perfiles. Desde investigadores interesados en el aprendizaje automático hasta gestores educativos que buscan soluciones prácticas para sus instituciones, este libro ofrece un recurso invaluable para comprender y aplicar tecnologías predictivas en la educación.
En conclusión, "Inteligencia Artificial al Servicio de la Educación: Redes Neuronales en el Pronóstico del Rendimiento Académico"es una contribución significativa al campo de la educación y la tecnología. Su enfoque interdisciplinario combina la innovación tecnológica con un compromiso por mejorar los procesos educativos, ofreciendo un modelo que puede ser adaptado y replicado en diversos contextos. Esta obra no solo valida el uso de redes neuronales artificiales como herramientas efectivas para la predicción académica, sino que también establece un precedente para la integración de tecnologías avanzadas en la educación superior, posicionándola como una referencia esencial para el futuro del aprendizaje basado en datos.
Citas
Cadenas, G. (2015, November 6). Smartick, matemáticas a un click. Recuperado de Series y Patrones:https://www.smartick.es/blog/matematicas/recursos-didacticos/series-ypatrones/.
Candia Oviedo, D. (2019). Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático. Tesis de Maestro en Informática, Universidad Nacional de San Antonio Abad del Cusco, Perú. 159 págs.
Caselli Gismondi, H. (2021). Modelo predictivo basado en Machine Learning como soporte para el seguimiento académico del estudiante universitario. Tesis de Doctor en Ingeniería de Sistemas e Informática, Universidad Nacional del Santa, Perú. 113 pp.
Edgar Serna M. (2017). DESARROLLO E INNOVACIÓN EN INGENIERÍA. Segunda edición. Medellin-Colombia.
Flores, et al. (2021). Diseño e implementación de una red neuronal artificial para predecir el rendimiento académico en estudiantes de Ingeniería Civil de la UNIFSLB. Articulo Científico, Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua-Perú. 21 pp.
García, M. y Fernández, J. (2012). Análisis del rendimiento académico y factores que lo influyen. Revista de Psicología Educativa, 18(1), 57-65.
Garceta, R. & Moncecchi, G. (2013). Learning scikit-learn: Machine Learning in Python. Packt Publishing Ltd., Birmingham, United Kingdom.
García, R. (2018). Un enfoque sobre el rendimiento académico en el campo de las matemáticas en estudiantes de ingeniería. Revista de Investigación en Educación, 8(3), 167-174.
Gunsha, F., Samaniego, L. & Silva, V. (2016). diseño e implementación de un filtro adaptativo para la cancelación de ruido con redes neuronales utilizando dsp. Tesis. Riobamba: Facultad de Ingeniería, Universidad Nacional de Chimborazo.
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems (2ª edición). O'Reilly Media, Inc.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques - 3rd ed. Morgan Kaufmann Publishers, Waltham, Massachusetts, USA.
Haykin, S. (2009). Neural networks and learning machines - 3rd ed. Prentice Hall, New Jersey, USA.
Hernández Sampieri, R., Fernández Collado, C. y Baptista Lucio, M. (2014). Metodología de la Investigación - 6ta ed. Mc Graw Hill Education, México D.F., México.
Huerta, M. (2005). Análisis del rendimiento académico en el nivel universitario. Revista de Educación Superior, 24(2), 123-136.
iraj Kulkarni. Cross-Entropy for Dummies. https://towardsdatascience.com/cross-entropy-for-dummies 5189303c
Isasi, P. & Galván, I. (2004). Redes de neuronas artificiales. Un Enfoque Práctico. Madrid: PEARSON
Jalil, A. & Misas, M. (2007). Evaluación de pronósticos del tipo de cambio utilizando redes neuronales y funciones de pérdida asimétricas. Revista Colombiana de Estadística, 30(1), pp. 143 – 161.
Jordan, M. I. y Mitchell, T. M. (2015). Aprendizaje automático: tendencias, perspectivas y perspectivas. Ciencia, 349(6245), 255-260.
Kuan, C. & White, H. (1994). Artificial neural networks: an econometric perspective. Econometric Reviews 13(1), pp. 1-91.
Laudon, K. y Laudon, J. (2012). Sistemas de Información Gerencial - 12va ed. Prentice Hall, México D.F., México.
López, J. y Pérez, M. (2009). Evaluación del rendimiento académico: Una revisión de la literatura. Revista de Investigación Educativa, 18(2), 107-124.
López, M., López B. & Díaz V. (2005). Algoritmo de aprendizaje por refuerzo continuo para el control de un sistema de suspensión semi-activa. Revista Iberoamericana de Ingeniería Mecánica, 9(2) , pp. 77-91.
Matich, D. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Documento de trabajo. Universidad Tecnológica Nacional.
Paja-Domínguez, H. (2015). Predicción de rendimiento académico mediante regresión y redes neuronales en los estudiantes de la Escuela Profesional de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano. Tesis de Ingeniero Estadístico e Informático, Universidad Nacional del Altiplano, Perú. 120 págs.
Pérez, F. & Fernández, H. (2008). Las redes neuronales y la evaluación del riesgo de crédito. Revista Ingenierías Universidad de Medellín, 6(10), pp. 77-91.
Ponce Cruz, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería. Alfaomega Grupo Editor, México D.F., México.
Redes Neuronales. Óscar Gallardo Román. Online [May 2017].
RODRÍGUEZ PACHECO, E. (2015). Unsupervised Learning with R. Birmingham, United Kingdom: Packt Publishing Ltd.
RUSSELL, S., & NORVIG, P. (2010). Artificial Intelligence A Modern Approach - 3rd ed.New Jersey, USA: Prentice Hall.
Salazar, J. y Palomino, R. (2011). El rendimiento académico de estudiantes universitarios: Una revisión de la literatura. Revista de Educación Superior, 40(2), 45-57.
SINEACE. (2013). Educación Superior en el Perú: Retos para el aseguramiento de la calidad. Lima, Perú: Impresión Arte Perú S.A.C.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. San Francisco, CA: Morgan Kaufmann Publishers.
ZHOU, S. MCMAHON, A. WALTON, Y LEWIS J., (2002). Forecasting operational demand for an urban water supply zone. J. Hydrol , vol. 259, pp.189–202.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El autor permite el uso y difusión de los artículos a los lectores y a la revista, por medio de la licencia Creative Commons CC-BY-4.0 (Reconocimiento 4.0). Esta licencia permite que cualquiera distribuya, remezcle, adapte y rediseñe a partir de un trabajo, incluso con fines lucrativos, siempre que se mencione la autoría de la creación original.
Ruta CC-BY-4.0: https://creativecommons.org/licenses/by/4.0/
