Diagnóstico académico de los estudiantes de ingenierías con el uso de inteligencia artificial

Yumilka Bárbara Fernández Hernández; Hilda López León; Olga Lidia Pérez González; Julio Madera Quintana

Yumilka Bárbara Fernández Hernández Universidad de Camagüey, Camagüey, Cuba
Hilda López León Universidad de Camagüey, Camagüey, Cuba
Olga Lidia Pérez González Universidad de Camagüey, Camagüey, Cuba
Julio Madera Quintana Universidad de Camagüey, Camagüey, Cuba

Palabras clave: Educación Superior, diagnóstico académico, inteligencia artificial, acceso a la educación

Resumen

Objetivo: Exponer los resultados de un diagnóstico académico aplicado a estudiantes del primer año de las carreras de ingeniería, utilizando métodos y técnicas de inteligencia artificial.Métodos: Se empleó la entrevista y la recopilación de datos, conformando una base de casos que toma en consideración atributos demográficos, socioeconómicos y académicos de los estudiantes. Se utilizan métodos teóricos, estadísticos y de minería de datos con el uso de técnicas de selección de atributos, algoritmos de clasificación y predicción para realizar dicho diagnóstico en un grupo de estudiantes.Resultados: Se aportó el diseño para la realización del diagnóstico académico. Además, en la aplicación del diagnóstico se identificaron que los atributos índices académico, centro de procedencia, escalafón y resultados de los exámenes de ingreso de matemática y español, son los que tienen mayor peso al momento de diagnosticar a los estudiantes del primer año de las ingenierías.Conclusiones: En esta investigación se aplicaron técnicas de inteligencia artificial para lograr predecir y diagnosticar a los estudiantes que cursan primer año en las especialidades de Eléctrica, Mecánica, Informática, Civil, Industrial, Química y Agronomía. Se demuestra la utilidad de aplicar diferentes modelos de inteligencia artificial al proceso de diagnóstico académico.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor

Yumilka Bárbara Fernández Hernández, Universidad de Camagüey, Camagüey, Cuba

Graduada de Ingeniería Informática (2004), MSc. en Telemática, doctoranda del Centro de Estudios de Ciencias pedagógicas de la Universidad de Camagüey. Profesora Auxiliar de la Facultad de Informática y Ciencias Exactas. Universidad de Camagüey “Ignacio Agramonte Loynaz”. Jefa del Departamento de Informática de la Universidad de Camagüey, miembro de varios proyectos nacionales e internacionales. Autora de varios artículos científicos y capítulos de libros sobre temas pedagógicos y de inteligencia artificial. Premio de la Academia de Ciencias de Cuba 2018.

Hilda López León, Universidad de Camagüey, Camagüey, Cuba

Lic. En Educación Especialidad Informática. Máster en Ciencias en Informática Aplicada, Secretaria Docente de la Facultad de Informática y Ciencias Exactas de la Universidad de Camagüey, Profesora auxiliar y autora de diferentes artículos científicos y capítulos de libros. Investigadora sobre temas de educación universitaria e inteligencia artificial.

Olga Lidia Pérez González, Universidad de Camagüey, Camagüey, Cuba

Presidenta del Comité Latinoamericano de Matemática Educativa (CLAME) (2016-2022), coordinadora de la Red Iberoamericana de Investigadores en Matemática Educativa (desde 2020). Licenciada en Profesoral Superior, especialidad Matemática, Máster en Educación Superior, Doctora en Ciencias Pedagógicas, mención Sofía Kovalevskaia 2021, Categoría Enseñanza de la Matemática entregado por la Fundación Kovalevskaia, Universidad Estatal de Arizona, Estados Unidos a través de la Sociedad Cubana de Matemática y Computación (SCMC). Premio Nacional “Pablo Miquel” otorgado por la SCMC (2009), Premio Nacional de la Academia de Ciencias de Cuba 2009, 2018, 2019, 2020, Orden “Carlos J. Finlay” (2015), Premio del Ministro del MES al resultado de investigación más útil a la educación (2020), Distinción especial del Ministro (2009, 2010, 2019, 2020), Investigadora titular del MESCYT, República Dominicana (2020). Coordinadora Maestría “Enseñanza de la Matemática”, de la Universidad de Camagüey (UC), Jefa del Grupo de Investigaciones de Matemática Educativa de la UC, Profesora e Investigadora Titular del Centro de Estudios de Ciencias de la Educación de la UC. Actual coordinadora del Proyecto Nacional “Gestión didáctica innovadora de la Matemática” (código PS221LH001-043), Programa Sectorial del MINED, Investigadora del Proyecto financiado por FONDOCYT “Desarrollo Conceptual Procedimental en el Cálculo Diferencial” (2021-2024) en República Dominicana, código 2020-2021-1D3-188.

Julio Madera Quintana, Universidad de Camagüey, Camagüey, Cuba

Doctor en Ciencias Matemáticas, por la Universidad de La Habana (2009); máster en Informática Aplicada (2007), por la Universidad de Camagüey; licenciado en Ciencias de la Computación (1997), por la Universidad Central de las Villas. Es profesor titular de la Universidad de Camagüey. Actualmente es el líder de varios proyectos internacionales. Profesor de varios cursos de posgrados impartidos en Cuba y en el extranjero dentro del programa de la Maestría en Informática Aplicada de la Universidad de Camagüey que incluyen: Programación Avanzada, Matemática Discreta y Computacional, Estructuras de Datos Avanzadas y Temas Selectos de Inteligencia Artificial. Premio CITMA Provincial de Camagüey en 2022. Premio Pablo Miquel de la Sociedad Cubana de Matemática y Computación en 2021 en el área de Ciencias de la Computación. Investigador Distinguido del Instituto Internacional de Investigaciones en Inteligencia Artificial de la Universidad de Estudios Internacionales de Hebei, China en 2021. Premio Provincial Innovación Tecnológica de Camagüey en 2020. Premio de la Academia de Ciencias de Cuba en 2018. Ha colaborado en la escritura de varios capítulos de libros y es autor de más de 50 artículos científicos en revistas y congresos de alto impacto.

Citas

Aguirre, M., Jeltsch, E. & Rosales, G. (2007). Una visualización de un sistema de inferencia a través de treebag. Revista Chilena de Ingeniería, 15(1), 92-100. https://www.scielo.cl/pdf/ingeniare/v15n1/Art12.pdf

Ali, J., Khan, R., Ahmad, N. & Maqsood, I. (2012). Random forests and decision trees. IJCSI International Journal of Computer Science Issues, 9(5), 272-278. http://ijcsi.org/papers/IJCSI-9-5-3-272-278.pdf

Allpas, N. (2018). Factores que influyen en el nivel de deserción de los estudiantes del programa de actualización y perfeccionamiento de la academia de la magistratura. Tesis de grado inédita. Universidad San Ignacio de Loyola. Lima, Perú. https://repositorio.usil.edu.pe/entities/publication/23a453e5-e31f-46f7-ad9f-640a6f1113ba

Arias, G. (2009). La psicología educacional y el sistema de educación en Cuba. Revista Semestral da Associação Brasileira de Psicologia Escolar e Educacional (ABRAPEE), 13(1), 155-164. http://pepsic.bvsalud.org/pdf/pee/v13n1/v13n1a17.pdf

Arriaga, M. (2015). El diagnóstico educativo, una importante herramienta para elevar la calidad de la educación en manos de los docentes. Atenas, 31(3), 63-74. https://www.redalyc.org/pdf/4780/478047207007.pdf

Bernárdez-Gómez, A., Álvarez, J. S. & Belmonte, M. L. (2021). Review of educational research on drop-out. Bibliometric trends. Research, Society and Development, 10(1), p.[1-12]. http://dx.doi.org/10.33448/rsd-v10i1.12193

Buisán, C. & Marín, M. A. (2001). Cómo realizar un diagnóstico pedagógico. Riobamba: Alfaomega Grupo Editor. https://dialnet.unirioja.es/servlet/libro?codigo=158966

Cachón, G. C., Martinez, R. G., Navalon, J. G. & Roman, C. P. (2019). Inteligencia artificial para predecir la lealtad a la universidad . Journal of Management and Business Education, (2), 17- 27. https://doi.org/10.35564/jmbe.2019.0003

Cantabella, M., Martinez, R., Ayuso, B., Yañez, J. A. & Muñoz, A. (2019). Analysis of student behavior in learning management systems through a Big Data framework. Future Generation Computer Systems, (90), 262-272. https://doi.org/10.1016/j.future.2018.08.003

Castrillón, O. D., Sarache, W. & Ruiz-Herrera, S. (2020). Predicción del rendimiento académico por medio de técnicas de inteligencia artificial. Formación universitaria, 13(1), 93-102. http://dx.doi.org/10.4067/S0718-50062020000100093

Constante, A., Florenciano, E., Navarro, E. & Fernández, M. (2021). Factores asociados al abandono universitario. Educación XXI, 24(1), 17-44. https://revistas.uned.es/index.php/educacionXX1/article/view/26889/24836

Contini, D., Cugnata, F. & Scagni, A. (2018). Social selection in higher education. Enrolment, dropout and timely degree attainment in Italy. Higher Education, 75(5), 785-808. https://doi.org/10.1007/s10734-017-0170-9

Díaz-Landa, B., Meleán-Romero, R. & Marín-Rodriguez, W. (2021)). Rendimiento académico de estudiantes en Educación Superior: predicciones de factores influyentes a partir de árboles de decisión. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 23(3), 616-639. https://doi.org/10.36390/telos233.08

Espinar, R. (2018). Modelos de Clasificación con datos no balanceados. Tesis de grado inédita. Universidad de Sevilla, España. https://idus.us.es/bitstream/handle/11441/77518/Espinar%20Lara%20Roc%C3%ADo%20TFG.pdf?sequence=1

Espinoza, V. M., Santana, A. L. & Rubiales, F. S. (2022). Diagnóstico sobre rezago escolar en el Colegio de Ciencias y Humanidades. Revista RedCA, 12(4), 176-191. https://doi.org/10.36677/redca.v4i12.16619

Fernández, T., Solís, M., Hernández, M. & Moreira-Mora, T. E. (2019). Un análisis multinomial y predictivo de los factores asociados a la deserción universitaria . Revista Electrónica Educare, (23), 73-97. http://dx.doi.org/10.15359/ree.23-1.5

Fernández, Y., Pérez, O. & Caballero, Y. (2023). Diagnóstico académico en el colectivo de profesores universitario con Inteligencia Artificial. Revista Paradigma, 44(2), 47-60. http://dx.doi.org/10.37618/PARADIGMA.1011-2251.2023.pxy-wz.id0000

Frawley, W. J., Piatetsky-Shapiro, G. & Matheus, C. J. (1992). Knowledge Discovery in Databases: An Overview. AI Magazine, 13(3), 57-70. https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/1011

García, N. (2007). Marco de referencia actual para el diagnóstico pedagógico. Tendencias pedagógicas, (12), 83-110. http://hdl.handle.net/11162/122002.

Guyon, I., Weston, J., Barnhill, S. & V., V. (2002). Gene selection for cancer classification using support vector machines. Machine learning, 46(1), 389–422. http://www.thespermwhale.com/jaseweston/GENESEL.PDF

López, J. H, & Borgato, A. (2002). Formación de la habilidad de análisis sonoro de la palabra en niños del sexto año de vida (cinco años de edad). En S. L. Lorenzo, L. A. Cao & A. M. S. Gómez, Estudio sobre las particularidades del desarrollo del niño preescolar cubano. (pp. 216-226). Pueblo y Educación.

Luzardo, H., Molina, T. J. & Godoy, T. C. (2022). Diagnóstico académico de la educación superior, analizando el aprendizaje mediante modalidad virtual. Revista Conrado, 18(53), 84-93. https://conrado.ucf.edu.cu/index.php/conrado/article/view/2640/2566

Mari, R. (2008). Propuesta de un modelo de diagnóstico en educación. http://biblioteca.udgvirtual.udg.mx/jspui/handle/123456789/2710

Martí, Y., Montero, B., M. & Contreras, M. (2023). Estudio diagnóstico en la función social del psicopedagogo como contenido de la formación inicial y permanente. Transformación, 19 (1), 215-230. http://scielo.sld.cu/pdf/trf/v19n1/2077-2955-trf-19-01-215.pdf

Prieto-López, Y. & Ayala-Pazmiño, M. (2020). Modelo pedagógico de supervisión, evaluación y acompañamiento a los docentes de la Unidad Educativa Bilingüe Torremar (UEBT). Digital Publisher CEIT (4), 69-77. https://www.593dp.com/index.php/593_Digital_Publisher/article/view/218.

Ramentol, E., Madera, J. & Rodríguez, A. (2019). Early detection of possible undergraduate drop out using a new method based on probabilistic rough set theory. In R. Bello, R. Falcon & J.Verdegay (eds), Uncertainty Management with Fuzzy and Rough Sets. Studies in Fuzziness and Soft Computing, vol 377, (pp.211 - 232). Springer, Cham https://www.researchgate.net/publication/327528463_Early_Detection_of_Possible_Und ergraduate_Drop_Out_Using_a_New_Method_Based_on_Probabilistic_Rough_Set_Theory

Tenesaca, J., Medina, I. & Álvarez, M. (2021). Pedagogical diagnosis and self-learning in the training of foreign language teachers: Diagnóstico pedagógico y autoaprendizaje en la formación de profesores de lenguas extranjeras. South Florida Journal of Development, 2(5), 7111-7121. https://ojs.southfloridapublishing.com/ojs/index.php/jdev/article/view/880

Valentín-Bravo, F., Mateos, E., Usategui, R., Andrés, C., Pastor, J. & Pastor, S. (2023). Artificial Intelligence and new language models in Ophthalmology: Complications of the use of silicone oil in vitreoretinal surgery. Archives of the Spanish Society of Ophthalmology, 98, (5) 298-303. https://www.sciencedirect.com/science/article/abs/pii/S0365669123000734

Yang, S. J. H., Ogata, H., Matsui, T. & Chen, N. S. (2021).. Human-centered artificial intelligence in education: Seeing the invisible through the visible. Computers and Education: Artificial Intelligence, 2. https://doi.org/10.1016/j.caeai.2021.100008

YiLin, P., Chai, C., Siu-Yung, J., M., Dai, Y., Guo, Y. & Qin, J. (2021). Modeling the structural relationship among primary students’ motivation to learn artificial intelligence. Computers and Education: Artificial Intelligence, 2. https://www.sciencedirect.com/science/article/pii/S2666920X20300060

Yurell, I., Guerra, Y. & Conde, M. (2018). Diagnóstico pedagógico en el proceso docente educativo: pensamiento pedagógico de avanzada. Revista Atlante: Cuadernos de Educación y https://www.eumed.net/rev/atlante/2018/10/diagnostico-pedagogico.html