Sistema inteligente para el diagnóstico pedagógico estudiantil

Yumilka Bárbara  Fernández Hernández; Olga  Pérez González; Yanela  Rodríguez Álvarez; Yaile  Caballero Mota

Authors

Yumilka Bárbara Fernández Hernández Benemérita Universidad Autónoma de Puebla
Olga Pérez González Universidad de Camagüey
Yanela Rodríguez Álvarez Universidad de Camagüey
Yaile Caballero Mota Universidad de Camagüey

Keywords:

pedagogical diagnosis, tool, artificial intelligence

Abstract

This work proposes the SAICCAD software (System for Learning Algorithms using Collective Intelligence, Approximate and Fuzzy Sets), a desktop application, which has a friendly interface and at the same time easy to use. Its main objective is to offer the research community a technological tool that allows the application of attribute selection, classification and prediction algorithms with the use of artificial intelligence techniques. This article presents the use of SAICCAD in the area of pedagogical sciences, specifically for academic diagnosis in the university, although its use can be broad in other spheres of society. The pedagogical diagnosis is an essential premise in the educational teaching process, which takes into account the analysis of the student's needs and culminates in making decisions about the interventions that can be carried out. With the results provided by the system, the teacher can define a group of specific actions to ensure that students pass the course satisfactorily. This application quickly and accurately obtains the most important variables that influence the pedagogical diagnosis process from the students' data set. It is a software that brings together educational elements, as well as analysis and prediction elements that contribute to the quality education objective of the 2030 Schedule and to the informatization of educational processes.

References

Alban, M. y Mauricio D. (2019). Neural networks to predict dropout at the universities. International Journal of Machine Learning and Computing, 9(2):149-153, 2019. http://www.ijmlc.org/vol9/779-ML0074.pdf.

Amaya, R. (1993). Diagnóstico pedagógico, fundamentos teóricos. Oviedo: Editorial Servicio de publicaciones de la Universidad de Oviedo. ISBN: 84-7468-794-2.

Area, M., Hernández, V. y Sosa, J. (2016). Modelos de integración didáctica de las TIC en el aula. Comunicar: Revista científica iberoamericana de comunicación y educación, (47): 79-87, ISSN: 1134-3478 e-ISSN: 1988-3293. http://dx.doi.org/10.3916/C47-2016-08

Cachón G. C., Martinez, R. G., Navalon, J. G. y Roman, C. P. (2019). Inteligencia Artificial para predecir la lealtad a la universidad. Journal of Management and Business Education, 2(1): 17- 27. http://doi.org/10.35564/jmbe.2019.0003

Chassignol, M., Khoroshavin, A., Klimova, A. y Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview, Procedia Computer Science, 136, 16-24. http://doi.org/10.1016/j.procs.2018.08.233

Chen X., DiZou X. y Hwang G. (2020). Application and theory gaps during the rise of Artificial Intelligence in Education. Computers and Education: Artificial Intelligence, 1, http://doi.org/10.1016/j.caeai.2020.100002

Constante Amores, A., Florenciano, E., Navarro, E. y Fernánd -Mellizo, M. (2021). Factores asociados al abandono universitario. Educación XX1, 24(1): 17-44. http://revistas.uned.es/index.php/educacionXX1/article/view/26889/24836

Cruz, E., González, M. y Rangel, J. (2022). Técnicas de machine learning aplicadas a la evaluación del rendimiento y a la predicción de la deserción de estudiantes universitarios, una revisión. Prisma Tecnológico, 13(1): 77-87. https://doi.org/10.33412/pri.v13.1.3039.

Bello, R., Filiberto, Y., Frías, M., & Mota, Y. C. (2013). Effects of using reducts in the performance of the irbasir algorithm. DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, 80(182): 185-190. https://dialnet.unirioja.es/servlet/articulo?codigo=7681115

Fernández, Y., Filiberto, Y., Frías, M., Bello, R. y Caballero, Y. (2015). An improvement to the classification based on the measurement of the similarity quality using fuzzy. Dyna (Medellin, Colombia), 82, 70-76. http://doi.org/10.15446/dyna.v82n193.45989

Fernández, Y., Coello, L., Filiberto, Y., Bello, R. y Falcón, R. (2014). Learning Similarity Measures from Data with Fuzzy Sets and Particle Swarms.Ponencia presentada Electrical Engineering, Computing Science and Automatic Control (CCE), 11th International Conference, Campeche, México.

Fernández, Y., Filiberto, Y., Frías, M., Bello, R., y Caballero, Y. (2015). Una mejora a la clasificación basada en la medida calidad de la similaridad utilizando relaciones borrosas. DYNA, 82(193): 706. http://doi.org/10.15446/dyna.v82n193.45989

Fernández Y., Bello, R., Filiberto, Y., Frías, M., Coello L. y Caballero, Y. (2015). An Approach for Prototype Generation based on Similarity Relations for Problems of Classification. Computación y Sistemas, 19(1): 109-118. http://doi.org/10.13053/CyS-19-1-2053

Fernández Martín, T., Solís Salazar, M., Hernández Jiménez, M. T. & Moreira Mora, T. E. (2019). Un análisis multinomial y predictivo de los factores asociados a la deserción universitaria. Revista Electrónica Educare, 23(1): 73-97. http://dx.doi.org/10.15359/ree.23-1.5

Frías, M. (2015). Métodos de aprendizaje basados en prototipos usando la teoría de los conjuntos aproximados extendida. Tesis de maestría no publicada, Universidad Central Marta Abreu de Las Villas, Villa Clara, Cuba.

Filiberto, Y. y Bello, R. (2010). Using PSO and RST to Predict the Resistant Capacity of Connections in Composite Structures. Ponencia presentada en International Workshop on Nature Inspired Cooperative Strategies for Optimization (NICSO 2010) Springer, Alemania.

Filiberto, Y., Bello, R., Caballero, Y. y Frías, M. (2011). Algoritmo para el aprendizaje de reglas de clasificación basado en la teoría de los conjuntos aproximados extendida. Revista DYNA.

Frías, A., Sandoval, A., Salvador, G., Muñoz, A. L., Guzmán, M. y Cruz, G. (2015). El diagnóstico como estrategia para la inducción del pensamiento relacional en la carrera de Biología. Revista de la Educación Superior, 43(169): 107-124. http://doi.org/ 10.1016/j.resu.2015.01.004

González, D., Picie, J. I., Hernández, C. y Onofre, E. (2019). Nodes: Plataforma para la predicción de deserción escolar utilizando técnicas de inteligencia artificial. Repositorio institucional de la Universidad de Veracruz. http://reini.utcv.edu.mx:80/handle/123456789/1328.

Hoyos, J. y Daza, G. (2023). Predictive model to identify college students with high dropout rates. Revista Electrónica de Investigación Educativa, 25, e13, 1-10. https://doi.org/10.24320/redie.2023.25.e13.5398.

Chuquimarca, D. K. F., & Sacan, J. E. G. (2019). Competencias digitales para los nuevos escenarios de aprendizaje en el contexto universitario. Revista Scientific, 4(14): 44-61. https://orcid.org/0000-0003-2245-0873

Levano Francia, L., Sánchez, S., Guillén Aparicio, P., Tello Cabello, S., Herrera Paico, N., y Collantes Inga, Z. (2019). Competencias digitales y educación. Propósitos y Representaciones, 7(2): 569-588, ISSN: 2307-7999; e-ISSN: 2310-4635. http://doi.org/10.20511/pyr2019.v7n2.329

Maldonado, M. (2018). El aula, espacio propicio para el fortalecimiento de competencias ciudadanas y tecnológicas. SOPHIA, 14(1): 39-50, ISSN: 1794-8932; e-ISSN: 2346-0806. http://doi.org/10.18634/sophiaj.14v.1i.822

Naciones Unidas (2018), La Agenda 2030 y los Objetivos de Desarrollo Sostenible: una oportunidad para América Latina y el Caribe (LC/G. 2681-P/Rev. 3), Santiago.

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. http://doi.org/10.33386/593dp.2020.4.218

González, Y. R., Sánchez, N. M., Luque, M. M., & Orfe, B. H. R. (2021). Contribuciones a la didáctica de la Inteligencia Artificial en la formación del Ingeniero en Ciencias Informáticas. Revista Cubana de Ciencias Informáticas, 15. https://rcci.uci.cu/?journal=rcci&page=article&op=view&path[]=2281

Tenesaca, J., Medina, I. y Álvarez, M. (2021). Diagnóstico pedagógico y autoaprendizaje en la formación de profesores de lenguas extranjeras. South Florida Journal of Development. 27111-7121. http://doi.org/10.46932/sfjdv2n5-058

UNESCO (2008). Estándares Unesco de Competencia en Tic para Docentes. París: Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO). Recuperado de: http://eduteka.icesi.edu.co/articulos/EstandaresDocentesUnesco

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

YiLin, P., Chai, Ch., Siu-Yung Jong, M., Dai, Y., Guo, Y. y Qin, J. (2021). Modeling the structural relationship among primary students’ motivation to learn artificial intelligence. Computers and Education: Artificial Intelligence, 2. http://doi.org/10.1016/j.caeai.2020.100006