Home » Posts tagged 'analíticas de aprendizaje'

Tag Archives: analíticas de aprendizaje

junio 2021
M T W T F S S
 123456
78910111213
14151617181920
21222324252627
282930  

Educar humanos en un mundo de máquinas inteligentes

Educar humanos en un mundo de máquinas inteligentes.
100 ideas y reflexiones sobre la nueva educación que necesita la sociedad

Alfons Cornella y Lluís Cugota
Profit editorial
www.profiteditorial.com/libro/educar-humanos-mundo-maquinas-inteligentes

Frases entresacadas e ideas interesantes que puedo utilizar:

(Página 8)
“En este medio cambiante y diverso la educación tiene planteado un gran reto: descubrir el talento de cada persona y animarla a desarrollarlo al máximo desplegando sus propias capacidades.”

(Página 23)
“Debemos adaptarnos a un mundo que evoluciona con rapidez y atrevernos a ponerlo en cuestión”

(Página 25)
“Hemos de aprender a luchar con las máquinas, no contra ellas. Debemos entrenar a toda esta nueva generación para que use las máquinas a su favor”

(Página 31)
“En el futuro, si una persona desea un trabajo, deberá ser tan diferente de una máquina como sea posible; especialmente tendrá que ser creativo, crítico y socialmente hábil. Entonces, ¿por qué se sigue enseñando a los niños a comportarse como máquinas?”

(Página 53)
“Hemos mantenido durante mucho tiempo que la colaboración es buena per se. Colaboramos y punto. Sin darnos cuenta de que la colaboración debe ser una herramienta para sacar provecho de la concentración de cada persona.”

(Página 61)
Gráfico de “Modelo de cascada y de desarrollo ágil”.

(Página 82)
“La tendencia es ir hacia una educación sumamente personalizada. Es como si volviéramos atrás en una espiral tiempo: ¿quién podía gozar de una educación en los siglos XVIII o XIX? Solo las personas adineradas, y era siempre una educación personalizada.
Antes del modelo alemán de educación de Bismarck, que es el que sigue imperando en la actualidad, quien seguía una educación tenía un tutor. Ahora, esa espiral regresa al punto de partida al defender que para aprender se necesita realmente un tutor. La diferencia es que ahora, en lugar de ser solo un estudiante quien lo hace, son millones. Es la espiral de la historia. Hacemos lo mismo pero de otra manera.”

Armas de destrucción matemática

Armas de destrucción matemática.
Cómo el Big Data aumenta la desigualdad y amenaza la democracia

Cathy O’Neil
Capitán Swing (www.capitanswing.com)

https://capitanswing.com/libros/armas-de-destruccion-matematica/

https://weaponsofmathdestructionbook.com

Charla TED “La era de la fe ciega en los datos masivos ha de terminar” (https://www.ted.com/talks/cathy_o_neil_the_era_of_blind_faith_in_big_data_must_end).

Página de la autora: mathbabe.org

Frases entresacadas e ideas interesantes que puedo utilizar:

(Página 16)
“hay muchas premisas perniciosas camufladas bajo las matemáticas y se mantienen sin que nadie las verifique ni las cuestione.”

(Página 17)
“Los privilegiados, como veremos una y otra vez, son analizados por personas; las masas, por máquinas.”

(Página 21)
“pretendía movilizar a otros matemáticos contra el uso de estadísticas chapuceras y de modelos sesgados que crean sus propios bucles de retroalimentación perniciosos”

(Página 245)
“Con los mensajes políticos, como con la mayoría de ADM, la clave del problema está casi siempre en la finalidad. Si modificamos su propósito y, en lugar de chuparle la sangre a la gente, el objetivo es ayudarla, desarmamos el ADM… y puede que incluso se convierta en una fuerza del bien.”

(Página 254)
“¿Y cómo empezar ahora a regular los modelos matemáticos que dirigen cada vez más nuestras vidas? Yo sugeriría que el proceso comenzara con los programadores que crean los modelos. Al igual que los médicos, los científicos de datos deberían hacer un juramento hipocrático centrado en los posibles abusos y malinterpretaciones de sus modelos.”
(Emanuel Derman y Paul Wilmott, “The Financial Modeler´s Manifesto”, 7 de enero de 2009)
“- Recordaré que no he creado el mundo, y que este no satisface mis ecuaciones.
– Aunque emplee audazmente modelos para estimar valor, no me dejaré impresionar excesivamente por las matemáticas.
– Nunca sacrificaré la realidad por elegancia sin explicar por qué lo he hecho.
– Tampoco proporcionaré a quienes usen mis modelos una falsa sensación de seguridad sobre su precisión, sino que haré explícitos los supuestos y omisiones.
– Reconozco que mi trabajo puede tener enormes efectos sobre la sociedad y la economía, muchos de ellos más allá de mi comprensión.”
“Se trata de una buena base filosófica, pero la autorregulación y unos valores sólidos solo contendrán a los escrupulosos.”

(Página 266)
“Aunque el big data, si se maneja con prudencia, puede facilitar la comprensión profunda de muchos fenómenos, muchas de sus conclusiones serán disruptivas. Al fin y al cabo, el objetivo del big data es encontrar patrones que son invisibles al ojo humano. El reto al que se enfrentan los científicos de datos es comprender los ecosistemas que investigan y presentar no solo los problemas, sino también sus posibles soluciones.”

(Página 269)
“estos modelos no se construyen únicamente con datos, sino también con las decisiones que tomamos sobre cuáles son los datos a los que debemos prestar atención – y qué datos dejaremos fuera -. Y esas decisiones no se refieren únicamente a cuestiones logísticas, de beneficios o eficiencia, sino que son fundamentalmente decisiones morales.”

La Inteligencia Artificial en el sector de la educación: retos y amenazas

La Inteligencia Artificial en el sector de la educación: retos y amenazas
Rafael Molina Carmona
Profesor de Inteligencia Artificial de la Universidad de Alicante
Cátedra Santander-UA de Transformación Digital

Expocampus 2019
XIII Conferencia sobre eLearning y TIC en educación
Últimas tecnologías emergentes y su impacto global
Viernes, 25 de octubre de 2019
Auditorio de Casa del Lector (Madrid; Centro Cultural “El Matadero”)

Los espectaculares avances de la Inteligencia Artificial (IA) durante los últimos años están dando lugar a nuevos escenarios de aprendizaje impensables hasta hace poco, con sorprendentes experiencias donde algoritmos avanzados han llegado a sustituir a profesores on-line, sin que los mismos estudiantes llegaran a notarlo.
Por este motivo es importante conocer de primera mano cuáles son las amenazas y futuros retos de la IA en el sector educativo, especialmente en las universidades.

Predicting academic performance from behavioural and learning data

Predicting academic performance from behavioural and learning data
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Patricia Compañ-Rosique, Faraón Llorens-Largo, Rafael Molina-Carmona
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante

Big Data 2016
Alicante, 3-5 May 2016
http://www.wessex.ac.uk/conferences/2016/big-data-2016
Organisers
Wessex Institute, UK
University Miguel Hernandez, Spain
University of Alicante, Spain

Abstract
The volume and quality of data, but also their relevance, are crucial when performing data analysis. In this paper, a study of the influence of different types of data is presented, particularly in the context of educational data obtained from Learning Management Systems. These systems provide a large amount of data from the student activity but they usually do not describe the results of the learning process, i.e., they describe the behaviour but not the learning results. The starting hypothesis states that complementing behavioural data with other more relevant data (regarding learning outcomes) can lead to a better analysis of the learning process, that is, in particular it is possible to early predict the student final performance. A learning platform has been specially developed to collect data not just from the usage but also related to the way students learn and progress in training activities. Data of both types are used to build a progressive predictive system for helping in the learning process. This model is based on a classifier that uses the Support Vector Machine technique. The system obtains as a result a weekly classification of each student as the probability of belonging to one of three classes: high, medium and low performance. The results show that, supplementing behavioural data with learning data allows us to obtain better predictions about the results of the students in a learning system. Moreover, it can be deduced that the use of heterogeneous data enriches the final performance of the prediction algorithms.