Home » Posts tagged 'educational data mining'

Tag Archives: educational data mining

marzo 2024
M T W T F S S
 123
45678910
11121314151617
18192021222324
25262728293031

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.”

Time-Dependent Performance Prediction System for Early Insight in Learning Trends

Time-Dependent Performance Prediction System for Early Insight in Learning Trends
Carlos Villagrá-Arnedo, Francisco Gallego-Durán, Faraón Llorens-Largo, Rosana Satorre-Cuerda, Patricia Compañ-Rosique, Rafael Molina-Carmona
International Journal of Interactive Multimedia and Artificial Intelligence (IJIMAI)
ISSN: 1989-1660
Volume 6, issue 2
2020
https://www.ijimai.org/journal/bibcite/reference/2775

DOI:10.9781/ijimai.2020.05.006

Abstract
Performance prediction systems allow knowing the learning status of students during a term and produce estimations on future status, what is invaluable information for teachers. The majority of current systems statically classify students once in time and show results in simple visual modes. This paper presents an innovative system with progressive, time-dependent and probabilistic performance predictions. The system produces by-weekly probabilistic classifications of students in three groups: high, medium or low performance. The system is empirically tested and data is gathered, analysed and presented. Predictions are shown as point graphs over time, along with calculated learning trends. Summary blocks are with latest predictions and trends are also provided for teacher efficiency. Moreover, some methods for selecting best moments for teacher intervention are derived from predictions. Evidence gathered shows potential to give teachers insights on students’ learning trends, early diagnose learning status and selecting best moment for intervention.

Keywords
E-learning, Education, Learning Analytics, Learning Management Systems, Prediction, Support Vector Machine

Boosting the Learning Process with Progressive Performance Prediction

Boosting the Learning Process with Progressive Performance Prediction
Carlos Villagrá-Arnedo, Francisco J. Gallego-Durán, Rafael Molina-Carmona and Faraón Llorens-Largo
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante

10th European Conference on Technology Enhanced Learning (EC-TEL 2015)
Toledo, Spain, September 15-18, 2015
http://www.ec-tel.eu

Actas:
Design for Teaching and Learning in a Networked World
Lecture Notes in Computer Science 9307 (LNCS 9307)
http://www.springer.com/gp/book/9783319242576

Acceso al artículo

Abstract.
A prediction system to early detect learning problems is presented. The starting point is a gamified learning system from which a massive set of usage and learning data is collected. They are analyzed using Machine Learning techniques and a prediction of each student’s performance is obtained. The information is weekly presented as a progression chart, with valuable information about students’ progression. The system has a high degree of automation, is progressive, uses learning outcomes as well as usage data, allows the evaluation and prediction of the acquired skills, and contributes to a truly formative assessment.

Keywords:
Performance prediction · Machine learning · Gamified systems · Automatic assessment · Learning process

Póster:
poster

Sistema de Predicción para la Asistencia en el Seguimiento del Aprendizaje

Sistema de Predicción para la Asistencia en el Seguimiento del Aprendizaje
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Rafael Molina-Carmona y Faraón Llorens-Largo
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante

XXI Jornadas sobre la Enseñanza Universitaria de la Informática (JENUI 2015)
Andorra La Vella, 8, 9 y 10 de Julio de 2015
La Salle Open University
http://jenui2015.uols.org
Acceso a las Actas

Acceso al documento en RUA

Acceso a través de UPCommons

Resumen
El objetivo final de cualquier modelo docente es maximizar los resultados de aprendizaje de cada estudiante. A este objetivo, poco contribuye un proceso de enseñanza-aprendizaje de talla única, basado en una evaluación únicamente informativa, limitada a unos pocos aspectos y que se realiza al final del proceso, cuando ya no hay tiempo de reacción. Frente a esta situación, proponemos un modelo basado en una formación adaptativa, sustentado por un sistema de evaluación formativa, progresiva y predictiva, que permita detectar las carencias a tiempo y atenderlas de inmediato.
Nuestra aportación en este sentido es una herramienta automática y predictiva de apoyo a la evaluación, que permite a los profesores seguir el desarrollo formativo de los estudiantes y, al mismo tiempo, proporciona una autoevaluación que sirve para mejorar la percepción de progresión de los propios estudiantes. La herramienta parte de un sistema instruccional gamificado utilizado desde hace 6 años (PLMan), recolecta un conjunto de datos de uso de este sistema y realiza un análisis de los mismos mediante técnicas de Machine Learning. A partir de los resultados parciales de este análisis, obtenidos durante el período académico, es capaz de realizar una predicción del rendimiento del estudiante y una proyección de su progreso futuro, presentando los resultados a través de unas interfaces muy simples.
El sistema nos permite alcanzar un doble objetivo: por un lado, facilita al profesor una herramienta para realizar un seguimiento muy exhaustivo de la progresión de sus estudiantes sin que esto suponga un incremento importante de su carga de trabajo y, por otro lado, los estudiantes obtienen una retroalimentación inmediata de su progresión, lo que contribuye a su motivación y a la posibilidad de enmendar sus errores.

¿Puede un videojuego ayudarnos a predecir los resultados de aprendizaje?

¿Puede un videojuego ayudarnos a predecir los resultados de aprendizaje?
Ana Illanas, Faraón Llorens, Rafael Molina, Francisco Gallego, Patricia Compañ, Rosana Satorre, Carlos Villagrá
Grupo Informática Industrial e Inteligencia Artificial
Equipo ByteRealms
Universidad de Alicante

I Congreso de la Sociedad Española para las Ciencias del Videojuego (CoSECiVi2014)
Barcelona, 24 de junio de 2014

Acceso al documento en RUA

Acceso al documento completo (pdf)

RESUMEN
Los videojuegos educativos tienen características (inmediatez, motivación, diversión, interacción…), que permiten mejorar el aprendizaje. Además, la acción del juego genera una gran cantidad de datos que pueden ayudarnos a
conocer el progreso en el aprendizaje y a predecir sus resultados. Presentamos CoIn, un videojuego educativo en el que el jugador se convierte en un intérprete que debe completar las traducciones al español de varios discursos en inglés. CoIn, además, recoge multitud de datos durante el desarrollo del juego, que luego se utilizan en un sistema de predicción basado en técnicas de data mining. En particular, se propone una red neuronal cuya entrada es este conjunto de datos y cuya salida es un rango de notas finales en las actividades docentes de la asignatura. A pesar de la limitada cantidad de datos disponible, los resultados son prometedores y nos permiten aventurar que es posible medir el progreso y predecir el aprendizaje.

Palabras clave. Videojuegos educativos, educational data mining, aprendizaje