english Icono del idioma   español Icono del idioma  

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/30053 Cómo citar
Título: Estudio de la viabilidad de la aplicación de técnicas de aprendizaje automático a la educación
Autor: Añón, Alejandro
Torrano, Emiliano
Título Obtenido: Ingeniero en Computación
Facultad o Servicio que otorga el Título: Universidad de la República (Uruguay). Facultad de Ingeniería
Tutor: Guimerans, Gustavo
Wodzislawski, Mónica
Tipo: Tesis de grado
Palabras clave: Educación, Machine Learning, Regresión, Clasificación, Learning Analytics, Predicción, Rendimiento Académico
Fecha de publicación: 2021
Resumen: En la actualidad existe un crecimiento considerable en el uso de sistemas de aprendizaje a distancia, en donde se recolecta una gran cantidad de información. Además, el incremento en el poder de cálculo de las computadoras generó un contexto muy propicio para la aplicación de técnicas de aprendizaje automático. En este contexto, surge el interés de investigar si es viable la aplicación de estas técnicas en el ámbito educativo, en particular con los datos de un sistema de aprendizaje a distancia. En primera instancia se estudia el estado del arte de la aplicación de técnicas de aprendizaje automático a la educación. Allí se concluye que existen varias aplicaciones posibles -entre las que se destacan la predicción del rendimiento académico de los estudiantes y la sugerencia de contenido o ejercicios que maximicen el aprendizaje- que pueden aportar valor a los distintos actores de la educación. Se busca estudiar en mayor profundidad la aplicación de técnicas de aprendizaje automático para predecir el rendimiento académico de los estudiantes con el fin de generar alertas de forma temprana a los profesores para que puedan tomar acciones a tiempo. Las acciones que se puedan tomar ante una alerta de pérdida de un curso dependen fuertemente del contexto, como la asignatura y el estudiante, por lo que queda por fuera de este proyecto. Luego de definido el foco del proyecto, se toma como caso de estudio el Centro de Ensayos de Software (CES). En este centro se dictan carreras con la particularidad de ser completamente en línea, sobre la plataforma Moodle, lo cual permite que se dispongan de datos de todas las actividades que realizan los estudiantes en el sistema informático. Sobre estos datos se aplican distintas técnicas de aprendizaje automático para predecir si un estudiante aprobará o no un curso y también para predecir qué nota obtendrá al finalizar el curso. Se detallan los pasos seguidos para obtener las predicciones con el objetivo de que sean de utilidad para el CES así como también que sea posible generalizarlo a otros centros educativos. Se tiene como objetivo que la solución sea lo más genérica posible y agnóstica al centro educativo que se utiliza para el análisis, aunque esto no siempre es posible. Se describen los pasos que solo aplican al CES para que puedan ser adaptados a otra realidad en caso de ser de interés. Por último, se desarrolla una plataforma web para facilitar el proceso realizado y sea utilizado por el CES. La misma realiza todos los pasos detallados previamente y ofrece los resultados en una interfaz gráfica para que se pueda tomar acción sobre las alertas allí generadas. Las transformaciones realizadas en los datos y los parámetros utilizados en los modelos predictivos son configurables para poder ser aplicados a otros cursos o carreras.
Editorial: Udelar.FI
Citación: Añón, A. y Torrano, E. Estudio de la viabilidad de la aplicación de técnicas de aprendizaje automático a la educación [en línea]. Tesis de grado. Montevideo : Udelar. FI. INCO, 2021.
Licencia: Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)
Aparece en las colecciones: Tesis de grado - Instituto de Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato   
AT21.pdfTesis de grado1,39 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons