Conocimiento inteligente para los procesos decisionales en carreras de ingeniería
DOI:
https://doi.org/10.34117/bjdv9n8-023Keywords:
inteligencia artificial, paradigma interpretativo, conocimiento, estudiante, masividadAbstract
Este trabajo es parte de una tesis doctoral basada en Inteligencia Artificial aplicable a la Gestión de Políticas Públicas en Educación Superior en contextos de masividad. Se presenta el diseño metodológico que construye conocimiento basado en datos para proveer información a los procesos decisionales involucrados. Se basa en el uso de Tecnologías Inteligentes de Explotación de la Información, dentro del campo de la Inteligencia Artificial, y en el Paradigma Interpretativo de las Ciencias Sociales. Ambos enfoques, en apariencias muy distintos, se destacan por el despojo de hipótesis o juicios a priori y por la actitud reflexiva tanto del investigador que interroga como del experto del dominio de la problemática abordada. Para esta presentación se acota a las carreras de Ingeniería. Sin embargo, es aplicable a otros problemas y los resultados son útiles a diversos actores y procesos en este ámbito. Se exponen resultados para el objetivo específico de mejorar la comprensión de las características del estudiante, principal protagonista de este complejo escenario, con el propósito de contribuir a la apropiación del conocimiento. El estudio profundiza en dimensiones socioculturales, demográficas, económicas y académicas relativas al estudiante.
References
DÍAZ, L. (2014). Una vueltita más, no me quiero bajar. Las Tecnologías de Aprendizaje y Conocimiento (TAC) y la democratización de la Educación Superior. Libro de Resúmenes del VIII Congreso Iberoamericano de Docencia Universitaria. UNR. ISBN 978-987-3638-02-2. Argentina.
DIAZ, L., MARTINS, S., GARCÍA MARTINEZ, R. (2015). Descubrimiento De Patrones Socio-Económicos De Población Estudiantil De Carreras De Ingeneria Basado En Tecnologías De Explotación De Información. TE&ET 2015. ISBN 978-950-656-154-3. Argentina.
DIAZ, L. (2016). Innovación En El Abordaje De La Gestión De La Educación Superior En Contextos De Masividad. XXI Congreso Latinoamericano de Administración para el Desarrollo. Santiago. Chile.
KUNA, H., GARCÍA MARTINEZ, R., VILLATORO, R. (2010). Identificación de causales de abandono de estudios universitarios. Uso de procesos de explotación de información. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología, TE&ET. Art. 5.
GARCÍA-MARTÍNEZ, R., BRITOS, P., RODRÍGUEZ, D. 2013. Information Mining Processes Based on Intelligent Systems. Lecture Notes on Artificial Intelligence, 7906: 402-410. ISSN 0302-9743.
MARTÍN DEL BRÍO, B., SANZ, A., (2005). Redes Neuronales y Sistemas Difusos 2ª edición, Alfaomega Grupo Editor, Colombia.
YANN, L; BOTTOU, L; BENGIO, Y; HAFFNER, P (1998). Gradient-based learning applied to document recognition. IEEE 86 (11): 2278–2324.
FORMIA, S., LANZARINI, L., HASPERUÉ, W. (2013). Caracterización de la deserción universitaria en la UNRN utilizando Minería de Datos. Un caso de estudio. Revista Iberoamericana de Educación en Tecnología y Tecnología en Educación N°11. Facultad de Informática, UNLP, La Plata, Argentina.
KOEDINGER, KENNETH R. (2001). Cognitive Tutors as Modeling Tools and Instructional Models. Capítulo 5 en Smart Machines in Education, Kenneth D. Forbus y Paul J. Feltovich (eds.). AAAI Press / MIT Press.
MORITZ, S., WEI, F., PARVEZ, S., BLANK, G. D. (2005). From Objects-First to Design-First with Multimedia and Intelligent Tutoring. ITICSE 2005, ACM
CATALDI, Z., SALGUEIRO, F., LAGE, F. J., GARCÍA MARTÍNEZ, R. (2010). Sistemas Tutores Inteligentes: Los estilos del estudiante para selección de tutorado. LIEMA Laboratorio de Informática Educativa y Medios Audiovisuales, LSI Laboratorio de Sistemas Inteligentes, Facultad de Ingeniería, UBA. Centro de Ingeniería de Software e Ingeniería del Conocimiento Escuela de Postgrado. ITBA
MITROVIC, A., MARTIN, B., SURAWEERA, P. (2007). Intelligent Tutors for All: The Constraint-Based Approach. IEEE Intelligent Systems, Vol. 22, No 4.
BORNAT, R., DEHNADI, S., HAMILTON, S. (2008). Mental models, Consistency, and Programming Aptitude. Autralian Computer Society. ACE 2008.
VASILACHIS, I (2006). Estrategias de investigación cualitativa. cap. 2. Ed. Barcelona. Gedisa
MENDIZABAL, N (2006). Los componentes del diseño flexible en la investigación cualitativa. En Vasichalis de Gialdino, Irene (coord.) Estrategias de investigación cualitativa. Barcelona: Gedisa.
