Espacio para discusiones de temas sobre el análisis, diseño y evaluación de los materiales educativos computarizados, para la electiva Software Educativo (SE1292/SE292), de la carrera de Ingeniería de Sistemas en la Universidad Bicentenaria de Aragua.
lunes, 19 de enero de 2009
Clase 7. Algoritmos para evaluar aprendizaje 12/01/09
Publicar aquí como un COMENTARIO una breve explicación sobre los algoritmos para evaluar el aprendizaje.
Sino sabes publicar ve a la sección INFORMACION Y AYUDA
La evaluación puede cobrar diferentes significados aunque la esencia de la evaluación es la misma: buscar información relevante en el alumno que nos ayude a comprender cómo se está produciendo el proceso de enseñanza aprendizaje para tomar decisiones.
Tipos de evaluación según las diferentes tipologías
Según la Temporalización o Momentos a Evaluar: -Evaluación Inicial: La evaluación inicial se realiza para identificar el grado de conocimiento, aptitudes, destrezas, interés y motivaciones que posee el alumno antes de iniciar el proceso de enseñanza y aprendizaje. -Evaluación Procesual: Consiste en la valoración continua del aprendizaje del alumnado y de la enseñanza del profesor mediante la recogida sistemática de datos y análisis de los mismos y tomas de decisiones oportunas mientras tiene lugar el propio proceso. -Evaluación Final: Es aquella que se realiza al terminar un proceso de enseñanza y aprendizaje, para expresar lo alcanzado después de un plazo establecido para llevar a cabo determinados objetivos.
Según sus Formas de Participación: -Autoevaluación: Es un proceso de valoración que hace el alumno sobre su actuación. Es un tipo de evaluación que toda persona realiza de forma permanente a lo largo de su vida para fortalecer su autonomía, autoestima y voluntad hacia su aprendizaje. -Coevaluación: Es la apreciación que realizan dos o más alumnos sobre la actuación de cada miembro del grupo. -Heteroevaluación: Es un proceso de valoración reciproca que se realiza a través de la Coevaluacion y donde participan todos los implicados internos y externos en el proceso de enseñanza y aprendizaje y evaluación (alumnos, docentes, padres o representantes y otros miembros de la comunidad.
Evaluando el aprendizaje se verifica si se han alcanzado los objetivos operativos y funcionales de la acción formativa. Se comprueba si las competencias han sido desarrolladas por los participantes y en qué medida.
Este objetivo general se desglosa en una serie de objetivos específicos, distintos en función del momento en el que se lleve a cabo la evaluación:
1. Durante el desarrollo de la acción formativa (Evaluación Formativa): •Comprobar si se está produciendo el aprendizaje previsto en el plan de formación. •Identificar deficiencias y posibles problemas que pueden surgir durante el transcurso de la acción formativa, con el fin de introducir las oportunas modificaciones. •Identificar los obstáculos de los formandos con respecto a determinados temas y analizar como pueden ser solventados. •Determinar si el énfasis se está poniendo en la consecución de los objetivos y/o en lograr la satisfacción de los asistentes.
2. A la finalización de la acción formativa (Evaluación Sumativa): •Determinar las cuotas de aprendizaje alcanzadas, en cada una de las competencias enseñadas, para cada uno de los asistentes. •Detectar si se ha producido generalización o transferencia a competencias afines. •Identificar puntos débiles o nuevas necesidades en los participantes. •Planificar la transferencia de las competencias enseñadas al puesto de trabajo. •Planificar el seguimiento de los participantes.
Esto me parecio importante compartirlo habla de los objetivos de los algoritmos,,,
Aprendizaje.- La determinación de las relaciones existentes entre las variables se manifestó desde el principio como una cuestón fundamental. En muchas ocasiones el problema está bien estructurado y el experto es capaz de determinar directamente un modelo gráfico. Sin embargo, es más habitual, que no se conozcan, al menos de forma total, las relaciones de influencia entre los elementos que intervienen. El objetivo de los algoritmos de aprendizaje es determinar un modelo gráfico a partir de un conjunto de datos 'en bruto' u observaciones realizadas sobre el comportamiento del sistema. Referencias importantes son Cooper y Herskovits (1992) y Heckerman et al. (1994). Dada la complejidad de la tarea que se intenta realizar este tema no está ni mucho menos cerrado; de hecho, existe en la actualidad una gran diversidad de enfoques y métodos de resolución.
este comentario pertenece angelica matias lo q pasa es q se le olvido su contraseña,, profe,, besos
Tipos Aprendizaje supervisado El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Transducción Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. Aprendizaje multi-tarea Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos
Como aporte del tema, vemos que los algoritmos en el proceso de aprendizaje, manejan diferentes tipos en función de la salida de los mismos.
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya mencionados.
Como ejemplo de software en apoyo al aprendizaje automático tenemos a:
Weka (Waikato Environment for Knowledge Analysis - Entorno para Análisis del Conocimiento de la Universidad de Waikato) es un conocido software para aprendizaje automático y minería de datos escrito en Java y desarrollado en la Universidad de Waikato. WEKA es un software libre distribuido bajo licencia GNU-GPL.
Weka contiene una colección de herramientas de visualización y algoritmos para análisis de datos y modelado predictivo, unidos a una interfaz gráfica de usuario para acceder fácilmente a sus funcionalidades. La versión original de Weka fue un front-end en TCL/TK para modelar algoritmos implementados en otros lenguajes de programación, más unas utilidades para preprocesamiento de datos desarrolladas en C para hacer experimentos de aprendizaje automático. Esta versión original se diseñó inicialmente como herramienta para analizar datos procedentes del dominio de la agricultura, pero la versión más reciente basada en Java (WEKA 3), que empezó a desarrollarse en 1997, se utiliza en muchas y muy diferentes áreas, en particular con finalidades docentes y de investigación.
Los nuevos desarrollos en evaluación han traído a la educación lo que se conoce como evaluación alternativa y se refiere a los nuevos procedimientos y técnicas que pueden ser usados dentro del contexto de la enseñanza e incorporados a las actividades diarias el aula (Hamayan, 1995, p. 213). Aunque no hay una sola definición de evaluación alternativa lo que se pretende con dicha evaluación, principalmente, es recopilar evidencia acerca de cómo los estudiantes procesan y completan tareas reales en un tema particular (Huerta.Macías, 1995, p. 9). A diferencia de la evaluación tradicional, la evaluación alternativa permite:
Enfocarse en documentar el crecimiento del individuo en cierto tiempo, en lugar de comparar a los estudiantes entre sí. Enfatizar la fuerza de los estudiantes en lugar de las debilidades. Considerar los estilos de aprendizaje, las capacidades lingüísticas, las experiencias culturales y educativas y los niveles de estudio. Los críticos argumentan que los exámenes tradicionales de respuesta fija no den una visión clara y veraz sobre lo que los estudiantes pueden traer con sus conocimientos, solamente permiten traer a la memoria, observar la comprensión o interpretación del conocimiento pero no demuestran la habilidad del uso del conocimiento. Además, se argumenta que los exámenes estandarizados de respuesta fija ignoran la importancia del conocimiento holístico y la integración del conocimiento y, no permiten evaluar la competencia del alumno en objetivos educacionales de alto nivel de pensamiento o de lo que espera la sociedad. Además, con frecuencia el resultado de las evaluaciones se emplea solamente para adjudicar una note a los participantes y no reingresa en las estrategias de enseñanza y de aprendizaje para mejorar los esfuerzas. El reto esta, entonces, en desarrollar estrategias de evaluación que respondan, en concreto, a una integración e interpretación del conocimiento y a una transferencia de dicho conocimiento a otros contextos. Eisner (1993, pp 226-232) plantea algunos principios que creemos pertinente tomar en cuenta para entender mejor el proceso de evaluación y selección de instrumentos. Para él, la evaluación debe: Reflejar las necesidades del mundo real, aumentando las habilidades de resolución de problemas y de construcción de significado. Mostrar cómo los estudiantes resuelven problemas y no solamente atender al producto final de una tarea, ya que el razonamiento determine la habilidad para transferir aprendizaje. Reflejar los valores de la comunidad intelectual. No debe ser limitada a ejecución individual ya que la vida requiere de la habilidad de trabajo en equipo. Permitir contar con mas de una manera de hacer las cosas, ya que las situaciones de la vida real raramente tienen solamente una alternativa correcta. Promover la transferencia presentan de tareas que requieran que se use inteligentemente las herramientas de aprendizaje. Requerir que los estudiantes comprendan el todo, no sólo las partes. Permitir a los estudiantes escoger una forma de respuesta con la cual se sientan cómodos. La evaluación alternativa incluye una variedad de técnicas de evaluación, entendiendo estas como "cualquier instrumento, situación, recurso o procedimiento que se utilice para obtener información sobre la marcha del proceso" (Zabalza, 1991, p.246); dichas técnicas se pueden adaptar a diferentes situaciones. Existen 2 clases de alternativas, las técnicas para la evaluación del desempeño y las técnicas de observación (entrevista, lista de cotejo, escalas, rúbricas, ) estas últimas constituyen un auxiliar para las primeras. En este texto se abordan con detalle las Técnicas para la evaluación del desempeño:
Mapas Mentales.
Solución de problemas.
Método de casos.
Proyectos.
Diario.
Debate.
Ensayos.
Técnica de la Pregunta.
Portafolios.
Estas tendencias traen consigo un cambio en la manera en que pensamos pueden ser medidos los conocimientos, las habilidades y las actitudes. Se trata de ser más flexible para aceptar otros métodos e instrumentos para llevar un récord de los aprendizajes de nuestros estudiantes. Enseguida se explican cada una de las alternativas mencionadas. La evaluación del desempeño es un método que requiere que el estudiante elabore una respuesta o un producto que demuestre su conocimiento y habilidades (Congreso de E.U., Oficina de Tecnología de la Evaluación, 1992). Con las técnicas de ejecución se pretende primordialmente evaluar lo que los estudiantes pueden hacer en lugar de lo que saben o sienten. En una tarea de ejecución se puede evaluar: El procedimiento empleado: conjunto de pasos para llegar a un resultado. El producto resultante: objeto concreto, una escultura, una carta escrita a máquina, el resultado de un experimento. El producto para su e valuación puede ser comparado con ciertas características esperadas (evaluación interna) o compararlo con otros productos (evaluación externa). Una ventaja digna de mencionar es que este tipo de evaluación requiere de la integración de conocimientos sobre contenidos específicos, destrezas, habilidades mentales y ciertas actitudes para lograr la meta. Para Stephen N. Elliot (1995), es más fácil evaluar habilidades del alumno midiendo el desempeño que aplicando un examen escrito, si se le pide que ejecute tareas que requieren ciertas habilidades especificas, que son justamente las que se necesitan evaluar. Por ejemplo, en ciencias se puede examinar la habilidad para diseñar un aparato que haga una función particular o dar un argumento apoyado en la evidencia experimental. Algunas de las habilidades que según los científicos son necesarias para ser un buen científico y se deben desarrollar a través de las asignaturas en una escuela son: Habilidad para explicar ideas y procedimientos, tanto en forma oral como escrita. Formular y probar hipótesis, trabajar con colegas en forma productiva. Hacer preguntas importantes. Hacer comentarios útiles cuando se escucha. Elegir problemas interesantes. Diseñar buenos experimentos. Tener una comprensión profunda de teorías. Aparte de las ciencias, otras materias, como matemáticas, ingles e historia requieren habilidades similares. El sistema actual de evaluación solamente cubre una parte de esto. En ciencias, las pruebas de lápiz y papel enfatizan dos habilidades principales: memorización de hechos y conceptos y habilidad para resolver problemas cortos, bien definidos. Estas habilidades no representan muchas de las habilidades requeridas de un buen científico. La evaluación del desempeño esta íntimamente relacionada con la educación basada en competencias, como estas no pueden ser observadas de manera directa, entonces se tiene información de ellas utilizando técnicas de evaluación y observación de desempeños. Según Gonczi y Athanasou en Argüelles (1996), los siguientes son principios que se deben tomar en cuenta para evaluar adecuadamente la competencia: Los métodos de evaluación deben evaluar integralmente la competencia. Simultáneamente se puede evaluar conocimiento, habilidades, actitudes y valores. Es importante reconocer el riesgo de inferir en la observación de desempeño y tomar las medidas necesarias para hacer mas objetiva la evaluación. Seleccionar las técnicas más pertinentes, como ejemplo de estas pueden ser las pruebas escritas, la observación o la resolución de problemas ó una combinación de técnicas dependiendo de la habilidad o competencia que se desee evaluar y/o el área especifica de conocimiento. Para llevar a cabo la Evaluación del Desempeño y de las Competencias, es importante, por parte del docente: La selección de tareas de evaluación que estén claramente conectadas con lo enseñado. Que se compartan los criterios de evaluación antes de trabajar en ellos. Que se provea a los alumnos con los estándares claros y los modelos aceptables de desempeño. Enterar a los estudiantes que sus ejecuciones serán comparadas con estándares y con otros alumnos. Fomentar la auto-evaluación. Algunas de las herramientas consideradas en este ámbito son: mapas mentales, solución de problemas, método de casos, proyectos, diario, debate, ensayos, portafolios, técnica de la pregunta.
No consegui ningun algoritmo como tal para la evaluacion del aprendizaje en un software educativo sin embargo aca les mando unos metodos con que evaluan si la enseñanza es buena o no! y una propuesta de cuestionarios al final de usar el software me imagino que los resultados quedaran guardados en una base de datos para asi ser evaluados metiante alguna medida de evaluacion por ejem de 1-4 muy malo de 4-8 malo 8-12 regular de 12 a 16 bueno y de 16 a 20 muy bueno.
Las ventajas del uso de software educativo como instrumento de ayuda instruccional en el proceso de enseñanza-aprendizaje, está ampliamente documentada.
Sin embargo, el uso adecuado de esta herramienta informática requiere de una cuidadosa selección para garantizar un producto de calidad. El tema de evaluación del software educativo ha sido estudiado y documentado por diversos autores del ámbito educativo, proporcionando medidas de evaluación en el área educativa y técnica, para evaluar se destacan los métodos de evaluación de Galvis (2000) y de la Universidad Virtual de Michigan (2002), que utilizan métodos cuantitativos de evaluación. Sin embargo, en vista de que gran parte de las propuestas sobre software educativo, son de índole cualitativa o necesitan adaptarse a medidas estándares de evaluación de software según las normas ISO/IEC 9126 (1991), surge la necesidad de la disponibilidad de un instrumento de medidas estándares de calidad para la evaluación de software educativo, que sea de utilidad tanto para los desarrolladores de software educativo como para los interesados en adquirir software comercial (por ejemplo, educadores e instituciones educativas).
Se propone entonces un modelo de evaluación de software educativo bajo un enfoque sistémico de calidad, basado en El Modelo Sistémico de Calidad de Software (MOSCA) de Mendoza et al., (2001), elaborado por LISIUSB (Laboratorio de Información y Sistemas de Información, Universidad Simón Bolívar (USB), soportado por los conceptos de calidad total sistémica (Callaos y Callaos, 1993; Pérez et al., 1999).
Esta propuesta consiste en una serie de cuestionarios a través de los cuales se realiza la medición por docentes, especialistas de informática y alumnos. La propuesta de un modelo de evaluación de software educativo bajo un enfoque sistémico de calidad, ofrece una metodología de preselección y estudio de selección final para la adquisición del software educativo así como los estudios de campo para la validación del software o cuestionarios para el alumno en formatos estandarizados, dependiendo de si el software a evaluar se desea adquirir comercialmente como producto final (institutos educativos, educadores, padres) o está en proceso de desarrollo (producción de software educativo).
Lo novedoso de este instrumento es que cuantifica las métricas de evaluación de calidad a partir de tres categorías, Funcionalidad, Usabilidad y Fiabilidad, con sus respectivas métricas, determinando si el software educativo es de Calidad básica, intermedia o avanzada.
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del Aprendizaje Automático se solapa con el de la Estadística, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el Aprendizaje Automático se centra más en el estudio de la Complejidad Computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en Aprendizaje Automático está enfocada al diseño de soluciones factibles a esos problemas.
El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica. Un árbol de decisión puede aprenderse inductivamente a partir de un conjunto de ejemplos. Un ejemplo se describe con los valores de los atributos y el valor del predicado objetivo. El valor del predicado objetivo es la clasificación del ejemplo. El ejemplo es positivo o negativo según su clasificación. El conjunto de ejemplos se llama conjunto de entrenamientos. La idea clave del algoritmo de aprendizaje es encontrar el atributo más importante. El significado de más importante es que es el más significativo con respecto a la clasificación de los ejemplos:
Patrons: es un atributo bastante importante ya que si el valor es None o Some, produce ejemplos para los que ya hay una respuesta definitiva (Si/No), es decir, clasifica todos los ejemplos como positivos o negativos. Type es un atributo pobre porque produce cuatro salidas y en cada una hay ejemplos positivos y negativos. Realmente Patrons es el atributo más importante. Una vez elegido, cada salida (hay 3) es un nuevo problema de aprendizaje de un árbol de decisión con menos ejemplos y 1 atributo menos (procedimiento recursivo). Hay que considerar cuatro casos:
• Si hay ejemplos positivos y negativos hay que elegir el mejor atributo (Teoría de la Información) para dividirlos. En la figura se elige el atributo Hungry para dividir los ejemplos restantes. • Si todos los ejemplos son positivos (o todos negativos) no queda nada por hacer. Se puede responder Si o No. • Si no quedan ejemplos (no ha sido observado ese ejemplo) se devuelve un valor por defecto para el predicado objetivo o el valor mayoritario en la clasificación del nodo padre. • No quedan atributos pero quedan ejemplos positivos y negativos. Problema: son ejemplos con la misma descripción y distinta clasificación. Puede ser debido a ruido en los datos (datos incorrectos), a que los atributos no den suficiente información para describir la situación o a que el dominio es no determinantico. Una primera aproximación puede ser devolver el valor mayoritario de esos ejemplos. Obsérvese el árbol inducido por el ejemplo:
• Se aprende de los ejemplos. Por eso no aparecen atributos como Raining o Reservation ya que se pueden clasificar todos los ejemplos sin ellos. • Pueden detectarse regularidades no sospechadas en los datos (Esperar en un Thai los fines de semana). • Discútase el ejemplo de una espera de 0-10 minutos y el restaurante lleno
La curva de aprendizaje muestra que al aumentar el conjunto de entrenamiento aumenta el porcentaje de acierto en el conjunto de test. Esto es un indicador de que realmente el algoritmo está aprendiendo el patrón de los datos
Consideraciones a tener en cuente en los sistemas reales: 1. En el caso de ruido en los datos, debe evitarse que el algoritmo encuentre regularidades que realmente no existen en los datos (cuestión similar a la de la significancia estadística). 2. Falta de datos. En muchos dominios no todos los valores de los atributos se conocerán en todos los ejemplos. 3. Atributos con muchos valores. Se requiere modificar la medida de la importancia del atributo. Considerar un atributo RestaurantName: clasificaría cada ejemplo en una clase y tendría la máxima importancia. Sin embargo es irrelevante. 4. Atributos con valores continuos. Discretización.
Tipos de algoritmos
Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
• Aprendizaje supervisado. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. • Aprendizaje no supervisado. Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. • Aprendizaje por refuerzo. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. • Transducción. Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. • Aprendizaje multi-tarea. Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.
El aprendizaje automático nosotros lo llevamos acaba de manera automática ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cómo se realiza y todo lo que esto implica. Desde que nacemos hasta que morimos los seres humanos tenemos diferentes procesos entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también por medio de la experiencia propia, pero a las máquinas hay que indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades entonces el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva. También debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automático no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas y un buen aprendizaje también implica saber cómo y cuándo utilizar nuestros conocimientos.
Para llevar acabo un buen aprendizaje es necesario tener considerar todos los factores que a este le rodean como, la sociedad, la economía, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatización adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tú puedas dar tu opinión o punto de vista así como también responder a ciertas interrogantes que puedan surgir de dicho tema o materia.
En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:
• Crecimiento. Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas. • Reestructuración. Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración. • Ajuste. Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender. El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.
La incorporación de las Tecnologías de la Información y la Comunicación (TIC) a la educación ofrece distintas dimensiones al proceso instruccional. En particular, el uso del software educativo en el proceso de enseñanza-aprendizaje permite mejorar en el estudiante las destrezas cognitivas. Este tipo de software fomenta el análisis de problemas, facilita el trabajo en grupo, provee soporte en actividades docentes; en el sentido más amplio, mejora las habilidades del pensamiento y la resolución de problemas. Ahora bien, para lograr todo esto, el software debe ser de calidad. Cuando se hace referencia a calidad de software educativo, se requiere un producto que satisfaga tanto las expectativas de los docentes como de los alumnos, a un menor costo, libre de errores y cumpliendo con ciertas especificaciones instruccionales y tecnológicas. Esta necesidad conlleva a generar un modelo para medir la calidad del software como producto y como servicio. El objetivo de esta investigación es presentar el desarrollo de un modelo de calidad del software educativo con sus respectivas métricas; siguiendo un enfoque sistémico. Para ello se partió del Modelo Sistémico de Calidad de Software (MOSCA) elaborado por LISI-USB, ampliándolo de acuerdo a los requerimientos particulares de calidad del software educativo, tomando en cuenta no sólo los aspectos técnicos del producto, sino el diseño pedagógico y los materiales de soporte didáctico. Finalmente, a través de un caso de estudio real, se presenta la aplicación del modelo ampliado MOSCA, se analiza su desempeño, y se ofrece un conjunto de métricas que permiten evaluaciones posteriores. El resultado principal es un modelo en versión prototipo que permite medir la calidad para software educativo.
Los nuevos desarrollos en evaluación han traído a la educación lo que se conoce como evaluación alternativa y se refiere a los nuevos procedimientos y técnicas que pueden ser usados dentro del contexto de la enseñanza e incorporados a las actividades diarias el aula A diferencia de la evaluación tradicional, la evaluación alternativa permite:
Enfocarse en documentar el crecimiento del individuo en cierto tiempo, en lugar de comparar a los estudiantes entre sí.
Enfatizar la fuerza de los estudiantes en lugar de las debilidades.
Considerar los estilos de aprendizaje, las capacidades lingüísticas, las experiencias culturales y educativas y los niveles de estudio.
Los críticos argumentan que los exámenes tradicionales de respuesta fija no den una visión clara y veraz sobre lo que los estudiantes pueden traer con sus conocimientos, solamente permiten traer a la memoria, observar la comprensión o interpretación del conocimiento pero no demuestran la habilidad del uso del conocimiento. Además, se argumenta que los exámenes estandarizados de respuesta fija ignoran la importancia del conocimiento holístico y la integración del conocimiento y, no permiten evaluar la competencia del alumno en objetivos educacionales de alto nivel de pensamiento o de lo que espera la sociedad. Además, con frecuencia el resultado de las evaluaciones se emplea solamente para adjudicar una note a los participantes y no reingresa en las estrategias de enseñanza y de aprendizaje para mejorar los esfuerzas.
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender.
En ciencias se puede examinar la habilidad para diseñar un aparato que haga una función particular o dar un argumento apoyado en la evidencia experimental. Algunas de las habilidades que según los científicos son necesarias para ser un buen científico y se deben desarrollar a través de las asignaturas en una escuela son: Habilidad para explicar ideas y procedimientos, tanto en forma oral como escrita. Formular y probar hipótesis, trabajar con colegas en forma productiva.Diferentes tipos de evaluacion
Evaluación Inicial: La evaluación inicial se realiza para identificar el grado de conocimiento, aptitudes, destrezas, interés y motivaciones que posee el alumno antes de iniciar el proceso de enseñanza y aprendizaje. -Evaluación Procesual: Consiste en la valoración continua del aprendizaje del alumnado y de la enseñanza del profesor mediante la recogida sistemática de datos y análisis de los mismos y tomas de decisiones oportunas mientras tiene lugar el propio proceso. -Evaluación Final: Es aquella que se realiza al terminar un proceso de enseñanza y aprendizaje, para expresar lo alcanzado después de un plazo establecido para llevar a cabo determinados objetivos.
En esta sección se presenta la aparición y la evolución del software educativo a la luz de algunas de las teorías del aprendizaje más representativas. En este paralelismo, sólo se mencionan aquellas teorías que darán los marcos conceptuales para los desarrollos de los programas didácticos en función de las aplicaciones deseadas.
En el caso de desarrollos del software educativo, se pueden incorporar, como sostiene Perkins, representaciones potentes, mediante imágenes mentales y utilizar modelos, de tal modo de estimular la motivación de los alumnos e intentar desarrollar actividades mentales como: – evaluar y discriminar lo específico de lo particular, – construir, crear, – evaluar necesidades, procesos, resultados, – investigar otras posibilidades de solución, – resolver problemas inéditos, – transferir conocimiento de y hacia otras áreas, – sintetizar, globalizar, analizar, etc.
Tipos de algoritmos [editar]Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
Aprendizaje supervisado El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Transducción Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. Aprendizaje multi-tarea Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos.
El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Tipos de algoritmos
Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
• Aprendizaje supervisado. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. • Aprendizaje no supervisado. Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. • Aprendizaje por refuerzo. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. • Transducción. Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. • Aprendizaje multi-tarea. Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje. Aprendizaje Automatizado Una de las tareas más desafiantes en la ciencia de la computación es construir máquinas o programas de computadoras que sean capaces de aprender. El aprendizaje automatizado no sólo se encarga de obtener el conocimiento, sino también de la forma en que éste se representa. A continuación se definen tres conceptos básicos bajo este contexto: Conjunto de datos: Se distinguen dos tipos, el conjunto de entrenamiento y el conjunto de prueba. Modelo: o clasificador, es una conexión entre las variables que son dadas y las que se van a predecir. Usualmente las variables que se van a predecir denominadas variables dependientes y las restantes, variables independientes. Aprendiz: (en ingles "learner"): es cualquier procedimiento utilizado para construir un modelo. En esta investigación estos procedimientos se limitan a programas de computación o algoritmos para construir un modelo a partir del conjunto de datos de entrenamiento.
La tarea del elemento de aprendizaje es disminuir la diferencia entre el nivel de la información suministrada por el ambiente y el nivel de la información suministrada por el elemento de ejecución. Esta información puede ser registrada en la base de conocimientos para futuras consultas. En el aprendizaje inductivo, la acción más importante es promover al modelo para obtener un alto nivel en la exactitud de su predicción. Aplicada esta premisa al aprendizaje automatizado, el objetivo es alcanzar un modelo que sea capaz de predecir con precisión el valor de su función Y, a partir de un conjunto de datos, definidos como vector X, donde los valores se seleccionan de manera aleatoria a partir de todo el espacio de la muestra. El aprendizaje no supervisado: el aprendiz utiliza un conjunto de ejemplos de entrenamiento, pero cada ejemplo consiste solo en el vector X, y no incluye el valor de Y. El objetivo de este tipo de aprendizaje, es construir un modelo que registre todas las incidencias que se presenten en el conjunto de datos de entrenamiento. La naturaleza de los modelos construidos para los algoritmos basados en aprendizaje no supervisado, varía de un método a otro, ya que pueden, a partir de la data de entrenamiento, dar como resultado una estimación de una función de probabilidad, una estructura o una característica. El aprendizaje reforzado: involucra una tarea intermedia entre el aprendizaje supervisado y el no supervisado. Opera en un ambiente dinámico, y puede tomar acciones que influyen en el ambiente. Esto permite que el aprendiz aumente su conocimiento, basado en la interacción con el ambiente, y tiene como objetivo que continué aprendiendo.
13 comentarios:
La evaluación puede cobrar diferentes significados aunque la esencia de la evaluación es la misma: buscar información relevante en el alumno que nos ayude a comprender cómo se está produciendo el proceso de enseñanza aprendizaje para tomar decisiones.
Tipos de evaluación según las diferentes tipologías
Según la Temporalización o Momentos a Evaluar:
-Evaluación Inicial: La evaluación inicial se realiza para identificar el grado de conocimiento, aptitudes, destrezas, interés y motivaciones que posee el alumno antes de iniciar el proceso de enseñanza y aprendizaje.
-Evaluación Procesual: Consiste en la valoración continua del aprendizaje del alumnado y de la enseñanza del profesor mediante la recogida sistemática de datos y análisis de los mismos y tomas de decisiones oportunas mientras tiene lugar el propio proceso.
-Evaluación Final: Es aquella que se realiza al terminar un proceso de enseñanza y aprendizaje, para expresar lo alcanzado después de un plazo establecido para llevar a cabo determinados objetivos.
Según sus Formas de Participación:
-Autoevaluación: Es un proceso de valoración que hace el alumno sobre su actuación. Es un tipo de evaluación que toda persona realiza de forma permanente a lo largo de su vida para fortalecer su autonomía, autoestima y voluntad hacia su aprendizaje.
-Coevaluación: Es la apreciación que realizan dos o más alumnos sobre la actuación de cada miembro del grupo.
-Heteroevaluación: Es un proceso de valoración reciproca que se realiza a través de la Coevaluacion y donde participan todos los implicados internos y externos en el proceso de enseñanza y aprendizaje y evaluación (alumnos, docentes, padres o representantes y otros miembros de la comunidad.
Evaluando el aprendizaje se verifica si se han alcanzado los objetivos operativos y funcionales de la acción formativa. Se comprueba si las competencias han sido desarrolladas por los participantes y en qué medida.
Este objetivo general se desglosa en una serie de objetivos específicos, distintos en función del momento en el que se lleve a cabo la evaluación:
1. Durante el desarrollo de la acción formativa (Evaluación Formativa):
•Comprobar si se está produciendo el aprendizaje previsto en el plan de formación.
•Identificar deficiencias y posibles problemas que pueden surgir durante el transcurso de la acción formativa, con el fin de introducir las oportunas modificaciones.
•Identificar los obstáculos de los formandos con respecto a determinados temas y analizar como pueden ser solventados.
•Determinar si el énfasis se está poniendo en la consecución de los objetivos y/o en lograr la satisfacción de los asistentes.
2. A la finalización de la acción formativa (Evaluación Sumativa):
•Determinar las cuotas de aprendizaje alcanzadas, en cada una de las competencias enseñadas, para cada uno de los asistentes.
•Detectar si se ha producido generalización o transferencia a competencias afines.
•Identificar puntos débiles o nuevas necesidades en los participantes.
•Planificar la transferencia de las competencias enseñadas al puesto de trabajo.
•Planificar el seguimiento de los participantes.
Esto me parecio importante compartirlo habla de los objetivos de los algoritmos,,,
Aprendizaje.- La determinación de las relaciones existentes entre las variables se manifestó desde el principio como una cuestón fundamental. En muchas ocasiones el problema está bien estructurado y el experto es capaz de determinar directamente un modelo gráfico. Sin embargo, es más habitual, que no se conozcan, al menos de forma total, las relaciones de influencia entre los elementos que intervienen. El objetivo de los algoritmos de aprendizaje es determinar un modelo gráfico a partir de un conjunto de datos 'en bruto' u observaciones realizadas sobre el comportamiento del sistema. Referencias importantes son Cooper y Herskovits (1992) y Heckerman et al. (1994). Dada la complejidad de la tarea que se intenta realizar este tema no está ni mucho menos cerrado; de hecho, existe en la actualidad una gran diversidad de enfoques y métodos de resolución.
este comentario pertenece angelica matias lo q pasa es q se le olvido su contraseña,, profe,, besos
Tipos
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos
Como aporte del tema, vemos que los algoritmos en el proceso de aprendizaje, manejan diferentes tipos en función de la salida de los mismos.
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya mencionados.
Como ejemplo de software en apoyo al aprendizaje automático tenemos a:
Weka (Waikato Environment for Knowledge Analysis - Entorno para Análisis del Conocimiento de la Universidad de Waikato) es un conocido software para aprendizaje automático y minería de datos escrito en Java y desarrollado en la Universidad de Waikato. WEKA es un software libre distribuido bajo licencia GNU-GPL.
Weka contiene una colección de herramientas de visualización y algoritmos para análisis de datos y modelado predictivo, unidos a una interfaz gráfica de usuario para acceder fácilmente a sus funcionalidades. La versión original de Weka fue un front-end en TCL/TK para modelar algoritmos implementados en otros lenguajes de programación, más unas utilidades para preprocesamiento de datos desarrolladas en C para hacer experimentos de aprendizaje automático. Esta versión original se diseñó inicialmente como herramienta para analizar datos procedentes del dominio de la agricultura, pero la versión más reciente basada en Java (WEKA 3), que empezó a desarrollarse en 1997, se utiliza en muchas y muy diferentes áreas, en particular con finalidades docentes y de investigación.
Los nuevos desarrollos en evaluación han traído a la educación lo que se conoce como evaluación alternativa y se refiere a los nuevos procedimientos y técnicas que pueden ser usados dentro del contexto de la enseñanza e incorporados a las actividades diarias el aula (Hamayan, 1995, p. 213). Aunque no hay una sola definición de evaluación alternativa lo que se pretende con dicha evaluación, principalmente, es recopilar evidencia acerca de cómo los estudiantes procesan y completan tareas reales en un tema particular (Huerta.Macías, 1995, p. 9). A diferencia de la evaluación tradicional, la evaluación alternativa permite:
Enfocarse en documentar el crecimiento del individuo en cierto tiempo, en lugar de comparar a los estudiantes entre sí. Enfatizar la fuerza de los estudiantes en lugar de las debilidades. Considerar los estilos de aprendizaje, las capacidades lingüísticas, las experiencias culturales y educativas y los niveles de estudio. Los críticos argumentan que los exámenes tradicionales de respuesta fija no den una visión clara y veraz sobre lo que los estudiantes pueden traer con sus conocimientos, solamente permiten traer a la memoria, observar la comprensión o interpretación del conocimiento pero no demuestran la habilidad del uso del conocimiento. Además, se argumenta que los exámenes estandarizados de respuesta fija ignoran la importancia del conocimiento holístico y la integración del conocimiento y, no permiten evaluar la competencia del alumno en objetivos educacionales de alto nivel de pensamiento o de lo que espera la sociedad. Además, con frecuencia el resultado de las evaluaciones se emplea solamente para adjudicar una note a los participantes y no reingresa en las estrategias de enseñanza y de aprendizaje para mejorar los esfuerzas. El reto esta, entonces, en desarrollar estrategias de evaluación que respondan, en concreto, a una integración e interpretación del conocimiento y a una transferencia de dicho conocimiento a otros contextos. Eisner (1993, pp 226-232) plantea algunos principios que creemos pertinente tomar en cuenta para entender mejor el proceso de evaluación y selección de instrumentos. Para él, la evaluación debe: Reflejar las necesidades del mundo real, aumentando las habilidades de resolución de problemas y de construcción de significado. Mostrar cómo los estudiantes resuelven problemas y no solamente atender al producto final de una tarea, ya que el razonamiento determine la habilidad para transferir aprendizaje. Reflejar los valores de la comunidad intelectual. No debe ser limitada a ejecución individual ya que la vida requiere de la habilidad de trabajo en equipo. Permitir contar con mas de una manera de hacer las cosas, ya que las situaciones de la vida real raramente tienen solamente una alternativa correcta. Promover la transferencia presentan de tareas que requieran que se use inteligentemente las herramientas de aprendizaje. Requerir que los estudiantes comprendan el todo, no sólo las partes. Permitir a los estudiantes escoger una forma de respuesta con la cual se sientan cómodos. La evaluación alternativa incluye una variedad de técnicas de evaluación, entendiendo estas como "cualquier instrumento, situación, recurso o procedimiento que se utilice para obtener información sobre la marcha del proceso" (Zabalza, 1991, p.246); dichas técnicas se pueden adaptar a diferentes situaciones. Existen 2 clases de alternativas, las técnicas para la evaluación del desempeño y las técnicas de observación (entrevista, lista de cotejo, escalas, rúbricas, ) estas últimas constituyen un auxiliar para las primeras. En este texto se abordan con detalle las Técnicas para la evaluación del desempeño:
Mapas Mentales.
Solución de problemas.
Método de casos.
Proyectos.
Diario.
Debate.
Ensayos.
Técnica de la Pregunta.
Portafolios.
Estas tendencias traen consigo un cambio en la manera en que pensamos pueden ser medidos los conocimientos, las habilidades y las actitudes. Se trata de ser más flexible para aceptar otros métodos e instrumentos para llevar un récord de los aprendizajes de nuestros estudiantes. Enseguida se explican cada una de las alternativas mencionadas. La evaluación del desempeño es un método que requiere que el estudiante elabore una respuesta o un producto que demuestre su conocimiento y habilidades (Congreso de E.U., Oficina de Tecnología de la Evaluación, 1992). Con las técnicas de ejecución se pretende primordialmente evaluar lo que los estudiantes pueden hacer en lugar de lo que saben o sienten. En una tarea de ejecución se puede evaluar: El procedimiento empleado: conjunto de pasos para llegar a un resultado. El producto resultante: objeto concreto, una escultura, una carta escrita a máquina, el resultado de un experimento. El producto para su e valuación puede ser comparado con ciertas características esperadas (evaluación interna) o compararlo con otros productos (evaluación externa). Una ventaja digna de mencionar es que este tipo de evaluación requiere de la integración de conocimientos sobre contenidos específicos, destrezas, habilidades mentales y ciertas actitudes para lograr la meta. Para Stephen N. Elliot (1995), es más fácil evaluar habilidades del alumno midiendo el desempeño que aplicando un examen escrito, si se le pide que ejecute tareas que requieren ciertas habilidades especificas, que son justamente las que se necesitan evaluar. Por ejemplo, en ciencias se puede examinar la habilidad para diseñar un aparato que haga una función particular o dar un argumento apoyado en la evidencia experimental. Algunas de las habilidades que según los científicos son necesarias para ser un buen científico y se deben desarrollar a través de las asignaturas en una escuela son: Habilidad para explicar ideas y procedimientos, tanto en forma oral como escrita. Formular y probar hipótesis, trabajar con colegas en forma productiva. Hacer preguntas importantes. Hacer comentarios útiles cuando se escucha. Elegir problemas interesantes. Diseñar buenos experimentos. Tener una comprensión profunda de teorías. Aparte de las ciencias, otras materias, como matemáticas, ingles e historia requieren habilidades similares. El sistema actual de evaluación solamente cubre una parte de esto. En ciencias, las pruebas de lápiz y papel enfatizan dos habilidades principales: memorización de hechos y conceptos y habilidad para resolver problemas cortos, bien definidos. Estas habilidades no representan muchas de las habilidades requeridas de un buen científico. La evaluación del desempeño esta íntimamente relacionada con la educación basada en competencias, como estas no pueden ser observadas de manera directa, entonces se tiene información de ellas utilizando técnicas de evaluación y observación de desempeños. Según Gonczi y Athanasou en Argüelles (1996), los siguientes son principios que se deben tomar en cuenta para evaluar adecuadamente la competencia: Los métodos de evaluación deben evaluar integralmente la competencia. Simultáneamente se puede evaluar conocimiento, habilidades, actitudes y valores. Es importante reconocer el riesgo de inferir en la observación de desempeño y tomar las medidas necesarias para hacer mas objetiva la evaluación. Seleccionar las técnicas más pertinentes, como ejemplo de estas pueden ser las pruebas escritas, la observación o la resolución de problemas ó una combinación de técnicas dependiendo de la habilidad o competencia que se desee evaluar y/o el área especifica de conocimiento. Para llevar a cabo la Evaluación del Desempeño y de las Competencias, es importante, por parte del docente: La selección de tareas de evaluación que estén claramente conectadas con lo enseñado. Que se compartan los criterios de evaluación antes de trabajar en ellos. Que se provea a los alumnos con los estándares claros y los modelos aceptables de desempeño. Enterar a los estudiantes que sus ejecuciones serán comparadas con estándares y con otros alumnos. Fomentar la auto-evaluación. Algunas de las herramientas consideradas en este ámbito son: mapas mentales, solución de problemas, método de casos, proyectos, diario, debate, ensayos, portafolios, técnica de la pregunta.
No consegui ningun algoritmo como tal para la evaluacion del aprendizaje en un software educativo sin embargo aca les mando unos metodos con que evaluan si la enseñanza es buena o no! y una propuesta de cuestionarios al final de usar el software me imagino que los resultados quedaran guardados en una base de datos para asi ser evaluados metiante alguna medida de evaluacion por ejem de 1-4 muy malo de 4-8 malo 8-12 regular de 12 a 16 bueno y de 16 a 20 muy bueno.
Las ventajas del uso de software educativo como instrumento de ayuda instruccional en el proceso de enseñanza-aprendizaje, está ampliamente documentada.
Sin embargo, el uso adecuado de esta herramienta informática requiere de una cuidadosa selección para garantizar un producto de calidad. El tema de evaluación del software educativo ha sido estudiado y documentado por diversos autores del ámbito educativo, proporcionando medidas de evaluación en el área educativa y técnica, para evaluar se destacan los métodos de evaluación de Galvis (2000) y de la Universidad Virtual de Michigan (2002), que utilizan métodos cuantitativos de evaluación. Sin embargo, en vista de que gran parte de las propuestas sobre software educativo, son de índole cualitativa o necesitan adaptarse a medidas estándares de evaluación de software según las normas ISO/IEC 9126 (1991), surge la necesidad de la disponibilidad de un
instrumento de medidas estándares de calidad para la evaluación de software educativo, que sea de utilidad tanto para los desarrolladores de software educativo como para los interesados en adquirir software comercial (por ejemplo, educadores e instituciones educativas).
Se propone entonces un modelo de evaluación de software educativo bajo un enfoque sistémico de calidad, basado en El Modelo Sistémico de Calidad de Software (MOSCA) de Mendoza et al., (2001), elaborado por LISIUSB (Laboratorio de Información y Sistemas de Información, Universidad Simón Bolívar (USB), soportado por los conceptos de calidad total sistémica (Callaos y
Callaos, 1993; Pérez et al., 1999).
Esta propuesta consiste en una serie de cuestionarios a través de los cuales se realiza la medición por docentes, especialistas de informática y alumnos. La propuesta de un modelo de evaluación de software educativo bajo un enfoque sistémico de calidad, ofrece una metodología de preselección y estudio de selección final para la adquisición del software educativo así como los estudios de campo para la validación del software o cuestionarios para el alumno en formatos estandarizados, dependiendo de si el software a evaluar se desea adquirir comercialmente como producto final (institutos educativos, educadores, padres) o está en proceso de desarrollo (producción de software educativo).
Lo novedoso de este instrumento es que cuantifica las métricas de evaluación de calidad a partir de tres categorías, Funcionalidad, Usabilidad y Fiabilidad, con sus respectivas métricas, determinando si el software educativo es de Calidad básica, intermedia o avanzada.
Algoritmo para evaluar el aprendizaje
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del Aprendizaje Automático se solapa con el de la Estadística, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el Aprendizaje Automático se centra más en el estudio de la Complejidad Computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en Aprendizaje Automático está enfocada al diseño de soluciones factibles a esos problemas.
El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica. Un árbol de decisión puede aprenderse inductivamente a partir de un conjunto de ejemplos. Un ejemplo se describe con los valores de los atributos y el valor del predicado objetivo. El valor del predicado objetivo es la clasificación del ejemplo. El ejemplo es positivo o negativo según su clasificación. El conjunto de ejemplos se llama conjunto de entrenamientos. La idea clave del algoritmo de aprendizaje es encontrar el atributo más importante. El significado de más importante es que es el más significativo con respecto a la clasificación de los ejemplos:
Patrons: es un atributo bastante importante ya que si el valor es None o Some, produce ejemplos para los que ya hay una respuesta definitiva (Si/No), es decir, clasifica todos los ejemplos como positivos o negativos. Type es un atributo pobre porque produce cuatro salidas y en cada una hay ejemplos positivos y negativos. Realmente Patrons es el atributo más importante. Una vez elegido, cada salida (hay 3) es un nuevo problema de aprendizaje de un árbol de decisión con menos ejemplos y 1 atributo menos (procedimiento recursivo). Hay que considerar cuatro casos:
• Si hay ejemplos positivos y negativos hay que elegir el mejor atributo (Teoría de la Información) para dividirlos. En la figura se elige el atributo Hungry para dividir los ejemplos restantes.
• Si todos los ejemplos son positivos (o todos negativos) no queda nada por hacer. Se puede responder Si o No.
• Si no quedan ejemplos (no ha sido observado ese ejemplo) se devuelve un valor por defecto para el predicado objetivo o el valor mayoritario en la clasificación del nodo padre.
• No quedan atributos pero quedan ejemplos positivos y negativos. Problema: son ejemplos con la misma descripción y distinta clasificación. Puede ser debido a ruido en los datos (datos incorrectos), a que los atributos no den suficiente información para describir la situación o a que el dominio es no determinantico. Una primera aproximación puede ser devolver el valor mayoritario de esos ejemplos.
Obsérvese el árbol inducido por el ejemplo:
• Se aprende de los ejemplos. Por eso no aparecen atributos como Raining o Reservation ya que se pueden clasificar todos los ejemplos sin ellos.
• Pueden detectarse regularidades no sospechadas en los datos (Esperar en un Thai los fines de semana).
• Discútase el ejemplo de una espera de 0-10 minutos y el restaurante lleno
La curva de aprendizaje muestra que al aumentar el conjunto de entrenamiento aumenta el porcentaje de acierto en el conjunto de test. Esto es un indicador de que realmente el algoritmo está aprendiendo el patrón de los datos
Consideraciones a tener en cuente en los sistemas reales:
1. En el caso de ruido en los datos, debe evitarse que el algoritmo encuentre regularidades que realmente no existen en los datos (cuestión similar a la de la significancia estadística).
2. Falta de datos. En muchos dominios no todos los valores de los atributos se conocerán en todos los ejemplos.
3. Atributos con muchos valores. Se requiere modificar la medida de la importancia del atributo. Considerar un atributo RestaurantName: clasificaría cada ejemplo en una clase y tendría la máxima importancia. Sin embargo es irrelevante.
4. Atributos con valores continuos. Discretización.
Tipos de algoritmos
Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
• Aprendizaje supervisado. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
• Aprendizaje no supervisado. Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
• Aprendizaje por refuerzo. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
• Transducción. Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
• Aprendizaje multi-tarea. Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.
El aprendizaje automático nosotros lo llevamos acaba de manera automática ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cómo se realiza y todo lo que esto implica. Desde que nacemos hasta que morimos los seres humanos tenemos diferentes procesos entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también por medio de la experiencia propia, pero a las máquinas hay que indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades entonces el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva. También debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automático no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas y un buen aprendizaje también implica saber cómo y cuándo utilizar nuestros conocimientos.
Para llevar acabo un buen aprendizaje es necesario tener considerar todos los factores que a este le rodean como, la sociedad, la economía, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatización adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tú puedas dar tu opinión o punto de vista así como también responder a ciertas interrogantes que puedan surgir de dicho tema o materia.
En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:
• Crecimiento. Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas.
• Reestructuración. Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración.
• Ajuste. Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender. El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.
La incorporación de las Tecnologías de la Información y la
Comunicación (TIC) a la educación ofrece distintas
dimensiones al proceso instruccional. En particular, el uso del
software educativo en el proceso de enseñanza-aprendizaje
permite mejorar en el estudiante las destrezas cognitivas. Este
tipo de software fomenta el análisis de problemas, facilita el
trabajo en grupo, provee soporte en actividades docentes; en el
sentido más amplio, mejora las habilidades del pensamiento y
la resolución de problemas. Ahora bien, para lograr todo esto,
el software debe ser de calidad.
Cuando se hace referencia a calidad de software educativo,
se requiere un producto que satisfaga tanto las expectativas de
los docentes como de los alumnos, a un menor costo, libre de
errores y cumpliendo con ciertas especificaciones
instruccionales y tecnológicas. Esta necesidad conlleva a
generar un modelo para medir la calidad del software como
producto y como servicio. El objetivo de esta investigación es
presentar el desarrollo de un modelo de calidad del software
educativo con sus respectivas métricas; siguiendo un enfoque
sistémico. Para ello se partió del Modelo Sistémico de Calidad
de Software (MOSCA) elaborado por LISI-USB, ampliándolo de
acuerdo a los requerimientos particulares de calidad del
software educativo, tomando en cuenta no sólo los aspectos
técnicos del producto, sino el diseño pedagógico y los
materiales de soporte didáctico. Finalmente, a través de un caso
de estudio real, se presenta la aplicación del modelo ampliado
MOSCA, se analiza su desempeño, y se ofrece un conjunto de
métricas que permiten evaluaciones posteriores. El resultado
principal es un modelo en versión prototipo que permite medir
la calidad para software educativo.
Los nuevos desarrollos en evaluación han traído a la educación lo que se conoce como evaluación alternativa y se refiere a los nuevos procedimientos y técnicas que pueden ser usados dentro del contexto de la enseñanza e incorporados a las actividades diarias el aula
A diferencia de la evaluación tradicional, la evaluación alternativa permite:
Enfocarse en documentar el crecimiento del individuo en cierto tiempo, en lugar de comparar a los estudiantes entre sí.
Enfatizar la fuerza de los estudiantes en lugar de las debilidades.
Considerar los estilos de aprendizaje, las capacidades lingüísticas, las experiencias culturales y educativas y los niveles de estudio.
Los críticos argumentan que los exámenes tradicionales de respuesta fija no den una visión clara y veraz sobre lo que los estudiantes pueden traer con sus conocimientos, solamente permiten traer a la memoria, observar la comprensión o interpretación del conocimiento pero no demuestran la habilidad del uso del conocimiento. Además, se argumenta que los exámenes estandarizados de respuesta fija ignoran la importancia del conocimiento holístico y la integración del conocimiento y, no permiten evaluar la competencia del alumno en objetivos educacionales de alto nivel de pensamiento o de lo que espera la sociedad. Además, con frecuencia el resultado de las evaluaciones se emplea solamente para adjudicar una note a los participantes y no reingresa en las estrategias de enseñanza y de aprendizaje para mejorar los esfuerzas.
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender.
En ciencias se puede examinar la habilidad para diseñar un aparato que haga una función particular o dar un argumento apoyado en la evidencia experimental. Algunas de las habilidades que según los científicos son necesarias para ser un buen científico y se deben desarrollar a través de las asignaturas en una escuela son: Habilidad para explicar ideas y procedimientos, tanto en forma oral como escrita. Formular y probar hipótesis, trabajar con colegas en forma productiva.Diferentes tipos de evaluacion
Evaluación Inicial: La evaluación inicial se realiza para identificar el grado de conocimiento, aptitudes, destrezas, interés y motivaciones que posee el alumno antes de iniciar el proceso de enseñanza y aprendizaje.
-Evaluación Procesual: Consiste en la valoración continua del aprendizaje del alumnado y de la enseñanza del profesor mediante la recogida sistemática de datos y análisis de los mismos y tomas de decisiones oportunas mientras tiene lugar el propio proceso.
-Evaluación Final: Es aquella que se realiza al terminar un proceso de enseñanza y aprendizaje, para expresar lo alcanzado después de un plazo establecido para llevar a cabo determinados objetivos.
En esta sección se presenta la aparición y la evolución del software educativo a la luz de algunas de las
teorías del aprendizaje más representativas. En este paralelismo, sólo se mencionan aquellas teorías que
darán los marcos conceptuales para los desarrollos de los programas didácticos en función de las aplicaciones
deseadas.
En el caso de desarrollos del software educativo, se pueden incorporar, como sostiene Perkins, representaciones
potentes, mediante imágenes mentales y utilizar modelos, de tal modo de estimular la motivación de los
alumnos e intentar desarrollar actividades mentales como:
– evaluar y discriminar lo específico de lo particular,
– construir, crear,
– evaluar necesidades, procesos, resultados,
– investigar otras posibilidades de solución,
– resolver problemas inéditos,
– transferir conocimiento de y hacia otras áreas,
– sintetizar, globalizar, analizar, etc.
Tipos de algoritmos [editar]Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos.
El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Tipos de algoritmos
Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:
• Aprendizaje supervisado. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
• Aprendizaje no supervisado. Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
• Aprendizaje por refuerzo. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
• Transducción. Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
• Aprendizaje multi-tarea. Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.
Aprendizaje Automatizado
Una de las tareas más desafiantes en la ciencia de la computación es construir máquinas o programas de computadoras que sean capaces de aprender. El aprendizaje automatizado no sólo se encarga de obtener el conocimiento, sino también de la forma en que éste se representa. A continuación se definen tres conceptos básicos bajo este contexto:
Conjunto de datos: Se distinguen dos tipos, el conjunto de entrenamiento y el conjunto de prueba.
Modelo: o clasificador, es una conexión entre las variables que son dadas y las que se van a predecir. Usualmente las variables que se van a predecir denominadas variables dependientes y las restantes, variables independientes.
Aprendiz: (en ingles "learner"): es cualquier procedimiento utilizado para construir un modelo. En esta investigación estos procedimientos se limitan a programas de computación o algoritmos para construir un modelo a partir del conjunto de datos de entrenamiento.
La tarea del elemento de aprendizaje es disminuir la diferencia entre el nivel de la información suministrada por el ambiente y el nivel de la información suministrada por el elemento de ejecución. Esta información puede ser registrada en la base de conocimientos para futuras consultas.
En el aprendizaje inductivo, la acción más importante es promover al modelo para obtener un alto nivel en la exactitud de su predicción. Aplicada esta premisa al aprendizaje automatizado, el objetivo es alcanzar un modelo que sea capaz de predecir con precisión el valor de su función Y, a partir de un conjunto de datos, definidos como vector X, donde los valores se seleccionan de manera aleatoria a partir de todo el espacio de la muestra.
El aprendizaje no supervisado: el aprendiz utiliza un conjunto de ejemplos de entrenamiento, pero cada ejemplo consiste solo en el vector X, y no incluye el valor de Y. El objetivo de este tipo de aprendizaje, es construir un modelo que registre todas las incidencias que se presenten en el conjunto de datos de entrenamiento. La naturaleza de los modelos construidos para los algoritmos basados en aprendizaje no supervisado, varía de un método a otro, ya que pueden, a partir de la data de entrenamiento, dar como resultado una estimación de una función de probabilidad, una estructura o una característica.
El aprendizaje reforzado: involucra una tarea intermedia entre el aprendizaje supervisado y el no supervisado. Opera en un ambiente dinámico, y puede tomar acciones que influyen en el ambiente. Esto permite que el aprendiz aumente su conocimiento, basado en la interacción con el ambiente, y tiene como objetivo que continué aprendiendo.
Publicar un comentario