Page 38 - Sistemas de aprendizaje e-learning: técnicas de inteligencia artificial para las inteligencias múltiples

Sistemas de Aprendizaje e-learning: técnicas de 37
inteligencia artificial para las inteligencias múltiples

analítica (Diaz-Barriga and G. Hernández, 2002), asignándoles un puntaje; permite al estudian-
te identificar claramente lo que tiene que realizar para cada trabajo o actividad que se le solicite.
En educación las rúbricas brindan otro horizonte con relación a las calificaciones tradicionales
que valoran el grado de aprendizaje del estudiante, expresadas en números o letras (Gatica-
Lara y Uribarren-Berrueta, 2013; Diaz-Barriga, 2006; Martínez-Rojas, 2008). Las rúbricas son
una nueva forma de evaluación en relación con las calificaciones tradicionales que valoran el
grado de aprendizaje del estudiante Gatica-Lara y Uribarren-Berrueta, 2013).

Es un instrumento de evaluación formativa que facilita la valoración en áreas consideradas
subjetivas y cualifica progresivamente el logro del aprendizaje.

Las rúbricas pueden ser globales y analíticas (Gatica-Lara y Uribarren-Berrueta, 2013). La rú-
brica global hace una valoración general con descriptores de logro sobre calidad; la analítica
se utiliza para evaluar las partes del desempeño del estudiante. La ventaja en el uso de las
rúbricas es que se pueden señalar los criterios a medir, cuantificar el nivel de logro alcanzado
y disminuir la subjetividad de la evaluación. Su desventaja es que consideran que se requiere
mucho tiempo para su elaboración.

En este proyecto se hace uso de la rúbrica analítica para crear las actividades que debe desa-
rrollar el estudiante durante el proceso de aprendizaje del contenido del material.

2.8. REDES NEURONALES ARTIFICIALES (ANN)
En los cuarenta, McCullock y Pitss introdujeron la neurona simplificada, de aquí que es cuando sur-
gen las redes neuronales artificiales (ANN, por sus siglas en inglés) (Krose y Van der Smagt, 1996).

Al principio, estas neuronas eran el modelo de neuronas biológicas como un componente
conceptual para circuitos que podían ejecutar tareas computacionales. Una ANN consiste en
un número de neuronas artificiales que están conectadas unas con otras vía pesos sinápticos
(Kenji, 2013), y están organizadas en capas: la capa de entrada (input), donde se introducen
los datos a la red; la capa o capas escondidas (hidden), donde los datos son procesados; y la
capa de salida (output), donde se dan los resultados producidos por las entradas (input). La
estructura de una ANN feed-forward se muestra en la figura 2.2.

Hay dos modelos: el supervisado y el no supervisado. En el modelo supervisado de una ANN,
se requiere una salida (output) deseada para aprender de una tarea (la salida que se espera
que ellas produzcan); la ANN puede aprender una tarea con el ajuste de los pesos y sesgos
nuevos a manera de minimizar el error entre la salida deseada y la obtenida realmente. Por otro
lado, la ANN no supervisada no requiere de un “maestro” para aprender una tarea; aprende
con el costo de una función asociada con la tarea (los algoritmos de aprendizaje calculan nue-
vos pesos libremente) (Villaseñor, 2013).

Las ANN pueden encontrarse en trabajos de robótica y visión por computadora (Krose y Van
der Smagt, 1996), biología, medicina, industria, control de ingeniería, ingeniería de software,
medio ambiente, economía y aplicaciones sociales (Kenji, 2013).