ANÁLISIS DEL ARTÍCULO CIENTÍFICO _ ESTADO DEL ARTE

Títle of paper: A pedagogy of data and Artificial Intelligence for

student subjectification
Titulo en español: Una pedagogía de datos e Inteligencia Artificial para la
subjetivación de los estudiantes
Author: Mary Loftus y Michael G. Madden
Journal:
Fecha de publicación: 2020 Nivel del
Quartil: Q1 Tipo de documento: artículo científico
1) PROBLEMA
El problema que existe ante la existencia de la inteligencia artificial (IA), es
la forma cómo los estudiantes reaccionen ante la inminente evolución
periódica, una de las preocupaciones, es la falta de capacidad ética y crítica
ante las aplicaciones y productos de estas, por parte de proyectos que
conlleven a usar directamente la inteligencia artificial. ¿Podríamos poner a
los estudiantes en el centro de la construcción de modelos impulsados por
inteligencia artificial habilitados para datos, de manera que les brinden una
mejor comprensión de su propio aprendizaje? ¿Y proporcionar también un
enfoque más reflexivo y ético para diseñar y construir sistemas habilitados
para datos, como parte de su trabajo de curso?
2) IMPORTANCIA
Este problema nace a partir de mucha incertidumbre en las personas, por
falta de capacidad ética y crítica. Entonces, el punto de partida del trabajo,
es el desafío de crear posibilidades de subjetivación en nuestra aula.
Definimos la subjetivación como 'la entrada en presencia de seres
individuales únicos', como elabora Biesta (2015).
3) MOTIVACIÓN
El objetivo de este artículo es demostrar la gran posibilidad de trabajar con
los estudiantes para que construyan modelos de sus propias actividades y
resultados del trabajo en el curso, y predecir los resultados de aprendizaje,
desde un enfoque ético y crítico, partiendo específicamente en aulas
creativas y construccionistas.
4) ESTADO DEL ARTE
Un estado de referencia se lleva a cabo principalmente en una
investigación que involucra a estudiantes de primer año del programa de
Licenciatura en Ciencias en Computación en un instituto educativo de tercer
nivel en Irlanda.

Estos estudiantes han salido recientemente de un sistema de educación

secundaria que presenta un examen final de alto nivel y un enfoque
concomitante en los niveles más bajos de la taxonomía de Bloom, es decir,
habilidades de memoria y comprensión (Cullinane y Liston).2016).
Entonces, queremos que vuelvan a estar en contacto con su creatividad y
su capacidad para sintetizar ideas y tecnología, y que ganen confianza para
resolver problemas.

5) PROCESO PARA RESOLVER EL PROBLEMA

Para poder desarrollar una clara respuesta con solución ante la
problemática existente y antes mencionada, proponemos las redes
bayesianas (una construcción unificadora). El propósito es, construir un
enfoque de modelado colaborativo, con una pedagogía de apoyo que fuera
lo suficientemente simple para involucrar a los usuarios novatos, pero lo
suficientemente extensible para llevar a los estudiantes a niveles mucho
más profundos de cognición, reflexión y conceptualización técnica. en torno
a su propio aprendizaje, su entorno de aprendizaje y su propia subjetivación
dentro de ese espacio. También buscábamos un enfoque que hiciera que el
funcionamiento interno de un marco de IA moderno fuera relativamente
interpretable para una audiencia general y que pudiera modelar la mecánica
interna de estos sistemas.

Entonces, ¿qué son las redes bayesianas? Según Madden (2009), los BN
están compuestos por la estructura de la red y sus probabilidades
condicionales; es decir, comprenden una estructura de red gráfica,
compuesta por nodos que representan eventos, con conexiones por flechas,
donde una flecha de Nodo A a Nodo B indica que el valor de A influye en el
valor de B. Si hay una flecha de A a B, nos referimos a A como padre de B y
 B como hijo de A.

Estos están configurados en una estructura conocida como Gráfico acíclico

dirigido (DAG), dirigido porque las flechas especifican una dirección de
influencia, un gráfico porque cada nodo puede tener múltiples hijos y
múltiples padres, y acíclico porque las flechas no pueden formar un ciclo
cerrado. Sentado detrás de cada nodo se lee una tabla de valores de
probabilidad cuantitativa conocida como Tablas de probabilidad condicional
(CPT).

Figura 1. Una red bayesiana.

Figura 2. Tablas de probabilidad condicional: tenga en cuenta que cada columna en estos CPT suma un valor de 1.
6) DESCRIPCIÓN DEL APORTE DEL AUTOR

Una vez construidos y validados, ya sea a partir de datos o del conocimiento subjetivo del
dominio, podemos usar BN para razonar, inferir y predecir nuevos datos.

Figura 3. Regla de Bayes

Figura 4. Condicionamiento de una variable en una red bayesiana: un ejemplo práctico.

7) PRINCIPAL RESULTADO

Figura 5. BN condicionado a la asistencia deficiente: un ejemplo de razonamiento contrafáctico o modelado hipotético.

Podemos presentar una representación holística de su futura actividad de

módulo, un modelo de cómo podrían priorizar y administrar su actividad de
clase y cómo los diferentes aspectos de su desempeño interactuarán e
influirán entre sí.
 Creemos que esto podría hacerse de manera que se alineara con la idea de
Pangrazio de la Crítica Trascendental (2016) - citando a Lash aquí, ella
señala: 'la crítica debe ser inmanente y tener lugar desde dentro del orden de
la información' (Lash2002)
8) REFERENCIAS BIBLIOGRÁFICAS
Almond, RG, RJ Mislevy, LS Steinberg, D. Yan y DM Williamson.2015.bayesiano Redes en
Evaluación Educativa.Nueva York, NY: Springer.
Arendt, H.1958.La condición humana.Chicago, IL: Prensa de la Universidad de Chicago.
Baker, RSJD, AT Corbett y V. Aleven.2008. Modelado de estudiantes más preciso a través
de Estimación contextual de probabilidades de deslizamiento y adivinanzas en el rastreo de
conocimiento bayesiano. En Sistemas Tutores Inteligentes (Lleno. 5091), editado por BP
Woolf, E. Aïmeur, R. Nkambou y S. Lajoie, 406–415. Berlín/Heidelberg:
Springer.http://link.springer.com/ 10.1007/978-3-540-69132-7_44. Bayes, T.1763. "Un
ensayo para resolver un problema en la doctrina de las posibilidades".Informática MD:
Computadoras en la práctica médica8 (3): 157. Bayes Fusion, LLC | Modelador
GeNIe.Dakota del Norte. Bayes Fusion, LLC.https://www.bayesfusion.com/geniemodelos.
Berger, j.1972.Maneras de Ver.Lleno. 1. Londres: Penguin Reino Unido

EVIDENCIA SCIMAGO