1) Entendiendo el contexto educativo<\/h3>\r\n[caption id=\"attachment_851\" align=\"alignleft\" width=\"256\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-17.1-683x1024.jpg\")
Imagen Paso 1 comprender el contexto, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nEl primer paso en el dise\u00f1o de una herramienta AIED es entender las necesidades en el aula. Una vez que los objetivos est\u00e1n establecidos, se tiene que ver c\u00f3mo pueden ser alcanzados: qu\u00e9 factores considerar y cuales ignorar. Cualquier soluci\u00f3n basada en datos est\u00e1 sesgada hacia fen\u00f3menos que pueden ser f\u00e1cilmente calculados y estandarizados3<\/sup>. Por lo tanto, cada decisi\u00f3n tiene que ser discutida por los profesores que usar\u00e1n la herramienta, por expertos en pedagog\u00eda que pueden asegurar que todas las decisiones est\u00e9n fundamentadas en teor\u00eda probada, y por cient\u00edficos de la computaci\u00f3n que entienden c\u00f3mo funcionan los algoritmos.<\/p>\r\nHay muchas idas y vueltas entre los dos primeros pasos ya que lo que es posible tambi\u00e9n depender\u00e1 de qu\u00e9 datos est\u00e1n disponibles2<\/sup>. Adem\u00e1s, el dise\u00f1o de herramientas educativas tambi\u00e9n est\u00e1 sujeto a leyes que imponen restricciones sobre el uso de datos y tipos de algoritmos que pueden ser usados.<\/p>\r\n\r\n<\/h3>\r\n2) Entendiendo los datos<\/h3>\r\n
Una vez que los objetivos y factores contribuyentes son identificados, el enfoque se desplaza a qu\u00e9 datos son requeridos; c\u00f3mo ser\u00e1n obtenidos y etiquetados; c\u00f3mo se manejar\u00e1 la privacidad, y c\u00f3mo se medir\u00e1 la calidad de los datos3<\/sup>. Para que una aplicaci\u00f3n de aprendizaje autom\u00e1tico sea exitosa, los conjuntos de datos tienen que ser lo suficientemente grandes, diversos y bien etiquetados.<\/p>\r\n\r\n\r\n[caption id=\"attachment_855\" align=\"alignright\" width=\"374\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Diapositiva1-1.jpeg\")
Imagen adaptada por AI for Teachers basada en MnistExamples por Josef Steppan. Traducci\u00f3n del texto al espa\u00f1ol por Rodriguez Enr\u00edquez. Licencia CC BY-SA 4.0 https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nEl aprendizaje autom\u00e1tico requiere datos para entrenar el modelo y datos para trabajar o predecir con. Algunas tareas de ML como el reconocimiento facial y de objetos ya tienen muchas bases de datos privadas y p\u00fablicas disponibles para el entrenamiento.<\/p>\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n
Si no est\u00e1n ya disponibles en una forma utilizable, los conjuntos de datos existentes pueden tener que ser ampliados o reetiquetados para ajustarse a las necesidades del proyecto. Si no, pueden tener que ser creados y etiquetados desde cero conjuntos de datos dedicados. Las huellas digitales generadas por el estudiante al usar una aplicaci\u00f3n tambi\u00e9n podr\u00edan ser usadas como una de las fuentes de datos.<\/p>\r\n
En cualquier caso, los datos y caracter\u00edsticas relevantes al problema tienen que ser cuidadosamente identificados2<\/sup>. Caracter\u00edsticas irrelevantes o redundantes pueden empujar a un algoritmo a encontrar patrones falsos y afectar el rendimiento del sistema2<\/sup>. Dado que la m\u00e1quina solo puede encontrar patrones en los datos que se le dan, elegir el conjunto de datos tambi\u00e9n define impl\u00edcitamente cu\u00e1l es el problema4<\/sup>. Si hay muchos datos disponibles, se tiene que seleccionar un subconjunto con la ayuda de t\u00e9cnicas estad\u00edsticas y los datos verificados para evitar errores y sesgos.<\/p>\r\nComo ejemplo de datos de entrenamiento malos, en una historia de los primeros d\u00edas de la visi\u00f3n por computadora, un modelo fue entrenado para discriminar entre im\u00e1genes de tanques rusos y americanos. Su alta precisi\u00f3n fue luego encontrada debido al hecho de que los tanques rusos hab\u00edan sido fotografiados en un d\u00eda nublado y los americanos en un d\u00eda soleado4<\/sup>.<\/p>\r\nPor lo tanto, el conjunto de datos elegido tiene que ser verificado por calidad, teniendo en cuenta por qu\u00e9 fue creado, qu\u00e9 contiene, cu\u00e1les son los procesos usados para recolectar, limpiar y etiquetar, distribuci\u00f3n y mantenimiento4<\/sup>. Las preguntas clave a hacer incluyen \u00bfLos conjuntos de datos son aptos para los prop\u00f3sitos previstos?<\/em>\u00a0y \u00bfContienen los conjuntos de datos peligros ocultos que pueden hacer que los modelos sean sesgados o discriminatorios?<\/em>3<\/sup><\/p>\r\n\r\n\r\n[caption id=\"attachment_858\" align=\"aligncenter\" width=\"234\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-Espanol-Espanol\u2026.jpg\")
Imagen Paso 2 comprensi\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n3) Preparando los datos<\/h3>\r\n
La preparaci\u00f3n de datos implica crear conjuntos de datos fusionando datos disponibles de diferentes lugares, ajustando inconsistencias (por ejemplo, algunos puntajes de pruebas podr\u00edan estar en una escala de uno a diez, mientras otros se dan como porcentaje) y buscando valores faltantes o extremos. Luego, se podr\u00edan realizar pruebas automatizadas para verificar la calidad de los conjuntos de datos. Esto incluye verificar fugas de privacidad y correlaciones o estereotipos imprevistos2<\/sup>. Los conjuntos de datos tambi\u00e9n podr\u00edan ser divididos en conjuntos de entrenamiento y de prueba en esta etapa. El primero se usa para entrenar el modelo y el segundo para verificar su rendimiento. Probar en el conjunto de entrenamiento ser\u00eda como dar el examen el d\u00eda antes como ejercicio: el rendimiento del estudiante en el examen no indicar\u00e1 su comprensi\u00f3n2<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_860\" align=\"aligncenter\" width=\"291\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-17.3-683x1024.jpg\")
Imagen Paso 3 preparaci\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n4) Modelado<\/h3>\r\n[caption id=\"attachment_862\" align=\"aligncenter\" width=\"254\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-17.4-683x1024.jpg\")
Imagen Paso 4 modelado, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nEn este paso, se usan algoritmos para extraer patrones en los datos<\/a> y crear modelos. Usualmente, se prueban diferentes algoritmos para ver qu\u00e9 funciona mejor. Estos modelos pueden entonces ser puestos en uso para hacer predicciones sobre nuevos datos.<\/p>\r\nEn la mayor\u00eda de los proyectos, los modelos iniciales descubren problemas en los datos que requieren revisi\u00f3n de los pasos 2 y 32<\/sup>. Mientras haya una fuerte correlaci\u00f3n entre las caracter\u00edsticas de los datos y el valor de salida, es probable que un algoritmo de Aprendizaje Autom\u00e1tico genere buenas predicciones.<\/p>\r\nEstos algoritmos usan t\u00e9cnicas avanzadas de estad\u00edstica y computaci\u00f3n para procesar datos. Los programadores tienen que ajustar la configuraci\u00f3n y probar diferentes algoritmos para obtener los mejores resultados. Tomemos una aplicaci\u00f3n que detecta trampas. Un falso positivo es cuando a un estudiante que no hizo trampa se le marca. Un falso negativo es cuando a un estudiante que hizo trampa no se le marca. Los dise\u00f1adores del sistema pueden ajustar el modelo para minimizar ya sea falsos positivos, donde algunos comportamientos de trampa podr\u00edan ser pasados por alto, o falsos negativos, donde incluso casos dudosos son marcados5<\/sup>. La afinaci\u00f3n depende entonces de lo que queremos que el sistema haga.<\/p>\r\n\r\n5) Evaluaci\u00f3n<\/h3>\r\n[caption id=\"attachment_865\" align=\"alignright\" width=\"286\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Paso-5.jpg\")
Imagen Paso 5 Evaluaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nDurante la etapa de modelado, cada modelo puede ser ajustado para precisi\u00f3n de predicci\u00f3n en el conjunto de datos de entrenamiento. Luego los modelos son probados en el conjunto de prueba y se elige un modelo para su uso. Este modelo tambi\u00e9n es evaluado en c\u00f3mo cumple con las necesidades educativas: \u00bfSe cumplen los objetivos establecidos en el paso 1? \u00bfHay alg\u00fan problema imprevisto? \u00bfEs la calidad buena? \u00bfPodr\u00eda algo ser mejorado o hecho de otra manera? \u00bfSe necesita un redise\u00f1o? El objetivo principal es decidir si la aplicaci\u00f3n puede ser desplegada en los espacios educativos. Si no, todo el proceso se repite2<\/sup>.<\/p>\r\n\r\n6) Despliegue<\/h3>\r\n[caption id=\"attachment_869\" align=\"alignleft\" width=\"252\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Paso6.jpg\")
Imagen Paso 6 implementaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\nEl paso final de este proceso es ver c\u00f3mo integrar la aplicaci\u00f3n basada en datos con el sistema educativo para obtener los m\u00e1ximos beneficios, tanto con respecto a la infraestructura t\u00e9cnica como a las pr\u00e1cticas de ense\u00f1anza.<\/p>\r\n
Aunque se da como el paso final, todo el proceso es interactivo. Despu\u00e9s del despliegue, el modelo deber\u00eda ser revisado regularmente para verificar si todav\u00eda es relevante para el contexto. Las necesidades, procesos o modos de captura de datos podr\u00edan cambiar afectando la salida del sistema. Por lo tanto, la aplicaci\u00f3n deber\u00eda ser revisada y actualizada cuando sea necesario. El sistema deber\u00eda ser monitoreado continuamente por su impacto en el aprendizaje, la ense\u00f1anza y la evaluaci\u00f3n6<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_871\" align=\"aligncenter\" width=\"397\"]![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-17.7-2-scaled.jpg\")
Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\nLas pautas \u00e9ticas sobre el uso de IA y datos para profesores enfatizan que los sistemas educativos deber\u00edan estar en contacto con el proveedor de servicios de IA a lo largo del ciclo de vida del sistema de IA, incluso antes del despliegue. Deber\u00eda pedir documentaci\u00f3n t\u00e9cnica clara y buscar aclaraciones sobre puntos no claros. Se deber\u00eda hacer un acuerdo para soporte y mantenimiento, y se deber\u00eda asegurar que el proveedor cumpla con todas las obligaciones legales6<\/sup>.<\/p>\r\nNota:<\/strong> Tanto los pasos listados aqu\u00ed como la ilustraci\u00f3n est\u00e1n adaptados de las etapas y tareas de ciencia de datos CRISP-DM (basado en la figura 3 en Chapman, Clinton, Kerber, et al. 1999) como se describe en 2<\/sup>.<\/p>\r\n\r\n\r\n
\r\n1 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing learning and teaching with technology<\/em> (pp. 256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>\r\n2<\/sup> Kelleher, J. D., & Tierney, B.<\/strong> (2018). Data science<\/em>. MIT Press.<\/p>\r\n3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., & Mitchell, M.<\/strong> (2021). Towards accountability for machine learning datasets: Practices from software engineering and infrastructure. En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency<\/em> (pp. 560\u2013575). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3442188.3445880<\/a><\/sup>.<\/p>\r\n4 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\r\n5 Schneier, B.<\/strong> (2015). Data and Goliath: The hidden battles to capture your data and control your world<\/em>. W. W. Norton & Company.<\/sup><\/p>\r\n6 European Commission.<\/strong> (2022, October). Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators<\/em>. Publications Office of the European Union. https:\/\/education.ec.europa.eu\/document\/ethical-guidelines-on-the-use-of-ai-and-data-in-teaching-and-learning-for-educators<\/a><\/sup><\/p>","rendered":"El dise\u00f1o e implementaci\u00f3n de un proyecto centrado en datos se puede desglosar en seis pasos. Hay muchas idas y vueltas entre los pasos y todo el proceso puede necesitar ser repetido m\u00faltiples veces para hacerlo correctamente.<\/p>\n
Para ser efectivos en el aula, equipos multidisciplinarios con profesores, expertos pedag\u00f3gicos y cient\u00edficos de la computaci\u00f3n deber\u00edan estar involucrados en cada paso del proceso1<\/sup>. Se necesitan expertos humanos para identificar la necesidad y dise\u00f1ar el proceso, para dise\u00f1ar y preparar los datos, seleccionar algoritmos de ML, para interpretar cr\u00edticamente los resultados y para planificar c\u00f3mo usar la aplicaci\u00f3n2<\/sup>.<\/p>\n1) Entendiendo el contexto educativo<\/h3>\nImagen Paso 1 comprender el contexto, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\nEl primer paso en el dise\u00f1o de una herramienta AIED es entender las necesidades en el aula. Una vez que los objetivos est\u00e1n establecidos, se tiene que ver c\u00f3mo pueden ser alcanzados: qu\u00e9 factores considerar y cuales ignorar. Cualquier soluci\u00f3n basada en datos est\u00e1 sesgada hacia fen\u00f3menos que pueden ser f\u00e1cilmente calculados y estandarizados3<\/sup>. Por lo tanto, cada decisi\u00f3n tiene que ser discutida por los profesores que usar\u00e1n la herramienta, por expertos en pedagog\u00eda que pueden asegurar que todas las decisiones est\u00e9n fundamentadas en teor\u00eda probada, y por cient\u00edficos de la computaci\u00f3n que entienden c\u00f3mo funcionan los algoritmos.<\/p>\nHay muchas idas y vueltas entre los dos primeros pasos ya que lo que es posible tambi\u00e9n depender\u00e1 de qu\u00e9 datos est\u00e1n disponibles2<\/sup>. Adem\u00e1s, el dise\u00f1o de herramientas educativas tambi\u00e9n est\u00e1 sujeto a leyes que imponen restricciones sobre el uso de datos y tipos de algoritmos que pueden ser usados.<\/p>\n<\/h3>\n2) Entendiendo los datos<\/h3>\n
Una vez que los objetivos y factores contribuyentes son identificados, el enfoque se desplaza a qu\u00e9 datos son requeridos; c\u00f3mo ser\u00e1n obtenidos y etiquetados; c\u00f3mo se manejar\u00e1 la privacidad, y c\u00f3mo se medir\u00e1 la calidad de los datos3<\/sup>. Para que una aplicaci\u00f3n de aprendizaje autom\u00e1tico sea exitosa, los conjuntos de datos tienen que ser lo suficientemente grandes, diversos y bien etiquetados.<\/p>\nImagen adaptada por AI for Teachers basada en MnistExamples por Josef Steppan. Traducci\u00f3n del texto al espa\u00f1ol por Rodriguez Enr\u00edquez. Licencia CC BY-SA 4.0 https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\nEl aprendizaje autom\u00e1tico requiere datos para entrenar el modelo y datos para trabajar o predecir con. Algunas tareas de ML como el reconocimiento facial y de objetos ya tienen muchas bases de datos privadas y p\u00fablicas disponibles para el entrenamiento.<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
Si no est\u00e1n ya disponibles en una forma utilizable, los conjuntos de datos existentes pueden tener que ser ampliados o reetiquetados para ajustarse a las necesidades del proyecto. Si no, pueden tener que ser creados y etiquetados desde cero conjuntos de datos dedicados. Las huellas digitales generadas por el estudiante al usar una aplicaci\u00f3n tambi\u00e9n podr\u00edan ser usadas como una de las fuentes de datos.<\/p>\n
En cualquier caso, los datos y caracter\u00edsticas relevantes al problema tienen que ser cuidadosamente identificados2<\/sup>. Caracter\u00edsticas irrelevantes o redundantes pueden empujar a un algoritmo a encontrar patrones falsos y afectar el rendimiento del sistema2<\/sup>. Dado que la m\u00e1quina solo puede encontrar patrones en los datos que se le dan, elegir el conjunto de datos tambi\u00e9n define impl\u00edcitamente cu\u00e1l es el problema4<\/sup>. Si hay muchos datos disponibles, se tiene que seleccionar un subconjunto con la ayuda de t\u00e9cnicas estad\u00edsticas y los datos verificados para evitar errores y sesgos.<\/p>\nComo ejemplo de datos de entrenamiento malos, en una historia de los primeros d\u00edas de la visi\u00f3n por computadora, un modelo fue entrenado para discriminar entre im\u00e1genes de tanques rusos y americanos. Su alta precisi\u00f3n fue luego encontrada debido al hecho de que los tanques rusos hab\u00edan sido fotografiados en un d\u00eda nublado y los americanos en un d\u00eda soleado4<\/sup>.<\/p>\nPor lo tanto, el conjunto de datos elegido tiene que ser verificado por calidad, teniendo en cuenta por qu\u00e9 fue creado, qu\u00e9 contiene, cu\u00e1les son los procesos usados para recolectar, limpiar y etiquetar, distribuci\u00f3n y mantenimiento4<\/sup>. Las preguntas clave a hacer incluyen \u00bfLos conjuntos de datos son aptos para los prop\u00f3sitos previstos?<\/em>\u00a0y \u00bfContienen los conjuntos de datos peligros ocultos que pueden hacer que los modelos sean sesgados o discriminatorios?<\/em>3<\/sup><\/p>\nImagen Paso 2 comprensi\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\n3) Preparando los datos<\/h3>\n
La preparaci\u00f3n de datos implica crear conjuntos de datos fusionando datos disponibles de diferentes lugares, ajustando inconsistencias (por ejemplo, algunos puntajes de pruebas podr\u00edan estar en una escala de uno a diez, mientras otros se dan como porcentaje) y buscando valores faltantes o extremos. Luego, se podr\u00edan realizar pruebas automatizadas para verificar la calidad de los conjuntos de datos. Esto incluye verificar fugas de privacidad y correlaciones o estereotipos imprevistos2<\/sup>. Los conjuntos de datos tambi\u00e9n podr\u00edan ser divididos en conjuntos de entrenamiento y de prueba en esta etapa. El primero se usa para entrenar el modelo y el segundo para verificar su rendimiento. Probar en el conjunto de entrenamiento ser\u00eda como dar el examen el d\u00eda antes como ejercicio: el rendimiento del estudiante en el examen no indicar\u00e1 su comprensi\u00f3n2<\/sup>.<\/p>\nImagen Paso 3 preparaci\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\n4) Modelado<\/h3>\nImagen Paso 4 modelado, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\nEn este paso, se usan algoritmos para extraer patrones en los datos<\/a> y crear modelos. Usualmente, se prueban diferentes algoritmos para ver qu\u00e9 funciona mejor. Estos modelos pueden entonces ser puestos en uso para hacer predicciones sobre nuevos datos.<\/p>\nEn la mayor\u00eda de los proyectos, los modelos iniciales descubren problemas en los datos que requieren revisi\u00f3n de los pasos 2 y 32<\/sup>. Mientras haya una fuerte correlaci\u00f3n entre las caracter\u00edsticas de los datos y el valor de salida, es probable que un algoritmo de Aprendizaje Autom\u00e1tico genere buenas predicciones.<\/p>\nEstos algoritmos usan t\u00e9cnicas avanzadas de estad\u00edstica y computaci\u00f3n para procesar datos. Los programadores tienen que ajustar la configuraci\u00f3n y probar diferentes algoritmos para obtener los mejores resultados. Tomemos una aplicaci\u00f3n que detecta trampas. Un falso positivo es cuando a un estudiante que no hizo trampa se le marca. Un falso negativo es cuando a un estudiante que hizo trampa no se le marca. Los dise\u00f1adores del sistema pueden ajustar el modelo para minimizar ya sea falsos positivos, donde algunos comportamientos de trampa podr\u00edan ser pasados por alto, o falsos negativos, donde incluso casos dudosos son marcados5<\/sup>. La afinaci\u00f3n depende entonces de lo que queremos que el sistema haga.<\/p>\n5) Evaluaci\u00f3n<\/h3>\nImagen Paso 5 Evaluaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\nDurante la etapa de modelado, cada modelo puede ser ajustado para precisi\u00f3n de predicci\u00f3n en el conjunto de datos de entrenamiento. Luego los modelos son probados en el conjunto de prueba y se elige un modelo para su uso. Este modelo tambi\u00e9n es evaluado en c\u00f3mo cumple con las necesidades educativas: \u00bfSe cumplen los objetivos establecidos en el paso 1? \u00bfHay alg\u00fan problema imprevisto? \u00bfEs la calidad buena? \u00bfPodr\u00eda algo ser mejorado o hecho de otra manera? \u00bfSe necesita un redise\u00f1o? El objetivo principal es decidir si la aplicaci\u00f3n puede ser desplegada en los espacios educativos. Si no, todo el proceso se repite2<\/sup>.<\/p>\n6) Despliegue<\/h3>\nImagen Paso 6 implementaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a><\/figcaption><\/figure>\nEl paso final de este proceso es ver c\u00f3mo integrar la aplicaci\u00f3n basada en datos con el sistema educativo para obtener los m\u00e1ximos beneficios, tanto con respecto a la infraestructura t\u00e9cnica como a las pr\u00e1cticas de ense\u00f1anza.<\/p>\n
Aunque se da como el paso final, todo el proceso es interactivo. Despu\u00e9s del despliegue, el modelo deber\u00eda ser revisado regularmente para verificar si todav\u00eda es relevante para el contexto. Las necesidades, procesos o modos de captura de datos podr\u00edan cambiar afectando la salida del sistema. Por lo tanto, la aplicaci\u00f3n deber\u00eda ser revisada y actualizada cuando sea necesario. El sistema deber\u00eda ser monitoreado continuamente por su impacto en el aprendizaje, la ense\u00f1anza y la evaluaci\u00f3n6<\/sup>.<\/p>\nTraducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a><\/figcaption><\/figure>\nLas pautas \u00e9ticas sobre el uso de IA y datos para profesores enfatizan que los sistemas educativos deber\u00edan estar en contacto con el proveedor de servicios de IA a lo largo del ciclo de vida del sistema de IA, incluso antes del despliegue. Deber\u00eda pedir documentaci\u00f3n t\u00e9cnica clara y buscar aclaraciones sobre puntos no claros. Se deber\u00eda hacer un acuerdo para soporte y mantenimiento, y se deber\u00eda asegurar que el proveedor cumpla con todas las obligaciones legales6<\/sup>.<\/p>\nNota:<\/strong> Tanto los pasos listados aqu\u00ed como la ilustraci\u00f3n est\u00e1n adaptados de las etapas y tareas de ciencia de datos CRISP-DM (basado en la figura 3 en Chapman, Clinton, Kerber, et al. 1999) como se describe en 2<\/sup>.<\/p>\n
\n1 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing learning and teaching with technology<\/em> (pp. 256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>\n2<\/sup> Kelleher, J. D., & Tierney, B.<\/strong> (2018). Data science<\/em>. MIT Press.<\/p>\n3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., & Mitchell, M.<\/strong> (2021). Towards accountability for machine learning datasets: Practices from software engineering and infrastructure. En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency<\/em> (pp. 560\u2013575). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3442188.3445880<\/a><\/sup>.<\/p>\n4 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\n5 Schneier, B.<\/strong> (2015). Data and Goliath: The hidden battles to capture your data and control your world<\/em>. W. W. Norton & Company.<\/sup><\/p>\n
Hay muchas idas y vueltas entre los dos primeros pasos ya que lo que es posible tambi\u00e9n depender\u00e1 de qu\u00e9 datos est\u00e1n disponibles2<\/sup>. Adem\u00e1s, el dise\u00f1o de herramientas educativas tambi\u00e9n est\u00e1 sujeto a leyes que imponen restricciones sobre el uso de datos y tipos de algoritmos que pueden ser usados.<\/p>\r\n\r\n Una vez que los objetivos y factores contribuyentes son identificados, el enfoque se desplaza a qu\u00e9 datos son requeridos; c\u00f3mo ser\u00e1n obtenidos y etiquetados; c\u00f3mo se manejar\u00e1 la privacidad, y c\u00f3mo se medir\u00e1 la calidad de los datos3<\/sup>. Para que una aplicaci\u00f3n de aprendizaje autom\u00e1tico sea exitosa, los conjuntos de datos tienen que ser lo suficientemente grandes, diversos y bien etiquetados.<\/p>\r\n\r\n\r\n[caption id=\"attachment_855\" align=\"alignright\" width=\"374\"] El aprendizaje autom\u00e1tico requiere datos para entrenar el modelo y datos para trabajar o predecir con. Algunas tareas de ML como el reconocimiento facial y de objetos ya tienen muchas bases de datos privadas y p\u00fablicas disponibles para el entrenamiento.<\/p>\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n Si no est\u00e1n ya disponibles en una forma utilizable, los conjuntos de datos existentes pueden tener que ser ampliados o reetiquetados para ajustarse a las necesidades del proyecto. Si no, pueden tener que ser creados y etiquetados desde cero conjuntos de datos dedicados. Las huellas digitales generadas por el estudiante al usar una aplicaci\u00f3n tambi\u00e9n podr\u00edan ser usadas como una de las fuentes de datos.<\/p>\r\n En cualquier caso, los datos y caracter\u00edsticas relevantes al problema tienen que ser cuidadosamente identificados2<\/sup>. Caracter\u00edsticas irrelevantes o redundantes pueden empujar a un algoritmo a encontrar patrones falsos y afectar el rendimiento del sistema2<\/sup>. Dado que la m\u00e1quina solo puede encontrar patrones en los datos que se le dan, elegir el conjunto de datos tambi\u00e9n define impl\u00edcitamente cu\u00e1l es el problema4<\/sup>. Si hay muchos datos disponibles, se tiene que seleccionar un subconjunto con la ayuda de t\u00e9cnicas estad\u00edsticas y los datos verificados para evitar errores y sesgos.<\/p>\r\n Como ejemplo de datos de entrenamiento malos, en una historia de los primeros d\u00edas de la visi\u00f3n por computadora, un modelo fue entrenado para discriminar entre im\u00e1genes de tanques rusos y americanos. Su alta precisi\u00f3n fue luego encontrada debido al hecho de que los tanques rusos hab\u00edan sido fotografiados en un d\u00eda nublado y los americanos en un d\u00eda soleado4<\/sup>.<\/p>\r\n Por lo tanto, el conjunto de datos elegido tiene que ser verificado por calidad, teniendo en cuenta por qu\u00e9 fue creado, qu\u00e9 contiene, cu\u00e1les son los procesos usados para recolectar, limpiar y etiquetar, distribuci\u00f3n y mantenimiento4<\/sup>. Las preguntas clave a hacer incluyen \u00bfLos conjuntos de datos son aptos para los prop\u00f3sitos previstos?<\/em>\u00a0y \u00bfContienen los conjuntos de datos peligros ocultos que pueden hacer que los modelos sean sesgados o discriminatorios?<\/em>3<\/sup><\/p>\r\n\r\n\r\n[caption id=\"attachment_858\" align=\"aligncenter\" width=\"234\"] La preparaci\u00f3n de datos implica crear conjuntos de datos fusionando datos disponibles de diferentes lugares, ajustando inconsistencias (por ejemplo, algunos puntajes de pruebas podr\u00edan estar en una escala de uno a diez, mientras otros se dan como porcentaje) y buscando valores faltantes o extremos. Luego, se podr\u00edan realizar pruebas automatizadas para verificar la calidad de los conjuntos de datos. Esto incluye verificar fugas de privacidad y correlaciones o estereotipos imprevistos2<\/sup>. Los conjuntos de datos tambi\u00e9n podr\u00edan ser divididos en conjuntos de entrenamiento y de prueba en esta etapa. El primero se usa para entrenar el modelo y el segundo para verificar su rendimiento. Probar en el conjunto de entrenamiento ser\u00eda como dar el examen el d\u00eda antes como ejercicio: el rendimiento del estudiante en el examen no indicar\u00e1 su comprensi\u00f3n2<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_860\" align=\"aligncenter\" width=\"291\"] En este paso, se usan algoritmos para extraer patrones en los datos<\/a> y crear modelos. Usualmente, se prueban diferentes algoritmos para ver qu\u00e9 funciona mejor. Estos modelos pueden entonces ser puestos en uso para hacer predicciones sobre nuevos datos.<\/p>\r\n En la mayor\u00eda de los proyectos, los modelos iniciales descubren problemas en los datos que requieren revisi\u00f3n de los pasos 2 y 32<\/sup>. Mientras haya una fuerte correlaci\u00f3n entre las caracter\u00edsticas de los datos y el valor de salida, es probable que un algoritmo de Aprendizaje Autom\u00e1tico genere buenas predicciones.<\/p>\r\n Estos algoritmos usan t\u00e9cnicas avanzadas de estad\u00edstica y computaci\u00f3n para procesar datos. Los programadores tienen que ajustar la configuraci\u00f3n y probar diferentes algoritmos para obtener los mejores resultados. Tomemos una aplicaci\u00f3n que detecta trampas. Un falso positivo es cuando a un estudiante que no hizo trampa se le marca. Un falso negativo es cuando a un estudiante que hizo trampa no se le marca. Los dise\u00f1adores del sistema pueden ajustar el modelo para minimizar ya sea falsos positivos, donde algunos comportamientos de trampa podr\u00edan ser pasados por alto, o falsos negativos, donde incluso casos dudosos son marcados5<\/sup>. La afinaci\u00f3n depende entonces de lo que queremos que el sistema haga.<\/p>\r\n\r\n Durante la etapa de modelado, cada modelo puede ser ajustado para precisi\u00f3n de predicci\u00f3n en el conjunto de datos de entrenamiento. Luego los modelos son probados en el conjunto de prueba y se elige un modelo para su uso. Este modelo tambi\u00e9n es evaluado en c\u00f3mo cumple con las necesidades educativas: \u00bfSe cumplen los objetivos establecidos en el paso 1? \u00bfHay alg\u00fan problema imprevisto? \u00bfEs la calidad buena? \u00bfPodr\u00eda algo ser mejorado o hecho de otra manera? \u00bfSe necesita un redise\u00f1o? El objetivo principal es decidir si la aplicaci\u00f3n puede ser desplegada en los espacios educativos. Si no, todo el proceso se repite2<\/sup>.<\/p>\r\n\r\n El paso final de este proceso es ver c\u00f3mo integrar la aplicaci\u00f3n basada en datos con el sistema educativo para obtener los m\u00e1ximos beneficios, tanto con respecto a la infraestructura t\u00e9cnica como a las pr\u00e1cticas de ense\u00f1anza.<\/p>\r\n Aunque se da como el paso final, todo el proceso es interactivo. Despu\u00e9s del despliegue, el modelo deber\u00eda ser revisado regularmente para verificar si todav\u00eda es relevante para el contexto. Las necesidades, procesos o modos de captura de datos podr\u00edan cambiar afectando la salida del sistema. Por lo tanto, la aplicaci\u00f3n deber\u00eda ser revisada y actualizada cuando sea necesario. El sistema deber\u00eda ser monitoreado continuamente por su impacto en el aprendizaje, la ense\u00f1anza y la evaluaci\u00f3n6<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_871\" align=\"aligncenter\" width=\"397\"] Las pautas \u00e9ticas sobre el uso de IA y datos para profesores enfatizan que los sistemas educativos deber\u00edan estar en contacto con el proveedor de servicios de IA a lo largo del ciclo de vida del sistema de IA, incluso antes del despliegue. Deber\u00eda pedir documentaci\u00f3n t\u00e9cnica clara y buscar aclaraciones sobre puntos no claros. Se deber\u00eda hacer un acuerdo para soporte y mantenimiento, y se deber\u00eda asegurar que el proveedor cumpla con todas las obligaciones legales6<\/sup>.<\/p>\r\n Nota:<\/strong> Tanto los pasos listados aqu\u00ed como la ilustraci\u00f3n est\u00e1n adaptados de las etapas y tareas de ciencia de datos CRISP-DM (basado en la figura 3 en Chapman, Clinton, Kerber, et al. 1999) como se describe en 2<\/sup>.<\/p>\r\n\r\n\r\n 1 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing learning and teaching with technology<\/em> (pp. 256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>\r\n 2<\/sup> Kelleher, J. D., & Tierney, B.<\/strong> (2018). Data science<\/em>. MIT Press.<\/p>\r\n 3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., & Mitchell, M.<\/strong> (2021). Towards accountability for machine learning datasets: Practices from software engineering and infrastructure. En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency<\/em> (pp. 560\u2013575). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3442188.3445880<\/a><\/sup>.<\/p>\r\n 4 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\r\n 5 Schneier, B.<\/strong> (2015). Data and Goliath: The hidden battles to capture your data and control your world<\/em>. W. W. Norton & Company.<\/sup><\/p>\r\n 6 European Commission.<\/strong> (2022, October). Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators<\/em>. Publications Office of the European Union. https:\/\/education.ec.europa.eu\/document\/ethical-guidelines-on-the-use-of-ai-and-data-in-teaching-and-learning-for-educators<\/a><\/sup><\/p>","rendered":" El dise\u00f1o e implementaci\u00f3n de un proyecto centrado en datos se puede desglosar en seis pasos. Hay muchas idas y vueltas entre los pasos y todo el proceso puede necesitar ser repetido m\u00faltiples veces para hacerlo correctamente.<\/p>\n Para ser efectivos en el aula, equipos multidisciplinarios con profesores, expertos pedag\u00f3gicos y cient\u00edficos de la computaci\u00f3n deber\u00edan estar involucrados en cada paso del proceso1<\/sup>. Se necesitan expertos humanos para identificar la necesidad y dise\u00f1ar el proceso, para dise\u00f1ar y preparar los datos, seleccionar algoritmos de ML, para interpretar cr\u00edticamente los resultados y para planificar c\u00f3mo usar la aplicaci\u00f3n2<\/sup>.<\/p>\n El primer paso en el dise\u00f1o de una herramienta AIED es entender las necesidades en el aula. Una vez que los objetivos est\u00e1n establecidos, se tiene que ver c\u00f3mo pueden ser alcanzados: qu\u00e9 factores considerar y cuales ignorar. Cualquier soluci\u00f3n basada en datos est\u00e1 sesgada hacia fen\u00f3menos que pueden ser f\u00e1cilmente calculados y estandarizados3<\/sup>. Por lo tanto, cada decisi\u00f3n tiene que ser discutida por los profesores que usar\u00e1n la herramienta, por expertos en pedagog\u00eda que pueden asegurar que todas las decisiones est\u00e9n fundamentadas en teor\u00eda probada, y por cient\u00edficos de la computaci\u00f3n que entienden c\u00f3mo funcionan los algoritmos.<\/p>\n Hay muchas idas y vueltas entre los dos primeros pasos ya que lo que es posible tambi\u00e9n depender\u00e1 de qu\u00e9 datos est\u00e1n disponibles2<\/sup>. Adem\u00e1s, el dise\u00f1o de herramientas educativas tambi\u00e9n est\u00e1 sujeto a leyes que imponen restricciones sobre el uso de datos y tipos de algoritmos que pueden ser usados.<\/p>\n Una vez que los objetivos y factores contribuyentes son identificados, el enfoque se desplaza a qu\u00e9 datos son requeridos; c\u00f3mo ser\u00e1n obtenidos y etiquetados; c\u00f3mo se manejar\u00e1 la privacidad, y c\u00f3mo se medir\u00e1 la calidad de los datos3<\/sup>. Para que una aplicaci\u00f3n de aprendizaje autom\u00e1tico sea exitosa, los conjuntos de datos tienen que ser lo suficientemente grandes, diversos y bien etiquetados.<\/p>\n El aprendizaje autom\u00e1tico requiere datos para entrenar el modelo y datos para trabajar o predecir con. Algunas tareas de ML como el reconocimiento facial y de objetos ya tienen muchas bases de datos privadas y p\u00fablicas disponibles para el entrenamiento.<\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Si no est\u00e1n ya disponibles en una forma utilizable, los conjuntos de datos existentes pueden tener que ser ampliados o reetiquetados para ajustarse a las necesidades del proyecto. Si no, pueden tener que ser creados y etiquetados desde cero conjuntos de datos dedicados. Las huellas digitales generadas por el estudiante al usar una aplicaci\u00f3n tambi\u00e9n podr\u00edan ser usadas como una de las fuentes de datos.<\/p>\n En cualquier caso, los datos y caracter\u00edsticas relevantes al problema tienen que ser cuidadosamente identificados2<\/sup>. Caracter\u00edsticas irrelevantes o redundantes pueden empujar a un algoritmo a encontrar patrones falsos y afectar el rendimiento del sistema2<\/sup>. Dado que la m\u00e1quina solo puede encontrar patrones en los datos que se le dan, elegir el conjunto de datos tambi\u00e9n define impl\u00edcitamente cu\u00e1l es el problema4<\/sup>. Si hay muchos datos disponibles, se tiene que seleccionar un subconjunto con la ayuda de t\u00e9cnicas estad\u00edsticas y los datos verificados para evitar errores y sesgos.<\/p>\n Como ejemplo de datos de entrenamiento malos, en una historia de los primeros d\u00edas de la visi\u00f3n por computadora, un modelo fue entrenado para discriminar entre im\u00e1genes de tanques rusos y americanos. Su alta precisi\u00f3n fue luego encontrada debido al hecho de que los tanques rusos hab\u00edan sido fotografiados en un d\u00eda nublado y los americanos en un d\u00eda soleado4<\/sup>.<\/p>\n Por lo tanto, el conjunto de datos elegido tiene que ser verificado por calidad, teniendo en cuenta por qu\u00e9 fue creado, qu\u00e9 contiene, cu\u00e1les son los procesos usados para recolectar, limpiar y etiquetar, distribuci\u00f3n y mantenimiento4<\/sup>. Las preguntas clave a hacer incluyen \u00bfLos conjuntos de datos son aptos para los prop\u00f3sitos previstos?<\/em>\u00a0y \u00bfContienen los conjuntos de datos peligros ocultos que pueden hacer que los modelos sean sesgados o discriminatorios?<\/em>3<\/sup><\/p>\n La preparaci\u00f3n de datos implica crear conjuntos de datos fusionando datos disponibles de diferentes lugares, ajustando inconsistencias (por ejemplo, algunos puntajes de pruebas podr\u00edan estar en una escala de uno a diez, mientras otros se dan como porcentaje) y buscando valores faltantes o extremos. Luego, se podr\u00edan realizar pruebas automatizadas para verificar la calidad de los conjuntos de datos. Esto incluye verificar fugas de privacidad y correlaciones o estereotipos imprevistos2<\/sup>. Los conjuntos de datos tambi\u00e9n podr\u00edan ser divididos en conjuntos de entrenamiento y de prueba en esta etapa. El primero se usa para entrenar el modelo y el segundo para verificar su rendimiento. Probar en el conjunto de entrenamiento ser\u00eda como dar el examen el d\u00eda antes como ejercicio: el rendimiento del estudiante en el examen no indicar\u00e1 su comprensi\u00f3n2<\/sup>.<\/p>\n En este paso, se usan algoritmos para extraer patrones en los datos<\/a> y crear modelos. Usualmente, se prueban diferentes algoritmos para ver qu\u00e9 funciona mejor. Estos modelos pueden entonces ser puestos en uso para hacer predicciones sobre nuevos datos.<\/p>\n En la mayor\u00eda de los proyectos, los modelos iniciales descubren problemas en los datos que requieren revisi\u00f3n de los pasos 2 y 32<\/sup>. Mientras haya una fuerte correlaci\u00f3n entre las caracter\u00edsticas de los datos y el valor de salida, es probable que un algoritmo de Aprendizaje Autom\u00e1tico genere buenas predicciones.<\/p>\n Estos algoritmos usan t\u00e9cnicas avanzadas de estad\u00edstica y computaci\u00f3n para procesar datos. Los programadores tienen que ajustar la configuraci\u00f3n y probar diferentes algoritmos para obtener los mejores resultados. Tomemos una aplicaci\u00f3n que detecta trampas. Un falso positivo es cuando a un estudiante que no hizo trampa se le marca. Un falso negativo es cuando a un estudiante que hizo trampa no se le marca. Los dise\u00f1adores del sistema pueden ajustar el modelo para minimizar ya sea falsos positivos, donde algunos comportamientos de trampa podr\u00edan ser pasados por alto, o falsos negativos, donde incluso casos dudosos son marcados5<\/sup>. La afinaci\u00f3n depende entonces de lo que queremos que el sistema haga.<\/p>\n Durante la etapa de modelado, cada modelo puede ser ajustado para precisi\u00f3n de predicci\u00f3n en el conjunto de datos de entrenamiento. Luego los modelos son probados en el conjunto de prueba y se elige un modelo para su uso. Este modelo tambi\u00e9n es evaluado en c\u00f3mo cumple con las necesidades educativas: \u00bfSe cumplen los objetivos establecidos en el paso 1? \u00bfHay alg\u00fan problema imprevisto? \u00bfEs la calidad buena? \u00bfPodr\u00eda algo ser mejorado o hecho de otra manera? \u00bfSe necesita un redise\u00f1o? El objetivo principal es decidir si la aplicaci\u00f3n puede ser desplegada en los espacios educativos. Si no, todo el proceso se repite2<\/sup>.<\/p>\n El paso final de este proceso es ver c\u00f3mo integrar la aplicaci\u00f3n basada en datos con el sistema educativo para obtener los m\u00e1ximos beneficios, tanto con respecto a la infraestructura t\u00e9cnica como a las pr\u00e1cticas de ense\u00f1anza.<\/p>\n Aunque se da como el paso final, todo el proceso es interactivo. Despu\u00e9s del despliegue, el modelo deber\u00eda ser revisado regularmente para verificar si todav\u00eda es relevante para el contexto. Las necesidades, procesos o modos de captura de datos podr\u00edan cambiar afectando la salida del sistema. Por lo tanto, la aplicaci\u00f3n deber\u00eda ser revisada y actualizada cuando sea necesario. El sistema deber\u00eda ser monitoreado continuamente por su impacto en el aprendizaje, la ense\u00f1anza y la evaluaci\u00f3n6<\/sup>.<\/p>\n Las pautas \u00e9ticas sobre el uso de IA y datos para profesores enfatizan que los sistemas educativos deber\u00edan estar en contacto con el proveedor de servicios de IA a lo largo del ciclo de vida del sistema de IA, incluso antes del despliegue. Deber\u00eda pedir documentaci\u00f3n t\u00e9cnica clara y buscar aclaraciones sobre puntos no claros. Se deber\u00eda hacer un acuerdo para soporte y mantenimiento, y se deber\u00eda asegurar que el proveedor cumpla con todas las obligaciones legales6<\/sup>.<\/p>\n Nota:<\/strong> Tanto los pasos listados aqu\u00ed como la ilustraci\u00f3n est\u00e1n adaptados de las etapas y tareas de ciencia de datos CRISP-DM (basado en la figura 3 en Chapman, Clinton, Kerber, et al. 1999) como se describe en 2<\/sup>.<\/p>\n 1 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing learning and teaching with technology<\/em> (pp. 256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>\n 2<\/sup> Kelleher, J. D., & Tierney, B.<\/strong> (2018). Data science<\/em>. MIT Press.<\/p>\n 3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., & Mitchell, M.<\/strong> (2021). Towards accountability for machine learning datasets: Practices from software engineering and infrastructure. En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency<\/em> (pp. 560\u2013575). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/3442188.3445880<\/a><\/sup>.<\/p>\n 4 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\n 5 Schneier, B.<\/strong> (2015). Data and Goliath: The hidden battles to capture your data and control your world<\/em>. W. W. Norton & Company.<\/sup><\/p>\n<\/h3>\r\n
2) Entendiendo los datos<\/h3>\r\n
Imagen adaptada por AI for Teachers basada en MnistExamples por Josef Steppan. Traducci\u00f3n del texto al espa\u00f1ol por Rodriguez Enr\u00edquez. Licencia CC BY-SA 4.0 https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n Imagen Paso 2 comprensi\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n3) Preparando los datos<\/h3>\r\n
Imagen Paso 3 preparaci\u00f3n de los datos, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n4) Modelado<\/h3>\r\n[caption id=\"attachment_862\" align=\"aligncenter\" width=\"254\"]
Imagen Paso 4 modelado, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n5) Evaluaci\u00f3n<\/h3>\r\n[caption id=\"attachment_865\" align=\"alignright\" width=\"286\"]
Imagen Paso 5 Evaluaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n6) Despliegue<\/h3>\r\n[caption id=\"attachment_869\" align=\"alignleft\" width=\"252\"]
Imagen Paso 6 implementaci\u00f3n, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\n
\r\n1) Entendiendo el contexto educativo<\/h3>\n
<\/h3>\n
2) Entendiendo los datos<\/h3>\n
3) Preparando los datos<\/h3>\n
4) Modelado<\/h3>\n
5) Evaluaci\u00f3n<\/h3>\n
6) Despliegue<\/h3>\n
\n