Título: Detección temprana del riesgo escolar. Predicción de trayectorias de rezago en la educación primaria en Uruguay mediante

Autor: Santiago Cardozo, Adrián Silveira, Bruno Fonseca

Descripción: La presente investigación utiliza técnicas de machine learning para estimar el riesgo escolar durante los primero tres años de la enseñanza primaria en alumnos uruguayos, en función de poder detectar los factores que repitan cursos en la transición de grado. Estos factores pueden ser condiciones sociosanitarias al momento del nacimiento hasta la situación familiar y educativa de los alumnos sobre el final de su escolarización preprimaria. En particular, el análisis se focaliza en el poder predictivo de las habilidades captadas por la Evaluación Infantil Temprana (EIT) que se aplica próximo a la finalización de la educación inicial, sobre los cinco años de edad.

El dataset de la investigación provienen del estudio longitudinal de trayectorias educativas de la cohorte participante de EIT en 2016 (en adelante, Panel-EIT). El panel se conformó con base al seguimiento de la cohorte de estudiantes de nivel 5 de Inicial que participaron de EIT en 2016 y comenzaron el primer grado de educación primaria en 2017 (n = 15.529).

Métodos: Se utilizan tres técnicas de análisis (regresión logística, redes bayesianas y árboles de clasificación).
Resultados: Como se observa en el cuadro 3, los riesgos de repetición (qt, t+1) se concentran fuertemente en el año de ingreso a la escuela graduada (qt=1=0.114 ) y decrecen de manera progresiva en los dos años posteriores ( qt=2 = 0.033 y qt=3 = 0.021 ).


El cuadro 4 presenta los riesgos acumulados al tercer año (1-St=3), condicionados a las variables de interés, incluida la valoración global del desempeño en EIT. Se incluyen, además, los estadísticos descriptivos básicos para cada variable (media o proporción).

El análisis descriptivo muestra, en primer lugar, que los riesgos de repetición están altamente asociados al nivel de habilidades tempranas. Son de q=0.569 para los estudiantes valorados como rojos por EIT a los cinco años, q=0.329 para los amarillos y q=0.081 para los verdes. Ninguna de las restantes variables consideradas muestra una asociación tan fuerte con la repetición, aunque muchas discriminan los riesgos de interés de manera importante y en el sentido previsto. Por ejemplo, las probabilidades de repetir durante los primeros tres años en primaria se incrementan entre los varones, entre los niños de menor edad de su generación, entre los alumnos con mayor ausentismo a clases en inicial, entre quienes asisten a escuelas de menor nivel socioeconómico, entre los que provienen de familias con menos educación y entre los que registran indicadores perinatales considerados críticos.





La figura 1 presenta el GAD correspondiente al modelo de redes bayesianas (BN) estimado. Subrayamos tres resultados principales de este segundo modelo predictivo. Primero, al igual que en el modelo de regresión, las habilidades globales captadas por EIT vuelven a aparecer como el mejor predictor de los riesgos de repetición posterior. Esto se refleja, gráficamente, en el grosor de la flecha que conecta este indicador con la variable de resultado y aparece cuantificado en el cuadro 6, que reporta la magnitud de las asociaciones estimadas.

}

La figura 2 presenta el resultado del tercer modelo de riesgo (árbol de clasificación). El árbol comienza con un único nodo, que corresponde a 100% de las observaciones. En cada partición sucesiva se reporta: el riesgo q estimado y el porcentaje de casos clasificados en relación con el total de la muestra para el grupo correspondiente. Los árboles ofrecen una forma gráfica para visualizar diferentes configuraciones de riesgo, lo que constituye un enfoque complementario a la noción de “efectos netos”, de carácter aditivo, propia de las técnicas de regresión.



La primera columna del cuadro 7 reporta los indicadores de ajuste global para los tres modelos de riesgo analizados en la sección anterior. En la columna (2) se estiman estos mismos indicadores, pero omitiendo de los modelos correspondientes, a efectos comparativos, al indicador de habilidad global en EIT. Al final de la tabla, se calculan los mismos indicadores de ajuste para una predicción bivariada realizada en exclusivo con base en el desempeño en EIT.



Conclusiones: Los resultados muestran que es posible identificar de manera anticipada y con niveles altos de precisión, sensibilidad y especificidad a los alumnos, que con una lata probabilidad, tenga dificultades para avanzar de grado en la escuela. La identificación temprana de los niños ayuda a poder anticipar esta situación y dar un mayor apoyo a estos niños.

Referencias: Santiago Cardozo, Adrián Silveira, Bruno Fonseca. Detección temprana del riesgo escolar. Predicción de trayectorias de rezago en la educación primaria en Uruguay mediante. https://www.redalyc.org/journal/270/27069733005/html/


Título: Inteligencia artificial en e-learning escenarios plausibles en Latinoamérica y nuevas competencias de egreso

Autor: Moreno-Gutiérrez S. S., López P. S., and García M.M.

Descripción: La presente investigación hace un análisis de la situación actual de la educación en Latinoamérica, como la tecnología cambio la forma de enseñar y aprender, en este aspecto se plantea un análisis de los posibles escenarios y la oportunidad que la inteligencia artificial provee a través del e-learning y el machine learning.

Métodos: Para esto se plantean distintos escenarios en los que la IA y el machine learning pueden ayudar.

Se analizan distintos aspectos como la situación educativa de los países de la región, el acceso a las tecnologías, la infraestructura con la que se cuenta para poder desarrollar proyectos de IA, elaborando una matriz FODA para identificar estos aspectos.

Conclusiones: Los resultados de la investigación muestrean una carente infraestructura en Latinoamérica para el desarrollo de tecnologías de IA, en la enseñanza de estudiantes, muchos no cuentas con los recursos o no se cuenta con apoyo estatal. En este aspecto el desarrollo de los países depende de sus universidades y los profesionales que generen ciencia y conciencia.

Referencias: Moreno-Gutiérrez S. S., López P. S., and García M.M.
. Inteligencia artificial en e-learning escenarios plausibles en Latinoamérica y nuevas competencias de egreso. http://riull.ull.es/xmlui/handle/915/26765


Título: Metodología de implementación de un chatbot como tutor virtual en el ámbito educativo para universidades en Latinoamérica

Autor: Martha Orozco González, Pablo Pytel, María Florencia Pollo-Cattaneo

Descripción: La investigación propone desarrollar un chatbot como tutor virtual en las universidades de Latinoamérica, como objetivo de poder comunicar a los alumnos y los profesores, la solución plantea utilizar la inteligencia artificail y el aprendizaje automático, con la finalidad de que el mismo chatbot pueda brindar información a los estudiantes, siendo capaz de responder e interpretar satisfactoriamente.

La arquitectura de un chatbot debe constar de la siguiente estructura básica:

1. El conocimiento humano debe introducirse en la base de conocimiento del chatbot
2. El usuario hace una solicitud vía texto, o voz, mediante la interfaz de usuario
3. La solicitud es analizada por el chatbot y su Inteligencia Artificial, utilizando el motor de inferencia
4. El chatbot responde en tiempo real mediante una conversación utilizando la interfaz de usuario

La metodología consta de brindar una orientación hacia el desarrollador a la hora de implementar el chatbot.

La construcción del chatbot consta de 6 fases:

• Especificación y análisis de requisitos
• Diseño del chatbot
• Evaluación de alternativas técnicas
• Desarrollo del chatbot
• Pruebas del software
• Puesta en operación del chatbot

Conclusiones: Se analizo el desarrollo y la complejidad de desarrollar esta solución, así como su viabilidad. Los chatbots son aplicaciones que ya vienen ayudando en muchos rubros y en la educación tienen un potencial muy alto que se debe explorar.

Del mismo modo, se ha identificado que la aplicación de este tipo de herramientas tecnológicas va de acuerdo con el comportamiento y las características de la población actual de estudiantes universitarios. Esto es posible, ya que con la aplicación de técnicas de Procesamiento de Lenguaje Natural PNL (Natural Language Processing), se pueden desarrollar chatbots empleando cualquier idioma y adaptarlo a la jerga de los estudiantes, en función de lo que buscan

Referencias: Martha Orozco González, Pablo Pytel, María Florencia Pollo-Cattaneo
. Metodología de implementación de un chatbot como tutor virtual en el ámbito educativo para universidades en Latinoamérica. https://www.researchgate.net/profile/Ed ... f#page=227

Título: Ensemble machine learning approach for classification of IoT devices in smart home

Autor: Ivan Cvitić, Dragan Peraković, Marko Periša & Brij Gupta

Descripción: La investigación pretende clasificar dispositivos de IOT, independiente de su funcionalidad o finalidad, de acuerdo determinadas características en el tráfico de estos dispositivos.
La investigación se lleva a cabo en tres etapas, la primera etapa comprende identificar el problema y recolectar los datos para armar el dataset. La segunda etapa se introduce el índice Cu (Coeficiente de variación u del nivel de previsibilidad de tráfico para dispositivos Smart home IOT) y se definen las clases para los dispositivos IOT, en esta etapa los datos se normalizan. La tercera etapa abarca el desarrollo del modelo de clasificación, se utiliza el método de aprendizaje automático supervisado por conjuntos, el rendimiento del modelo desarrollado se mide utilizando medidas de validación estándar para los modelos de clasificación, como la matriz de confusión, la precisión, el coeficiente kappa, la TPR (proporción de verdaderos positivos), la FPR (proporción de falsos positivos), la medida F, la curva ROC (características operativas del receptor) y otras.


Fases y actividades de la investigación

El primer dataset de esta investigación consta de un total de 103 archivos en formato .pcap, que contienen el historial de trafico de una red de SHIot (Smart home Iot devices), el segundo dataset cuenta con 41 archivos similares a los primeros, lo que hace un total de 144 archivos con tráfico de la red.

Para desarrollar el modelo de clasificación de dispositivos SHIot, se filtraron los archivos de manera individual tomando como referencia la MAC de los dispositivos de la red.

Para definir las clases de los dispositivos IOT se va a tomar en cuenta las características de cada dispositivo, y el nivel de predictibilidad del mismo, debido a que se cuentan con un total de 41 diferentes tipos de dispositivos, se evalua el Cu index de cada dispositivo para poder determinar el flujo de trafico de cada dispositivo y7 su predictibilidad.






Luego se procede a definir las clases en función de los coeficientes de variación obtenidos

Métodos: Para el desarrollo de los modelos de clasificación de dispositivos SHIot, se utilizó el método logitboost. El método utilizado pertenece a los métodos de aprendizaje automático por conjuntos y se basa en el método estadístico de regresión logística.

Resultados: las pruebas se realizaron mediante el software Weka y Excel, se utilizo cross fold 10 para la validación de los datos.

Matriz de confusión



TPR y FPR



ROC y PCR



Conclusiones: La investigación logro desarrollar un modelo para poder clasificar dispositivos de IOT en un entorno doméstico e inteligente, basado en un coeficiente de variación, se lograron definir cuatro clases de dispositivos basados en su coeficiente de variación del tráfico recibido y enviado.

Referencias: Ivan Cvitić, Dragan Peraković, Marko Periša, Brij Gupta. Ensemble machine learning approach for classification of IoT devices in smart home. https://doi.org/10.1007/s13042-020-01241-0

Título: A machine learning based framework for IoT device identification and abnormal traffic detection

Autor: Ola Salman, Imad H. Elhajj, Ali Chehab, Ayman Kayssi

Descripción: La investigación tiene como finalidad proponer un framework para la identificación de dispositivos Iot y la detección de trafico malicioso, utilizando el machine learning para la clasificación y la detección de intrusos.

El framework propuesto se compone de cuatro componentes principales: extractor de características, identificación de dispositivos Iot, identificación de tráfico y detección de intrusos.



To collect the traffic from IoT devices, we consider the set of seven devices shown in Table 1. To collect normal traffic from the considered devices, the devices were installed in a private home network. There are two types of devices:

El dataset consta de información recolectada de dispositivos Iot, se consideran siete tipos de dispositivos, se consideran el trafico de los dispositivos pertenecientes a una red doméstica.

Metodos: para la clasificación se utilizaron los algoritmos basados en arboles de decisión y ramdon-forest, también se utlizaron métodos de Deep learning y redes neuronales.

Resultados: la solución planteada por la investigación presenta resultados prometedores para la detección de intrusos en la clasificación pro tipo de trafico y tipo de dispositivo. En la investigación se comparó el algoritmo random-forest con métodos de Deep learning, según los resultados random forest obtuvo mejores indicadores.

Conclusiones: El propósito de la investigación es brindar una solución para clasificar los dispositivos y el tráfico de intrusos en una red Iot doméstica, se logró el objetivo mostrando un rendimiento óptimo.
Referencias Ola Salman, Imad H. Elhajj, Ali Chehab, Ayman Kayssi. A machine learning based framework for IoT device identification and abnormal traffic detection. https://doi.org/10.1002/ett.3743


Título: An Efficient Spam Detection Technique for IoT Devices using Machine Learning

Autor: Aaisha Makkar, Neeraj Kumar, Ahmed Ghoneim

Descripción: La investigación propone evaluar métodos para la detección de spam en dispositivos Iot, se evaluarán hasta 5 modelos de machine learning para medir los resultados y ver cual se adecua al requerimiento.

El dataset utilizado para esta investigación consta de datos registrados durante 18 meses, para una mayor precisión en la investigación se tomaron en cuenta los datos de un mes, teniendo como variable importante el clima para el funcionamiento de los dispositivos Iot.

Los métodos que se desarrollaran en la investigación se muestran en la siguiente tabla.



Resultados: Se obtuvieron datos de veinte hogares con dispositivos Iot, los experimentos variaron en función de la ubicación de los dispositivos y las condiciones climáticas.

El dataset fue entrenado con cinco modelos de machine learning, cada modelo produce un resultado distinto para cada dispositivo, en el siguiente cuadro se muestran la distribución de la puntuación de los modelos para medir el nivel de spam en los dispositivos.


Conclusiones: La solución propuesta en la investigación logra detectar parámetros definidos como spam en los dispositivos Iot en una res doméstica, mediante el proceso de los modelos de machine learning cada dispositivo recibe una puntuación de nivel de spam, de este modo se precisan las condiciones para que u8n dispositivo funciones correctamente.

Referencias: Aaisha Makkar, Neeraj Kumar, Ahmed Ghoneim. An Efficient Spam Detection Technique for IoT Devices using Machine Learning. https://10.1109/TII.2020.2968927

Inteligencia artificial, una alternativa para la educación en el Perú

La inteligencia artificial puede ayudar a mejorar la educación en el Perú a través de sus múltiples aplicaciones, sin embargo, estos avances se ven frenados por la deficiencia en la estructura de la educación en le Perú y la falta de recursos para hacer masiva esta tecnología.

Como menciona Kai-Fu Lee (científico en computación), la inteligencia artificial puede ayudar a dividir las tareas de los profesores y en muchos casos reemplazar estas tareas, de esto se desprende la idea de que los profesores puedan apoyarse en herramientas de IA para la enseñanza de tópicos específicos y poder relegar otras tareas a aplicaciones que las hagan por ellos, enfocándose directamente en temas importantes para el educando.

Un ejemplo de esto es la aplicación de IBM Watson y Sesame Workshop, quienes desarrollaron una aplicación con IA, para ayudar a niños menores de 5 años a aprender palabras, esta aplicación evaluaba el conocimiento de los niños en determinadas palabras para luego procesar esta información y ajustar las siguientes palabras en función de el nivel del niño, esta herramienta ayuda a que los niños relacionen palabras más rápido y puedan al mismo tiempo ponerlas en contextos reales.

En el Perú la brecha de educación es muy grande, y los niveles de rendimiento académico son bajos comparados con otros países de la región, por lo que resulta un reto y al mismo tiempo una oportunidad la implementación de la IA para mejorar la educación, en este aspecto que se crea El Proyecto Educativo Nacional al 2036, formulado por el Consejo Nacional de Educación (CNE), este plan fue desarrollado utilizando la IA mediante un modelo de maching learning, para procesar información que incluye opiniones de estudiantes, docentes, padres y madres de familia, personas con discapacidad y ciudadanos de diferentes grupos étnicos. Estos comentarios fueron recolectados en 847 jornadas por la educación y 49 espacios de diálogo, en todo el Perú, además de 220,259 respuestas mediante una encuesta virtual.

Además de lo ya mencionado, la IA puede ayudar brindando herramientas específicas, un ejemplo de esto es la plataforma de McGraw-Hill, que utiliza IA para medir el progreso de sus alumnos y reforzar los puntos débiles, en el Perú este tipo de iniciativas ayudarían a poder hacer que la educación en el Perú mejore y sea más competitiva.

Bibliografía

https://repositorio.minedu.gob.pe/handl ... 12799/6910
https://enfoque.upc.edu.pe/innovacion_t ... n-peruano/
https://www.sesameworkshop.org/what-we- ... ibm-watson