Paper1: Chatbots for learning: A review of educational chatbots for the Facebook Messenger

Descripcion:

Con el crecimiento exponencial en el mercado de dispositivos móviles durante la última década, los chatbots están convirtiéndose en una opción cada vez más popular para interactuar con los usuarios, y su popularidad y adopción se están extendiendo rápidamente. Estos dispositivos móviles cambian la forma en que nos comunicamos y permiten un aprendizaje siempre presente en varios entornos. Este estudio examinó los chatbots educativos para Facebook Messenger para apoyar el aprendizaje. Se examinó el directorio web independiente para evaluar
chatbots para este estudio, lo que resultó en la identificación de 89 chatbots únicos.
Cada chatbot fue clasificados por idioma, tema y plataforma del desarrollador. Finalmente, evaluamos 47 chatbots educativos que utilizan la plataforma Facebook Messenger basada en la jerarquía analítica proceso frente a los atributos de calidad de la enseñanza, la humanidad, el afecto y la accesibilidad.

Experimentacion:

Se desarrolló un instrumento de codificación para identificar chatbots en las siguientes categorías: idioma, tema y plataforma, cada chatbot se clasificó primero por idioma, en el que el bot se comunicaba con el usuario. La mayoría de los chatbots utilizaba el inglés como lengua de comunicación (89%). Otros idiomas incluyeron francés (N = 8, 9%) y árabe (N = 7, 8%). En total,
Se identificaron 11 idiomas a través de la conversación con los chatbots, con un grupo de chatbots diseñado para comunicarse con más de un idioma (N = 9, 10%). Luego, cada chatbot fue clasificado por Tema. Dentro de esta clasificación, doce áreas fueron identificado. La mayoría de los bots se clasificaron como "Información" (N = 42, 47%) y su contenido educativo era cuestionable.
Estos chatbots a menudo solo usan respuestas automáticas o navegación basada en botones, lo que conduce a enlaces a sitios web fuera de la interfaz del chatbot.
y carecen de técnicas de discusión o simulación de la conversación humana. Por lo tanto, solo se utilizarán chatbots clasificados como Lenguaje, Economía, Matemáticas, Materias múltiples, Religión, Literatura, Historia, Naturaleza, Programación, Psicología o Diseño (N ¼47, 53%) para la evaluación de su calidad.


Conclusiones:

El estudio examinó los chatbots educativos en la aplicación de mensajería instantánea Facebook Messenger con el objetivo de identificar visibilidad y características como lenguaje, tema y plataforma de desarrollo. El estudio también se centró en la evaluación de chatbots seleccionados para describir su etapa actual de facilitación del aprendizaje utilizando inteligencia artificial. Chatbots educativos en el La plataforma de Facebook Messenger varía desde el nivel básico de envío de mensajes personalizados hasta la recomendación de contenido de aprendizaje.
Estas Los hallazgos proporcionan evidencia adicional para sugerir que la programación de chatbot (especialmente en Facebook Messenger) aún se encuentra en sus inicios etapas. Otras características incluyen asistentes de enseñanza de inteligencia artificial que responden a preguntas típicas publicadas por los alumnos, configuración objetivos de aprendizaje y seguimiento del progreso del aprendizaje.

Referencia:

https://www.sciencedirect.com/science/a ... 1520300622



Paper2: A system for educational and vocational guidance in Morocco: Chatbot E-Orientation


Descripcion:

Los chatbots se utilizan actualmente en varias aplicaciones en línea, la mayoría de los casos para compras o como asistente personal. Estos chatbots ofrecen una gama de beneficios potenciales, incluida la personalización y la disponibilidad instantánea 24 horas al día, 7 días a la semana. Estos aspectos positivos de los chatbots pueden ser beneficioso en el sector educativo. Representan un nuevo tipo de interfaz hombre-máquina en lenguaje natural. Sin embargo, los chatbots en el mundo académico han recibido una atención limitada, por ejemplo, proporcionando apoyo organizativo para estudios o cursos y exámenes.
Esta rama de la investigación está emergiendo en la comunidad científica, por eso, en nuestro artículo, creamos un chatbot en el campo de Orientación educativa y profesional que se basa en la teoría de John Holland y el cuestionario RIASEC con el fin de determinar el tipo dominante de personalidad de los estudiantes de pregrado y posgrado que desean ingresar al mercado laboral

Experimentacion:

En nuestra implementación utilizamos la herramienta DialogueFlow. Dialogflow (anteriormente llamado Api.ai, Speaktoit) es un plataforma de desarrollo para la creación de tecnologías de interacción persona-computadora basadas en lenguaje natural Procesando. La compañía es mejor conocida por haber creado Assistant (por Speaktoit), un asistente virtual para Android,
Smartphones iOS y Windows Phone, capaces de realizar diversas tareas y responder a las preguntas de sus usuarios en lenguaje natural. Speaktoit también ha creado la tecnología de procesamiento del lenguaje natural que integra la conversación contextos, como el historial de intercambio, la ubicación y las preferencias del usuario.
DialogFlow es una excelente herramienta para aprender a crear Chatbots que luego se pueden integrar en su propio sitios web o aplicaciones

Conclusiones:

En este trabajo anterior hemos realizado una clasificación de preguntas de orientación educativa y vocacional según La teoría de Holland utiliza los métodos de redes neuronales y también el método BERT. En este artículo, un enfoque original de se introdujo un chatbot.
En particular, el sistema propuesto se basa en una plataforma de orientación en línea para estudiantes universitarios y también para estudiantes de posgrado que buscan integrarse al mercado laboral encontrando el trabajo adecuado a sus necesidades preferencias.
Se estudió un caso real desarrollando un Chatbot para estudiantes del Máster Big Data y Data Science ciclo de la Facultad de Ciencias Ben M'Sik, Universidad Hassan II en Casablanca, Marruecos. Los resultados obtenidos por Las campañas experimentales son satisfactorias y muestran la buena perspectiva de este tipo de enfoque.

Referencia:

https://www.sciencedirect.com/science/a ... 0920317798

Paper 1: Automated Deep Transfer Learning-Based Approach for Detection of COVID-19 Infection in Chest X-rays



Descripcion

El objetivo de este documento es desarrollar un enfoque automatizado basado en el aprendizaje de transferencia profunda para la detección de la infección por COVID-19 en radiografías de tórax utilizando la versión extrema del modelo Inception (Xception).
Se utilizan técnicas de imagen radiológica como radiografías de tórax y tomografía computarizada (TC) para detectar y diagnosticar COVID-19.xAdemás de esto, los rayos X tienen bajas radiaciones ionizantes que la tomografía computarizada

Experimentacion

Hemos utilizado tres conjuntos de datos de rayos X de tórax que contiene tres clases como COVID-19 (+), neumonía (+) pero COVID-19 (-) y otras infecciones excepto COVID-19 y neumonía.
Hemos utilizado un conjunto de datos del 70% con fines de capacitación. Conjunto de datos restante se divide en fracciones del 10% y el 20% para su validación y
propósito de prueba, respectivamente.
Tb se hizo análisis de la tasa de verdaderos positivos y la tasa de falsos positivos entre los modelos competitivos propuestos y algunos conocidos. Se muestra claramente que el modelo propuesto logra valores de área bajo la curva (AUC) significativamente mejores en comparación con el modelos competitivos.

Conclusion

Para superar el problema de menor sensibilidad con RT-PCR, en este artículo se utilizaron imágenes de rayos X de tórax para detectar y diagnosticar COVID-19. Se prefirieron las radiografías de tórax a las tomografías computarizadas. Como rayos X Las máquinas son más baratas que las máquinas de tomografía computarizada, por lo tanto,
tienen radiografías de tórax preferidas. Además de esto, los rayos X tienen baja radiaciones ionizantes que la tomografía computarizada.

Referencia

https://www.sciencedirect.com/science/a ... 1820301172


Paper 2: COVID-19 detection using deep learning models to exploit Social Mimic Optimization and structured chest X-ray images using fuzzy color and stacking approaches


Descripcion

El coronavirus causa una amplia variedad de infecciones respiratorias y es un virus de tipo ARN que puede infectar tanto seres humanos y especies animales. A menudo causa neumonía en humanos. Los modelos de inteligencia artificial han sido útil para análisis exitosos en el campo biomédico.
En este estudio, el coronavirus se detectó utilizando un modelo de aprendizaje con redes neuronales que es una subrama de la inteligencia artificial.

Experimentacion

Nuestro conjunto de datos consta de tres clases, a saber: coronavirus, neumonía e imágenes de rayos X normales.
Las clases de datos se reestructuraron utilizando el La técnica Fuzzy Color como paso de preprocesamiento y las imágenes que se estructuraron con las imágenes originales fueron apilados. En el siguiente paso, el conjunto de datos apilados se entrenó con modelos de aprendizaje profundo (MobileNetV2, SqueezeNet) y los conjuntos de características obtenidos por los modelos se procesaron utilizando el método de optimización Social Mimic.
A partir de entonces, las características eficientes se combinaron y clasificaron utilizando Support Vector Machines (SVM). El general La tasa de clasificación obtenida con el enfoque propuesto fue del 99,27%. Con el enfoque propuesto en este estudio, es evidente que el modelo puede contribuir eficazmente a la detección de la enfermedad COVID-19.

Conclusion:

Es probable que las personas infectadas con COVID-19 sufran daños permanentes en los pulmones, que luego pueden provocar la muerte. Este estudio tuvo como objetivo distinguir a las personas con pulmones dañados debido al COVID-19 de las normales individuos o neumonía (no infectada por COVID-19). La detección de COVID-19 se realizó utilizando modelos de aprendizaje profundo. Ya que es importante para detectar COVID-19 que se propaga rápida y globalmente, la IA Se utilizan técnicas para realizar esto con precisión y rapidez.

Referencia

https://www.sciencedirect.com/science/a ... 2520301736

GRUPO : SITEMA DE CONTEO DE PERSONAS PARA EL MONITOREO DE ESTABLECIMIENTOS Y EVITAR LA ALTA DENSIDAD DE PERSONAS

Integrantes:
Contreras Perez Italo
Gamarra Garro Santiago

Titulo del paper : Deteccion de señales de transito con redes neuronales

Introduccion:
La detección y reconocimiento de señales de tráfico ha ganado importancia con los avances en el procesamiento de imágenes debido a los beneficios
que tal sistema puede proporcionar. Los desarrollos recientes y el interés en los autos sin conductor también ha aumentado el interés.
en este campo. Un sistema automatizado de detección y reconocimiento de señales de tráfico proporcionará la capacidad para automóviles inteligentes y
conducción inteligente Incluso con un conductor detrás del volante, el sistema puede proporcionar información vital al conductor reduciendo
Errores humanos que causan accidentes.

Tecnicas:
-rojo,verde y azul (RGB)
-unidad lineal recitificada ( ReLu)
- algoritmo adaptativo de gradiente (AdaGrad),


Conclusiones:
-El sistema de reconocimiento automático de señal de tráfico árabe (AATS) se diseñó utilizando redes neuronales convolucionales (CNN)
-El conjunto de datos pasó por una etapa de preprocesamiento antes de ingresarlo a la red. Se dividió en entrenamiento,
probar y validar conjuntos de datos. El diseño inicial se basó en trabajos previos similares que se utilizaron como base para
-El posterior diseño mejorado. La arquitectura final de Deep CNN propuesta en este trabajo consiste en dos convolucionales
capas, dos capas de maxpooling una capa de abandono y 3 capas densas. Se obtuvo una precisión del 100% para la época 150 para
Todos los tamaños de lote.
-Demostramos la utilidad de la arquitectura CNN diseñada mediante la implementación de un sistema práctico.
que puede tomar señales de tráfico en tiempo real a través de la cámara conectada al vehículo,
-El trabajo futuro incluirá aumentar
El tamaño del conjunto de datos y su publicación para que otros investigadores puedan utilizarlo con fines de evaluación comparativa. Trabajo
también continuará desarrollando sistemas de reconocimiento de costos más robustos y computacionalmente bajos.

El sistema MetroBot es un chatbot que proporciona información de cómo llegar a un lugar en específico. Los datos que deberá conocer el sistema son: el lugar de origen, el lugar de destino, los transportes que van desde el oripgen hasta el destino.

Referencia de las rutas: http://www.metropolitano.com.pe/wpconte ... suario.pdf

El chatbot que proponemos, MetroBot podrá brindar información de las unidades de transporte destino, también estimar el tiempo en que pasará por la estación, asi como también otras posibilidades de llegar a su lugar de destino. MetroBot deberá permitir conversaciones sencillas con el usuario.
Utilizaremos la herramienta Dialogflow que es un marco de conversación de inteligencia artificial para construir asistentes contextuales. Sin embargo, si en el desarrollo de MetroBot requiere de otras herramientas, el alcance en cuanto a herramientas será modificado previamente coordinado con los integrantes de equipo. La implementación de MetroBot será para el sistema Metropolitano, la información base será la que provee en su página Web de Lima Metropolitana.
El trabajo deberá ser presentado una semana antes del examen final, siempre y cuando no haya una modificación de fecha por parte del profesor.

Código Github: https://github.com/CDobleC/MetroBot.git
Página Web: https://metrobot.ga
Video Demo: http://metrobot.ga/webhooks/video-1582754139.mp4