Contenido del artículo principal

Resumen

Introducción: En los últimos años, el proceso de enseñanza-aprendizaje ha ido cambiando del modo presencial al virtual de forma progresiva a nivel mundial, esto se aceleró significativamente a causa de la pandemia del COVID-19 afectando todos los niveles de la educación, muchos países tuvieron que dar un salto al conocimiento digital, más por necesidad que por crecimiento tecnológico, lo cual originó buscar soluciones a los nuevos problemas a partir del entorno virtual. Hoy en la nueva normalidad, el entorno virtual se desarrollará paralelamente con el entorno presencial. El objetivo de la presente investigación fue identificar el estado emocional que tienen los estudiantes en el aula virtual, para permitir al docente evaluar la percepción que tienen los estudiantes durante su sesión de clase y así mejorar sus estrategias de enseñanza-aprendizaje en tiempo real.


Método: Se propuso una aplicación de inteligencia artificial con redes neuronales que permiten capturar el estado emocional de los estudiantes dentro del aula virtual en tiempo real para mostrar al docente la percepción de sus estudiantes durante la sesión de clase virtual.


Resultados: Los resultados obtenidos muestran el estado emocional de los estudiantes dentro del aula, para que el docente pueda evaluar y así mejore en tiempo real sus estrategias dentro del proceso enseñanza-aprendizaje.


Conclusiones: Se concluye que es una forma eficiente de mejora continua para los procesos del aprendizaje activo dentro del aula en tiempo real.

Palabras clave

redes neuronales, enseñanza-aprendizaje, enseñanza virtual, aprendizaje activo, análisis de sentimientos

Detalles del artículo

Cómo citar
Flores Masias, E. J., Livia Segovia, J. H., García Casique, A., & Dávila Díaz, M. E. (2023). Análisis de sentimientos con inteligencia artificial para mejorar el proceso enseñanza-aprendizaje en el aula virtual. PUBLICACIONES, 53(2), 185–216. https://doi.org/10.30827/publicaciones.v53i2.26825

Referencias

  1. Aiquipa, W. A., Flores, E., Sernaque, F., Fuentes, A., Cueva, J., & Núñez, E. O. (2019). Integrated Low-Cost Platform for the Capture, Processing, Analysis and Control in Real Time of Signals and Images. 2nd International Conference on Sensors, Signal and Image Processing. https://doi.org/10.1145/3365245.3365249
  2. Corvalán, J. G. (2018). Inteligencia artificial: Retos, desafíos y oportunidades - Prometea: la primera inteligencia artificial de Latinoamérica al servicio de la Justicia. Revista de Investigações Constitucionais, 5, 295-316. https://doi.org/10.5380/rinc.v5i1.55334
  3. de Mello, F. L., & de Souza, S. A. (2019). Psychotherapy and Artificial Intelligence: A Proposal for Alignment. Frontiers in Psychology, 10. https://www.frontiersin.org/articles/10.3389/fpsyg.2019.00263
  4. Deng, J., Guo, J., Xue, N., & Zafeiriou, S. (2019). ArcFace: Additive Angular Margin Loss for Deep Face Recognition. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR.2019.00482
  5. El Hechi, M., Ward, T. M., An, G. C., Maurer, L. R., El Moheb, M., Tsoulfas, G., & Kaafarani, H. M. (2021). Artificial Intelligence, Machine Learning, and Surgical Science: Reality Versus Hype. Journal of Surgical Research, 264, A1-A9. https://doi.org/10.1016/j.jss.2021.01.046
  6. Fakhoury, M. (2019). Artificial Intelligence in Psychiatry. En Y.-K. Kim (Ed.), Frontiers in Psychiatry: Artificial Intelligence, Precision Medicine, and Other Paradigm Shifts (pp. 119-125). Springer. https://doi.org/10.1007/978-981-32-9721-0_6
  7. Gomez, A., & Gomez, K. (2019). Muestreo estadístico para docentes y estudiantes (1ª Ed.). Independently published.
  8. Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism-clinical and experimental, 69, S36-S40. https://doi.org/10.1016/j.metabol.2017.01.011
  9. Hasnine, M. N., Ahmed, M. M. H., & Ueda, H. (2021). Learner-Centric Technologies to Support Active Learning Activity Design in New Education Normal: Exploring the Disadvantageous Educational Contexts. International Journal of Emerging Technologies in Learning (IJET), 16(10), 150-162. https://doi.org/10.3991/ijet.v16i10.20081
  10. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR.2016.90
  11. Howard, J. (2019). Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, 62(11), 917-926. https://doi.org/10.1002/ajim.23037
  12. Jirapanthong, W. (2020). A Tool for Supporting the Evaluation of Active Learning Activities. En Y. Tan, Y. Shi, & M. Tuba (Eds.), Advances in Swarm Intelligence (pp. 476-484). Springer International Publishing. https://doi.org/10.1007/978-3-030-53956-6_43
  13. King, D. E. (2009). Dlib-ml: A Machine Learning Toolkit. Journal of machine learning research, 10, 1755-1758.
  14. León, O., & Romero, J. (2020). Ambientes de aprendizaje accesibles que fomentan la afectividad en contextos universitarios. Universidad Distrital Francisco José de Caldas.
  15. Montaño, J. (2002) Redes Neuronales Artificiales aplicadas al Análisis de Datos [Tesis doctoral]. Universitat De Les Illes Balears. http://hdl.handle.net/11201/2511
  16. Nandwani, P., & Verma, R. (2021). A review on sentiment analysis and emotion detection from text. Social Network Analysis and Mining, 11(1), 81. https://doi.org/10.1007/s13278-021-00776-6
  17. Nazari, N., Shabbir, M. S., & Setiawan, R. (2021). Application of Artificial Intelligence powered digital writing assistant in higher education: Randomized controlled trial. Heliyon, 7(5), e07014. https://doi.org/10.1016/j.heliyon.2021.e07014
  18. Orrù, G., Monaro, M., Conversano, C., Gemignani, A., & Sartori, G. (2020). Machine Learning in Psychometrics and Psychological Research. Frontiers in Psychology, 10. https://www.frontiersin.org/articles/10.3389/fpsyg.2019.02970
  19. Pulido, F. P., & Herrera, F. H. (2017). La influencia de las emociones sobre el rendimiento académico. Ciencias Psicológicas, 29-39. https://doi.org/10.22235/cp.v11i2.1344
  20. Ramos, C. A. (2015). Los paradigmas de la investigación científica. Avances en Psicología, 23(1), 9-17. https://doi.org/10.33539/avpsicol.2015.v23n1.167
  21. Roberts, K., & Rosselot, C. (2019). Experiencia de acompañamiento a estudiantes para la permanencia en la educación superior desde una perspectiva Socioeducativa: El caso de la Universidad de Santiago de Chile. Congresos CLABES.
  22. Santoso, K., & Kusuma, G. P. (2018). Face Recognition Using Modified OpenFace. Procedia Computer Science, 135, 510-517. https://doi.org/10.1016/j.procs.2018.08.203
  23. Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR.2015.7298682
  24. Serengil, S. I., & Ozpinar, A. (2020). LightFace: A Hybrid Deep Face Recognition Framework. 2020 Innovations in Intelligent Systems and Applications Conference (ASYU). https://doi.org/10.1109/ASYU50717.2020.9259802
  25. Serengil, S. I., & Ozpinar, A. (2021). HyperExtended LightFace: A Facial Attribute Analysis Framework. 2021 International Conference on Engineering and Emerging Technologies (ICEET). https://doi.org/10.1109/ICEET53442.2021.9659697
  26. Sharma, S., Shanmugasundaram, K., & Ramasamy, S. K. (2016). FAREC — CNN based efficient face recognition technique using Dlib. 2016 International Conference on Advanced Communication Control and Computing Technologies (ICACCCT). https://doi.org/10.1109/ICACCCT.2016.7831628
  27. Shetty, A. B., Bhoomika, Deeksha, Rebeiro, J., & Ramyashree. (2021). Facial recognition using Haar cascade and LBP classifiers. Global Transitions Proceedings, 2(2), 330-335. https://doi.org/10.1016/j.gltp.2021.08.044
  28. Shrestha, S. K., & Furqan, F. (2020). IoT for Smart Learning/Education. 2020 5th International Conference on Innovative Technologies in Intelligent Systems and Industrial Applications (CITISIA). https://doi.org/10.1109/CITISIA50690.2020.9371774
  29. Tahan, M. (2019). Artificial Intelligence applications and psychology: An overview. Neuropsychopharmacologia Hungarica, 21(3), 8.
  30. Talan, T. (2021). Artificial Intelligence in Education: A Bibliometric Study. International Journal of Research in Education and Science, 7(3), 822-837. https://doi.org/10.46328/ijres.2409
  31. Tarik, A., Aissa, H., & Yousef, F. (2021). Artificial Intelligence and Machine Learning to Predict Student Performance during the COVID-19. Procedia Computer Science, 184, 835-840. https://doi.org/10.1016/j.procs.2021.03.104
  32. Tautz, D., Sprenger, D. A., & Schwaninger, A. (2021). Evaluation of four digital tools and their perceived impact on active learning, repetition and feedback in a large university class. Computers & Education, 175, 104338. https://doi.org/10.1016/j.compedu.2021.104338
  33. von Davier, A. A., Deonovic, B., Yudelson, M., Polyak, S. T., & Woo, A. (2019). Computational Psychometrics Approach to Holistic Learning and Assessment Systems. Frontiers in Education, 4. https://www.frontiersin.org/articles/10.3389/feduc.2019.00069
  34. Wang, G., Yin, J., Hossain, M. S., & Muhammad, G. (2021). Incentive mechanism for collaborative distributed learning in Artificial Intelligence of Things. Future Generation Computer Systems, 125, 376-384. https://doi.org/10.1016/j.future.2021.06.015
  35. Wang, M., & Deng, W. (2021). Deep Face Recognition: A Survey. Neurocomputing, ScienceDirect, 429, 215-244. https://doi.org/10.1016/j.neucom.2020.10.081
  36. Xu, J. J., & Babaian, T. (2021). Artificial intelligence in business curriculum: The pedagogy and learning outcomes. The International Journal of Management Education, 19(3), 100550. https://doi.org/10.1016/j.ijme.2021.100550
  37. Yang, L., Li, Z., Ma, S., & Yang, X. (2022). Artificial intelligence image recognition based on 5G deep learning edge algorithm of Digestive endoscopy on medical construction. Alexandria Engineering Journal, 61(3), 1852-1863. https://doi.org/10.1016/j.aej.2021.07.007
  38. Yee Chung, J. W., Fuk So, H. C., Tak Choi, M. M., Man Yan, V. C., & Shing Wong, T. K. (2021). Artificial Intelligence in education: Using heart rate variability (HRV) as a biomarker to assess emotions objectively. Computers and Education: Artificial Intelligence, 2, 100011. https://doi.org/10.1016/j.caeai.2021.100011