Integrando modelos de difusión y estilos de aprendizaje
DOI:
https://doi.org/10.26507/paper.4091Keywords:
Artificial intelligence, educationAbstract
La inteligencia artificial (IA) ha experimentado un desarrollo notable en los últimos años, transformando considerablemente numerosos aspectos de la vida cotidiana y profesional, dentro de este amplio campo, una de las evoluciones más prometedoras ha sido las capacidades crecientes de la IA generativa, y más en concreto, los modelos de difusión para la generación de imágenes. Estos modelos, entrenados a partir de extensos conjuntos de datos y capaces de generar contenido visual relevante, tienen el potencial de innovar en diversos sectores. Uno de los ámbitos donde esta tecnología podría tener un impacto significativo es la educación. Sin embargo, a pesar de su innegable potencial, la implementación efectiva de los modelos de difusión en el contexto educativo presenta una serie de desafíos, entre ellos, la personalización del contenido según las necesidades específicas de aprendizaje de cada estudiante.
Cada individuo tiene una forma de procesar la información, una realidad que las teorías de estilos de aprendizaje intentan comprender y categorizar, combinar estos estilos de aprendizaje, tan diversos y particulares con modelos de difusión es un desafío considerable.
Este artículo presenta un resultado preliminar enfocado en el uso de modelos de difusión para mejorar la clasificación de los estudiantes mediante el uso de estilos de aprendizaje. La investigación examina el enriquecimiento de los resultados del cuestionario de estilos de aprendizaje de Felder-Silverman por medio de imágenes generadas.
References
Conruyt, N., Sébastien, V., Sébastien, O., Grosser, D., & Sébastien, D. (2014). From knowledge transmission to sign sharing: Semiotic web as a new paradigm for teaching and learning in the future internet. En IFIP Advances in Information and Communication Technology (Vol. 422). https://doi.org/10.1007/978-3-642-54897-0_10
Dehouche, N., & Dehouche, K. (2023). What’s in a text-to-image prompt? The potential of stable diffusion in visual arts education. Heliyon, 9(6). https://doi.org/10.1016/j.heliyon.2023.e16757
Fatahi, S., Moradi, H., & Kashani-Vahid, L. (2016). A survey of personality and learning styles models applied in virtual environments with emphasis on e-learning environments. Artificial Intelligence Review, 46(3), 413–429. https://doi.org/10.1007/s10462-016-9469-7
Gomede, E., de Barros, R. M., & de Souza Mendes, L. (2020). Use of deep multi-target prediction to identify learning styles. Applied Sciences (Switzerland), 10(5). https://doi.org/10.3390/app10051756
Guidance for generative AI in education and research - UNESCO Biblioteca Digital. (s/f). Recuperado el 7 de octubre de 2023, de https://unesdoc.unesco.org/ark:/48223/pf0000386693?posInSet=1&queryId=N-EXPLORE-3f113603-d39f-42a5-a5f4-98bf6f2df62f
Hemment, D., Currie, M., Bennett, S. J., Elwes, J., Ridler, A., Sinders, C., Vidmar, M., Hill, R., & Warner, H. (2023). AI in the Public Eye: Investigating Public AI Literacy Through AI Art. ACM International Conference Proceeding Series, 931–942. https://doi.org/10.1145/3593013.3594052
Inteligencia artificial y educación: guía para las personas a cargo de formular políticas - UNESCO Biblioteca Digital. (s/f). Recuperado el 7 de octubre de 2023, de https://unesdoc.unesco.org/ark:/48223/pf0000379376
Josceanu, A. M., Onofrei, R., Isopescu, R., Plesu, V., & Zelch, O. (2006). Technology-pedagogy relationship in developing e-learning systems for chemical engineering education. CHISA 2006 - 17th International Congress of Chemical and Process Engineering.
Kolekar, S. V., Pai, R. M., & Manohara Pai, M. M. (2018). Adaptive User Interface for Moodle based E-learning System using Learning Styles. Procedia Computer Science, 135, 606–615. https://doi.org/10.1016/j.procs.2018.08.226
Li, M., & Amoroso, N. (2023). An Early Look at Applications for Artificial Intelligence Visualization Software in Landscape Architecture. Journal of Digital Landscape Architecture, 2023(8), 543–553. https://doi.org/10.14627/537740057
Murugesan, S., & Cherukuri, A. K. (2023). The Rise of Generative Artificial Intelligence and Its Impact on Education: The Promises and Perils. Computer, 56(5), 116–121. https://doi.org/10.1109/MC.2023.3253292
Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? Journal of Applied Learning and Teaching, 6(1), 342–363. https://doi.org/10.37074/jalt.2023.6.1.9
Sorin, V., Barash, Y., Konen, E., & Klang, E. (2020). Creating Artificial Images for Radiology Applications Using Generative Adversarial Networks (GANs) – A Systematic Review. Academic Radiology, 27(8), 1175–1185. https://doi.org/10.1016/j.acra.2019.12.024
Suresh, V. B., Satapathy, C., & Satori, H. (s/f). Advances in Intelligent Systems and Computing 1076. http://www.springer.com/series/11156
Teaching and Learning STEM. (s/f). Recuperado el 13 de junio de 2024, de https://www.engr.ncsu.edu/stem-resources/
Touretzky, D., Gardner-McCune, C., & Seehorn, D. (2022). Machine Learning and the Five Big Ideas in AI. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-022-00314-1
Treur, J. (2016). Multidisciplinary Education Computational Modeling as the Core of a Multidisciplinary Curriculum. En Understanding Complex Systems. https://doi.org/10.1007/978-3-319-45213-5_17
Vartiainen, H., & Tedre, M. (2023). Using artificial intelligence in craft education: crafting with text-to-image generative models. Digital Creativity, 34(1), 1–21. https://doi.org/10.1080/14626268.2023.2174557
How to Cite
Downloads
Downloads
Published
Proceeding
Section
License
Copyright (c) 2024 Asociación Colombiana de Facultades de Ingeniería - ACOFI
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
| Article metrics | |
|---|---|
| Abstract views | |
| Galley vies | |
| PDF Views | |
| HTML views | |
| Other views | |
