����������������������������������������������������������������������������������
Artificial intelligence in the domain of the educational system: a quantitative study from the development and evolution of mathematics
A
intelig�ncia artificial no dom�nio do sistema educativo: um estudo quantitativo
a partir do desenvolvimento e evolu��o da matem�tica
�����������������������
Correspondencia: mariaj.andradem@educacion.gob.ec
Ciencias de la Educaci�n
Art�culo de Investigaci�n
* Recibido: 13 de agosto de 2023 *Aceptado: 30 de agosto de 2023 * Publicado: �27 de septiembre de 2023
I. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
II. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
III. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
IV. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
V. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
VI. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
�VII. Unidad Educativa 17 de Abril, Tungurahua, Ecuador.
VIII. Unidad Educativa Hispano Am�rica, Tungurahua, Ecuador.
IX. Unidad Educativa Hispano Am�rica, Tungurahua, Ecuador.
X. Unidad Educativa Hispano Am�rica, Tungurahua, Ecuador.
Resumen
El presente trabajo tuvo como implementar el DUAL aplicando t�cnicas de Inteligencia Artificial, para que el estudiante al realizar una tarea ingrese los datos y las inc�gnitas sobre la misma y el software le d� el camino de soluci�n a la tarea y le indique qu� estudiar, para lo cual se aplic� un paradigma positivista de investigaci�n, de enfoque cuantitativo, alcance descriptivo bajo un m�todo cuasi experimental. Los actores sociales que conformaron el grupo de la muestra fueron 400 estudiantes y 50 docentes del nivel secundario. Los resultados de la investigaci�n muestran el clasificador reduce el coeficiente EUFC, y existen algoritmos eficientes para minimizarlo. La forma en que se calcula EUFC depende de si los valores de esta clase son continuos o discretos, adem�s el DUAL en un sistema inform�tico con caracter�sticas especiales, ya que integra r�pidamente los conocimientos de profesores con experiencia en la materia de �lgebra lineal, para que pueda realizar soluciones inteligentes y justificar sus soluciones. los algoritmos de �lgebra lineal son una parte fundamental de la ciencia de la computaci�n y la matem�tica aplicada, y desempe�an un papel crucial en una amplia gama de aplicaciones pr�cticas, desde la simulaci�n cient�fica hasta la inteligencia artificial. Su uso eficiente y preciso es esencial para resolver problemas complejos y avanzar en el conocimiento y la tecnolog�a.
Palabras Clave: Inteligencia artificial; Clasificador k-vecino; Algebra lineal; Estudiantes; Matem�tica.
Abstract
The present work had to implement the DUAL by applying Artificial Intelligence techniques, so that the student when performing a task enters the data and unknowns about it and the software gives him the solution path to the task and tells him what to study, to which applied a positivist research paradigm, with a quantitative approach, descriptive scope under a quasi-experimental method. The social actors that made up the sample group were 400 students and 50 teachers at the secondary level. The research results show the classifier reduces the EUFC coefficient, and there are efficient algorithms to minimize it. The way in which EUFC is calculated depends on whether the values of this class are continuous or discrete, in addition the DUAL in a computer system with special characteristics, since it quickly integrates the knowledge of teachers with experience in the subject of linear algebra, so that can make intelligent solutions and justify their solutions. Linear algebra algorithms are a fundamental part of computer science and applied mathematics, playing a crucial role in a wide range of practical applications, from scientific simulation to artificial intelligence. Its efficient and accurate use is essential to solve complex problems and advance knowledge and technology..
Keywords: Artificial intelligence; k-neighbor classifier; Linear algebra; Students; Math.
Resumo
O presente trabalho teve que implementar o DUAL aplicando t�cnicas de Intelig�ncia Artificial, para que o aluno ao realizar uma tarefa insira os dados e inc�gnitas sobre a mesma e o software lhe d� o caminho de solu��o para a tarefa e lhe diga o que estudar, a que aplicado paradigma de pesquisa positivista, com abordagem quantitativa, escopo descritivo sob m�todo quase-experimental. Os atores sociais que compuseram o grupo amostral foram 400 alunos e 50 professores do ensino secund�rio. Os resultados da pesquisa mostram que o classificador reduz o coeficiente EUFC e existem algoritmos eficientes para minimiz�-lo. A forma como o EUFC � calculado depende se os valores desta classe s�o cont�nuos ou discretos, al�m do DUAL num sistema inform�tico com caracter�sticas especiais, pois integra rapidamente o conhecimento de professores com experi�ncia na disciplina de �lgebra linear , para que possam fazer solu��es inteligentes e justificar as suas solu��es. Os algoritmos de �lgebra linear s�o uma parte fundamental da ci�ncia da computa��o e da matem�tica aplicada, desempenhando um papel crucial em uma ampla gama de aplica��es pr�ticas, desde simula��o cient�fica at� intelig�ncia artificial. Seu uso eficiente e preciso � essencial para resolver problemas complexos e avan�ar no conhecimento e na tecnologia..
Palavras-chave: Intelig�ncia artificial; classificador k-vizinho; �lgebra Linear; Alunos; Matem�tica.
Introducci�n
Para P�rez et al (2023) la inteligencia artificial (IA) est� desempe�ando un papel cada vez m�s importante en el �mbito de la educaci�n. La IA permite crear experiencias de aprendizaje m�s personalizadas, en virtud de los sistemas pueden adaptarse al ritmo de aprendizaje de cada estudiante, identificar sus �reas de fortaleza y debilidad, y ofrecer contenido y actividades espec�ficas para satisfacer sus necesidades individuales.
Aunando en lo expuesto y en palabras de Corval�n (2018) la IA permite tutoriales virtuales, los chatbots y asistentes virtuales pueden proporcionar a los estudiantes respuestas a preguntas comunes y ayudar en la resoluci�n de problemas. Estos sistemas pueden estar disponibles las 24 horas del d�a, lo que facilita el acceso a la ayuda cuando los estudiantes la necesitan.
Adem�s, la IA, seg�n Fern�ndez et al (2016) permite la evaluaci�n automatizada, se utiliza para corregir ex�menes y evaluaciones de forma r�pida y precisa. Tambi�n puede analizar patrones en las respuestas de los estudiantes para identificar �reas de dificultad y adaptar la ense�anza en consecuencia.
En el mismo orden de ideas Mart�nez et al (2020) menci�n a que la IA permite el an�lisis de datos, en efecto de que puede procesar grandes cantidades de datos de estudiantes para identificar tendencias y patrones de rendimiento. Esto permite a los educadores tomar decisiones informadas sobre la ense�anza y la intervenci�n temprana. Adem�s, Verganti et al (2020) Indica que la IA detecta plagio, los sistemas de IA pueden ayudar a identificar el plagio en los trabajos de los estudiantes al compararlos con fuentes en l�nea y otras obras previas.
En resumen, la IA ha ampliado significativamente las capacidades en el campo de las matem�ticas, facilitando la resoluci�n de problemas, la ense�anza personalizada, la investigaci�n avanzada y muchas otras aplicaciones relacionadas con las matem�ticas. Su uso puede mejorar tanto la pr�ctica como la comprensi�n de esta disciplina.
La investigaci�n pedag�gica relacionada con el uso de computadoras en la ense�anza de las matem�ticas seg�n ChatGPT Generative Pre-trained Transformer y Zhavoronkov (2022) se centra principalmente en la introducci�n de herramientas (software) que apoyen el proceso de c�lculo. La variedad de software que se crea cada a�o en el �mbito de la formaci�n inform�tica es muy amplia. Sin embargo, Kung et al (2022) menciona que es dif�cil encontrar un software educativo para cumplir con los requisitos del proceso de aprendizaje activo.
Se ha realizado un an�lisis de asistentes matem�ticos, esto a menudo ayuda a calcular las actividades de an�lisis de la geometr�a y �lgebra de l�nea: comenzando m�s f�cilmente; Mientras que otros, como la plataforma de Moodle interactiva, con acciones evaluadas, lo que hace, procesamiento de informaci�n, pero no est� orientado a encontrar conocimiento, por lo que es necesario necesitar reemplazar la "informaci�n del producto" con productos y conocimiento "y la palabra" sistema permite el procesamiento de la informaci�n, utilizando sistemas de creaci�n o proporcionar conocimiento, es decir, para garantizar que BAO utilice informaci�n efectiva para administrar la toma de decisiones �ptima, puede tomar una decisi�n razonable sobre este tema, con la capacidad de obtener un conocimiento nuevo y perfecto que es el propietario (King y ChatGPT (2023)
Metodolog�a
Considerando los aspectos anteriores, el estudio tiene como objetivo implementar el DUAL aplicando t�cnicas de Inteligencia Artificial, para que el estudiante al realizar una tarea ingrese los datos y las inc�gnitas sobre la misma y el software le d� el camino de soluci�n a la tarea y le indique qu� estudiar. para comprender la tarea, de ah� la necesidad de un m�dulo inteligente. El art�culo describe el proceso de producci�n de un software basado en 5 problemas t�picos del �lgebra lineal, en t�cnicas de inteligencia artificial, para clasificar utilizando el clasificador k-vecino m�s cercano K - NN y en el motor de inteligencia artificial llamado case inferencia basada en prototipos algor�tmicos.
El software desarrollado se clasifica como un sistema experto. Se describen detalladamente las 7 acciones realizadas por el autor desde la descripci�n de los fundamentos hasta el dise�o de la interfaz de usuario. Finalmente, una breve descripci�n del impacto que ha tenido su implementaci�n. Las 7 acciones desarrolladas forman una gu�a para el desarrollo de otros sistemas expertos para matem�ticas, que es el principal aporte del trabajo. El proceso de fabricaci�n del sistema experto se considera una innovaci�n.
La implementaci�n y puesta en pr�ctica del software desarrollado se lo efectu� en la Zona 3 y 9 de Educaci�n del Ecuador, para lo cual participaron 400 estudiantes y 50 docentes del nivel secundario. Para el desarrollo del estudio se emple� un paradigma positivista, de enfoque cuantitativo, alcance descriptivo bajo un m�todo cuasi experimental.
Desde el punto de vista did�ctico, se estudi� la estructura sistem�tica de la asignatura, con el fin de facilitar la ense�anza-aprendizaje de la matem�tica, en este sentido, hemos identificado cinco problemas t�picos de vinculaci�n de contenidos entre asignaturas y contenidos de �lgebra lineal. La clasificaci�n en estas categor�as de problemas respaldar� la estructura sistem�tica de la materia y ayudar� a guiar al estudiante a trav�s de las tareas de su investigaci�n independiente. La mayor�a de los problemas principales que involucran combinaciones lineales de vectores se reducen a problemas est�ndar que involucran formas lineales Musiani (2013). La forma lineal es una combinaci�n lineal, por lo que los principales problemas de AL pueden plantearse en t�rminos de teor�a del espacio vectorial. Dado un sistema de ecuaciones de la forma SX=Y, si el vector columna de la matriz D se denota por ai, i=1...n, entonces los problemas est�ndar tendr�n la siguiente forma de problema directo:
Dados los vectores de la combinaci�n lineal ai y los coeficientes de dicha combinaci�n lineal xi (los elementos del vector X), calcular el vector obtenido de dicha combinaci�n lineal Y (de los componentes yi).
Problema inverso:
Dados los vectores de la Combinaci�n Lineal ai y el vector resultante de dicha Combinaci�n Lineal Y (de las componentes yi). Calcula los coeficientes de la combinaci�n lineal xi (los elementos del vector X). Problema de dependencia de datos:
Dado el vector ai y el vector Y (de componentes yi). Cuestionar la dependencia lineal de estos vectores (existencia de xi, �nica o infinita) o su independencia lineal (no existencia de� xi).
Posible problema:
Dado el vector ai y el vector Y (de componentes yi). Cuestionar la posibilidad de generar el vector Y, mediante combinaci�n lineal de los vectores ai, los coeficientes xi (coeficientes de� combinaci�n lineal) son �nicos, infinitos, o si no existen (no es posible generar el vector Y combinando linealmente los vectores ai ). Problema �nico:
Dado el vector ai y el vector Y (de componentes yi). Indagar sobre la posibilidad de generar el vector Y, combinando linealmente los vectores ai, los coeficientes xi son �nicos (los coeficientes de la Combinaci�n Lineal). Sin embargo, a pesar de los avances en la ense�anza del �lgebra lineal, todav�a existen lagunas y dificultades de resoluci�n.
Resultados
El clasificador k-vecino m�s cercano (k-NN) es uno de los m�todos de clasificaci�n supervisada m�s utilizados en el razonamiento basado en casos. Genera predicciones a partir de ejemplos almacenados utilizando funciones de distancia o similitud. Este algoritmo entra en la categor�a de algoritmos diferidos (algoritmos de aprendizaje diferido) porque almacena el conjunto de entrenamiento y deja todo el procesamiento para la etapa de clasificaci�n.
Es muy sensible a la definici�n de la funci�n de distancia o similitud utilizada y las caracter�sticas que componen las caracter�sticas de cada ejemplo almacenado. Se han propuesto muchas variantes de k-NN para reducir esta sensibilidad al parametrizar funciones de distancia o similitud con propiedades de peso. Otro factor que afecta el desempe�o de la clasificaci�n es la base de casos utilizada en el proceso de clasificaci�n.
La entrada al clasificador es una instancia q cuya clase se desconoce y la salida es su clasificaci�n. Las funciones pueden ser continuas o limitadas a un conjunto fijo de valores discretos. El error que puede ocurrir al clasificar cada instancia del conjunto de entrenamiento se denomina error �nico fuera de clasificaci�n (EUFC). El objetivo del clasificador es minimizar el coeficiente EUFC, y existen algoritmos eficientes para minimizarlo. La forma en que se calcula EUFC depende de si los valores de esta clase son continuos o discretos. Para valores discretos, el c�lculo es el siguiente:
(1)
Donde
�es
cada instancia de la base� ZW e (y) es cada clase del conjunto de clases Y. La
funci�n de probabilidad de la clase
,
, se define de la siguiente manera:
(2)
(3)
Donde L es el conjunto de las instancias vecinas m�s similares.
El art�culo describe el proceso de producci�n de software basado en t�cnicas de inteligencia artificial a trav�s de siete acciones descritas detalladamente, desde la base de la propuesta hasta el dise�o de la interfaz de usuario. Finalmente se realizar� una breve descripci�n de la experiencia adquirida en su implementaci�n. La metodolog�a utilizada para desarrollar este trabajo es descriptiva y su importancia radica en indicar los pasos a seguir para crear tecnolog�as educativas utilizando estas t�cnicas. El proceso de fabricaci�n de esta tecnolog�a se considera una innovaci�n. La primera acci�n, creando una base cient�fica para la innovaci�n tecnol�gica, es describir las caracter�sticas del proceso de ense�anza-aprendizaje del �lgebra lineal en las disciplinas de ingenier�a. En la segunda acci�n se trabaja sobre los soportes te�ricos descritos anteriormente, concretando el razonamiento basado en Cas (buscando similitudes y adaptaciones de soluciones). Experimente con las� herramientas� Weka, MLP, KNNWorkShop; determinaron que el clasificador k-vecino m�s cercano (K-NN) es el clasificador �ptimo para el dise�o e implementaci�n de la m�quina de inferencia DUAL la cual proporciona inferencia SE al sacar conclusiones sobre el clasificador. En el tercer acto, se dise�a e implementa un m�dulo inteligente o m�dulo "Get Solution Path for Linear Algebraic Vector Space Topics", utilizando la base de conocimientos dise�ada y desarrollada para derivar la soluci�n. A partir de encuestas y entrevistas a expertos se han determinado requisitos funcionales relacionados con la orientaci�n de los estudiantes hacia la b�squeda de una soluci�n a un determinado problema, a partir de clasificar a los estudiantes en uno de 5 El problema es del tipo �lgebra Lineal, por lo que DUAL no s�lo orienta al alumno, pero tambi�n le permite comprobar el resultado de la clasificaci�n. Los requisitos funcionales definidos son:
Proponer resoluci�n de problemas, clasificar las aportaciones de los estudiantes en un problema tipo, presentar resultados de clasificaci�n, probar resultados de clasificaci�n, guardar resultados ordenar la base de datos y elegir un maestro (consejos de texto para estudiantes con dificultades). Luego de analizar las particularidades del negocio y el trabajo a realizar, se decidi� que con estos requerimientos se crear� un "m�dulo para saber c�mo solucionar el sistema".
Esta opci�n convierte al DUAL en un sistema inform�tico con caracter�sticas especiales, ya que integra r�pidamente los conocimientos de profesores con experiencia en la materia de �lgebra lineal, para que pueda realizar soluciones inteligentes y justificar sus soluciones. En la cuarta etapa, se crea e implementa la base de conocimientos. Es la parte m�s importante de un sistema profesional y tiene una estructura coherente que define c�mo se representa la informaci�n.
La base de conocimiento del DUAL proporciona ejemplos sobre la asignatura que es objeto de estudio y est� basada en el razonamiento en casos, con 28 rasgos, 7 clases y 90 instancias. Se determin� que un caso estar� compuesto por un vector de datos y su clasificaci�n.
Los elementos que forman el vector van a ser los datos seleccionados por el estudiante como la informaci�n que tiene del problema y las inc�gnitas. La clasificaci�n va a ser clase de los problemas absurdos o uno de los cinco problemas de la combinaci�n lineal definidos por los especialistas.
A continuaci�n se muestran los 28 rasgos, del 1 � 18 representan los posibles datos de un problema planteado por el alumno y del 14 � 27 la posibles datos que necesita conocer vectores de Rn, sistema de matrices, sistema de vectores, escalares de la cl, vector resultante/ matriz resultante, base del ev, vector gen�rico, ev (condiciones, .sistema de vectores can�nicos/ matriz id�ntica , sistema generador, linealmente independiente (li), linealmente dependiente (ld), vector resultante , escalares de la cl ycoordenadas.
En la quinta etapa, la elecci�n del razonamiento basado en casos como m�todo para adquirir conocimientos y construir m�todos basados en el conocimiento. Su principal ventaja es que este m�todo permite aumentar la informaci�n recopilada y, por tanto, mejorar la precisi�n del plan, as� como la fiabilidad de la posible soluci�n. Es muy dif�cil recordar en la base de datos todas las elecciones que el estudiante puede hacer, algunas de ellas en muchos casos son inconsistentes y sin sentido y muy alejadas del concepto de �lgebra lineal. Por este motivo se decidi� que la sexta clase incluyera estos �ltimos temas. Luego los casos comenzaron a ingresarse en la base de datos, a la que tuvieron que consultar muchos expertos. Se ofrece una base de casos de prueba con los 28 rasgos mencionados anteriormente, 1 rasgo de clase con un dominio de 3-9 y 90 instancias o problemas ejemplos que han sido ejecutados exitosamente sobre la base de conocimiento. Finalmente, se defini� que un caso estar� compuesto por un vector de datos y una clasificaci�n. Los elementos que forman el vector van a ser los datos seleccionados por el estudiante como la informaci�n que tiene del problema y las inc�gnitas. La clasificaci�n va a ser uno de los cinco problemas de la combinaci�n lineal definidos por los especialistas o la clase de los problemas absurdos. En la sexta acci�n se defini� el mecanismo de explicaci�n, el cual consiste en mostrar al usuario c�mo se lleg� a la clasificaci�n del nuevo caso. La forma de dar la conclusi�n es variada y en este caso se realiz� de la siguiente forma:
En un primer momento se debe clasificar, a trav�s del kNN, el nuevo objeto en una de las 7 clases. Para cada categor�a, se registrar� en la base de datos una descripci�n correspondiente de c�mo se resuelve un tipo particular de problema. Dado que s = 1, se encuentra el vecino m�s cercano, cu�l de los objetos registrados en la base de datos de diferentes tipos es el m�s similar al nuevo objeto. En cuanto a sus par�metros, solo se mostrar�n aquellos con valor 1, es decir, en el informe se mostrar�n aquellos que indiquen una posible opci�n.
Discusi�n de los resultados
Para programar en �lgebra lineal, se puede utilizar varios algoritmos y t�cnicas que son fundamentales en esta �rea. A continuaci�n, se detalla una lista de algunos de los algoritmos que son comunes para programas relacionados con �lgebra lineal mediante el clasificador k-vecino:
Para Napoli (2013) el algoritmo eliminaci�n gaussiana, mediante el clasificador k-vecino se utiliza para resolver sistemas de ecuaciones lineales. Transforma una matriz en una forma triangular superior a trav�s de operaciones de fila y luego resuelve el sistema resultante de manera eficiente.
En el mismo orden de ideas Squirra (2016) se�ala que el clasificador k-vecino dentro de los procesos de algebra lineal ayuda a los educando a la resoluci�n de sistemas de ecuaciones lineales, factorizaci�n LU (Descomposici�n LU), resoluci�n de sistemas de ecuaciones lineales, c�lculo de determinantes y an�lisis num�rico, Descomposici�n de Valores Singulares (SVD), esta t�cnica descompone una matriz en tres matrices: una matriz unitaria izquierda, una matriz diagonal y una matriz unitaria derecha. Se utiliza en an�lisis de componentes principales, reducci�n de dimensionalidad y procesamiento de im�genes.
Corval�n (2018) en sus hallazgos expone que el clasificador k-vecino permite la resoluci�n de m�todos de la potencia; se utiliza para calcular los valores propios (eigenvalues) de una matriz y sus vectores propios (eigenvectors). Es fundamental en an�lisis de datos y aplicaciones en aprendizaje autom�tico.
Fern�ndez et al (2016) menciona en su estudio que el clasificador k-vecino� permite efectuar Factorizaci�n QR, este m�todo descompone una matriz en el producto de una matriz ortogonal (Q) y una matriz triangular superior (R), as� como permite la resoluci�n de sistemas de ecuaciones lineales, ajuste de curvas y problemas de optimizaci�n.
Adem�s, para Mart�nez et al (2020) el clasificador k-vecino�� dentro del �mbito del algebra lineal permite Transformadas de Fourier las cuales se utilizan para analizar se�ales y datos en el dominio de la frecuencia, el adem�s sirven para algoritmos de m�nimos cuadrados, estos algoritmos se utilizan para ajustar modelos a datos, como la regresi�n lineal y la regresi�n polin�mica, minimizando la suma de los cuadrados de las diferencias entre los datos observados y los valores predichos.
Conclusiones
Utilizar algoritmos para la resoluci�n de problemas de �lgebra lineal ofrece numerosas ventajas y es esencial en la computaci�n num�rica y la ciencia de datos. Aqu� hay algunas conclusiones clave sobre por qu� los algoritmos son fundamentales en la resoluci�n de problemas de �lgebra lineal como la eficiencia computacional, los algoritmos permiten realizar c�lculos complejos de manera eficiente, lo que es fundamental en aplicaciones que involucran matrices y vectores grandes, como sistemas de ecuaciones lineales, regresi�n lineal y transformaciones lineales.
Adem�s, el clasificador k-vecino permite trabajar con precisi�n num�rica, los algoritmos de �lgebra lineal est�n dise�ados para minimizar errores num�ricos y asegurar que los resultados sean lo m�s precisos posible. Esto es esencial para la validez de los c�lculos cient�ficos y de ingenier�a, as� tambi�n los algoritmos de �lgebra lineal son generalmente aplicables a una amplia variedad de problemas. Por.
En igual forma como en el estudio realizado, la programaci�n de algoritmos de �lgebra lineal permite automatizar tareas repetitivas y complejas, lo que ahorra tiempo y reduce la posibilidad de errores humanos.
En resumen, los algoritmos de �lgebra lineal son una parte fundamental de la ciencia de la computaci�n y la matem�tica aplicada, y desempe�an un papel crucial en una amplia gama de aplicaciones pr�cticas, desde la simulaci�n cient�fica hasta la inteligencia artificial. Su uso eficiente y preciso es esencial para resolver problemas complejos y avanzar en el conocimiento y la tecnolog�a.
Referencias
Almeida, M. del M. A. (2019). Robots , inteligencia artificial y realidad virtual : una aproximaci�n en el sector del turismo. Cuadernos de Turismo, 44, 13�26.
ChatGPT Generative Pre-trained Transformer y Zhavoronkov, A. (2022). Rapamycin in the context of Pascal�s Wager: generative pre-trained transformer perspective. Oncoscience, 9, 82-84. https://doi.org/10.18632/oncoscience.571
Corval�n, J. G. (2018). Inteligencia artificial: retos, desaf�os y oportunidades � Prometea: la primera inteligencia artificial de Latinoam�rica al servicio de la Justicia. Revista de Investiga��es Constitucionais, 5(1), 295�316. https://doi.org/10.5380/rinc.v5i1.55334
Fern�ndez-Manzano, E.-P., Neira, E., & Clares-Gavil�n, J. (2016). Gesti�n de datos en el negocio audiovisual : netflix como estudio de caso. El Profesional de La Informaci�n, 25(4), 568�576. https://doi.org/http://dx.doi.org/10.3145/epi.2016.jul.06
Guida, G. y Mauri, G. (1986). Evaluation of natural language processing systems: Issues and approaches. Proceedings of the IEEE. 74(7), 1026�1035. https://doi.org/10.1109/PROC.1986.13580
King, M. R. y ChatGPT (2023). A Conversation on Artificial Intelligence, Chatbots, and Plagiarism in Higher Education. Cellular and Molecular Bioengineering, 16(1), 1-2. https://doi.org/10.1007/s12195-022-00754-8
Kung, T. H., Cheatham, M., Medinilla, A., ChatGPT, Sillos, C., De Leon, L., ... y Tseng, V. (2022). Performance of ChatGPT on USMLE: Potential for AI-Assisted Medical Education Using Large Language Models. medRxiv, 2022-12. https://doi.org/10.1101/2022.12.19.22283643
Mart�nez-Ortega, A. G., & Medina-Chicaiza, R. P. (2020). Tecnolog�as en la inteligencia artificial para el Marketing: una revisi�n de la literatura. Pro Sciences, 4(30), 36�47.
Musiani, F. (2013). Governance by algorithms. Internet Policy Review, 2(3), 1-8. https://doi.org/10.14763/2013.3.188
Napoli, P. (2013). The algorithm as an institution: Toward a theoretical framework for automated media production and consumption. Fordham University Schools of Business Research Paper. https://doi.org/10.2139/ssrn.2260923
P�rez Gonz�lez, �lvaro R., Villegas Est�vez , C. J., Cabascango Jaramillo , M. J. C., & Soria Flores , E. R. (2023). Inteligencia artificial como estrategia de innovaci�n en empresas de servicios: Una revisi�n bibliogr�fica. Revista Publicando, 10(38), 74-82. https://doi.org/10.51528/rp.vol10.id2359
Squirra, S. (2016a). A informa��o essencial a vida, as m�quinas e a comunica��o. Lumina, 10(2). https://doi.org/10.34019/1981-4070.2016.v10.21211
Verganti, R., Vendraminelli, L. and Iansiti, M. (2020), Innovation and Design in the Age of Artificial Intelligence. J Prod Innov Manag, 37: 212-227. https://doi.org/10.1111/jpim.12523
Wang, S., Scells, H., Koopman, B. y Zuccon, G. (2023). Can ChatGPT Write a Good Boolean Query for Systematic Review Literature Search?. arXiv, arXiv:2302.03495. https://doi.org/10.48550/arXiv.2302.03495
� 2023 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/