Desarrollo y evaluación de un algoritmo educativo basado en inteligencia artificial para mejorar la enseñanza de la división en estudiantes de secundaria utilizando Python y Google Cola

Patricia Magdalena Llerena Aguilar, Tatiana Elizabeth Ruiz Casares, Verónica del Rocío Proaño Merino, Martha Fabiola Ashqui Sisalema, Mercy del Carmen Ayala Martínez, Alexandra Victoria Carrera Yacchirema, Gloria Mayra Chanaluisa Chanaluisa, Carlos Gilber Chiluisa Chicaiza, Irma Natali Moya Moya, Gloria Alexandra Quilligana Gordon

Resumen


Este estudio se propuso diseñar, implementar y evaluar algoritmos educativos basados en inteligencia artificial (IA) para mejorar la enseñanza de la operación de división a estudiantes de secundaria. La herramienta interactiva en Python y Google Colab demostró ser altamente efectiva, con un enfoque robusto y eficiente. El algoritmo incorporó generación aleatoria de números, cálculos precisos, interacción intuitiva con el usuario, manejo de excepciones y un bucle de práctica iterativo. La validación del modelo de división mediante pruebas de precisión, exhaustividad y F1 Score arrojó resultados prometedores, con un equilibrio entre precisión y exhaustividad. El análisis estadístico, respaldado por la prueba t de Student, reveló una diferencia significativa en el rendimiento de aprendizaje entre los grupos de control y experimental. Los estudiantes que utilizaron la herramienta de IA mostraron un aumento significativo en la comprensión y aplicación de la división en comparación con métodos tradicionales. La herramienta no solo mejoró la precisión matemática, sino que también fomentó la participación activa y la comprensión profunda.  Estos resultados tienen implicaciones pedagógicas sustanciales, respaldando la idea de que la integración de tecnologías de inteligencia artificial en la enseñanza matemática puede ofrecer ventajas significativas. Los educadores y diseñadores de cursos pueden considerar la implementación de herramientas similares para enriquecer la experiencia de aprendizaje y mejorar los resultados educativos. Sin embargo, se destaca la importancia de abordar consideraciones éticas y de privacidad al implementar estas tecnologías. En resumen, este estudio respalda la viabilidad y el impacto positivo de la inteligencia artificial en el aprendizaje matemático, marcando un avance significativo en la integración tecnológica educativa.


Palabras clave


División; Aprendizaje; Estuantes; Matemática; Inteligencia artificial.

Texto completo:

PDF HTML

Referencias


Sweigart, A. (2023). Invent Your Own Computer Games with Python. No Starch Press.

Van Rossum, G., & Drake, F. L. (2011). Python 3 Reference Manual. CreateSpace.

Zelle, J. M. (2022). Python Programming: An Introduction to Computer Science. Franklin, Beedle & Associates Inc.

Miller, B. (2020). Python for Kids: A Playful Introduction to Programming. No Starch Press.

McKinney, W. (2019). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly Media.

Langtangen, H. P. (2020). A Primer on Scientific Programming with Python. Springer.

McKinney, W., & Others. (2020). Python for Data Science Handbook. O'Reilly Media.

Perez, F., & Granger, B. E. (2021). IPython: A System for Interactive Scientific Computing. Computing in Science & Engineering, 9(3), 21-29.

Heath, M., & Heath, K. (2022). Mathematics: The New Golden Age. Columbia University Press.

Swinnen, D. (2023). A Byte of Python. Swaroop C H.

Vanden Berghe, G., & Vanderstraeten, R. (2018). Applied Mathematical Optimization Using Python. Springer.

Lutz, M. (2019). Learning Python: Powerful Object-Oriented Programming. O'Reilly Media.

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Prentice Hall.

Goodfellow, I., Bengio, Y., & Courville, A. (2021). Deep Learning. MIT Press.

LeCun, Y., Bengio, Y., & Hinton, G. (2022). Deep learning. Nature, 521(7553), 436-444.

Sutton, R. S., & Barto, A. G. (2023). Reinforcement Learning: An Introduction. MIT Press.

Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., ... & Dieleman, S. (2019). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.

Koller, D., & Friedman, N. (2020). Probabilistic Graphical Models: Principles and Techniques. MIT Press.

Murphy, K. P. (2021). Machine learning: a probabilistic perspective. MIT Press.

Bengio, Y., Courville, A., & Vincent, P. (2022). Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828.

Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A. R., Jaitly, N., ... & Kingsbury, B. (2023). Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 29(6), 82-97.

Jurafsky, D., & Martin, J. H. (2020). Speech and Language Processing. Draft of 3rd edition. Retrieved from https://web.stanford.edu/~jurafsky/slp3/




DOI: https://doi.org/10.23857/pc.v9i1.6416

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




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/