����������������������������������������������������������������������������������

 

 

Algoritmos Inteligentes para el Desarrollo del Aprendizaje Aritm�tico B�sico en ni�os no videntes por medio de una Aplicaci�n M�vil L�dica

 

Intelligent Algorithms for the Development of Basic Arithmetic Learning in blind children through a Playful Mobile Application

 

Algoritmos Inteligentes para o Desenvolvimento da Aprendizagem Aritm�tica B�sica em crian�as cegas por meio de um Aplicativo M�vel L�dico

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: afona2@espe.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 30 de diciembre de 2023 *Aceptado: 11 de enero de 2024 * Publicado: �06 de febrero de 2024

 

I.            Universidad de las Fuerzas Armadas ESPE-L, Latacunga, Ecuador.

II.            Universidad de las Fuerzas Armadas ESPE-L, Latacunga, Ecuador.

III.            Universidad de las Fuerzas Armadas ESPE-L, Latacunga, Ecuador.

 

Resumen

Los estudiantes invidentes enfrentan situaciones en las que no pueden aprender aritm�tica como un estudiante que puede ver, las aplicaciones m�viles no se especializan en la educaci�n de estos estudiantes ya que no tienen la forma de adecuar los ejercicios para que el estudiante invidente aprenda, debido a que siempre presentan los mismos ejercicios, esto hace que los estudiantes memoricen el ejercicio y sus respuestas. Es por eso que se desarroll� una aplicaci�n m�vil para la ense�anza de aritm�tica que utilice algoritmos inteligentes y sea dise�ada espec�ficamente para estudiantes invidentes. Este software proporciona una experiencia de aprendizaje inclusiva, ofreciendo una interfaz accesible, adem�s eval�a el progreso de los estudiantes y adapta el contenido en funci�n del avance y las necesidades de cada alumno. Para validar este software se realiz� un experimento con estudiantes de 5to grado, se dividi� el grupo en 2. Se realiz� un test inicial a todos, el grupo uno obtuvo un promedio de 12.6/20, el grupo dos de 12.8/20. Luego, el grupo uno empez� a usar la aplicaci�n por un periodo de 4 meses, mientras que el grupo dos continu� con el m�todo de ense�anza tradicional, al finalizar el periodo del experimento se aplic� un nuevo test, los promedios mejoraron, el grupo uno obtuvo 17.13/20 y el grupo dos 14.8/20. Con estos resultados se pudo concluir que el uso de la aplicaci�n fue efectivo en el grupo uno porque genero conocimiento mediante la generaci�n de ejercicios basado en las necesidades de aprendizaje de los estudiantes.

Palabras clave: Algoritmos inteligentes; Aplicaciones m�viles; Ense�anza de aritm�tica; Estudiantes invidentes; Software l�dico.

 

Abstract

Blind students face situations in which they cannot learn arithmetic like a student who can see, mobile applications do not specialize in the education of these students since they do not have a way to adapt the exercises so that the blind student learns, due to They always present the same exercises, this makes the students memorize the exercise and their answers. That is why a mobile application for teaching arithmetic was developed that uses intelligent algorithms and is designed specifically for blind students. This software provides an inclusive learning experience, offering an accessible interface, also evaluates student progress and adapts content based on the progress and needs of each student. To validate this software, an experiment was carried out with 5th grade students, the group was divided into 2. An initial test was carried out on everyone, group one obtained an average of 12.6/20, group two 12.8/20. Then, group one began to use the application for a period of 4 months, while group two continued with the traditional teaching method, at the end of the experiment period a new test was applied, the averages improved, group one obtained 17.13/20 and group two 14.8/20. With these results it was possible to conclude that the use of the application was effective in group one because it generated knowledge through the generation of exercises based on the learning needs of the students.

Keywords: Intelligent algorithms; Mobile apps; Arithmetic teaching; Blind students; Playful software.

 

Resumo

Alunos cegos enfrentam situa��es em que n�o conseguem aprender aritm�tica como um aluno que enxerga, os aplicativos mobile n�o s�o especializados na educa��o desses alunos pois n�o t�m como adaptar os exerc�cios para que o aluno cego aprenda, devido a Eles sempre apresentam os mesmos exerc�cios, isso faz com que os alunos memorizem o exerc�cio e suas respostas. � por isso que foi desenvolvido um aplicativo m�vel para ensino de aritm�tica que utiliza algoritmos inteligentes e � projetado especificamente para alunos cegos. Este software proporciona uma experi�ncia de aprendizagem inclusiva, oferecendo uma interface acess�vel, tamb�m avalia o progresso do aluno e adapta o conte�do de acordo com o progresso e as necessidades de cada aluno. Para validar este software foi realizado um experimento com alunos do 5� ano, o grupo foi dividido em 2. Foi realizado um teste inicial em todos, o grupo um obteve m�dia de 12,6/20, o grupo dois 12,8/20. Ent�o o grupo um come�ou a utilizar o aplicativo por um per�odo de 4 meses, enquanto o grupo dois continuou com o m�todo de ensino tradicional, ao final do per�odo experimental foi aplicado um novo teste, as m�dias melhoraram, o grupo um obteve 17,13/20 e grupo dois 14,8/20. Com esses resultados foi poss�vel concluir que a utiliza��o do aplicativo foi eficaz na turma um pois gerou conhecimento por meio da gera��o de exerc�cios baseados nas necessidades de aprendizagem dos alunos.

Palavras-chave: Algoritmos inteligentes; Aplicativos m�veis; Ensino de aritm�tica; Alunos cegos; Software l�dico.

 

 

Introducci�n

En los �ltimos a�os, el desarrollo de m�todos de ense�anza de aritm�tica para personas no videntes ha sido insuficiente debido a la falta de inclusi�n en el �mbito educativo, es por eso, que hay pocos materiales de ense�anza para esta poblaci�n. Los m�todos comunes utilizados en las instituciones son el �baco, caja aritm�tica, calculadora parlante, sistemas inform�ticos, etc.

El �baco es uno de los principales m�todos de ense�anza de aritm�tica b�sica que se utiliza desde la antig�edad en Jap�n, el cual se basa en un aprendizaje cognitivo y simb�lico, usado por estudiantes videntes e invidentes principalmente para contar, sumar y restar (A. Mart�nez & Gonz�lez, 2017). Para el uso de otros instrumentos es necesario tener conocimiento del sistema de escritura y lectura braille un ejemplo de ello es la caja aritm�tica que consta de una estructura rectangular con cuadriculas iguales donde se realizan las operaciones y otra con divisiones para almacenar de forma organizada fichas o cubos que cuentan con relieve o n�meros en braille que facilitan su identificaci�n (G. Mart�nez & Gonz�lez, 2017). Actualmente se tiene instrumentos que son pr�cticos y f�ciles de usar.

La calculadora parlante es la adaptaci�n de una calculadora convencional para el uso de personas no videntes, el funcionamiento consiste en dictar con un audio de voz los comandos ingresados y los resultados de las operaciones (G�lvez & Rozas, 2019). Adem�s, existen programas que han sido adecuados para este tipo de poblaci�n, Expocamino es un audio-juego que se basa en el aprendizaje narrativo y cuenta con preguntas predefinidas enfocadas en c�lculos aritm�ticos, su objetivo es reforzar la capacidad de estudio cognitivo y razonamiento l�gico (Pesantes et al., 2022). Se ha implementado al m�todo educativo sistemas con algoritmos inteligentes, sin embargo, no son apropiadas para satisfacer las necesidades de estudiantes con discapacidad visual, ya que su dise�o est� orientado a personas que no presentan dificultades visuales.

Se puede apreciar una tecnolog�a interesante a tomar en cuenta en el trabajo de Mart�nez Rodr�guez (2010) que se titula �La ense�anza de las estructuras algebraicas con la utilizaci�n de un sistema inteligente�, el cual hac�a uso de las tecnolog�as de la informaci�n y las comunicaciones (TICS), inteligencia artificial y mapas conceptuales para adaptar la t�cnica de ense�anza y aprendizaje a las caracter�sticas personales del estudiante. Otro proyecto innovador es el que propone, El autor Villagr� et al (2015), quien desarroll� una estrategia para detectar de manera temprana problemas de rendimiento en el estudio acad�mico. Se utiliz� una t�cnica de aprendizaje, que aprovecha los videojuegos educativos y es conocida como gamificaci�n, el juego es de laberintos muy parecido a pacman.

Existen pocos softwares que faciliten la ense�anza de matem�ticas a ni�os no videntes y algunos sistemas inform�ticos no pueden adaptarse de manera efectiva. En la actualidad los gobiernos est�n trabajando en la inclusi�n del ser humano con discapacidad visual, para lo cual el uso de las TICS puede contribuir en el proceso de aprendizaje y en especial los sistemas inform�ticos con audio-juegos ya que permiten la comprensi�n del espacio que les rodea (Rodr�guez, 2010). Por tal motivo la presente investigaci�n se enfocar� en el desarrollo de un aplicativo m�vil l�dico para el aprendizaje de aritm�tica b�sica en ni�os con discapacidad visual.

La tecnolog�a que ofrecen los tel�fonos de hoy en d�a, las primeras experiencias que vivir�a el ni�o en el aprendizaje al usar la app y la facilidad de poder llevarlo a todas partes har�an que se fortalezca las ganas de aprender, por lo tanto, ser�a importante el desarrollo de un aplicativo m�vil l�dico enfocado a ni�os con discapacidad visual. Seg�n Montero (2021) en la educaci�n aritm�tica es fundamental encontrar estrategias pedag�gicas y did�cticas que motiven a los estudiantes a aprender por s� mismos, por lo tanto, tener un software que incentive al juego con audios atractivos ser�a muy acertada para mejorar la atenci�n del estudiante ya que captar� m�s r�pido la informaci�n, adem�s el uso de algoritmos inteligentes evitara que el profesor monitoree los resultados individuales de estos, es por eso que se necesita de inteligencia artificial para que autom�ticamente seleccione los ejercicios en los que el alumno no ha tenido �xito y se repitan hasta que este tenga un rendimiento satisfactorio, no obstante, ser�a importante tener la opci�n de mostrar el avance de los ni�os ya que ser�a una herramienta fundamental para que el profesor pueda dar seguimiento al avance del estudiante, consiguiendo de esta manera mejorar los resultados en el aprendizaje.

 

Materiales y m�todos

Desarrollo de la investigaci�n experimental

El presente trabajo uso la investigaci�n experimental, la cual se enfoc� en comprobar los efectos de utilizar un aplicativo m�vil l�dico con algoritmos inteligentes para mejorar el aprendizaje de estudiantes con discapacidad visual. Guevara Gladys et al (2020) dice que toda investigaci�n experimental tiene un enfoque cient�fico en la que se mantiene un conjunto de variables constantes, mientras otro conjunto de variables es modificado para �l experimento.

A partir del concepto mencionado en la secci�n anterior, se describen a continuaci�n los procedimientos seguidos:

1.            Se seleccion� un docente de matem�ticas el cual ten�a un grupo de estudiantes con discapacidad visual y adem�s cursaban el 5to grado de educaci�n b�sica.

2.            Se dividi� aleatoriamente a los estudiantes en 2 grupos:

a.       Grupo uno: Utilizaron el aplicativo m�vil l�dico.

b.      Grupo dos: No utilizaron el aplicativo m�vil l�dico.

3.            El docente realiz� una prueba diagn�stica antes de comenzar el experimento para medir el nivel de aprendizaje y atenci�n de los estudiantes en ambos grupos.

4.            El grupo uno hizo uso por cuatro meses del aplicativo m�vil l�dico en sus sesiones de aprendizaje, mientras que el grupo dos sigui� con su m�todo de aprendizaje habitual.

5.            Al finalizar se realiz� una prueba diagn�stica a todos los estudiantes.

6.            Se compar� y analiz� los resultados obtenidos en las pruebas diagn�sticas para interpretar y concluir si el uso del aplicativo m�vil l�dico tuvo un efecto positivo en el aprendizaje de los estudiantes con discapacidad visual.

 

Desarrollo del proyecto

Para el desarrollo de este proyecto se realizaron los algoritmos inteligentes en un backend, que es la parte no visible encargada de manejar las solicitudes de los usuarios, como registrar, editar, eliminar y proporcionar informaci�n (Coppola, 2022). El frontend, que corresponde a la parte visible de las p�ginas web y aplicaciones m�viles, hace uso de las funcionalidades proporcionadas por el backend (Apirest). La uni�n de estas dos tecnolog�as da como resultado un solo sistema que permite a los estudiantes invidentes mejorar sus calificaciones en aritm�tica b�sica.

 

 

 

 

 

 

Obtenci�n de requerimientos

 

Fig. 1: Mockups de la aplicaci�n m�vil.

 

Para obtener los requerimientos se realizaron maquetas, tambi�n llamadas Mockup que simboliza la idea de c�mo se ver�a una aplicaci�n y cu�l ser� el funcionamiento de cada pantalla, todos los mockups de este proyecto se desarrollaron en diagrams.net que es una aplicaci�n de drive y se utiliza para graficar diagramas. La figura 1 muestra una parte de los mockups que se usaron para obtener la aprobaci�n del cliente antes de proceder con la implementaci�n, lo que facilito la toma de decisiones informadas y consensuadas sobre el dise�o. Esto ayudo a prevenir cambios de �ltimo momento.

Una vez aprobados los mockups se procedi� a crear una Apirest, porque en este apartado se realizan las funcionalidades solicitadas por el cliente.

 

Obtenci�n de requerimientos

El backend se desarroll� con nodejs, que es un framework que permite a los desarrolladores scribir y desplegar c�digo en la nube de forma r�pida y sencilla, puede ser utilizado para procesar datos y ejecutar modelos de machine learning (Sim�es, 2021).

 

 

 

 

 

 

 

Desarrollo del diagrama de bases de datos

 

Fig. 2: Gr�fica de la estructura y relaciones de la base de datos.

 

En el diagrama de la figura 2 se puede ver la interpretaci�n gr�fica de c�mo las tablas se organizan y se relacionan en la base de datos.

 

Desarrollo del CRUD de las tablas

El CRUD es un acr�nimo que re�ne las primeras letras de las cuatro maneras en las que se puede gestionar una base de datos:

-          Create: Crear registros.

-          Read: Leer registros.

-          Update: Actualizar registros.

-          Delete: Borrar registros.

Se conect� el Backend a la base de datos Firestore, para proceder con el desarroll� del CRUD, para las tablas �profesor� y �estudiante�, c�mo se puede visualizar en la fig 1 cada profesor que se registre en el sistema obtendr� autom�ticamente un id_profesor �nico, en el momento que este a�ada a todos sus estudiantes, estos tendr�n el id del profesor que los registro, es decir, cuando el docente ingres� a su cuenta, el sistema mostrara el listado de sus estudiantes registrados.

La tabla �resultados�, tiene como prop�sito obtener las calificaciones de cada estudiante a trav�s de un identificador llamado (id_estudiante), que se crea al momento de registrar a un alumno y cuando el alumno a resuelto 5 ejercicios se duplica en la tabla resultados con el nombre de (fk_estudiante).

 

 

Desarrollo de los algoritmos inteligentes

Investigaci�n de estrategias usadas en la educaci�n de estudiantes escolares

Las estrategias de estudio para los estudiantes son las siguientes:

-          Aprendizaje por repetici�n, tambi�n conocido como repetici�n espaciada, seg�n (Uchihara et al., 2019) tiene varios beneficios en el proceso de aprendizaje de una persona. En primer lugar, esta t�cnica ayuda a mejorar la retenci�n de informaci�n, ya que la repetici�n frecuente de un concepto o habilidad ayuda a retener el conocimiento en la memoria a largo plazo. Adem�s, el aprendizaje por repetici�n puede ayudar a mejorar la velocidad y la precisi�n en la ejecuci�n de habilidades motoras y cognitivas. Tambi�n puede ser �til para mejorar la confianza y la autoeficacia, ya que la repetici�n frecuente puede ayudar a una persona a sentirse m�s c�moda y segura al realizar una tarea o habilidad.

-          Aprendizaje por tiempo de estudio, proporciona beneficios como el mejoramiento del rendimiento acad�mico, el desarrollo de habilidades de organizaci�n y autodisciplina, la fortaleza en la concentraci�n y la atenci�n, el desarrollo de habilidades de estudio y aprendizaje aut�nomo (Chang Mata, 2016).

Se investigaron estas estrategias debido a que contienen patrones (procesos que se repiten) que pueden ser sistematizados y replicados con algoritmos inteligentes.

 

Selecci�n del algoritmo machine learning

El Machine learning es una rama de la inteligencia artificial, este se enfoca en desarrollar algoritmos (instrucciones para solucionar problemas) y t�cnicas que permitan a los sistemas inform�ticos aprender a partir de los datos, sin necesidad de ser programados expl�citamente (universidadeuropea, 2022). Seg�n inesdi (2022) hay 3 tipos de Machine learning:

-          El Deep learning, usado para extraer patrones que tienen los datos y caracter�sticas profundas de estos.

-          El Machine learning supervisado, se proporciona un conjunto de datos de entrada y las respuestas correctas correspondientes para que el sistema aprenda a predecir cu�l es la respuesta.

-          El Machine learning no supervisado, usado para encontrar patrones.

En este caso se utiliz� machine learning supervisado debido a la naturaleza de los datos disponibles. El objetivo era aprovechar un conjunto de datos previamente etiquetados (Categor�a de una columna), lo que permiti� entrenar modelos con ejemplos de entrada y sus correspondientes respuestas correctas, esto garantiz� un aprendizaje guiado y preciso para el desarrollo de estrategias de estudio.

Para las estrategias de aprendizaje por repetici�n de ejercicios y tiempo de estudio, se seleccion� el algoritmo de machine learning supervisado de regresi�n lineal. Este es adecuado

porque permite evaluar, ajustar el progreso y el rendimiento de los estudiantes.

 

Desarrollo de los algoritmos machine learning

El desarrollo de los algoritmos que servir�n para la predicci�n del tiempo que el estudiante permanecer� en la aplicaci�n y las veces que debe repetir los ejercicios se describen a continuaci�n:

-          Recopilaci�n de datos, se hizo uso de Kaggle que es una p�gina web que permite a los usuarios encontrar informaci�n ya procesada sin necesidad de realizar tanta limpieza (Coppola, 2021).

-          Se realiz� una b�squeda en esta plataforma para encontrar las calificaciones de ni�os de escuelas y se procedi� a descargar todos los csv (representaci�n de datos en forma de tabla), luego se realiz� una b�squeda en los csv descargados, para encontrar el tiempo que estudiaron y el registro de cuantas veces se Articul� para revisi�n, equivocaban en los ejercicios, la informaci�n encontrada se guard� en un documento llamado Notas-pro.csv con las siguientes etiquetas: �Id_estudiante�, �Fecha�, �Nota�, �Titulo�, �Tiempo�, �Problema�, �Veces repetir problema�, �Promedio�.

-          Selecci�n de datos, se dividi� los datos del archivo Notas-pro.csv para comprobar que las predicciones funcionan, el 70% de los datos se usaron para el entrenamiento y el 30% para probar las predicciones, cabe mencionar que el 100% de esta informaci�n ya cuenta con los resultados, en otras palabras, ya se sabe el valor de la variable Y.

-          Entrenamiento del modelo del algoritmo de regresi�n lineal, para realizar este proceso se usaron los datos del archivo Notas-pro.csv, con el fin de que el paquete de tensorflow.js calcule las intercepciones y pendientes eligiendo as� la l�nea que pase por m�s puntos.

-          Probar las predicciones de regresi�n lineal, para este paso se utiliza la siguiente formula:

𝑌 = 𝑎𝑋 + b

Donde:

𝑋 = la variable independiente.

𝑌 = la variable dependiente. Su valor se encuentra entre 0 y 20 puntos

𝑎 = es la inclinaci�n de la l�nea recta que se denomina pendiente.

𝑏 = es la intercepci�n del punto de partida en el eje 𝑌.

Con el proceso de entrenamiento de los algoritmos se obtuvieron los siguientes resultados:

-          En el algoritmo de tiempo de estudio se obtuvo que a = 0.17 y b = 3.76.

-          En el algoritmo de ejercicios repetidos se obtuvo que a = 0.98 y b = 4.74.

Luego de calcular a y b en los dos algoritmos, se procedi� a graficar y se obtuvo lo siguiente:

 

Fig. 3: Grafico de dispersi�n de datos de calificaciones y tiempo.

Fig. 4: Grafico de dispersi�n de datos de calificaciones y ejercicios repetidos por el estudiante.

 

En la figura 3 se se�ala un punto negro que hace referencia a Y, es decir, la nota que obtendr�a el estudiante dependiendo el tiempo que estudi�, para este ejemplo se us� la variable X = 21 min y las constantes a y b que se obtuvieron en el entrenamiento del algoritmo tiempo de estudio, quedando as� la f�rmula:

Y = (0.17)*21min+3.76

Y = 7,33.

En la figura 4 se se�ala un punto amarillo que de igual forma hace referencia a Y, es decir, la nota que obtendr�a el estudiante dependiendo la cantidad de veces que repiti� los ejercicios, para este ejemplo se us� la variable X = 11 repeticiones y las constantes a, b que se obtuvieron en el entrenamiento del algoritmo de ejercicios repetidos, quedando as� la formula:

Y = (0.98)*11 repeticiones+4.74

Y = 15,52.

Estos dos ejemplos son una muestra del 30% de los datos que se reservaron para probar las predicciones del algoritmo.

Validaci�n del algoritmo, para validar los algoritmos desarrollados en la anterior

 

secci�n, se us� el coeficiente , es una medida que indica qu�

tan bien se ajusta el modelo de regresi�n lineal a los datos, su valor var�a entre 0 y 1, si el coeficiente es m�s cercano al uno esto quiere decir que las predicciones son m�s reales (Minitab, 2019). Hay dos coeficientes 𝑟² cada uno correspondiente a las figuras 2 y 3, la fig 2 tiene 0.975 y la fig 3 tiene 0.986, estos dos coeficientes muestran que los algoritmos funcionaran para realizar predicciones reales.

 

Implementaci�n de los algoritmos machine learning en el backend

Para implementar los algoritmos de la anterior secci�n se realizaron validaciones para crear los ejercicios que necesitan resolver los estudiantes, a continuaci�n, se muestran los diagramas de flujo que representan c�mo funciona este apartado del Backend.

 

 

Fig. 5: Diagrama de flujo para predecir cuantas�������������� veces�������� debe������� repetir����������� un ejercicio el estudiante.

Fig. 6: Diagrama de flujo para predecir cuanto������������ tiempo����������� debe�������� resolver������������� los ejercicios el estudiante.

 

La figura 5 representa un diagrama de flujo donde se observa la secuencia para predecir cuantas veces debe repetir un ejercicio el estudiante, a continuaci�n, se describe:

-          Para comenzar el proceso se debe recibir la nota.

-          Se procede a buscar en la tabla resultados de la figura dos, cuantas veces ha repetido ese ejercicio.

-          Se usa el algoritmo de predicci�n mostrado en la fig 3 y se obtiene un pron�stico.

-          Se valida si el pron�stico es mayor a 14, si no es mayor se aumenta una unidad m�s a las veces que debe repetir y se vuelve a desarrollar el paso 3.

-          Se valida si el pron�stico es mayor a 14, si es mayor se devuelve las veces que el estudiante debe repetir el ejercicio.

En la figura 6 se puede ver la secuencia de pasos para predecir cuanto tiempo debe resolver los ejercicios el estudiante posteriormente la explicaci�n del diagrama de flujo:

-          Para comenzar el proceso se debe recibir la nota.

-          Se procede a buscar la fecha de ese d�a en los registros del estudiante que se encuentra usando la aplicaci�n.

-          Se usa el algoritmo de predicci�n mostrado en la fig 2 y se obtiene un pron�stico.

-          Se valida si el pron�stico es mayor a 14, si no es mayor se aumenta 10 minutos m�s al tiempo que debe realizar los ejercicios y se vuelve a desarrollar el paso 3.

-          Se valida si el pron�stico es mayor o igual a 14, en caso de ser este el caso, se devuelve el tiempo que el estudiante debe realizar los ejercicios.

-           

Fig. 7: Diagrama de flujo de la funci�n de los algoritmos inteligentes.

 

Finalmente, se describe la figura 7 donde se tiene el proceso para obtener los ejercicios que resolver�n los estudiantes:

a.       El frontend hace una solicitud al backend para obtener los ejercicios.

b.      El backend obtiene todos los resultados del estudiante que se encuentra usando la aplicaci�n.

c.       Si el estudiante no tiene registros en la operaci�n que selecciono, se proceder� al punto L.

d.      Si al estudiante se le terminado el tiempo, entonces se procede a obtener el resultado m�s bajo.

e.       Si el resultado es menor o igual a tres, se realiza una operaci�n para obtener el resultado sobre 20 para generar un tiempo usando el proceso mostrado en la figura seis.

f.        Si el resultado no es menor o igual a tres, se procede a validar si el estudiante a resuelto todos los ejercicios.

g.      Si al estudiante no se le ha terminado el tiempo, entonces se valida si ya han sido resueltos los ejercicios anteriormente asignados.

h.      Si el estudiante no termino de resolver sus ejercicios entonces se le devolver� los mismos que ten�a asignados.

i.        Si el estudiante termino sus ejercicios, se proceder� a obtener el ejercicio con la nota m�s baja.

j.        Si la nota m�s baja es menor o igual a tres se enviar� la calificaci�n al proceso de la figura cinco para determinar cu�ntas veces se deber� repetir ese ejercicio.

k.      Si al estudiante se le ha asignado repetir ejercicios, entonces se generar� el n�mero de ejercicios que se ha determinado repetir, estos ejercicios tendr�n el mismo resultado, pero con otro problema aritm�tico.

l.        Si al estudiante no se le ha asignado repetir ejercicios, entonces se le generaran cinco ejercicios aleatorios.

 

 

 

 

 

 

 

 

Despliegue del Backend

 

Fig. 8: Backend en Funciones de la nube.

 

Firebase es una plataforma que ofrece una amplia gama de servicios y herramientas para el desarrollo del software, entre estos servicios se encuentra el hosting de aplicaciones web, que permite desplegar y alojar el backend de una aplicaci�n (Flores, 2022).

Se realizaron pruebas en postman, ya que en esta herramienta se pueden realizar pruebas y comprobar el correcto funcionamiento del backend. En la figura 8 se observa que al ser subido el bakend local a la p�gina web de firebase genera una URL, mediante el cual permite la conexi�n con la aplicaci�n m�vil.

 

Desarrollo del frontend

Elaboraci�n de la aplicaci�n m�vil

 

Fig. 9: Esquema del desarrollo de una aplicaci�n m�vil en Ionic Angular.

 

En la figura 9 se muestra el esquema de c�mo se elabor� el frontend, comenzando por la secci�n dos, donde se instalaron los plugins nativos (programas que permiten hacer uso de una parte del tel�fono) para usar el micr�fono de un tel�fono m�vil, en la secci�n uno se crearon todas las pantallas con sus respectivas funcionalidades, en la secci�n tres Ionic transforma el sistema desarrollado a una aplicaci�n nativa Android y finalmente en la divisi�n cuatro la aplicaci�n se instala en un tel�fono m�vil.

 

Desarrollo de la maquetaci�n

Fig. 10: Mockup a maqueta.

 

Todos los mockups se usaron para maquetarlos con Ionic-Angular y obtener resultados como en la figura 10, en donde la maquetaci�n servir� como primer paso para desarrollar las pantallas de la aplicaci�n.

 

Instalaci�n de plugins

La figura 9 secci�n dos, muestra que C�rdova plugins ayudo a instalar el siguiente

listado:

-          Media: permite obtener el tiempo que tienen los audios.

-          Native-audio: permite reproducir los audios.

-          Speech-recognition: activa el micr�fono para obtener un texto.

-          Vibration: Permite activar la vibraci�n del tel�fono por un tiempo determinado.

-          Storage: Permite guardar los datos en el tel�fono de manera local.

Estos plugins ayudaron a que los estudiantes pudieran navegar por las pantallas y que puedan resolver los ejercicios.

 

Desarrollo de la comunicaci�n entre el Backend y Frontend

 

Fig. 11: Comunicaci�n del Backend con el Frontend.

 

En este apartado del desarrollo del Frontend nos encontramos en la secci�n 1 de la figura 9, la aplicaci�n m�vil se conect� al Backend por medio de la URL que fue mostrada en la figura 7, para que la aplicaci�n m�vil pueda enviar informaci�n y hacer peticiones usando m�todos HTTP, estos permiten comunicar con el Backend (Apirest), tal como se muestra en la figura 11. El desarrollo de la aplicaci�n se enfoc� en ser usable (que no se necesite de un manual), tambi�n se realizaron funciones para reproducir el audio y que el micr�fono se active cuando se termine de reproducir, as� el estudiante pueda responder a la aplicaci�n, otra funci�n desarrollada permite que el tel�fono vibre por un tiempo determinado cuando el estudiante se encuentre realizando los ejercicios, el objetivo de esto es que pueda entender cu�l es la cantidad con la que se encuentra en el ejercicio o repaso.

 

Interacci�n del estudiante con la aplicaci�n

Historias l�dicas

Para tener la atenci�n de los ni�os fue necesario implementar historias l�dicas que animan a los estudiantes a participar activamente en los ejercicios (Melero et al., 2018). mediante audios que cuentan diferentes historias de personajes.

 

Fig. 11: Captura de pantalla de las historias l�dicas.

 

En la figura 11 se observa el espacio donde se encuentran los ejercicios en los cuales se narran las historias de los personajes que se muestran en las pantallas, permitiendo as� que el ni�o resuelva los problemas de manera interactiva por medio del micr�fono.

 

Proceso de interacci�n del ni�o con la aplicaci�n m�vil

 

Fig. 12: Diagrama de flujo de como el estudiante interact�a con el algoritmo inteligente.

 

La figura 12 muestra c�mo funciona la interacci�n del ni�o con la aplicaci�n m�vil:

a.       El estudiante se encuentra en la pantalla de ejercicios y deber� escuchar el audio para dar un comando de voz, con el fin de escoger una operaci�n aritm�tica o salir.

b.      Si el estudiante desea salir puede hacerlo.

c.       Si el estudiante no desea salir, la aplicaci�n solicitara al backend los ejercicios.

d.      El backend devuelve un objeto a la aplicaci�n, un atributo del objeto ayuda en la validaci�n de la aplicaci�n, si el estudiante no tiene buenos resultados en una operaci�n entonces la aplicaci�n regresara al proceso A, hay un orden de operaciones si un estudiante es nuevo solo puede realizar los ejercicios de conteo y no puede escoger los ejercicios de multiplicaci�n.

e.       Si el estudiante puede resolver los ejercicios, la aplicaci�n proceder� con las historias l�dicas, hasta que el estudiante haya resuelto cinco ejercicios.

f.        Al terminar de resolver los cinco ejercicios la aplicaci�n subir� el resultado.

g.      Si el estudiante desea continuar resolviendo los ejercicios entonces la aplicaci�n regresara al proceso E.

h.      Si el estudiante no desea continuar regresara al proceso A.

 

Resultados

El sistema fue implementado a estudiantes de 5to grado durante el primer Quimestre del a�o acad�mico 2022-2023, iniciando sus actividades en septiembre del 2022 y finalizando en diciembre del 2022. Alrededor de 6 estudiantes invidentes se registraron a las clases de aritm�tica del Lic. Segundo Lorenzo O�a Niacato.

El experimento comienza con tomar una prueba de diagn�stico a seis estudiantes para evaluar sus habilidades de aritm�tica b�sica y su nivel de comprensi�n de conceptos, en la tabla 1 se muestran los resultados, esto con el objetivo de obtener una base que se pueda luego comparar con la influencia de los algoritmos inteligentes. Todos los resultados presentados en esta investigaci�n son sobre 20 puntos.

 

Tabla 1: Resultados de la prueba de diagn�stico.

 

Como se puede visualizar en la tabla 1 los estudiantes tienen problemas con las operaciones de suma, resta, multiplicaci�n y divisi�n.

Luego de obtener las calificaciones, se plantea volver a tomar otra prueba con las siguientes condiciones:

-          Se crearon dos grupos de tres integrantes (grupo 1, grupo 2).

-          El grupo uno usar�a la aplicaci�n m�vil como complemento para el estudio antes de realizar la nueva prueba.

-          El grupo dos realizar�a su estudio de forma tradicional todo esto antes de realizar la nueva prueba.

Los resultados de la nueva prueba se pueden observar en la tabla 2 para el grupo uno y en la tabla 3 para el grupo dos.

 

Tabla 2: Resultados de la nueva prueba que se realiz� a los estudiantes del grupo uno.

 

La tabla 2 se muestra los resultados de la nueva prueba con estudiantes que usaron la aplicaci�n m�vil, en la �ltima columna se realiz� un promedio de las notas obtenida en cada operaci�n y se obtuvo tambi�n el promedio de las notas del grupo uno.

 

Tabla 3: Resultados de la segunda prueba diagn�stica que realizaron los estudiantes despu�s de no usar la aplicaci�n m�vil.

 

La tabla 3 muestra los resultados de la nueva prueba con estudiantes que no usaron la aplicaci�n m�vil, en la �ltima columna se muestran los promedios de las notas obtenida en cada operaci�n y se obtuvo tambi�n el promedio de las notas del grupo dos.

Para un mejor el entendimiento de los resultados obtenidos se presenta la siguiente grafica.

 

Fig. 13: Influencia de los algoritmos inteligentes.

 

En la figura 13, muestra las barras azules las cuales son las gr�ficas del promedio de la prueba de diagn�stico (antes del experimento) y las barras naranjas son el promedio de los resultados del grupo que utilizo la app (grupo uno) y el grupo que no utilizo la app (grupo dos) despu�s del experimento, como se puede observar las dos barras naranjas tienden a mejorar en comparaci�n con las azules, pero se evidencia una mejora m�s grande en la gr�fica naranja del grupo uno. Esa mejora se debe a la influencia que tuvieron los algoritmos inteligentes ya que al momento que el ni�o estaba estudiando y ten�a problemas con alg�n ejercicio los algoritmos

inteligentes mostraban m�s ejercicios parecidos para que resuelva. Otro factor que aporto a mejorar los resultados fue que la aplicaci�n al ser l�dica manten�a al ni�o entretenido por m�s tiempo mientras el algoritmo se encargaba de recomendar nuevos ejercicios.

 

 

Discusi�n

En esta secci�n los autores analizan, explican e interpretan los resultados, relacionan los hechos encontrados en la investigaci�n, comparan con los datos obtenidos por otros investigadores documentados en la literatura y llegan a conclusiones en consonancia con los objetivos e hip�tesis que motivaron la investigaci�n. En esta secci�n, cuando se refiera a los hechos encontrados por otros autores (afirm�ndolos o refut�ndolos) debe mencionarse al autor(es), utilizando el sistema autor a�o, el mismo que tambi�n se aplica en la introducci�n y la metodolog�a En el estudio se comprob�, el importante uso de los algoritmos inteligentes en la educaci�n, porque estos permitieron usar la retroalimentaci�n instant�nea y corregir errores, lo que permite a los estudiantes mejorar sus habilidades aritm�ticas de manera m�s r�pida y eficiente. Demostrando de esta manera que el art�culo de Uchihara et al (2019) donde menciona que el estudio por repetici�n de ejercicios es efectivo, en este caso el problema aritm�tico variar�, pero el resultado siempre ser� el mismo, mientras que (Chang Mata, 2016) resalta en su investigaci�n que el tiempo dedicado al estudio tiene un impacto en el aprendizaje, en esta situaci�n el algoritmo asigna un tiempo de estudio basado en la calificaci�n obtenida.

Tambi�n, se valida la conclusi�n de C�rdenas & C�ceres (2019) que comprob� que la presencia de una aplicaci�n m�vil educativa es importante para mejorar las habilidades en el estudio, en el presente art�culo, se obtuvieron resultados positivos, dado que el uso de la aplicaci�n m�vil result� beneficioso para los estudiantes.

 

Conclusiones

La implementaci�n de algoritmos inteligentes para el desarrollo del aprendizaje aritm�tico b�sico en ni�os no videntes por medio de una aplicaci�n m�vil l�dica result� ser una herramienta efectiva para el mejoramiento del proceso de ense�anza-aprendizaje, debido a los pocos recursos que usa la aplicaci�n en los tel�fonos m�viles as� pudiendo usarse en tel�fonos antiguos y nuevos. Los resultados obtenidos en el estudio mostraron un progreso significativo en el desempe�o aritm�tico de los estudiantes que participaron en la prueba. Adem�s, la aplicaci�n m�vil fue bien recibida por los estudiantes y el profesor, lo que sugiere que es una alternativa viable y atractiva para mejorar la calidad de la educaci�n para ni�os no videntes.

Sin embargo, se necesitan futuras investigaciones para mejorar la aplicaci�n y evaluar su eficacia a largo plazo en el aprendizaje aritm�tico de los ni�os no videntes. Ser�a interesante explorar la inclusi�n de m�s juegos, otros modelos de machine learning y actividades que involucren diferentes aspectos de las matem�ticas, como la geometr�a, las fracciones y la estad�stica, para ampliar el rango de habilidades que se pueden desarrollar.

 

Referencias

1.            Mart�nez Rodr�guez. (2010). LA ENSE�ANZA DE LAS ESTRUCTURAS ALGEBRAICAS CON LA UTILIZACI�N DE UN SISTEMA INTELIGENTE. UNIVERSIDADCENTRAL �MARTA ABREU� DE LAS VILLAS.

2.            Montero-Restrepo, D. F., Morales, M. D. M., Romero-Bravo, N., & Moreno-Moreno, V. (2021). No solo se aprende desde el tablero: mecanismos para la ense�anza de las

3.            matem�ticas a estudiantes con discapacidad visual. Trans-Pasando Fronteras, (18).

4.            C�rdenas, I., & C�ceres, M. (2019). Las generaciones digitales y las aplicaciones m�viles como refuerzo educativo. Revista Metropolitana de Ciencias Aplicadas, 2, 25�31.

5.            Chang Mata, R. O. (2016). Relaci�n entre el desempe�o acad�mico y las horas de estudio invertidas en����������������������������������������������������������� un Colegio���������� de������� Bachilleres. https://repositorio.tec.mx/bitstream/handle/11285/629801/Roberto%20Octavio%20Ch an g%20Mata.pdf? sequence=6&isAllowed=y

6.            Coppola, M. (2021, August 31). Ciencia de datos: qu� es, para qu� sirve, ventajas y consejos. https://blog.hubspot.es/marketing/ciencia-de-datos

7.            Coppola, M. (2022, September 19). Frontend y backend: qu� son, en qu� se diferencian y ejemplos. https://blog.hubspot.es/website/frontend-y-backend

8.            Flores, H. (2022, June 3). �Por qu� utilizar Firebase de Google? https://www.inbest.cloud/comunidad/por-que-utilizar-workspace-firebase-de-google

9.            G�lvez, M., & Rozas, J. (2019). An�lisis de la influencia de la discapacidad visual en la educaci�n matem�tica. Gu�a para el profesorado. Universidad de Almer�a.

10.            Guevara Gladys, Verdesoto Alexis, & Castro Nelly. (2020). Metodolog�as de investigaci�n educativa (descriptivas, experimentales, participativas, y de investigaci�n-acci�n). RECIMUNDO, 163�173.

11.            inesdi. (2022, October 10). �Qu� es el Aprendizaje supervisado en Machine Learning? | Inesdi. https://www.inesdi.com/blog/aprendizaje-supervisado-machine-learning/

12.            Mart�nez, A., & Gonz�lez, F. (2017). Aspectos did�cticos para la ense�anza de la matem�tica a personas con discapacidad visual. Revista Paradigma, XXXVIII, 385� 404.

13.            Mart�nez, G., & Gonz�lez, M. (2017). Caja aritm�tica mini. Revista Digital Sobre Discapacidad Visual, 71.

14.            Mart�nez Rodr�guez. (2010). LA ENSE�ANZA DE LAS ESTRUCTURAS ALGEBRAICAS CON LA UTILIZACI�N DE UN SISTEMA INTELIGENTE. UNIVERSIDAD CENTRAL �MARTA ABREU� DE LAS VILLAS.

15.            Melero, A. �., Rivas, A. �. O., Redondo, F. C., & Dom�nguez, V. S. (2018). El uso del Kahoot y del Jumble como herramienta de trabajo para la ense�anza para la Historia

16.            Antigua y Medieval de Espa�a. Innovaciones En El Aprendizaje Con Tecnolog�as Digitales.

17.            Minitab. (2019, April 18). An�lisis de Regresi�n: �C�mo Puedo Interpretar el R-cuadrado y Evaluar la Bondad de Ajuste? https://blog.minitab.com/es/analisis-de-regresion-como- puedo-interpretar-el-r-cuadrado-y-evaluar-la-bondad-de-ajuste

18.            Pesantes, D. A., Yuquilema, A. V. A., & Pesantez, L. M. �. (2022). Un audio-juego para ni�os no videntes centrado en el aprendizaje narrativo. Esp�ritu Emprendedor TES, 6(1), 32�50. https://doi.org/10.33970/eetes.v6.n1.2022.294

19.            Sim�es,���������������������������������������������� C. (2021,� July����� 27).����� �Qu頠 es�������� Node.js,��������� y��������� para����������������������������������������������������������� qu頠�������� sirve? https://www.itdo.com/blog/que-es-node-js-y-para-que-sirve/

20.            Uchihara, T., Webb, S., & Yanagisawa, A. (2019). The Effects of Repetition on Incidental Vocabulary Learning: A Meta‐Analysis of Correlational Studies. Language Learning, 69(3), 559�599. https://doi.org/10.1111/lang.12343

21.            Universidad europea. (2022, September 9). Aprendizaje supervisado y no supervisado. https://universidadeuropea.com/blog/aprendizaje-supervisado-no-supervisado/

22.            Villagr�, C., gallego, F., Llorens, F., Compa�, P., Satorre, R., & Molina, R. (2015). Detecci�n precoz de dificultades en el aprendizaje. Herramienta para la predicci�n del rendimiento de los estudiantes. CINAIC.

 

 

� 2024 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/).