Aplicación de la red convolucional de gráficos de inteligencia artificial en la evaluación de calificaciones en el aula

Área de la Ciencia:

• Tecnología educativa
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• La calificación tradicional en el aula sufre de subjetividad y alcance limitado, y no logra capturar el verdadero estado de aprendizaje de los estudiantes.
• Los métodos de análisis de datos educativos existentes a menudo pasan por alto el impacto de las interacciones sociales en el rendimiento académico.

Objetivo del estudio:

• Desarrollar un modelo objetivo y preciso de evaluación del rendimiento en el aula utilizando redes convolucionales de gráficos (GCN).
• Aprovechar las relaciones sociales de los estudiantes dentro de un gráfico de interacción para mejorar la evaluación educativa.
• Proporcionar un nuevo enfoque técnico para sistemas inteligentes y dinámicos de evaluación de calificaciones en el aula.

Principales métodos:

• Construyó un gráfico de relaciones de interacción entre los estudiantes, integrando atributos individuales y conexiones sociales.
• Técnicas de red neuronal de gráficos aplicados (GNN), específicamente GCN, para analizar datos educativos de múltiples fuentes.
• Diseñó un modelo de arquitectura y proceso de formación del GCN adaptado a los escenarios de evaluación educativa.

Principales resultados:

• El modelo GCN propuesto superó significativamente los métodos tradicionales de aprendizaje automático en una tarea de predicción de rendimiento en el aula de cuatro clases.
• Los experimentos de ablación confirmaron el papel crítico de la información de las relaciones sociales en la mejora de la precisión de la predicción.
• El análisis comparativo validó la efectividad de diferentes estrategias de construcción de gráficos.

Conclusiones:

• Las redes convolucionales de gráficos ofrecen una herramienta poderosa para una evaluación educativa objetiva y precisa.
• La integración del análisis de las redes sociales en los modelos GNN mejora la predicción del rendimiento de los estudiantes.
• Esta investigación amplía la aplicación de GNN en la minería de datos educativos y allana el camino para sistemas de evaluación más inteligentes.