Video Experimental Relacionado
Updated: Feb 19, 2026
06:37
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
5.5K
IA explicable en educación: integración del conocimiento del dominio educativo en el modelo de aprendizaje profundo
Ming Qiang1, Ziyang Liu2, Ru Zhang3
1Centre of International Education, Fuzhou Polytechnic, Fuzhou, 350108, Fujian, China.
Scientific reports
|February 17, 2026
Resumen
Este estudio mejoró los modelos de Redes Neuronales Artificiales (ANN) para la predicción del rendimiento estudiantil mediante la integración del conocimiento del dominio educativo, mejorando la precisión y la confiabilidad. El algoritmo desarrollado para la Explicación de la Predicción del Rendimiento Estudiantil (SPPE) ofrece información valiosa para aplicaciones educativas.
Área de la Ciencia:
- Tecnología Educativa
- Inteligencia Artificial en Educación
- Aprendizaje Automático para la Analítica del Aprendizaje
Sus antecedentes:
- Los modelos de aprendizaje profundo como las Redes Neuronales Artificiales (ANN) son prevalentes para predecir el rendimiento estudiantil.
- La naturaleza de "caja negra" de las ANN a menudo produce información poco confiable e inconsistente con el conocimiento del dominio educativo.
- Esta falta de interpretabilidad dificulta la confiabilidad del modelo y la optimización del rendimiento.
Objetivo del estudio:
- Desarrollar una ANN interpretable para la predicción del rendimiento estudiantil.
- Abordar la inconsistencia entre las relaciones aprendidas por la ANN y el conocimiento establecido del dominio educativo.
- Mejorar la precisión y confiabilidad de los modelos de predicción del rendimiento estudiantil.
Principales métodos:
- Se utilizaron las Explicaciones Aditivas de Shapley (SHAP) para analizar una ANN entrenada con datos de rendimiento de matemáticas de estudiantes de secundaria portugueses.
- Se desarrolló el algoritmo SPPE para optimizar la ANN incorporando el conocimiento del dominio educativo.
- Se realizaron análisis de interpretabilidad global y local para rastrear los cambios en la contribución de las características.
Principales resultados:
- Identificadas las características clave que influyen en el rendimiento de los estudiantes en matemáticas.
- Las correlaciones aprendidas por el modelo ANN original contradecían el conocimiento del dominio educativo.
- El ANN optimizado con SPPE demostró una mejora del 26,9% en la precisión de la predicción en comparación con el modelo original.
- El ANN optimizado superó a los algoritmos tradicionales de aprendizaje automático.
- La estrategia SPPE mostró robustez en diferentes arquitecturas ANN.
Conclusiones:
- La integración del conocimiento del dominio educativo mejora significativamente la precisión y la interpretabilidad de los modelos ANN para la predicción del rendimiento estudiantil.
- El algoritmo SPPE propuesto ofrece un enfoque práctico y generalizable para desarrollar IA confiable en educación.
- Los hallazgos proporcionan información útil para mejorar las aplicaciones educativas y desarrollar marcos de redes neuronales interpretables.
Videos de Conceptos Relacionados
01:21Cognitive Learning
1.4K
Cognitive learning is based on purposive behavior, incidental learning, and insight learning.
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
1.4K
01:27Associative Learning
1.5K
Associative learning is a fundamental concept in behavioral psychology, wherein a connection is established between two stimuli or events, leading to a learned response. This process is critical in understanding how behaviors are acquired and modified. Conditioning, the mechanism through which associations are formed, can be divided into two main types: classical conditioning and operant conditioning, each elucidating different aspects of associative learning.
Classical conditioning, also known...
Classical conditioning, also known...
1.5K
01:12Observational Learning
1.0K
Albert Bandura's observational learning, also known as imitation or modeling, occurs when a person observes and imitates another's behavior. It is a quicker process than operant conditioning. A well-known example is the Bobo doll study, where children who saw an adult acting aggressively towards the doll were more likely to act aggressively when left alone, compared to those who observed a nonaggressive adult. Many psychologists view observational learning as a form of latent learning...
1.0K
01:16Non-equilibrium in the Cell
5.5K
An important concept in studying metabolism and energy is that of chemical equilibrium. Most chemical reactions are reversible. They can proceed in both directions, releasing energy into their environment in one direction, and absorbing it from the environment in the other direction. The same is true for the chemical reactions involved in cell metabolism, such as the breaking down and building up of proteins into and from individual amino acids, respectively. Reactants within a closed system...
5.5K