El dia 19 de març, a les 13:30 hores (hora espanyola) es celebrarà el tretzè seminari: Model de predicció per a l’avaluació de la Competència Digital Docent mitjançant tècniques de Machine Learning. Tant en modalitat presencial (Edifici Guillem Cifre, bloc C, sala de reunions C-210) i en línia (a través de zoom).
Sobre el ponent:
A càrrec de Wiston Forero Corba, doctorand en Tecnologia Educativa a la Universitat de les Illes Balears (UIB) en l’àmbit del Machine Learning i intel·ligència artificial per a l’educació. Va obtenir el Màster en Enginyeria Informàtica per la Universitat Pública de Navarra (UPNA) i l’especialització en Aplicació de TIC per a l’Educació per la Universitat de Santander (UDES). Va completar l’Enginyeria de Sistemes i Computació a la Universitat Nacional de Colòmbia (UNAL) i la Llicenciatura en Física a la Universitat Distrital F.J.C. (UD). Investigador del grup InecTIC de la UG. Les seves línies d’investigació inclouen les ciències de la computació, intel·ligència artificial, Machine Learning, educació, programació, STEM i altres camps relacionats.
Resum del seminari:
El Machine Learning (ML) és un camp de la intel·ligència artificial que, a través de diferents tècniques, elabora prediccions a partir de dades massives. La competència digital docent (CDD) es refereix habitualment a les habilitats i destreses dels docents en sistemes digitals i la seva aplicació als processos d'ensenyament-aprenentatge. La investigació sobre la CDD és rellevant per a les institucions, ja que de la seva avaluació depenen l’aprenentatge, trajectòria, direcció i comportament dels alumnes. La CDD a Colòmbia es basa en cinc elements: comunicatiu, de gestió, investigador, pedagògic i tecnològic, i cadascun d’aquests es mesura en tres nivells: explorador, integrador i innovador. La metodologia pretén mostrar el disseny, desenvolupament i avaluació d’un model de predicció de la CDD a Colòmbia aplicant nou tècniques de ML utilitzant el programari Orange Data Mining. Els resultats mostren l'alta efectivitat de les tècniques intel·ligents per predir la CDD. El model demostra ser retroalimentable i escalable. L’estudi també ofereix propostes per a la implementació en futures investigacions.
Inscripcions al següent formulari