Caso de estudio sobre simulación de datos para investigaciones académicas mediante Inteligencia Artificial Generativa y Google Colab

• Fernández-Marín, Miguel Ángel ^[1] ; Montero-Murillo, Jordy Rafael ^[1] ; González-Tolmo, Débora ^[2]
  1. [1] Universidad Metropolitana. Ecuador.
  2. [2] Empresa de software en Quito Netby. Ecuador.
• Localización: Revista Mexicana de Investigación e Intervención Educativa, ISSN-e 2992-7927, Vol. 4, Nº. 1, 2025 (Ejemplar dedicado a: Mediación pedagógica y herramientas virtuales para el mejoramiento continuo de la calidad de la educación (Enero-abril)), pág. 2
• Idioma: español
• Títulos paralelos:
  • Case study on data simulation for academic research using Generative Artificial Intelligence and Google Colab
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Se presenta un caso de estudio sobre simulación de datos para la investigación académica, donde con Inteligencia Artificial Generativa (IAG) y el modelo ChatGPT se logra obtener un conjunto de datos simulados con los prompts adecuados. Para la validación de datos se utilizó Google Colab para Python. La metodología empleada se enfoca en comparar dos conjuntos de datos, uno que es real y otro que no, pero construido bajo parámetros de los datos primarios como la media, desviación estándar y cantidad de datos. Se utilizaron librerías específicas de Paython como numpy y ttest_ind para el análisis de la estadística como T-Student, y otras como matplotlib y seaborn para gráficos de densidad. Los resultados arrojados contrastan que los datos simulados guardaban estrecha relación con los datos reales. Se demostró que no fue significativo las diferencias estadísticas demostrando la utilidad de la metodología empleada.

  • English

    A case study on data simulation for academic research is presented, where with Generative Artificial Intelligence (IAG) and the ChatGPT model it is possible to obtain a set of simulated data with the appropriate prompts. Google Colab for Python was used for data validation. The methodology used focuses on comparing two sets of data, one that is real and another that is not, but constructed under parameters of the primary data such as the mean, standard deviation and amount of data. Specific Paython libraries such as numpy and ttest_ind were used for the analysis of statistics such as T-Student, and others such as matplotlib and seaborn for density plots. The results show that the simulated data was closely related to the real data. It was shown that the statistical differences were not significant, demonstrating the usefulness of the methodology used.