Metodología para la generación de alertas tempranas en la evaluación de competencias de electrónica analógica utilizando modelos de aprendizaje automático

• Yurley T. Tovar ^[1] ; Andrés F. Calvo ^[1] ; Arley Bejarano ^[1]
  1. [1] Universidad Tecnológica de Pereira

     Universidad Tecnológica de Pereira

     Colombia

     
• Localización: Formación Universitaria, ISSN-e 0718-5006, Vol. 16, Nº. 4, 2023, págs. 21-32
• Idioma: español
• Títulos paralelos:
  • Methodology for generating early warnings in assessments of analog electronics competencies by using machine-learning models
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este estudio se presenta un sistema de alertas basado en redes LSTM (long short-term memory) que evalúa el conocimiento de estudiantes con respecto a unidades temáticas de una competencia de electrónica analógica. Se crea una base de datos que consiste en las respuestas entregadas por estudiantes al resolver un examen previamente diseñado. La base de datos consiste en un banco de 60 preguntas que tienen la finalidad de evaluar una competencia de electrónica analógica. Los resultados muestran que esta metodología basada en LSTM tiene una eficiencia mayor al 80% al determinar las falencias de los alumnos. Además, predice con más del 90% de precisión las respuestas de preguntas de niveles dificultad superior, a partir de las entregadas en una etapa inferior. Se concluye que esta herramienta LSTM de predicción es confiable al tener alta precisión en la generación de alertas y en determinar las respuestas a futuro de los alumnos.

  • English

    This study presents an early warning alert system based on LSTM (long short-term memory) networks that evaluates the knowledge of students with respect to thematic units corresponding to an analog electronics competency. A database is created with student answers to a previously designed test. The database consists of 60 questions that assess an electronic analog competency. The results show that the LSTM-based methodology has a greater than 80% efficiency in determining student deficiencies. In addition, it has a greater than 90% accuracy in predicting answers to questions of higher difficulty, if given the answers to simpler questions in a lower stage. It is concluded that the applied LSTM-based methodology is reliable due to its high precision in generating early warnings and in predicting student answers in the future.