¿Puede un algoritmo de Machine Learning ayudarnos en la evaluación de informes de prácticas?

• Cabrera Santana, Pedro Jesús ^[1]
  1. [1] Universidad de Las Palmas de Gran Canaria

     Universidad de Las Palmas de Gran Canaria

     Gran Canaria, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: español
• Títulos paralelos:
  • Can a Machine Learning algorithm assist in the evaluation of practices reports?
• Enlaces
  • Texto completo
• Resumen
  • español

    La evaluación del aprendizaje en ingeniería requiere de múltiples recursos y actividades formativas prácticas que fomenten el desarrollo de habilidades. Las prácticas de laboratorio y computacionales son esenciales, pero evaluar su efectividad supone un desafío debido a la carga de trabajo y la subjetividad del proceso. Este estudio propone un método de evaluación mediante el uso de Machine Learning, aplicado a informes de prácticas en la asignatura de Diseño de Máquinas de la ULPGC. El método propuesto incluye la recopilación y evaluación manual de informes, seguido de la extracción de indicadores como la puntuación Flesch Reading Ease, el análisis de sentimiento y el análisis de las palabras frecuentemente utilizadas por el estudiante. Se desarrolla un algoritmo para estructurar estos parámetros y se implementan distintas técnicas para modelar las calificaciones. Los resultados muestran que las Redes Neuronales logran estimaciones precisas, con métricas MAE = 0,72 puntos y MAPE = 8,94%.

  • English

    Evaluating learning in engineering requires multiple resources and practical training activities that foster the development of skills. Laboratory and computer-based practices are essential, but evaluating their effectiveness poses a challenge due to the workload and subjectivity of the process. This study proposes an evaluation method using Machine Learning, applied to practice reports in the Machine Design course at ULPGC. The proposed method includes the collection and manual evaluation of reports, followed by the extraction of indicators such as the Flesch Reading Ease score, sentiment analysis, and the analysis of the words frequently used by the student. A Python algorithm is developed to digitally structure these parameters, and Machine Learning techniques, particularly Artificial Neural Networks, are implemented to model the grades. The results show that the model achieves precise estimates, with evaluation metrics MAE = 0.72 points and MAPE = 8.94%. This approach provides a useful tool for evaluation, capable of improving the objectivity of the faculty.