Mejora Continua en la Educación de Ingeniería Estructural: Aplicación Práctica del uso de Inteligencia Artificial
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio pretende analizar el impacto del uso de la inteligencia artificial (IA) en el aprendizaje estructural a través de la programación desarrollada por los estudiantes en lenguajes de software de código abierto: Python, Octave y OpenSees. En la investigación colaboran 90 estudiantes de pregrado de los primeros cursos de ingeniería civil de la Universidad Nacional de Chimborazo. Se emplea la metodología ADDIE en la fase inicial para la planificación, desarrollo y seguimiento. Se realiza una encuesta sobre las percepciones de los estudiantes en cuanto a efectividad, satisfacción, recomendación y retroalimentación, seguida de una evaluación del desempeño académico utilizando una rúbrica de calificación para verificar el logro de los objetivos planteados. A continuación, se realiza un análisis de los factores que contribuyen al aprendizaje centrado en la IA. Los resultados iniciales revelaron valores atípicos, algunos desviados de los parámetros del estudio y otros descartados para obtener una visión global del comportamiento del estudio. En cuanto al análisis de los datos de la encuesta, la eficiencia y la satisfacción mostraron la mayor fiabilidad. Posteriormente, se correlacionaron las variables teniendo en cuenta su normalidad, mostrando una relación entre la eficacia y la satisfacción; sin embargo, no se puede garantizar una conexión fuerte para estas u otras variables. Por lo tanto, se emplearon pruebas ANOVA, que indicaron relaciones lineales positivas, y pruebas de hipótesis, demostrando que los estudiantes alcanzaron los objetivos con un grado moderadamente alto de eficacia y satisfacción. El uso de opciones tecnológicas y la consideración de métodos de aprendizaje innovadores pueden mejorar positivamente la experiencia de aprendizaje, en función de la formación previa. La exploración de la inteligencia artificial puede resultar difícil sin una búsqueda guiada de información basada en criterios y restricciones predefinidos.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta Revista provee acceso libre a su contenido a través de su página web, bajo el principio de poner a disposición gratuitamente las investigaciones al público y apoyar al intercambio de conocimiento global.
La Revista hace un reconocimiento de CompartirIgual 4.0 Licencia Pública Internacional - CC BY-NC-SA 4.0 https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
La revista permite que cualquier usuario pueda leer, descargar, copiar, distribuir o imprimir el trabajo erudito que aquí se publica sin barreras financieras, legales o técnicas, con el fin de utilizar la información para cualquier propósito responsable con el reconocimiento apropiado de autoría.
Citas
Almelhi, A. M. (2021). Effectiveness of the ADDIE Model within an E-Learning Environment in Developing Creative Writing in EFL Students. English Language Teaching, 14(2), 20. https://doi.org/10.5539/elt.v14n2p20
Chichekian, T., & Benteux, B. (2022). The potential of learning with (and not from) artificial intelligence in education. Frontiers in Artificial Intelligence, 5. https://doi.org/10.3389/frai.2022.903051
Cosmes Aragón, S. E., & Montoya Delgadillo, E. (2021). Understanding Links Between Mathematics and Engineering Through Mathematical Modelling—The Case of Training Civil Engineers in a Course of Structural Analysis (pp. 527–537). https://doi.org/10.1007/978-3-030-66996-6_44
Doblada, J. C. L., & Caballes, D. G. (2021). Relationship of Teachers’ Technology Skills and Selected Profile: Basis for Redesigning Training for Online Distance Learning Modality. Instabright International Journal of Multidisciplinary Research, 3(1), 17–22. https://doi.org/10.52877/instabright.003.01.0044
Fay, M. P., & Proschan, M. A. (2010). Wilcoxon-Mann-Whitney or t-test? On assumptions for hypothesis tests and multiple interpretations of decision rules. Statistics Surveys, 4(none). https://doi.org/10.1214/09-SS051
Francisco, R., & Silva, F. (2022). Intelligent Tutoring System for Computer Science Education and the Use of Artificial Intelligence: A Literature Review. Proceedings of the 14th International Conference on Computer Supported Education, 338–345. https://doi.org/10.5220/0011084400003182
Ghoniem, A., & Ghoniem, E. (2022). Inducing competence‐based assignment in traditional structural engineering education: A case study. Computer Applications in Engineering Education, 30(3), 907–916. https://doi.org/10.1002/cae.22493
Kirkpatrick, Donald. L., & Kirkpatrick, J. D. (2005). Transferring Learning to Behavior: Using the Four Levels to Improve Performance. https://api.semanticscholar.org/CorpusID:107017451
Magnus, J. R., & Peresetsky, A. A. (2022). A Statistical Explanation of the Dunning–Kruger Effect. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.840180
Nurmayanti, N., & Suryadi, S. (2023). The Effectiveness Of Using Quillbot In Improving Writing For Students Of English Education Study Program. Jurnal Teknologi Pendidikan : Jurnal Penelitian Dan Pengembangan Pembelajaran, 8(1), 32. https://doi.org/10.33394/jtp.v8i1.6392
Ouyang, F., Zheng, L., & Jiao, P. (2022). Artificial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27(6), 7893–7925. https://doi.org/10.1007/s10639-022-10925-9
Shestakov, V. N., Yakunin, Y. Yu., Lyksonova, D. I., & Pogrebnikov, A. K. (2022). Assessment of the relevance of the student survey results in the educational process. Perspectives of Science and Education, 56(2), 641–656. https://doi.org/10.32744/pse.2022.2.38
Taber, K. S. (2018). The Use of Cronbach’s Alpha When Developing and Reporting Research Instruments in Science Education. Research in Science Education, 48(6), 1273–1296. https://doi.org/10.1007/s11165-016-9602-2
Xu, W., & Ouyang, F. (2022). The application of AI technologies in STEM education: a systematic review from 2011 to 2021. International Journal of STEM Education, 9(1), 59. https://doi.org/10.1186/s40594-022-00377-5
Zhao, L., Liu, X., & Su, Y.-S. (2021). The Differentiate Effect of Self-Efficacy, Motivation, and Satisfaction on Pre-Service Teacher Students’ Learning Achievement in a Flipped Classroom: A Case of a Modern Educational Technology Course. Sustainability, 13(5), 2888. https://doi.org/10.3390/su13052888