Presentación realizada en el marco de las IX Jornadas eMadrid sobre «Tecnología educativa con un toque humano» 26-27 Junio de 2019 Lightning Talks / Espacio para empresas

1. 11
Presentación
¿Machine Learning
o
Student Learning?

2. 22
Presentación
GRACIAS

3. 33
Presentación
Gestión documental
• Destinatario: IX Jornadas eMadrid, “Tecnología
educativa con un toque humano”
• Título: ¿Machine Learning o Student Learning?
• Resumen: Presentación realizada durante las IX
Jornadas eMadrid
• Versión: 1.
• Fecha: 27 Junio 2019
• Archivo: iteNlearning – ¿Machine learning o
Student learning?.ppt
• Autor: Julián Alberto Martín
@julianmart
iteNlearning
Madrid
Cuatro Torres Business Area
Paseo de la Castellana, 259C, Planta 18
28046 Madrid (España)
+34 911 190 522
iteNlearning
Laboratorio de Desarrollo
Avenida de Dolores, 11
03203 Elche (Alicante) España
+34 965 422 413
iteNlearning
Centro Clínico
c/ La Fira, 6
03202 Elche (Alicante)
España
+34 965 455 894
www.itenlearning.com

4. 44
Presentación
Índice
B) Machine Learning
C) ¿Machine Learning o Student Learning?
A) ¿Quiénes somos?

5. 55
Presentación
A) ¿Quiénes
somos?
Mejora educativa

6. 66
Presentación
Tecnología y educación
 Aprender SOBRE tecnología.
 Aprender CON tecnología. NO mejora los resultados de los estudiantes
 Aprender GRACIAS A la tecnología. Un gran campo de investigación.
 Educación Basada en la Evidencia. Como en medicina.
 Dejando atrás opiniones y creencias: solo modelos científicos.
 Validación. Eficacia y eficiencia.
 Creación de INSTRUMENTOS EDUCATIVOS PROFESIONALES. De la misma
forma que los médicos tienen herramientas para el diagnóstico y el tratamiento.
ESTO ES LO QUE VENIMOS HACIENDO EN LOS ÚLTIMOS 24 AÑOS
iteNlearning Confidential

7. 77
Presentación
CIENCIAS DEL
CONOCIMIENTO
- Neurociencias
- Psicología cognitiva
- Epistemología
- Lingüística
- Inteligencia Artificial
AREAS CURRICULARES
- Lectoescritura
- Matemáticas
- Programación
- Química
- Historia
- Otras
TECNOLOGÍA:
- Hardware
- Software
- Programación
- TI avanzadas
Nuestro
trabajo
Comité
científico
Laboratorio de
desarrollo
iteNlearning
Centro de
Pedagogía
Terapéutica
iteNlearning
Colegio
iteNlearning
Grupo de
colegios
iteNlearning
Base de Datos
del
Conocimiento
Científico
iteNlearning Confidential

8. 88
Presentación
Investigación en Red.es y Junta de Extremadura
Sobre +15.000 estudiantes en 4 años
1.- Éxito en el uso: 30% vs. 2% - 5%
2.- Éxito en mejora de resultados.
3.- Éxito en satisfacción docente.
VLL. DIAGNOSTIC EVALUATION. LINGUISTIC COMPETENCE
COURSE
Competence
level in initial
test
Competence
level in final
test
Improvement
obtained
Average
time
worked
Improvement
per hour of
work
3.º 35% 48% 37% 7h.01m 5%
4.º 40% 53% 32% 7h. 21m 4%
5.º 46% 49% 21%* 9h. 31m 2%
6.º 49% 63% 21% 7h. 12m 3%
VLM. DIAGNOSTIC EVALUATION. COMPETENCE IN ARITHMETIC
PROBLEMS.
COURSE
Competence
level in initial
test
Competence
level in final
test
Improvement
obtained
Average
time
worked
3.º
1.º 41% 1.º 58% 42%
14h. 10m2.º 32% 2.º 47% 47%
3.º --- 3.º 36% ---
4.º
1.º 52% 1.º 71% 35%
5h. 49m
2.º 42% 2.º 58% 38%
3.º 34% 3.º 49% 43%
4.º --- 4.º 31% ---
5.º
1.º 58% 1.º 73% 26%
5h. 33m
2.º 49% 2.º 65% 32%
3.º 41% 3.º 56% 36%
4.º 28% 4.º 37% 30%
5.º --- 5.º 31% ---
Muy fácil
Fácil
Difícil
Muy difícil
Sin contestar
Sí
No
NS/NC
Sin contestar
Are Virtual Labs a good resource
for achieving competencies?
84% said yes.
iteNlearning Confidential

9. 99
Presentación
¿Por qué son tan buenos nuestros productos?
iteNlearning (2018). Characteristics of the IEPs [Figure]. Own elaboration
Evidencia
científica
•Modelos
neuropsicológicos
•Modelos cognitivos
Validación
Aprendizaje
adaptativo
•Nivel 1. Tratamiento del
error
•Nivel 2. Curvas de
aprendizaje y de
memoria.
•Nivel 3. Selección
inteligente de los
contenidos
Analíticas de
aprendizaje
•SCORM
•Funciones cognitivas
generales (atención,
memoria, velocidad
procesamiento, etc.)
•Procesos cognitivos
específicos por área de
conocimiento
Metacognición
gamificada
Características de los Instrumentos Educativos Profesionales
iteNlearning Confidential

10. 1010
ML
B) Machine
Learning
Ciencia de datos

11. 1111
ML
“El dato es el nuevo oro”
Fuente de la imagen: https://e27.co/big-returns-big-data-nflabs-sejun-ra/

12. 1212
ML
Algo sabemos desde Pitágoras
Fuente de la imagen: Fragmento de la “Escuela de Atenas” de Rafael Sanzio

13. 1313
ML
Ciencia de datos
Fuente de la imagen: https://www.edx.org/es/course/python-for-data-science-1

14. 1414
ML
“Machine Learning”, “Neural Networks”, “Deep Learning”
Fuente de la imagen: https://mapr.com/blog/demystifying-ai-ml-dl/

15. 1515
ML
Aplicaciones interesantes y espectaculares
Fuentes de las imágenes: https://www.thedigitalhash.com/ai-miracle-documentary-alphago-comes-netflix/,
https://www.youtube.com/watch?v=St5lxIxYGkI
https://medium.com/syncedreview/alphago-zero-approaching-perfection-d8170e2b4e48
https://www.nanalyze.com/2017/08/12-startups-diagnosing-medical-images-ai/
https://www.youtube.com/watch?v=JvbHu_bVa_g

16. 1616
ML
Expectación muy alta
Fuente de la imagen: https://mapr.com/blog/demystifying-ai-ml-dl/
https://www.barnesandnoble.com/w/dvd-blade-runner-harrison-ford/26212023

17. 1717
Educación
C) ¿Machine
Learning o Student
Learning?
¿Qué se está haciendo?

18. 1818
Educación
¿Este es el objetivo?
Fuente de la imagen: https://www.coinbooks.org/esylum_v17n15a15.html
https://www.123rf.com/photo_21184999_group-elementary-school-students-in-computer-class.html

19. 1919
Educación
Integración de datos educativos
Fuente de la imagen:http://www.esc6.net/third-party-integration

20. 2020
Educación
¿Este es el objetivo?

21. 2121
Educación
¿Este es el objetivo?
Machine Learning
Fuente de la imagen: https://mapr.com/blog/demystifying-ai-ml-dl/

22. 2222
Presentación
Lo habitual en el sector y lo que hace iteNlearning
Machine Learning
Deep Learning
Big Data
Data Science
Adaptive Learning
• Level 1:
- Error treatment
Database
Agents
Math technology
Functioning
according:
Neuropsychological
model
or
Cognitive Model
Interaction
engines
Knowledge Base
Adaptive Learning
• Level 2: learning and memory
curves
• Level 3: content selection
Neural Network
Adaptive Learning
• Level 2: learning and memory
curves
• Level 3: content selection
The student learns.
The machine learns. Bottom-up machine learning Good
Bad
Scientific models
Top-down models for mimicking human intelligence
Harvard: https://hbr.org/2019/01/the-future-of-ai-will-be-about-less-data-not-moreiteNlearning Confidential

23. 2323
Presentación
Lo nuevo es la Inteligencia Artificial al viejo estilo
Bottom-up big data ------ Top-down reasoning
Hacer computables modelos de conocimiento

24. 2424
Presentación
Student Learning vs. Machine Learning
Fuente de la imagen: Banco de Imágenes del INTEF
https://mapr.com/blog/demystifying-ai-ml-dl/