Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Inteligencia Artificial Generativa y Aula Invertida: Análisis automatizado de la experiencia estudiantil en Educación Superior
0
Zitationen
1
Autoren
2025
Jahr
Abstract
El presente trabajo propone una metodología que facilite el uso de ChatGPT para y evaluar la experiencia de aprendizaje estas mediante un sistema de registro individual. El propósito es proporcionar una guía al docente universitario para conocer las conclusiones generales, los desafíos que se presentaron y los aprendizajes más destacados que reporta el alumnado tras haber trabajado con un modelo de aula invertida. Para ello, como parte del método se diseñó un formato de bitácora reflexiva individual que posteriormente sería analizada con la Inteligencia Artificial Generativa para el análisis de los hallazgos. Se trabajó con un grupo de 29 estudiantes inscritos en una asignatura de la licenciatura en Psicología que realizaron actividades presenciales en el aula (debates, exposiciones, juego de roles, etc.) y actividades en el entorno virtual de la plataforma educativa EMINUS (foros en línea, elaboración de materiales multimedia, cuestionario en línea, etc) observándose el desempeño del grupo en diferentes unidades/módulos. En los resultados y conclusiones, se destaca que el uso de la bitácora reflexiva permitió que cada estudiante organizara las ideas importantes de cada fase del proceso del aula invertida, por otro lado el uso de ChatGPT agilizó el análisis de la información proporcionando al docente una impresión sobre la experiencia del estudiantado en función de las emociones, pensamientos, necesidades, retos, dificultades y beneficios identificados por el grupo. Finalmente, se considera que el empleo de esta estrategia es aplicable a diferentes modalidades de enseñanza que combinan los entornos digitales y presenciales.
Ähnliche Arbeiten
Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI
2019 · 8.200 Zit.
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead
2019 · 8.051 Zit.
High-performance medicine: the convergence of human and artificial intelligence
2018 · 7.416 Zit.
Proceedings of the 19th International Joint Conference on Artificial Intelligence
2005 · 5.776 Zit.
Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)
2018 · 5.410 Zit.