Redes Neuronales Recurrentes en Educación Superior

 

Redes Neuronales Recurrentes en Educación Superior.ipynb

Volver

Redes Neuronales Recurrentes en Educación Superior

Dividiremos el contenido en tres secciones principales: Contenido (Conocimientos Conceptuales – Marco teórico), Script de Python (Habilidades – Procedimientos), y Conclusiones (Actitudes y Valoraciones).

Contenido (Conocimientos Conceptuales – Marco Teórico)

Introducción a las Redes Neuronales Recurrentes (RNN)

Esta imagen representa una Red Neuronal Recurrente (RNN) que muestra los bucles dentro de la estructura de la red, indicando el flujo de información que vuelve a entrar en la red para el procesamiento de secuencias. 

Las Redes Neuronales Recurrentes (RNN) son un tipo de red neuronal artificial diseñada para reconocer patrones en secuencias de datos, como series temporales, texto, audio, o cualquier otra forma de datos secuenciales. A diferencia de las redes neuronales tradicionales, que asumen que todas las entradas (y salidas) son independientes entre sí, las RNN tienen bucles que permiten que la información persista.

Ejemplo Conceptual: Procesamiento de Lenguaje Natural (PLN)

Un ejemplo clásico de aplicación de RNN es el Procesamiento de Lenguaje Natural (PLN). Cuando lees una oración, tu comprensión de cada palabra está influenciada por las palabras que la preceden. Las RNN aplican un principio similar: al procesar una palabra en un texto, la red "recuerda" la información de las palabras anteriores, lo que le ayuda a realizar tareas como predicción de texto o análisis de sentimientos.

Ejemplo Educativo: Análisis de Sentimientos en Evaluaciones de Cursos

En el contexto educativo, las RNN pueden utilizarse para analizar comentarios de estudiantes sobre cursos en encuestas de evaluación. Por ejemplo, una RNN entrenada en un conjunto de datos de comentarios etiquetados con sentimientos positivos o negativos podría automáticamente clasificar nuevos comentarios, ayudando a los educadores a comprender mejor las percepciones estudiantiles y ajustar su pedagogía en consecuencia.

Aplicaciones en Educación Superior

Las RNN ofrecen varias aplicaciones potenciales en la educación superior, algunas de las cuales incluyen:

Personalización del Aprendizaje: Mediante el análisis de datos de comportamiento estudiantil en plataformas de aprendizaje en línea, una RNN puede identificar patrones y predecir necesidades de aprendizaje individuales, permitiendo la adaptación del contenido para satisfacer estas necesidades específicas.

Predicción de Deserción Estudiantil: Al analizar secuencias de calificaciones, participación en actividades en línea y otros indicadores, las RNN pueden predecir qué estudiantes están en riesgo de abandonar sus estudios, permitiendo intervenciones tempranas.

Ejemplo Práctico: Tutoría Automatizada

Imagina un sistema de tutoría automatizado que utiliza RNN para adaptar ejercicios y material de estudio basado en las respuestas anteriores del estudiante. Si un estudiante muestra dificultad en un concepto particular, la RNN puede detectar este patrón y ajustar el material de aprendizaje para proporcionar refuerzo adicional en áreas débiles, simulando un enfoque de enseñanza personalizada que sería muy difícil de escalar en entornos educativos tradicionales.

Ventajas y Desafíos

Las RNN pueden transformar la educación superior ofreciendo un aprendizaje más personalizado y adaptativo. Sin embargo, su implementación conlleva desafíos técnicos, como la necesidad de grandes conjuntos de datos etiquetados para entrenamiento y la complejidad de interpretar modelos de RNN. Además, existen preocupaciones éticas relacionadas con la privacidad de los datos estudiantiles y el sesgo potencial en los algoritmos de aprendizaje automático.

Script Python (Habilidades – Procedimientos)

Este ejemplo se centrará en un modelo simple de RNN que puede ser utilizado, por ejemplo, para predecir la próxima palabra en un texto, lo cual es relevante para sistemas de tutoría automatizada o herramientas de apoyo a la redacción académica.

Preparativos Iniciales

Primero, asegúrate de tener instaladas las librerías necesarias. Para este ejemplo, utilizaremos TensorFlow, que incluye la API de Keras, facilitando la construcción y entrenamiento de modelos de RNN.

pip install tensorflow

RESULTADOS

Requirement already satisfied: tensorflow in /usr/local/lib/python3.10/dist-packages (2.15.0)

Requirement already satisfied: absl-py>=1.0.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.4.0)

Requirement already satisfied: astunparse>=1.6.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.6.3)

Requirement already satisfied: flatbuffers>=23.5.26 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (23.5.26)

Requirement already satisfied: gast!=0.5.0,!=0.5.1,!=0.5.2,>=0.2.1 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (0.5.4)

Requirement already satisfied: google-pasta>=0.1.1 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (0.2.0)

Requirement already satisfied: h5py>=2.9.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (3.9.0)

Requirement already satisfied: libclang>=13.0.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (16.0.6)

Requirement already satisfied: ml-dtypes~=0.2.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (0.2.0)

Requirement already satisfied: numpy<2.0.0,>=1.23.5 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.23.5)

Requirement already satisfied: opt-einsum>=2.3.2 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (3.3.0)

Requirement already satisfied: packaging in /usr/local/lib/python3.10/dist-packages (from tensorflow) (23.2)

Requirement already satisfied: protobuf!=4.21.0,!=4.21.1,!=4.21.2,!=4.21.3,!=4.21.4,!=4.21.5,<5.0.0dev,>=3.20.3 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (3.20.3)

Requirement already satisfied: setuptools in /usr/local/lib/python3.10/dist-packages (from tensorflow) (67.7.2)

Requirement already satisfied: six>=1.12.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.16.0)

Requirement already satisfied: termcolor>=1.1.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (2.4.0)

Requirement already satisfied: typing-extensions>=3.6.6 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (4.5.0)

Requirement already satisfied: wrapt<1.15,>=1.11.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.14.1)

Requirement already satisfied: tensorflow-io-gcs-filesystem>=0.23.1 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (0.35.0)

Requirement already satisfied: grpcio<2.0,>=1.24.3 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (1.60.0)

Requirement already satisfied: tensorboard<2.16,>=2.15 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (2.15.1)

Requirement already satisfied: tensorflow-estimator<2.16,>=2.15.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (2.15.0)

Requirement already satisfied: keras<2.16,>=2.15.0 in /usr/local/lib/python3.10/dist-packages (from tensorflow) (2.15.0)

Requirement already satisfied: wheel<1.0,>=0.23.0 in /usr/local/lib/python3.10/dist-packages (from astunparse>=1.6.0->tensorflow) (0.42.0)

Requirement already satisfied: google-auth<3,>=1.6.3 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (2.17.3)

Requirement already satisfied: google-auth-oauthlib<2,>=0.5 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (1.2.0)

Requirement already satisfied: markdown>=2.6.8 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (3.5.2)

Requirement already satisfied: requests<3,>=2.21.0 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (2.31.0)

Requirement already satisfied: tensorboard-data-server<0.8.0,>=0.7.0 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (0.7.2)

Requirement already satisfied: werkzeug>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from tensorboard<2.16,>=2.15->tensorflow) (3.0.1)

Requirement already satisfied: cachetools<6.0,>=2.0.0 in /usr/local/lib/python3.10/dist-packages (from google-auth<3,>=1.6.3->tensorboard<2.16,>=2.15->tensorflow) (5.3.2)

Requirement already satisfied: pyasn1-modules>=0.2.1 in /usr/local/lib/python3.10/dist-packages (from google-auth<3,>=1.6.3->tensorboard<2.16,>=2.15->tensorflow) (0.3.0)

Requirement already satisfied: rsa<5,>=3.1.4 in /usr/local/lib/python3.10/dist-packages (from google-auth<3,>=1.6.3->tensorboard<2.16,>=2.15->tensorflow) (4.9)

Requirement already satisfied: requests-oauthlib>=0.7.0 in /usr/local/lib/python3.10/dist-packages (from google-auth-oauthlib<2,>=0.5->tensorboard<2.16,>=2.15->tensorflow) (1.3.1)

Requirement already satisfied: charset-normalizer<4,>=2 in /usr/local/lib/python3.10/dist-packages (from requests<3,>=2.21.0->tensorboard<2.16,>=2.15->tensorflow) (3.3.2)

Requirement already satisfied: idna<4,>=2.5 in /usr/local/lib/python3.10/dist-packages (from requests<3,>=2.21.0->tensorboard<2.16,>=2.15->tensorflow) (3.6)

Requirement already satisfied: urllib3<3,>=1.21.1 in /usr/local/lib/python3.10/dist-packages (from requests<3,>=2.21.0->tensorboard<2.16,>=2.15->tensorflow) (2.0.7)

Requirement already satisfied: certifi>=2017.4.17 in /usr/local/lib/python3.10/dist-packages (from requests<3,>=2.21.0->tensorboard<2.16,>=2.15->tensorflow) (2023.11.17)

Requirement already satisfied: MarkupSafe>=2.1.1 in /usr/local/lib/python3.10/dist-packages (from werkzeug>=1.0.1->tensorboard<2.16,>=2.15->tensorflow) (2.1.4)

Requirement already satisfied: pyasn1<0.6.0,>=0.4.6 in /usr/local/lib/python3.10/dist-packages (from pyasn1-modules>=0.2.1->google-auth<3,>=1.6.3->tensorboard<2.16,>=2.15->tensorflow) (0.5.1)

Requirement already satisfied: oauthlib>=3.0.0 in /usr/local/lib/python3.10/dist-packages (from requests-oauthlib>=0.7.0->google-auth-oauthlib<2,>=0.5->tensorboard<2.16,>=2.15->tensorflow) (3.2.2)

Paso 1: Importar Librerías

import tensorflow as tf

from tensorflow.keras.preprocessing.text import Tokenizer

from tensorflow.keras.preprocessing.sequence import pad_sequences

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Embedding, SimpleRNN, Dense

Paso 2: Preparación de Datos

Para este ejemplo, vamos a simular un pequeño conjunto de datos de texto que podría representar fragmentos de materiales de curso o publicaciones académicas.

# Ejemplo de datos: oraciones de ejemplo que podrían ser parte de materiales educativos.

textos = [

    "La inteligencia artificial es una rama de la informática.",

    "Las redes neuronales permiten modelar relaciones complejas.",

    "El aprendizaje profundo ha revolucionado el campo de la visión por computadora.",

    "Los algoritmos de aprendizaje automático pueden aprender de los datos.",

    "La educación superior se beneficia de la tecnología educativa."

]

 

# Tokenización y creación de secuencias

tokenizer = Tokenizer()

tokenizer.fit_on_texts(textos)

sequences = tokenizer.texts_to_sequences(textos)

 

# Preparar datos de entrada y salida (X, y) para la RNN

vocab_size = len(tokenizer.word_index) + 1  # Agregando 1 por el índice 0

max_length = max([len(seq) for seq in sequences])

sequences = pad_sequences(sequences, maxlen=max_length, padding='pre')

 

# Separar datos en entrada (X) y salida (y)

import numpy as np

 

X, y = sequences[:, :-1], sequences[:, -1]

y = tf.keras.utils.to_categorical(y, num_classes=vocab_size)

Paso 3: Construir el Modelo RNN

model = Sequential([

    Embedding(vocab_size, 10, input_length=max_length-1),  # Capa de incrustación

    SimpleRNN(50),  # Capa RNN con 50 unidades

    Dense(vocab_size, activation='softmax')  # Capa de salida

])

 

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

Paso 4: Entrenamiento del Modelo

model.fit(X, y, epochs=200, verbose=2)

RESULTADOS

Epoch 1/200

1/1 - 1s - loss: 3.6113 - accuracy: 0.0000e+00 - 1s/epoch - 1s/step

Epoch 2/200

1/1 - 0s - loss: 3.5658 - accuracy: 0.0000e+00 - 10ms/epoch - 10ms/step

Epoch 3/200

1/1 - 0s - loss: 3.5191 - accuracy: 0.2000 - 11ms/epoch - 11ms/step

Epoch 4/200

1/1 - 0s - loss: 3.4701 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 5/200

1/1 - 0s - loss: 3.4179 - accuracy: 0.4000 - 9ms/epoch - 9ms/step

Epoch 6/200

1/1 - 0s - loss: 3.3615 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 7/200

1/1 - 0s - loss: 3.2998 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 8/200

1/1 - 0s - loss: 3.2321 - accuracy: 0.4000 - 12ms/epoch - 12ms/step

Epoch 9/200

1/1 - 0s - loss: 3.1575 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 10/200

1/1 - 0s - loss: 3.0761 - accuracy: 0.4000 - 9ms/epoch - 9ms/step

Epoch 11/200

1/1 - 0s - loss: 2.9884 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 12/200

1/1 - 0s - loss: 2.8961 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 13/200

1/1 - 0s - loss: 2.8022 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 14/200

1/1 - 0s - loss: 2.7100 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 15/200

1/1 - 0s - loss: 2.6224 - accuracy: 0.2000 - 12ms/epoch - 12ms/step

Epoch 16/200

1/1 - 0s - loss: 2.5410 - accuracy: 0.2000 - 12ms/epoch - 12ms/step

Epoch 17/200

1/1 - 0s - loss: 2.4660 - accuracy: 0.2000 - 12ms/epoch - 12ms/step

Epoch 18/200

1/1 - 0s - loss: 2.3962 - accuracy: 0.2000 - 12ms/epoch - 12ms/step

Epoch 19/200

1/1 - 0s - loss: 2.3302 - accuracy: 0.2000 - 11ms/epoch - 11ms/step

Epoch 20/200

1/1 - 0s - loss: 2.2664 - accuracy: 0.2000 - 10ms/epoch - 10ms/step

Epoch 21/200

1/1 - 0s - loss: 2.2042 - accuracy: 0.2000 - 10ms/epoch - 10ms/step

Epoch 22/200

1/1 - 0s - loss: 2.1430 - accuracy: 0.2000 - 13ms/epoch - 13ms/step

Epoch 23/200

1/1 - 0s - loss: 2.0830 - accuracy: 0.2000 - 20ms/epoch - 20ms/step

Epoch 24/200

1/1 - 0s - loss: 2.0243 - accuracy: 0.4000 - 9ms/epoch - 9ms/step

Epoch 25/200

1/1 - 0s - loss: 1.9668 - accuracy: 0.4000 - 11ms/epoch - 11ms/step

Epoch 26/200

1/1 - 0s - loss: 1.9102 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 27/200

1/1 - 0s - loss: 1.8536 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 28/200

1/1 - 0s - loss: 1.7961 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 29/200

1/1 - 0s - loss: 1.7369 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 30/200

1/1 - 0s - loss: 1.6760 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 31/200

1/1 - 0s - loss: 1.6136 - accuracy: 0.4000 - 10ms/epoch - 10ms/step

Epoch 32/200

1/1 - 0s - loss: 1.5505 - accuracy: 0.6000 - 13ms/epoch - 13ms/step

Epoch 33/200

1/1 - 0s - loss: 1.4877 - accuracy: 0.6000 - 11ms/epoch - 11ms/step

Epoch 34/200

1/1 - 0s - loss: 1.4262 - accuracy: 0.6000 - 10ms/epoch - 10ms/step

Epoch 35/200

1/1 - 0s - loss: 1.3670 - accuracy: 0.6000 - 15ms/epoch - 15ms/step

Epoch 36/200

1/1 - 0s - loss: 1.3104 - accuracy: 0.6000 - 10ms/epoch - 10ms/step

Epoch 37/200

1/1 - 0s - loss: 1.2563 - accuracy: 0.6000 - 11ms/epoch - 11ms/step

Epoch 38/200

1/1 - 0s - loss: 1.2040 - accuracy: 0.8000 - 10ms/epoch - 10ms/step

Epoch 39/200

1/1 - 0s - loss: 1.1528 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 40/200

1/1 - 0s - loss: 1.1020 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 41/200

1/1 - 0s - loss: 1.0512 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 42/200

1/1 - 0s - loss: 1.0002 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 43/200

1/1 - 0s - loss: 0.9489 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 44/200

1/1 - 0s - loss: 0.8978 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 45/200

1/1 - 0s - loss: 0.8481 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 46/200

1/1 - 0s - loss: 0.8012 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 47/200

1/1 - 0s - loss: 0.7570 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 48/200

1/1 - 0s - loss: 0.7137 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 49/200

1/1 - 0s - loss: 0.6701 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 50/200

1/1 - 0s - loss: 0.6272 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 51/200

1/1 - 0s - loss: 0.5878 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 52/200

1/1 - 0s - loss: 0.5526 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 53/200

1/1 - 0s - loss: 0.5195 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 54/200

1/1 - 0s - loss: 0.4872 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 55/200

1/1 - 0s - loss: 0.4569 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 56/200

1/1 - 0s - loss: 0.4292 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 57/200

1/1 - 0s - loss: 0.4028 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 58/200

1/1 - 0s - loss: 0.3768 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 59/200

1/1 - 0s - loss: 0.3521 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 60/200

1/1 - 0s - loss: 0.3297 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 61/200

1/1 - 0s - loss: 0.3092 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 62/200

1/1 - 0s - loss: 0.2898 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 63/200

1/1 - 0s - loss: 0.2715 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 64/200

1/1 - 0s - loss: 0.2546 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 65/200

1/1 - 0s - loss: 0.2391 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 66/200

1/1 - 0s - loss: 0.2248 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 67/200

1/1 - 0s - loss: 0.2113 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 68/200

1/1 - 0s - loss: 0.1986 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 69/200

1/1 - 0s - loss: 0.1870 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 70/200

1/1 - 0s - loss: 0.1764 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 71/200

1/1 - 0s - loss: 0.1668 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 72/200

1/1 - 0s - loss: 0.1578 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 73/200

1/1 - 0s - loss: 0.1495 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 74/200

1/1 - 0s - loss: 0.1418 - accuracy: 1.0000 - 16ms/epoch - 16ms/step

Epoch 75/200

1/1 - 0s - loss: 0.1348 - accuracy: 1.0000 - 14ms/epoch - 14ms/step

Epoch 76/200

1/1 - 0s - loss: 0.1283 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 77/200

1/1 - 0s - loss: 0.1223 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 78/200

1/1 - 0s - loss: 0.1168 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 79/200

1/1 - 0s - loss: 0.1117 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 80/200

1/1 - 0s - loss: 0.1069 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 81/200

1/1 - 0s - loss: 0.1026 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 82/200

1/1 - 0s - loss: 0.0985 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 83/200

1/1 - 0s - loss: 0.0947 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 84/200

1/1 - 0s - loss: 0.0912 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 85/200

1/1 - 0s - loss: 0.0879 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 86/200

1/1 - 0s - loss: 0.0847 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 87/200

1/1 - 0s - loss: 0.0818 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 88/200

1/1 - 0s - loss: 0.0791 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 89/200

1/1 - 0s - loss: 0.0766 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 90/200

1/1 - 0s - loss: 0.0742 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 91/200

1/1 - 0s - loss: 0.0719 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 92/200

1/1 - 0s - loss: 0.0698 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 93/200

1/1 - 0s - loss: 0.0678 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 94/200

1/1 - 0s - loss: 0.0658 - accuracy: 1.0000 - 16ms/epoch - 16ms/step

Epoch 95/200

1/1 - 0s - loss: 0.0640 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 96/200

1/1 - 0s - loss: 0.0623 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 97/200

1/1 - 0s - loss: 0.0607 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 98/200

1/1 - 0s - loss: 0.0591 - accuracy: 1.0000 - 14ms/epoch - 14ms/step

Epoch 99/200

1/1 - 0s - loss: 0.0577 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 100/200

1/1 - 0s - loss: 0.0563 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 101/200

1/1 - 0s - loss: 0.0549 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 102/200

1/1 - 0s - loss: 0.0537 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 103/200

1/1 - 0s - loss: 0.0524 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 104/200

1/1 - 0s - loss: 0.0513 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 105/200

1/1 - 0s - loss: 0.0502 - accuracy: 1.0000 - 15ms/epoch - 15ms/step

Epoch 106/200

1/1 - 0s - loss: 0.0491 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 107/200

1/1 - 0s - loss: 0.0481 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 108/200

1/1 - 0s - loss: 0.0471 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 109/200

1/1 - 0s - loss: 0.0461 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 110/200

1/1 - 0s - loss: 0.0452 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 111/200

1/1 - 0s - loss: 0.0444 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 112/200

1/1 - 0s - loss: 0.0435 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 113/200

1/1 - 0s - loss: 0.0427 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 114/200

1/1 - 0s - loss: 0.0419 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 115/200

1/1 - 0s - loss: 0.0412 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 116/200

1/1 - 0s - loss: 0.0404 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 117/200

1/1 - 0s - loss: 0.0397 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 118/200

1/1 - 0s - loss: 0.0391 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 119/200

1/1 - 0s - loss: 0.0384 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 120/200

1/1 - 0s - loss: 0.0378 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 121/200

1/1 - 0s - loss: 0.0372 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 122/200

1/1 - 0s - loss: 0.0366 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 123/200

1/1 - 0s - loss: 0.0360 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 124/200

1/1 - 0s - loss: 0.0354 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 125/200

1/1 - 0s - loss: 0.0349 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 126/200

1/1 - 0s - loss: 0.0344 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 127/200

1/1 - 0s - loss: 0.0339 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 128/200

1/1 - 0s - loss: 0.0334 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 129/200

1/1 - 0s - loss: 0.0329 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 130/200

1/1 - 0s - loss: 0.0324 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 131/200

1/1 - 0s - loss: 0.0320 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 132/200

1/1 - 0s - loss: 0.0315 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 133/200

1/1 - 0s - loss: 0.0311 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 134/200

1/1 - 0s - loss: 0.0306 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 135/200

1/1 - 0s - loss: 0.0302 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 136/200

1/1 - 0s - loss: 0.0298 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 137/200

1/1 - 0s - loss: 0.0294 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 138/200

1/1 - 0s - loss: 0.0290 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 139/200

1/1 - 0s - loss: 0.0287 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 140/200

1/1 - 0s - loss: 0.0283 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 141/200

1/1 - 0s - loss: 0.0279 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 142/200

1/1 - 0s - loss: 0.0276 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 143/200

1/1 - 0s - loss: 0.0273 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 144/200

1/1 - 0s - loss: 0.0269 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 145/200

1/1 - 0s - loss: 0.0266 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 146/200

1/1 - 0s - loss: 0.0263 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 147/200

1/1 - 0s - loss: 0.0260 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 148/200

1/1 - 0s - loss: 0.0257 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 149/200

1/1 - 0s - loss: 0.0254 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 150/200

1/1 - 0s - loss: 0.0251 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 151/200

1/1 - 0s - loss: 0.0248 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 152/200

1/1 - 0s - loss: 0.0245 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 153/200

1/1 - 0s - loss: 0.0242 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 154/200

1/1 - 0s - loss: 0.0239 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 155/200

1/1 - 0s - loss: 0.0237 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 156/200

1/1 - 0s - loss: 0.0234 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 157/200

1/1 - 0s - loss: 0.0232 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 158/200

1/1 - 0s - loss: 0.0229 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 159/200

1/1 - 0s - loss: 0.0227 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 160/200

1/1 - 0s - loss: 0.0224 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 161/200

1/1 - 0s - loss: 0.0222 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 162/200

1/1 - 0s - loss: 0.0219 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 163/200

1/1 - 0s - loss: 0.0217 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 164/200

1/1 - 0s - loss: 0.0215 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 165/200

1/1 - 0s - loss: 0.0213 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 166/200

1/1 - 0s - loss: 0.0211 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 167/200

1/1 - 0s - loss: 0.0208 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 168/200

1/1 - 0s - loss: 0.0206 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 169/200

1/1 - 0s - loss: 0.0204 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 170/200

1/1 - 0s - loss: 0.0202 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 171/200

1/1 - 0s - loss: 0.0200 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 172/200

1/1 - 0s - loss: 0.0198 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 173/200

1/1 - 0s - loss: 0.0196 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 174/200

1/1 - 0s - loss: 0.0194 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 175/200

1/1 - 0s - loss: 0.0193 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 176/200

1/1 - 0s - loss: 0.0191 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 177/200

1/1 - 0s - loss: 0.0189 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 178/200

1/1 - 0s - loss: 0.0187 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 179/200

1/1 - 0s - loss: 0.0185 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 180/200

1/1 - 0s - loss: 0.0184 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 181/200

1/1 - 0s - loss: 0.0182 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 182/200

1/1 - 0s - loss: 0.0180 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 183/200

1/1 - 0s - loss: 0.0179 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 184/200

1/1 - 0s - loss: 0.0177 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 185/200

1/1 - 0s - loss: 0.0176 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 186/200

1/1 - 0s - loss: 0.0174 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 187/200

1/1 - 0s - loss: 0.0172 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 188/200

1/1 - 0s - loss: 0.0171 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 189/200

1/1 - 0s - loss: 0.0169 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 190/200

1/1 - 0s - loss: 0.0168 - accuracy: 1.0000 - 12ms/epoch - 12ms/step

Epoch 191/200

1/1 - 0s - loss: 0.0166 - accuracy: 1.0000 - 13ms/epoch - 13ms/step

Epoch 192/200

1/1 - 0s - loss: 0.0165 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 193/200

1/1 - 0s - loss: 0.0164 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 194/200

1/1 - 0s - loss: 0.0162 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

Epoch 195/200

1/1 - 0s - loss: 0.0161 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 196/200

1/1 - 0s - loss: 0.0160 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 197/200

1/1 - 0s - loss: 0.0158 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 198/200

1/1 - 0s - loss: 0.0157 - accuracy: 1.0000 - 11ms/epoch - 11ms/step

Epoch 199/200

1/1 - 0s - loss: 0.0156 - accuracy: 1.0000 - 10ms/epoch - 10ms/step

Epoch 200/200

1/1 - 0s - loss: 0.0154 - accuracy: 1.0000 - 9ms/epoch - 9ms/step

<keras.src.callbacks.History at 0x7ea7555aef20>

Paso 5: Ejemplo de Uso

Generemos la próxima palabra en una secuencia dada, utilizando el modelo entrenado.

import numpy as np

 

seed_text = "La inteligencia artificial"

next_words = 3

 

for _ in range(next_words):

    token_list = tokenizer.texts_to_sequences([seed_text])[0]

    token_list = pad_sequences([token_list], maxlen=max_length-1, padding='pre')

    predicted = model.predict(token_list, verbose=0)

    predicted_index = np.argmax(predicted, axis=-1)  # Obtiene el índice con el valor más alto

    output_word = ""

    for word, index in tokenizer.word_index.items():

        if index == predicted_index:

            output_word = word

            break

    seed_text += " " + output_word

 

print(seed_text)

 

RESULTADOS

La inteligencia artificial complejas complejas complejas

Este script es un punto de partida para explorar cómo las RNN pueden ser aplicadas en el contexto de la educación superior. El ejemplo dado es bastante básico y se enfoca en la predicción de texto. Sin embargo, las técnicas y principios aquí mostrados pueden extenderse y adaptarse a problemas más complejos, como análisis de sentimientos de evaluaciones estudiantiles, personalización de contenido educativo basado en el comportamiento del estudiante, entre otros.

Recuerda que el éxito de estos modelos depende en gran medida de la calidad y cantidad del conjunto de datos de entrenamiento. Para aplicaciones más sofisticadas, considera usar arquitecturas más avanzadas como LSTM (Long Short-Term Memory) o GRU (Gated Recurrent Units), que pueden capturar dependencias a largo plazo mejor que las RNN simples.

Conclusiones (Actitudes y Valoraciones)

Potencial Transformador de las RNN en la Educación Superior

Personalización a Escala: Las RNN ofrecen un potencial sin precedentes para personalizar la experiencia de aprendizaje de cada estudiante. Al adaptarse a las necesidades individuales, ritmos de aprendizaje y preferencias de contenido, las RNN pueden mejorar significativamente la retención del conocimiento y el compromiso estudiantil.

Análisis Predictivo: La capacidad de las RNN para trabajar con secuencias temporales las hace ideales para predecir comportamientos estudiantiles, como el riesgo de abandono. Esto permite a las instituciones intervenir de manera proactiva, ofreciendo apoyo adicional a los estudiantes que lo necesitan.

Desafíos Éticos y Prácticos

Privacidad de Datos: La implementación de RNN requiere acceso a grandes volúmenes de datos personales. Es fundamental establecer prácticas éticas sólidas para la gestión de estos datos, asegurando la privacidad y el consentimiento de los estudiantes.

Sesgo Algorítmico: Existe el riesgo de que los modelos de RNN perpetúen o incluso amplifiquen los sesgos existentes en los datos de entrenamiento. Es crucial adoptar medidas para identificar y corregir estos sesgos, promoviendo así la equidad y la inclusión en la educación superior.

Complejidad y Transparencia: Las decisiones tomadas por modelos de RNN pueden ser difíciles de interpretar. La transparencia en cómo se toman las decisiones algorítmicas es esencial para ganar la confianza de los estudiantes y los educadores.

Hacia un Futuro Colaborativo

Colaboración Multidisciplinaria: La implementación exitosa de RNN en la educación superior requiere la colaboración entre expertos en inteligencia artificial, educadores, psicólogos educativos y especialistas en ética. Juntos, pueden diseñar soluciones que sean técnicamente sólidas, pedagógicamente efectivas y éticamente responsables.

Formación y Capacitación: Para aprovechar las oportunidades que ofrecen las RNN, es necesario formar a los educadores en el uso de estas tecnologías. La capacitación debe centrarse no solo en cómo utilizar herramientas basadas en RNN, sino también en cómo integrarlas de manera efectiva en los currículos existentes.

Innovación Abierta: Fomentar un ecosistema de innovación abierta puede acelerar el desarrollo y la adopción de soluciones basadas en RNN en la educación superior. La colaboración entre instituciones educativas, startups tecnológicas y organizaciones gubernamentales puede generar avances significativos.

Conclusión Final

Las RNN tienen el potencial de revolucionar la educación superior, ofreciendo oportunidades sin precedentes para la personalización y la predicción. Sin embargo, su implementación exitosa requiere navegar cuidadosamente los desafíos técnicos, éticos y prácticos. Al adoptar un enfoque colaborativo y multidisciplinario, podemos asegurar que las ventajas de las RNN se realicen plenamente, beneficiando a estudiantes, educadores e instituciones por igual.

Volver