Control de los niveles de atención estudiantil en las clases virtuales de Uniandes usando inteligencia artificial y reconocimiento facial

Autores/as

  • Gustavo Eduardo Fernández Villacres Universidad UNIANDES
  • Lorena Fernanda Guerrero Aguilar Unidad Educativa Bolívar
  • Myrian Maristhela Solis Jácome Unidad Educativa Luis A. Martínez (Agropecuario)
  • Fausto Alberto Viscaino Naranjo Universidad UNIANDES

DOI:

https://doi.org/10.29018/issn.2588-1000vol5iss40.2021pp19-32

Palabras clave:

atención estudiantil, educación virtual, inteligencia artificial, reconocimiento facial, enseñanza

Resumen

El presente trabajo investigativo analiza la problemática relacionada con el elevado nivel de desatención que tienen los estudiantes de Uniandes cuando asisten a sus clases virtuales. El trabajo permite diagnosticar los factores que inciden para que el nivel de atención de los estudiantes en la clase sincrónica sea sumamente bajo. Se concibe un proyecto como solución a la problemática planteada, el objetivo general de dicho proyecto fue: Evaluar los niveles de desatención que tienen los estudiantes de Uniandes en sus clases virtuales, y se complementa la solución con un software que utilizando rutinas de inteligencia artificial y reconocimiento facial logra mejorar el control de desatención de los estudiantes durante el proceso académico. Se justifica la realización del trabajo en base al criterio de mejorar el proceso educativo. Los resultados fundamentales arrojaron que uno de los factores de la desatención es: la monotonía de las clases, esto debido al bajo nivel de manejo pedagógico y tecnológico de los docentes. De la investigación se concluye que realmente los docentes solo han trasladado el proceso de clase magistral cuando era de forma presencial a la forma virtual, es esencialmente por ello que el promedio de atención estudiantil a las clases sincrónicas oscila entre 20 y 30 minutos. El desarrollo de la tecnología de reconocimiento facial ha sido ampliamente utilizado en varios campos, la ubicación de los ojos en particular. En esta investigación se realiza un análisis de los niveles de atención, se evalúa el posicionamiento de los ojos para conocer si el educando presta atención en clase utilizando varias técnicas de visión artificial destacando entre ellas la de Facial Detection Landmark.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Anggo, M., & Arapu, L. (2018). Face Recognition Using Fisherface Method. J. Phys. Conf. Ser., vol. 1028, no. 1.

Belhumeur, P., Hespanha, J., & Kriegman, D. (2007). Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Trans. Pattern Anal. Mach. Intell., vol. 19, no. 7, , 711-720.

Broche Pérez, Y., Rodríguez Almeida, M., & Omar Martínez, E. (2014). Memoria de rostros y reconocimiento emocional: generalidades teóricas, bases neurales y patologías asociadas. Actualidades en Psicología vol. 28, no. 116, 27–40.

Cadenaser. (2017). Un sistema de reconocimiento facial podrá analizar la atención de los alumnos en clase. Obtenido de Sistema de reconocimiento facial que analiza la atención de los alumnos en clase: Un sistema de reconocimiento facial podrá analizar la atención de los alumnos en clase | Ciencia y tecnología: https://cadenaser.com/ser/2017/05/26/ciencia/1495808446_906808.html

Çarıkçı , M., & Özen, F. (2012). A Face Recognition System Based on Eigenfaces Method. Procedia Technol., vol. 1, 118–123.

Castillo, A., & Paternina Marín , A. (2006). Redes atencionales y sistema visual selectivo. Univ. psychol, vol. 5, no. 2, 305– 325.

Čegovnik, T., Stojmenova, K., Jakus, G., & Sodnik, J. (2018). An analysis of the suitability of a low-cost eye tracker for assessing the cognitive load of drivers. Appl. Ergon., vol. 68, no. October 2017, 1-11.

Cognifit. (2021). AtenciónUna de nuestras áreas cognitivas. Obtenido de Cognifit Research: https://www.cognifit.com/es/atencion

Cooley, E., & Morris, R. (2000). Attention in Children: A Neuropsychologically Based Model for Assessment. Dev. Neuropsychol., vol. 6, no. 3, 239–274.

Davies, J., & Easterby-Smith, M. (2004). Learning and Developing From Managerial Work Experiences. Journal of Management Studies, 169-182.

Dosenbach, N., & Petersen, S. (2009). Attentional Networks. Encycl. Neurosci, 655–660.

Fernandez Duque, D., & Posner, M. (2007). Relating the mechanisms of orienting and alerting. Neuropsychologia, vol. 35, no. 4, 477–486.

Fernández Olaria, R.-O. (2018). Obtenido de Las bases neurobiológicas del lenguaje en el síndrome de Down: https://www.downciclopedia.org/educacion/comunicacion-y-lenguaje/2994-las-bases-neurobiologicas-del-lenguaje-en-el-sindrome-de-down.html

Funes, M. J., & Lupiáñez, L. (2003). La teoría atencional de Posner: una tarea para medir las funciones atencionales de Orientación, Alerta y Control Cognitivo y la interacción entre ellas. Psicothema, 260-266.

Gómez, C; Alvarez, G; et. al. (2017). La investigación científica y sus formas de titulación. Aspectos conceptuales y prácticos. Ambato: Editorial Jurídica del Ecuador.

Hernández, A. (2017). Metodología de la investigación. México: McGrawHill.

Irtija, N., Sami , M., & Rahman Ahad , A. (2018). Fatigue Detection Using Facial Landmarks. Int. Symp. Affect. Sci. Eng., vol. ISASE2018, no. 0, 1-6.

Johnson , M. H., Posner, M., & Rothbart, M. (2001). Components of Visual Orienting in Early Infancy: Contingency Learning, Anticipatory Looking, and Disengaging. J. Cogn. Neurosci., vol. 3, no. 4, 335–344.

Kasiński, A., & Schmidt, A. (2007). The Architecture of the Face and Eyes Detection System Based on Cascade Classifiers. En Computer Recognition Systems 2 (págs. 124-131). Springer Berlin Heidelberg.

Londoño, L. (2009). La atención : un proceso psicológico básico. Revista de la Facultad de Psicología Universidad Cooperativa de Colombia, 91-100.

Mark, G., Wang, Y., Niiya, M., & Reich, S. (2016). Sleep Debt in Student Life: Online Attention Focus, Facebook, and Mood. Conference on Human Factors in Computing Systems - Proceedings, (págs. 5517-5528).

OpenCV. (2019). OpenCV v2.4.2 released. Obtenido de OpenCV v2.4.2 released: https://opencv.org/opencv-v2-4-2-released/

Patelli, P. (2003). Supracondylar fracture of the humerus. Minerva Ortop., vol. 4, no. 9, 280–286.

Popescu, R., & Ponescu, D. (2018). mart Classroom - Affective Computing in Present-Day Classroom. 2018 28th EAEEIE Annual Conference, EAEEIE 2018.

Posner, M. (2000). The Attention System Of The Human Brain. Annu. Rev. Neurosci., vol. 13, no. 1, 25–42.

Raya , A. (17 de Mayo de 2018). Reconocimiento Facial Clases 5. Obtenido de Reconocimiento facial en las aulas para saber si los alumnos están prestando atención, lo nuevo en China: https://www.elespanol.com/omicrono/software/20180517/reconocimiento-facial-alumnos-prestando-atencion-nuevo-china/307970644_0.html

Shang, L., Zhang, C., & Wu, H. (2019). Eye focus detection based on OpenCV. 2019 6th Int. Conf. Syst. Informatics, ICSAI 2019, no. Icsai, (págs. 855–858).

Shiffrin, R. M., & Schneider , W. (2007). Controlled and automatic human information processing: II. Perceptual learning, automatic attending and a general theory. Psychol. Rev., vol. 84, no. 2, 127–190.

Van Der Heijden , A. (2003). Selective Attention in Vision. Routledge.

Viola, P., & Jones, M. (2001). Managing work role performance: Challenges for twenty-first century organizations and their employees. Rapid Object Detect. using a Boost. Cascade Simple Featur, 511-518.

Wang, A., Dai, S., Yang, M., & Yuji, I. (2016). A novel human detection algorithm combining HOG with LBP histogram Fourier. Proc. 2015 10th Int. Conf. Commun. Netw. China, CHINACOM 2015, no. October, (págs. 793–797).

Yu, M., Tang , X., Lin, Y., & Schmidt, D. (2018). An eye detection method based on convolutional neural networks and support vector machines. Intell. Data Anal., vol. 22, no. 2, 345–362.

Zeman, A. (2006). Attentional Processing. The Brain's Art of Mindfulness. J. Neurol. Neurosurg. Psychiatry, vol. 60, no. 5,, 596–596.

Zhou, M., Lin, H., Young, S., & Yu, J. (2018). Hybrid sensing face detection and registration for low-light and unconstrained conditions. Appl. Opt., vol. 57, no. 1, 69.

Descargas

Publicado

2021-09-30

Cómo citar

Fernández Villacres, G. E., Guerrero Aguilar , L. F., Solis Jácome , M. M. ., & Viscaino Naranjo , F. A. (2021). Control de los niveles de atención estudiantil en las clases virtuales de Uniandes usando inteligencia artificial y reconocimiento facial. Pro Sciences: Revista De Producción, Ciencias E Investigación, 5(40), 19–32. https://doi.org/10.29018/issn.2588-1000vol5iss40.2021pp19-32

Número

Sección

ARTÍCULO DE INVESTIGACIÓN

Artículos más leídos del mismo autor/a