1. Inteligencia Artificial Generativa (AGI)
1.1. Redes Adversarias Generativas (GANs): Crean datos nuevos y realistas
1.1.1. Ejemplos: Generación de materiales de aprendizaje personalizados, creación de entornos de aprendizaje simulados.
1.1.2. Aplicaciones: Adaptación de materiales de aprendizaje a diferentes estilos de aprendizaje, creación de experiencias de aprendizaje inmersivas.
2. Visión Artificial:
2.1. Procesamiento de Imágenes: Mejora la calidad de las imágenes o extrae información relevante de ellas.
2.1.1. Ejemplos: Reconocimiento de texto en documentos educativos, análisis de imágenes médicas para la formación de estudiantes de medicina.
2.1.2. Aplicaciones: Creación de materiales de aprendizaje accesibles, evaluación del progreso del aprendizaje en entornos prácticos.
2.2. Visión por Computador: Aplica técnicas de visión artificial para resolver problemas complejos.
2.2.1. Ejemplos: Seguimiento del movimiento de los estudiantes en el aula, análisis del comportamiento para evaluar el compromiso.
2.2.2. Aplicaciones: Creación de entornos de aprendizaje más seguros, evaluación del desarrollo de habilidades motoras.
3. Reconocimiento de Patrones
3.1. Análisis de Datos: Extrae información útil de grandes conjuntos de datos
3.1.1. Ejemplos: Identificación de tendencias en el rendimiento académico, análisis del impacto de las intervenciones educativas.
3.1.2. Aplicaciones: Toma de decisiones basada en datos para mejorar la educación, optimización de recursos educativos.
3.2. Minería de Datos: Descubre patrones ocultos en grandes conjuntos de datos
3.2.1. Ejemplos: Identificación de estudiantes con necesidades educativas especiales, detección de patrones de fraude académico.
3.2.2. Aplicaciones: Personalización de la experiencia educativa, prevención del abandono escolar.
4. Aprendizaje Automático.
4.1. Aprendizaje Supervisado: Los algoritmos aprenden a partir de datos etiquetados
4.1.1. Ejemplos: Clasificación de tareas, predicción de calificaciones.
4.1.2. Aplicaciones: Sistemas de tutoría personalizados, evaluación automática de ensayos.
4.2. Aprendizaje No Supervisado: Los algoritmos descubren patrones en datos sin etiquetar
4.2.1. Ejemplos: Agrupamiento de estudiantes con características similares, análisis de redes sociales en el aula.
4.2.2. Aplicaciones: Identificación de estudiantes en riesgo, detección de plagio.
4.3. Aprendizaje por Refuerzo: Los algoritmos aprenden a través de la interacción con un entorno
4.3.1. Ejemplos: Simulaciones educativas adaptativas, juegos educativos personalizados.
4.3.2. Aplicaciones: Fomentar la motivación y el compromiso de los estudiantes, proporcionar retroalimentación en tiempo real.
5. Aprendizaje Profundo
5.1. Redes Neuronales Artificiales (ANNs): Se inspiran en el cerebro humano para procesar información
5.1.1. Ejemplos: Reconocimiento de voz para estudiantes con discapacidades, análisis de imágenes para evaluar el progreso del aprendizaje.
5.1.2. Aplicaciones: Personalización de materiales de aprendizaje, detección de estudiantes que necesitan apoyo adicional.
5.2. Redes Convolucionales (CNNs): Especializadas en el procesamiento de imágenes
5.2.1. Ejemplos: Identificación de objetos en imágenes educativas, análisis de expresiones faciales para evaluar el compromiso.
5.2.2. Aplicaciones: Creación de materiales de aprendizaje interactivos, evaluación del bienestar emocional de los estudiantes.
5.3. Redes Recurrentes (RNNs): Procesan secuencias de datos
5.3.1. Ejemplos: Análisis de texto para identificar patrones de aprendizaje, generación de contenido educativo personalizado.
5.3.2. Aplicaciones: Tutoría inteligente, evaluación automática de la comprensión lectora.
6. Procesamiento del Lenguaje Natural (PLN)
6.1. Comprensión del Lenguaje Natural (NLU): Permite a las computadoras entender el lenguaje humano
6.1.1. Ejemplos: Sistemas de respuesta a preguntas para estudiantes, chatbots para asistencia educativa.
6.1.2. Aplicaciones: Tutoría personalizada, traducción de materiales de aprendizaje a diferentes idiomas.
6.2. Generación de Lenguaje Natural (NLG): Permite a las computadoras generar lenguaje humano
6.2.1. Ejemplos: Creación de resúmenes de textos educativos, generación de retroalimentación personalizada para los estudiantes.
6.2.2. Aplicaciones: Personalización de materiales de aprendizaje, creación de contenido educativo multilingüe.