Optimización de redes neuronales mediante cálculo diferencial
DOI:
https://doi.org/10.67166/q66pmv28Palabras clave:
cálculo diferencial; redes neuronales artificiales; optimización; realidad aumentada; aprendizaje automático.Resumen
El objetivo de la investigación fue determinar la incidencia del cálculo diferencial en la optimización de redes neuronales artificiales mediante una intervención didáctica apoyada en realidad aumentada, orientada al desarrollo de destrezas para interpretar gradientes, funciones de pérdida y procesos de retropropagación. La metodología correspondió a un estudio cuasi experimental, de enfoque correlacional descriptivo, con grupo de control y grupo experimental; participaron 80 estudiantes distribuidos en cuatro centros de entrenamiento académico. Se aplicó un test de base estructurada, validado por expertos, cuyo índice de confiabilidad mediante alfa de Cronbach fue 0.89, valor considerado muy alto. El análisis integró estadística descriptiva, correlación de Pearson, prueba t de Student para muestras independientes y tamaño del efecto mediante d de Cohen. Los resultados evidenciaron una mejora superior en el grupo experimental, especialmente en la comprensión de la regla de la cadena aplicada a la retropropagación, la lectura matemática del gradiente y la selección de tasas de aprendizaje. La diferencia de medias en el postest fue estadísticamente significativa y el tamaño del efecto fue grande, lo que sugiere que el uso articulado del cálculo diferencial y la visualización inmersiva favoreció aprendizajes más transferibles hacia problemas de optimización computacional. Se concluye que el cálculo diferencial no debe presentarse como contenido aislado, sino como lenguaje operativo para explicar cómo aprende una red neuronal, cómo corrige sus pesos y cómo reduce el error durante el entrenamiento
Descargas
Referencias
Akçayır, M., & Akçayır, G. (2017). Advantages and challenges associated with augmented reality for education: A systematic review of the literature. Educational Research Review, 20, 1-11. https://doi.org/10.1016/j.edurev.2016.11.002
Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators and Virtual Environments, 6(4), 355-385. https://doi.org/10.1162/pres.1997.6.4.355
Bacca, J., Baldiris, S., Fabregat, R., Graf, S., & Kinshuk. (2014). Augmented reality trends in education: A systematic review of research and applications. Educational Technology & Society, 17(4), 133-149.
Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157-166. https://doi.org/10.1109/72.279181
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B, 57(1), 289-300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Bottou, L., Curtis, F. E., & Nocedal, J. (2018). Optimization methods for large-scale machine learning. SIAM Review, 60(2), 223-311. https://doi.org/10.1137/16M1080173
CEPAL, & UNESCO. (2020). La educación en tiempos de la pandemia de COVID-19. Comisión Económica para América Latina y el Caribe y Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://repositorio.cepal.org/handle/11362/45904
Cheng, K. H., & Tsai, C. C. (2013). Affordances of augmented reality in science learning: Suggestions for future research. Journal of Science Education and Technology, 22, 449-462. https://doi.org/10.1007/s10956-012-9405-9
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. https://doi.org/10.1037/0033-2909.112.1.155
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297-334. https://doi.org/10.1007/BF02310555
Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7-29. https://doi.org/10.1177/0956797613504966
Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research, 12, 2121-2159.
Dunleavy, M., Dede, C., & Mitchell, R. (2009). Affordances and limitations of immersive participatory augmented reality simulations for teaching and learning. Journal of Science Education and Technology, 18, 7-22. https://doi.org/10.1007/s10956-008-9119-1
Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39, 175-191. https://doi.org/10.3758/BF03193146
Garzón, J., Pavón, J., & Baldiris, S. (2019). Systematic review and meta-analysis of augmented reality in educational settings. Virtual Reality, 23, 447-459. https://doi.org/10.1007/s10055-019-00379-9
Glorot, X., & Bengio, Y. (2010). Understanding the difficulty of training deep feedforward neural networks. Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 249-256.
Goodfellow, I. J., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems, 27, 2672-2680. https://doi.org/10.48550/arXiv.1406.2661
He, K., Zhang, X., Ren, S., & Sun, J. (2015). Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification. Proceedings of the IEEE International Conference on Computer Vision, 1026-1034. https://doi.org/10.1109/ICCV.2015.123
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770-778. https://doi.org/10.1109/CVPR.2016.90
Hochreiter, S. (1998). The vanishing gradient problem during learning recurrent neural nets and problem solutions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 6(2), 107-116. https://doi.org/10.1142/S0218488598000094
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
Ibáñez, M. B., & Delgado-Kloos, C. (2018). Augmented reality for STEM learning: A systematic review. Computers & Education, 123, 109-123. https://doi.org/10.1016/j.compedu.2018.05.002
Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. Proceedings of the 32nd International Conference on Machine Learning, 448-456. https://doi.org/10.48550/arXiv.1502.03167
Johnson-Glenberg, M. C., Birchfield, D., Tolentino, L., & Koziupa, T. (2014). Collaborative embodied learning in mixed reality motion-capture environments: Two science studies. Journal of Educational Psychology, 106(1), 86-104. https://doi.org/10.1037/a0034008
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations. https://doi.org/10.48550/arXiv.1412.6980
Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work. Educational Psychologist, 41(2), 75-86. https://doi.org/10.1207/s15326985ep4102_1
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791
Loshchilov, I., & Hutter, F. (2019). Decoupled weight decay regularization. International Conference on Learning Representations. https://doi.org/10.48550/arXiv.1711.05101
Mayer, R. E. (2009). Multimedia learning. Cambridge University Press.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115-133. https://doi.org/10.1007/BF02478259
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Oscar Gabriel Toapanta Cunalata , José Geovanny Vega Pérez, Luis Javier Tapia Vasco, Jhonatan David Vistín Bastidas (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
