La estadística, los métodos de enseñanza-aprendizaje y la adquisión de competencias informáticas en el Grado en Administración y Dirección de Empresas

[ES]En el presente estudio se analizan las relaciones que existen entre los métodos de enseñanza-aprendizaje que se utilizan y el nivel de desarrollo adquirido por los estudiantes en la competencia para la utilización de herramientas informáticas a través del módulo de Estadística de la asignatura de Métodos Cuantitativos en el Grado de Administración y Dirección de Empresas de la Universidad de Las Palmas de Gran Canaria. Basándose en los resultados de una encuesta realizada en el curso 2012-13 a los alumnos de la asignatura, se concluye que los métodos de enseñanza-aprendizaje basado en las“clases prácticas de ordenador” y en la “resolución de ejercicios usando ordenadores” son los más efectivos en la adquisición de competencias informáticas.

Repetitive behaviours in patients with Gilles de la Tourette syndrome: tics, compulsions, or both?

Background Repetitive behaviours (RB) in patients with Gilles de la Tourette syndrome (GTS) are frequent. However, a controversy persists whether they are manifestations of obssessive-compulsive disorder (OCD) or correspond to complex tics. Methods 166 consecutive patients with GTS aged 15–68 years were recruited and submitted to extensive neurological, psychiatric and psychological evaluations. RB were evaluated by the YBOCS symptom checklist and Mini International Neuropsychiatric Interview (M.I.N.I), and classified on the basis of a semi-directive psychiatric interview as compulsions or tics. Results RB were present in 64.4% of patients with GTS (107/166) and categorised into 3 major groups: a ‘tic-like’ group (24.3%–40/166) characterised by RB such as touching, counting, ‘just right’ and symmetry searching; an ‘OCD-like’ group (20.5%–34/166) with washing and checking rituals; and a ‘mixed’ group (13.2%–22/166) with both ‘tics-like’ and ‘OCD-like’ types of RB present in the same patient. In 6.3% of patients, RB could not be classified into any of these groups and were thus considered ‘undetermined’. Conclusions The results confirm the phenomenological heterogeneity of RB in GTS patients and allows to distinguish two types: tic-like behaviours which are very likely an integral part of GTS; and OCD-like behaviours, which can be considered as a comorbid condition of GTS and were correlated with higher score of complex tics, neuroleptic and SSRIs treatment frequency and less successful socio-professional adaptation. We suggest that a meticulous semiological analysis of RB in GTS patients will help to tailor treatment and allow to better classify patients for future pathophysiologic studies. Trial Registration ClinicalTrials.gov NCT00169351

Educación para la salud bucal mediante el uso de las tecnologías de la información y comunicación (TICs) : experiencia de las cátedras Clínica del Paciente Discapacitado y Práctica Profesional Supervisada

La educación superior en el siglo XXI va más allá de la simple transferencia de conocimientos donde el estudiante es un receptor pasivo y el rol activo lo desempeña el docente. Hoy la co-construcción de los conocimientos con los alumnos resulta una estrategia enriquecedora para ambos, más aún cuando las actividades pedagógicas que se planteen tengan como uno de sus receptores a la propia comunidad. La experiencia que se relata intenta complementar saberes universitarios, mediarlos a diferentes destinatarios, desarrollar capacidades para producirlos y utilizarlos adecuadamente a grupos definidos que requieren la información que se imparte. La tecnología digital en los escenarios pedagógico-didácticos no se limita exclusivamente a los ámbitos informáticos, virtuales o de elearning. Resulta una herramienta excelente para llegar a grupos poblacionales diversos. Así es que se que expresa una experiencia realizada entre las cátedras Clínica del Paciente Discapacitado y PrácticaProfesional Supervisada de la Facultad de Odontología, Universidad Nacional de Cuyo en Mendoza, Argentina. Se diseñó una propuesta de promoción de la salud bucal mediante el uso de las tecnologías de la información y comunicación (TICs). La misma consistió en la construcción a cargo de los alumnos de páginas web como instrumento de educación de la salud bucal dirigidas a grupos de riesgo con discapacidad, sus familias y profesionales odontólogos que atienden a estos pacientes.

Comparación entre dos tipos de aprendizajes : presencial y on line

Fil: Castro, N. M.. Universidad Nacional de Cuyo. Facultad de Odontología

El diseño artístico como estrategia para el aprendizaje de las funciones

La propuesta que se expone está dirigida a utilizar la recreación y creación artística como una estrategia para el aprendizaje matemático. Los alumnos realizan diseños artísticos dibujando con funciones y ecuaciones de lugares geométricos, usando como recurso didáctico graficadores y programas de geometría dinámica. Las posibilidades informáticas permiten la manipulación de las funciones modificando sus gráficas según las variaciones de sus parámetros y argumentos, restringiendo sus dominios y planteando las ecuaciones adecuadas a ciertas condiciones del diseño. Los alumnos deben aprender a transformar las ecuaciones de las funciones al tipo de coordenadas que el programa utilizado acepta, por lo que pueden identificarse ecuaciones implícitas, explícitas, paramétricas, y funciones en coordenadas polares. Los diseños se realizan en graficadores del tipo del Graphmática o Winplots, recomendándose aquéllos graficadores menos potentes porque exigen un trabajo matemático más profundo. El diseño es de creación libre en la primera etapa y luego se realizan actividades algebraicas en forma guiada, en base a un diseño dado, lo que constituye una tarea para la ejercitación con un fin determinado. Asimismo estas acciones pueden ser evaluadas por el docente desde la visión matemática, además de la artística. El uso de los comandos adecuados de ciertos programas de geometría dinámica permite la búsqueda de lugares geométricos, los que serán un recurso valioso para la creación. Si propiciamos la observación del entorno y proponemos la matematización de imágenes para ser recreadas utilizando funciones y ecuaciones, que permitan la graficación de rectas, parábolas, funciones polinómicas, funciones trigonométricas, circunferencias, círculos, elipses, cicloides, epicicloides e hipocicloides, podemos fundamentalmente crear ,generando la construcción de aprendizajes, la interpretación de conceptos desde distintos registros semióticos , el registro de ideas, la elaboración de conclusiones , la comunicación de los logros y dificultades, , la creación de obras artísticas en diseños computacionales, pintura y escultura, y fundamentalmente, la institucionalización de nuevos contenidos.

El diseño artístico como estrategia para el aprendizaje de las funciones

La propuesta que se expone está dirigida a utilizar la recreación y creación artística como una estrategia para el aprendizaje matemático. Los alumnos realizan diseños artísticos dibujando con funciones y ecuaciones de lugares geométricos, usando como recurso didáctico graficadores y programas de geometría dinámica. Las posibilidades informáticas permiten la manipulación de las funciones modificando sus gráficas según las variaciones de sus parámetros y argumentos, restringiendo sus dominios y planteando las ecuaciones adecuadas a ciertas condiciones del diseño. Los alumnos deben aprender a transformar las ecuaciones de las funciones al tipo de coordenadas que el programa utilizado acepta, por lo que pueden identificarse ecuaciones implícitas, explícitas, paramétricas, y funciones en coordenadas polares. Los diseños se realizan en graficadores del tipo del Graphmática o Winplots, recomendándose aquéllos graficadores menos potentes porque exigen un trabajo matemático más profundo. El diseño es de creación libre en la primera etapa y luego se realizan actividades algebraicas en forma guiada, en base a un diseño dado, lo que constituye una tarea para la ejercitación con un fin determinado. Asimismo estas acciones pueden ser evaluadas por el docente desde la visión matemática, además de la artística. El uso de los comandos adecuados de ciertos programas de geometría dinámica permite la búsqueda de lugares geométricos, los que serán un recurso valioso para la creación. Si propiciamos la observación del entorno y proponemos la matematización de imágenes para ser recreadas utilizando funciones y ecuaciones, que permitan la graficación de rectas, parábolas, funciones polinómicas, funciones trigonométricas, circunferencias, círculos, elipses, cicloides, epicicloides e hipocicloides, podemos fundamentalmente crear ,generando la construcción de aprendizajes, la interpretación de conceptos desde distintos registros semióticos , el registro de ideas, la elaboración de conclusiones , la comunicación de los logros y dificultades, , la creación de obras artísticas en diseños computacionales, pintura y escultura, y fundamentalmente, la institucionalización de nuevos contenidos.

Cuestionarios virtuales para el aprendizaje de conceptos epistemológicos en un curso de ingreso universitario

El ciclo de ingreso universitario a las Carreras de Ingeniería, Geología y Biología, incluye en su currículo la asignatura Ambientación Universitaria; una de cuyas temáticas centrales es la introducción al pensamiento científico. Con el objetivo de potenciar la comprensión de los contenidos epistemológicos desarrollados se incorporó en esta asignatura, suplementando el desarrollo presencial, una herramienta virtual montada en plataforma Moodle. Consistió en un cuestionario cerrado de siete preguntas con cinco opciones de respuesta cada una, y retroalimentaciones explicativas para cada respuesta. Los estudiantes pudieron contestar sin límites cada pregunta y leer los comentarios explicativos para cada opción rectificando o ratificando su respuesta. A fin de evaluar la innovación, se estudió una muestra de 42 alumnos que fueron asignados aleatoriamente a "grupo tratamiento" (utilizó la herramienta) y "grupo control" (no la utilizó). En ambos grupos se aplicó un pretest al comenzar el curso y un postest en la última clase. Los resultados sugieren que la incorporación de evaluaciones y retroalimentaciones mediadas por TIC pueden favorecer la comprensión de contenidos epistemológicos clave. La importancia de este trabajo radica en ilustrar un caso concreto de implementación de herramientas virtuales, que vincula evaluaciones formativa y sumativa en orden a mejorar el rendimiento. Asimismo, resalta la necesidad de profundizar la investigación en esta línea.

El diseño artístico como estrategia para el aprendizaje de las funciones

La propuesta que se expone está dirigida a utilizar la recreación y creación artística como una estrategia para el aprendizaje matemático. Los alumnos realizan diseños artísticos dibujando con funciones y ecuaciones de lugares geométricos, usando como recurso didáctico graficadores y programas de geometría dinámica. Las posibilidades informáticas permiten la manipulación de las funciones modificando sus gráficas según las variaciones de sus parámetros y argumentos, restringiendo sus dominios y planteando las ecuaciones adecuadas a ciertas condiciones del diseño. Los alumnos deben aprender a transformar las ecuaciones de las funciones al tipo de coordenadas que el programa utilizado acepta, por lo que pueden identificarse ecuaciones implícitas, explícitas, paramétricas, y funciones en coordenadas polares. Los diseños se realizan en graficadores del tipo del Graphmática o Winplots, recomendándose aquéllos graficadores menos potentes porque exigen un trabajo matemático más profundo. El diseño es de creación libre en la primera etapa y luego se realizan actividades algebraicas en forma guiada, en base a un diseño dado, lo que constituye una tarea para la ejercitación con un fin determinado. Asimismo estas acciones pueden ser evaluadas por el docente desde la visión matemática, además de la artística. El uso de los comandos adecuados de ciertos programas de geometría dinámica permite la búsqueda de lugares geométricos, los que serán un recurso valioso para la creación. Si propiciamos la observación del entorno y proponemos la matematización de imágenes para ser recreadas utilizando funciones y ecuaciones, que permitan la graficación de rectas, parábolas, funciones polinómicas, funciones trigonométricas, circunferencias, círculos, elipses, cicloides, epicicloides e hipocicloides, podemos fundamentalmente crear ,generando la construcción de aprendizajes, la interpretación de conceptos desde distintos registros semióticos , el registro de ideas, la elaboración de conclusiones , la comunicación de los logros y dificultades, , la creación de obras artísticas en diseños computacionales, pintura y escultura, y fundamentalmente, la institucionalización de nuevos contenidos.

Cuestionarios virtuales para el aprendizaje de conceptos epistemológicos en un curso de ingreso universitario

El ciclo de ingreso universitario a las Carreras de Ingeniería, Geología y Biología, incluye en su currículo la asignatura Ambientación Universitaria; una de cuyas temáticas centrales es la introducción al pensamiento científico. Con el objetivo de potenciar la comprensión de los contenidos epistemológicos desarrollados se incorporó en esta asignatura, suplementando el desarrollo presencial, una herramienta virtual montada en plataforma Moodle. Consistió en un cuestionario cerrado de siete preguntas con cinco opciones de respuesta cada una, y retroalimentaciones explicativas para cada respuesta. Los estudiantes pudieron contestar sin límites cada pregunta y leer los comentarios explicativos para cada opción rectificando o ratificando su respuesta. A fin de evaluar la innovación, se estudió una muestra de 42 alumnos que fueron asignados aleatoriamente a "grupo tratamiento" (utilizó la herramienta) y "grupo control" (no la utilizó). En ambos grupos se aplicó un pretest al comenzar el curso y un postest en la última clase. Los resultados sugieren que la incorporación de evaluaciones y retroalimentaciones mediadas por TIC pueden favorecer la comprensión de contenidos epistemológicos clave. La importancia de este trabajo radica en ilustrar un caso concreto de implementación de herramientas virtuales, que vincula evaluaciones formativa y sumativa en orden a mejorar el rendimiento. Asimismo, resalta la necesidad de profundizar la investigación en esta línea.

Aprendizaje integrado de software para producción de buques

Una alta productividad en Ingeniería está asociada entre otras cosas a una gestión eficiente del flujo de las enormes cantidades de información y correspondientes tomas de decisiones consubstanciales a los entornos de diseño y producción. Ello exige que nuestros titulados estén formados para ser capaces de manejar esa información de modo integrado, a través de los diferentes estadios en que se genera y procesa. En el contexto de la enseñanza de la Ingeniería existen un buen número de cursos designados a desarrollar competencias específicas, como las requeridas en los currículos académicos, pero muy pocos en los cuales las competencias de integración sean el objetivo principal. En este artículo se documenta una asignatura que tiene esa orientación, con la intención de alimentar el debate sobre la formación, tan necesario en tiempos de fuerte contracción de la actividad económica como el que vivimos en la actualidad y que está promoviendo el COIN. La asignatura se denomina “Tecnologías de la Información Aplicadas a la Construcción Naval” y es impartida en la titulación de Ingeniero Naval y Oceánico, plan 2002, de la Universidad Politécnica de Madrid (UPM). La primera parte de la asignatura está dedicada a la planificación y gestión de proyectos; los estudiantes adquieren competencias en la definición, usando Ms-PROJECT, de la estructura de descomposición de tareas y la asignación de recursos así como en el seguimiento de proyectos, a través de una serie de ejemplos de complejidad creciente, finalizando con la construcción de un buque. La segunda parte está dedicada al uso de un gestor de bases de datos, Ms-ACCESS, y orientada a la gestión de la información relativa a Producción. Otra vez la estrategia pasa por trabajar sobre una serie de ejemplos de complejidad creciente y se finaliza con la administración de una base de datos de tuberías de un buque, para las cuales se establecen hitos de producción, recepción y montaje, lo que conecta está parte con la primera. Finalmente, la tercera parte de la asignatura está dedicada al trabajo con FORAN, con el cual se definen con detalle los elementos estructurales de todo el buque sobre el que se ha elaborado la planificación. En esta parte, el trabajo es cooperativo, dado que los estudiantes operan simultáneamente en el mismo modelo 3D. Las clases se realizan en un aula multimedia en la cual cada estudiante puede utilizar todas las aplicaciones de software tratadas. Se han realizado encuestas a los estudiantes para obtener una retroalimentación desde su experiencia así como para hacer una valoración de su satisfacción con el proceso de aprendizaje. Los resultados de esas encuestas son discutidos en el artículo.

Contributions to Bayesian network learning with applications to neuroscience

Neuronal morphology is a key feature in the study of brain circuits, as it is highly related to information processing and functional identification. Neuronal morphology affects the process of integration of inputs from other neurons and determines the neurons which receive the output of the neurons. Different parts of the neurons can operate semi-independently according to the spatial location of the synaptic connections. As a result, there is considerable interest in the analysis of the microanatomy of nervous cells since it constitutes an excellent tool for better understanding cortical function. However, the morphologies, molecular features and electrophysiological properties of neuronal cells are extremely variable. Except for some special cases, this variability makes it hard to find a set of features that unambiguously define a neuronal type. In addition, there are distinct types of neurons in particular regions of the brain. This morphological variability makes the analysis and modeling of neuronal morphology a challenge. Uncertainty is a key feature in many complex real-world problems. Probability theory provides a framework for modeling and reasoning with uncertainty. Probabilistic graphical models combine statistical theory and graph theory to provide a tool for managing domains with uncertainty. In particular, we focus on Bayesian networks, the most commonly used probabilistic graphical model. In this dissertation, we design new methods for learning Bayesian networks and apply them to the problem of modeling and analyzing morphological data from neurons. The morphology of a neuron can be quantified using a number of measurements, e.g., the length of the dendrites and the axon, the number of bifurcations, the direction of the dendrites and the axon, etc. These measurements can be modeled as discrete or continuous data. The continuous data can be linear (e.g., the length or the width of a dendrite) or directional (e.g., the direction of the axon). These data may follow complex probability distributions and may not fit any known parametric distribution. Modeling this kind of problems using hybrid Bayesian networks with discrete, linear and directional variables poses a number of challenges regarding learning from data, inference, etc. In this dissertation, we propose a method for modeling and simulating basal dendritic trees from pyramidal neurons using Bayesian networks to capture the interactions between the variables in the problem domain. A complete set of variables is measured from the dendrites, and a learning algorithm is applied to find the structure and estimate the parameters of the probability distributions included in the Bayesian networks. Then, a simulation algorithm is used to build the virtual dendrites by sampling values from the Bayesian networks, and a thorough evaluation is performed to show the model’s ability to generate realistic dendrites. In this first approach, the variables are discretized so that discrete Bayesian networks can be learned and simulated. Then, we address the problem of learning hybrid Bayesian networks with different kinds of variables. Mixtures of polynomials have been proposed as a way of representing probability densities in hybrid Bayesian networks. We present a method for learning mixtures of polynomials approximations of one-dimensional, multidimensional and conditional probability densities from data. The method is based on basis spline interpolation, where a density is approximated as a linear combination of basis splines. The proposed algorithms are evaluated using artificial datasets. We also use the proposed methods as a non-parametric density estimation technique in Bayesian network classifiers. Next, we address the problem of including directional data in Bayesian networks. These data have some special properties that rule out the use of classical statistics. Therefore, different distributions and statistics, such as the univariate von Mises and the multivariate von Mises–Fisher distributions, should be used to deal with this kind of information. In particular, we extend the naive Bayes classifier to the case where the conditional probability distributions of the predictive variables given the class follow either of these distributions. We consider the simple scenario, where only directional predictive variables are used, and the hybrid case, where discrete, Gaussian and directional distributions are mixed. The classifier decision functions and their decision surfaces are studied at length. Artificial examples are used to illustrate the behavior of the classifiers. The proposed classifiers are empirically evaluated over real datasets. We also study the problem of interneuron classification. An extensive group of experts is asked to classify a set of neurons according to their most prominent anatomical features. A web application is developed to retrieve the experts’ classifications. We compute agreement measures to analyze the consensus between the experts when classifying the neurons. Using Bayesian networks and clustering algorithms on the resulting data, we investigate the suitability of the anatomical terms and neuron types commonly used in the literature. Additionally, we apply supervised learning approaches to automatically classify interneurons using the values of their morphological measurements. Then, a methodology for building a model which captures the opinions of all the experts is presented. First, one Bayesian network is learned for each expert, and we propose an algorithm for clustering Bayesian networks corresponding to experts with similar behaviors. Then, a Bayesian network which represents the opinions of each group of experts is induced. Finally, a consensus Bayesian multinet which models the opinions of the whole group of experts is built. A thorough analysis of the consensus model identifies different behaviors between the experts when classifying the interneurons in the experiment. A set of characterizing morphological traits for the neuronal types can be defined by performing inference in the Bayesian multinet. These findings are used to validate the model and to gain some insights into neuron morphology. Finally, we study a classification problem where the true class label of the training instances is not known. Instead, a set of class labels is available for each instance. This is inspired by the neuron classification problem, where a group of experts is asked to individually provide a class label for each instance. We propose a novel approach for learning Bayesian networks using count vectors which represent the number of experts who selected each class label for each instance. These Bayesian networks are evaluated using artificial datasets from supervised learning problems. Resumen La morfología neuronal es una característica clave en el estudio de los circuitos cerebrales, ya que está altamente relacionada con el procesado de información y con los roles funcionales. La morfología neuronal afecta al proceso de integración de las señales de entrada y determina las neuronas que reciben las salidas de otras neuronas. Las diferentes partes de la neurona pueden operar de forma semi-independiente de acuerdo a la localización espacial de las conexiones sinápticas. Por tanto, existe un interés considerable en el análisis de la microanatomía de las células nerviosas, ya que constituye una excelente herramienta para comprender mejor el funcionamiento de la corteza cerebral. Sin embargo, las propiedades morfológicas, moleculares y electrofisiológicas de las células neuronales son extremadamente variables. Excepto en algunos casos especiales, esta variabilidad morfológica dificulta la definición de un conjunto de características que distingan claramente un tipo neuronal. Además, existen diferentes tipos de neuronas en regiones particulares del cerebro. La variabilidad neuronal hace que el análisis y el modelado de la morfología neuronal sean un importante reto científico. La incertidumbre es una propiedad clave en muchos problemas reales. La teoría de la probabilidad proporciona un marco para modelar y razonar bajo incertidumbre. Los modelos gráficos probabilísticos combinan la teoría estadística y la teoría de grafos con el objetivo de proporcionar una herramienta con la que trabajar bajo incertidumbre. En particular, nos centraremos en las redes bayesianas, el modelo más utilizado dentro de los modelos gráficos probabilísticos. En esta tesis hemos diseñado nuevos métodos para aprender redes bayesianas, inspirados por y aplicados al problema del modelado y análisis de datos morfológicos de neuronas. La morfología de una neurona puede ser cuantificada usando una serie de medidas, por ejemplo, la longitud de las dendritas y el axón, el número de bifurcaciones, la dirección de las dendritas y el axón, etc. Estas medidas pueden ser modeladas como datos continuos o discretos. A su vez, los datos continuos pueden ser lineales (por ejemplo, la longitud o la anchura de una dendrita) o direccionales (por ejemplo, la dirección del axón). Estos datos pueden llegar a seguir distribuciones de probabilidad muy complejas y pueden no ajustarse a ninguna distribución paramétrica conocida. El modelado de este tipo de problemas con redes bayesianas híbridas incluyendo variables discretas, lineales y direccionales presenta una serie de retos en relación al aprendizaje a partir de datos, la inferencia, etc. En esta tesis se propone un método para modelar y simular árboles dendríticos basales de neuronas piramidales usando redes bayesianas para capturar las interacciones entre las variables del problema. Para ello, se mide un amplio conjunto de variables de las dendritas y se aplica un algoritmo de aprendizaje con el que se aprende la estructura y se estiman los parámetros de las distribuciones de probabilidad que constituyen las redes bayesianas. Después, se usa un algoritmo de simulación para construir dendritas virtuales mediante el muestreo de valores de las redes bayesianas. Finalmente, se lleva a cabo una profunda evaluaci ón para verificar la capacidad del modelo a la hora de generar dendritas realistas. En esta primera aproximación, las variables fueron discretizadas para poder aprender y muestrear las redes bayesianas. A continuación, se aborda el problema del aprendizaje de redes bayesianas con diferentes tipos de variables. Las mixturas de polinomios constituyen un método para representar densidades de probabilidad en redes bayesianas híbridas. Presentamos un método para aprender aproximaciones de densidades unidimensionales, multidimensionales y condicionales a partir de datos utilizando mixturas de polinomios. El método se basa en interpolación con splines, que aproxima una densidad como una combinación lineal de splines. Los algoritmos propuestos se evalúan utilizando bases de datos artificiales. Además, las mixturas de polinomios son utilizadas como un método no paramétrico de estimación de densidades para clasificadores basados en redes bayesianas. Después, se estudia el problema de incluir información direccional en redes bayesianas. Este tipo de datos presenta una serie de características especiales que impiden el uso de las técnicas estadísticas clásicas. Por ello, para manejar este tipo de información se deben usar estadísticos y distribuciones de probabilidad específicos, como la distribución univariante von Mises y la distribución multivariante von Mises–Fisher. En concreto, en esta tesis extendemos el clasificador naive Bayes al caso en el que las distribuciones de probabilidad condicionada de las variables predictoras dada la clase siguen alguna de estas distribuciones. Se estudia el caso base, en el que sólo se utilizan variables direccionales, y el caso híbrido, en el que variables discretas, lineales y direccionales aparecen mezcladas. También se estudian los clasificadores desde un punto de vista teórico, derivando sus funciones de decisión y las superficies de decisión asociadas. El comportamiento de los clasificadores se ilustra utilizando bases de datos artificiales. Además, los clasificadores son evaluados empíricamente utilizando bases de datos reales. También se estudia el problema de la clasificación de interneuronas. Desarrollamos una aplicación web que permite a un grupo de expertos clasificar un conjunto de neuronas de acuerdo a sus características morfológicas más destacadas. Se utilizan medidas de concordancia para analizar el consenso entre los expertos a la hora de clasificar las neuronas. Se investiga la idoneidad de los términos anatómicos y de los tipos neuronales utilizados frecuentemente en la literatura a través del análisis de redes bayesianas y la aplicación de algoritmos de clustering. Además, se aplican técnicas de aprendizaje supervisado con el objetivo de clasificar de forma automática las interneuronas a partir de sus valores morfológicos. A continuación, se presenta una metodología para construir un modelo que captura las opiniones de todos los expertos. Primero, se genera una red bayesiana para cada experto y se propone un algoritmo para agrupar las redes bayesianas que se corresponden con expertos con comportamientos similares. Después, se induce una red bayesiana que modela la opinión de cada grupo de expertos. Por último, se construye una multired bayesiana que modela las opiniones del conjunto completo de expertos. El análisis del modelo consensuado permite identificar diferentes comportamientos entre los expertos a la hora de clasificar las neuronas. Además, permite extraer un conjunto de características morfológicas relevantes para cada uno de los tipos neuronales mediante inferencia con la multired bayesiana. Estos descubrimientos se utilizan para validar el modelo y constituyen información relevante acerca de la morfología neuronal. Por último, se estudia un problema de clasificación en el que la etiqueta de clase de los datos de entrenamiento es incierta. En cambio, disponemos de un conjunto de etiquetas para cada instancia. Este problema está inspirado en el problema de la clasificación de neuronas, en el que un grupo de expertos proporciona una etiqueta de clase para cada instancia de manera individual. Se propone un método para aprender redes bayesianas utilizando vectores de cuentas, que representan el número de expertos que seleccionan cada etiqueta de clase para cada instancia. Estas redes bayesianas se evalúan utilizando bases de datos artificiales de problemas de aprendizaje supervisado.

Multi-dimensional classification using Bayesian networks for stationary and evolving streaming data

Hoy en día, con la evolución continua y rápida de las tecnologías de la información y los dispositivos de computación, se recogen y almacenan continuamente grandes volúmenes de datos en distintos dominios y a través de diversas aplicaciones del mundo real. La extracción de conocimiento útil de una cantidad tan enorme de datos no se puede realizar habitualmente de forma manual, y requiere el uso de técnicas adecuadas de aprendizaje automático y de minería de datos. La clasificación es una de las técnicas más importantes que ha sido aplicada con éxito a varias áreas. En general, la clasificación se compone de dos pasos principales: en primer lugar, aprender un modelo de clasificación o clasificador a partir de un conjunto de datos de entrenamiento, y en segundo lugar, clasificar las nuevas instancias de datos utilizando el clasificador aprendido. La clasificación es supervisada cuando todas las etiquetas están presentes en los datos de entrenamiento (es decir, datos completamente etiquetados), semi-supervisada cuando sólo algunas etiquetas son conocidas (es decir, datos parcialmente etiquetados), y no supervisada cuando todas las etiquetas están ausentes en los datos de entrenamiento (es decir, datos no etiquetados). Además, aparte de esta taxonomía, el problema de clasificación se puede categorizar en unidimensional o multidimensional en función del número de variables clase, una o más, respectivamente; o también puede ser categorizado en estacionario o cambiante con el tiempo en función de las características de los datos y de la tasa de cambio subyacente. A lo largo de esta tesis, tratamos el problema de clasificación desde tres perspectivas diferentes, a saber, clasificación supervisada multidimensional estacionaria, clasificación semisupervisada unidimensional cambiante con el tiempo, y clasificación supervisada multidimensional cambiante con el tiempo. Para llevar a cabo esta tarea, hemos usado básicamente los clasificadores Bayesianos como modelos. La primera contribución, dirigiéndose al problema de clasificación supervisada multidimensional estacionaria, se compone de dos nuevos métodos de aprendizaje de clasificadores Bayesianos multidimensionales a partir de datos estacionarios. Los métodos se proponen desde dos puntos de vista diferentes. El primer método, denominado CB-MBC, se basa en una estrategia de envoltura de selección de variables que es voraz y hacia delante, mientras que el segundo, denominado MB-MBC, es una estrategia de filtrado de variables con una aproximación basada en restricciones y en el manto de Markov. Ambos métodos han sido aplicados a dos problemas reales importantes, a saber, la predicción de los inhibidores de la transcriptasa inversa y de la proteasa para el problema de infección por el virus de la inmunodeficiencia humana tipo 1 (HIV-1), y la predicción del European Quality of Life-5 Dimensions (EQ-5D) a partir de los cuestionarios de la enfermedad de Parkinson con 39 ítems (PDQ-39). El estudio experimental incluye comparaciones de CB-MBC y MB-MBC con los métodos del estado del arte de la clasificación multidimensional, así como con métodos comúnmente utilizados para resolver el problema de predicción de la enfermedad de Parkinson, a saber, la regresión logística multinomial, mínimos cuadrados ordinarios, y mínimas desviaciones absolutas censuradas. En ambas aplicaciones, los resultados han sido prometedores con respecto a la precisión de la clasificación, así como en relación al análisis de las estructuras gráficas que identifican interacciones conocidas y novedosas entre las variables. La segunda contribución, referida al problema de clasificación semi-supervisada unidimensional cambiante con el tiempo, consiste en un método nuevo (CPL-DS) para clasificar flujos de datos parcialmente etiquetados. Los flujos de datos difieren de los conjuntos de datos estacionarios en su proceso de generación muy rápido y en su aspecto de cambio de concepto. Es decir, los conceptos aprendidos y/o la distribución subyacente están probablemente cambiando y evolucionando en el tiempo, lo que hace que el modelo de clasificación actual sea obsoleto y deba ser actualizado. CPL-DS utiliza la divergencia de Kullback-Leibler y el método de bootstrapping para cuantificar y detectar tres tipos posibles de cambio: en las predictoras, en la a posteriori de la clase o en ambas. Después, si se detecta cualquier cambio, un nuevo modelo de clasificación se aprende usando el algoritmo EM; si no, el modelo de clasificación actual se mantiene sin modificaciones. CPL-DS es general, ya que puede ser aplicado a varios modelos de clasificación. Usando dos modelos diferentes, el clasificador naive Bayes y la regresión logística, CPL-DS se ha probado con flujos de datos sintéticos y también se ha aplicado al problema real de la detección de código malware, en el cual los nuevos ficheros recibidos deben ser continuamente clasificados en malware o goodware. Los resultados experimentales muestran que nuestro método es efectivo para la detección de diferentes tipos de cambio a partir de los flujos de datos parcialmente etiquetados y también tiene una buena precisión de la clasificación. Finalmente, la tercera contribución, sobre el problema de clasificación supervisada multidimensional cambiante con el tiempo, consiste en dos métodos adaptativos, a saber, Locally Adpative-MB-MBC (LA-MB-MBC) y Globally Adpative-MB-MBC (GA-MB-MBC). Ambos métodos monitorizan el cambio de concepto a lo largo del tiempo utilizando la log-verosimilitud media como métrica y el test de Page-Hinkley. Luego, si se detecta un cambio de concepto, LA-MB-MBC adapta el actual clasificador Bayesiano multidimensional localmente alrededor de cada nodo cambiado, mientras que GA-MB-MBC aprende un nuevo clasificador Bayesiano multidimensional. El estudio experimental realizado usando flujos de datos sintéticos multidimensionales indica los méritos de los métodos adaptativos propuestos. ABSTRACT Nowadays, with the ongoing and rapid evolution of information technology and computing devices, large volumes of data are continuously collected and stored in different domains and through various real-world applications. Extracting useful knowledge from such a huge amount of data usually cannot be performed manually, and requires the use of adequate machine learning and data mining techniques. Classification is one of the most important techniques that has been successfully applied to several areas. Roughly speaking, classification consists of two main steps: first, learn a classification model or classifier from an available training data, and secondly, classify the new incoming unseen data instances using the learned classifier. Classification is supervised when the whole class values are present in the training data (i.e., fully labeled data), semi-supervised when only some class values are known (i.e., partially labeled data), and unsupervised when the whole class values are missing in the training data (i.e., unlabeled data). In addition, besides this taxonomy, the classification problem can be categorized into uni-dimensional or multi-dimensional depending on the number of class variables, one or more, respectively; or can be also categorized into stationary or streaming depending on the characteristics of the data and the rate of change underlying it. Through this thesis, we deal with the classification problem under three different settings, namely, supervised multi-dimensional stationary classification, semi-supervised unidimensional streaming classification, and supervised multi-dimensional streaming classification. To accomplish this task, we basically used Bayesian network classifiers as models. The first contribution, addressing the supervised multi-dimensional stationary classification problem, consists of two new methods for learning multi-dimensional Bayesian network classifiers from stationary data. They are proposed from two different points of view. The first method, named CB-MBC, is based on a wrapper greedy forward selection approach, while the second one, named MB-MBC, is a filter constraint-based approach based on Markov blankets. Both methods are applied to two important real-world problems, namely, the prediction of the human immunodeficiency virus type 1 (HIV-1) reverse transcriptase and protease inhibitors, and the prediction of the European Quality of Life-5 Dimensions (EQ-5D) from 39-item Parkinson’s Disease Questionnaire (PDQ-39). The experimental study includes comparisons of CB-MBC and MB-MBC against state-of-the-art multi-dimensional classification methods, as well as against commonly used methods for solving the Parkinson’s disease prediction problem, namely, multinomial logistic regression, ordinary least squares, and censored least absolute deviations. For both considered case studies, results are promising in terms of classification accuracy as well as regarding the analysis of the learned MBC graphical structures identifying known and novel interactions among variables. The second contribution, addressing the semi-supervised uni-dimensional streaming classification problem, consists of a novel method (CPL-DS) for classifying partially labeled data streams. Data streams differ from the stationary data sets by their highly rapid generation process and their concept-drifting aspect. That is, the learned concepts and/or the underlying distribution are likely changing and evolving over time, which makes the current classification model out-of-date requiring to be updated. CPL-DS uses the Kullback-Leibler divergence and bootstrapping method to quantify and detect three possible kinds of drift: feature, conditional or dual. Then, if any occurs, a new classification model is learned using the expectation-maximization algorithm; otherwise, the current classification model is kept unchanged. CPL-DS is general as it can be applied to several classification models. Using two different models, namely, naive Bayes classifier and logistic regression, CPL-DS is tested with synthetic data streams and applied to the real-world problem of malware detection, where the new received files should be continuously classified into malware or goodware. Experimental results show that our approach is effective for detecting different kinds of drift from partially labeled data streams, as well as having a good classification performance. Finally, the third contribution, addressing the supervised multi-dimensional streaming classification problem, consists of two adaptive methods, namely, Locally Adaptive-MB-MBC (LA-MB-MBC) and Globally Adaptive-MB-MBC (GA-MB-MBC). Both methods monitor the concept drift over time using the average log-likelihood score and the Page-Hinkley test. Then, if a drift is detected, LA-MB-MBC adapts the current multi-dimensional Bayesian network classifier locally around each changed node, whereas GA-MB-MBC learns a new multi-dimensional Bayesian network classifier from scratch. Experimental study carried out using synthetic multi-dimensional data streams shows the merits of both proposed adaptive methods.

Experiencias completando la docencia presencial con seminarios a distancia en metaversos y grabados

Como apoyo a las clases presenciales, especialmente en evaluación continua, hemos experimentado con seminarios de apoyo a distancia. Estos seminarios están orientados a tres grupos de alumnos: Los que tienen dificultades en la asignatura, los que no pueden asistir a todas las clases, y los que quieren saber más de lo que se explica en clase. Hemos probado con diferentes plataformas de teleenseñanza y con docencia a través de metaversos (Second Life y Open Sims) obteniendo en estas últimas mejores resultados que en las plataformas especialmente diseñadas para teleenseñanza. También se han aprovechado las sesiones en metaversos para completar los vídeos docentes usados en las asignaturas. Y se han usado para transmitir conferencias en directo para personas que no podían asistir físicamente a las mismas. Se realiza un breve análisis de la utilidad de los videos usados en docencia, combinados con conferencias, seminarios en metaversos, etcétera.

Laboratorio remoto eLab3D: un entorno innovador para el aprendizaje de competencias prácticas en electrónica

Este artículo muestra la utilización de las nuevas tecnologías al servicio del aprendizaje de competencias prácticas en electrónica, siendo un ejemplo de adaptación de los recursos educativos a diferentes contextos y necesidades. Se trata de un laboratorio remoto en el que la adecuada complementación de un hardware configurable y un software de última generación permite al estudiante realizar prácticas de electrónica y diseño de circuitos en un mundo virtual 3D. El usuario dispone de un avatar e interacciona con réplicas virtuales de instrumentos, placas de circuitos, componentes o cables de forma muy similar a como se opera en un laboratorio presencial. Pero lo realmente destacable es que el usuario manipula instrumentación y circuitos que están ubicados en un laboratorio real. Todo ello se ha conseguido con un sistema escalable y de bajo coste. Finalizado el diseño y desarrollo de la plataforma se han realizado las primeras pruebas con estudiantes, profesores y profesionales para valorar su percepción respecto al uso de eLab3D, obteniéndose unos resultados muy positivos.

Docencia no presencial como alternativa a la clase magistral en los primeros cursos de ingeniería

La implantación de los nuevos grados en la Universidad Politécnica de Madrid ha supuesto la reducción del número de créditos destinados a las asignaturas básicas. En las titulaciones anteriores se dedicaban numerosas horas prácticas de matemáticas a la resolución de problemas en el aula por parte de los alumnos, con el apoyo de profesores y materiales. Estas tutorías colectivas tienen difícil encaje en nuestras nuevas titulaciones, dado que las asignaturas de matemáticas no sólo se han reducido en número de créditos, sino que también se ha reducido el número de horas presenciales de trabajo de los alumnos para facilitar su aprendizaje autónomo. Nuestro objetivo es, pues, conciliar una disminución de las horas presenciales con el aprendizaje autónomo, manteniendo las clases participativas de titulaciones anteriores. Para ello, hemos recurrido a nuestra experiencia previa de la enseñanza no presencial: los Cursos Masivos Online en Abierto (MOOC). En ellos, la clase magistral se desmenuza en vídeos y presentaciones cortas, de unos pocos minutos de duración, las llamadas píldoras educativas, al final de las cuales el alumno tiene que responder a unas pocas preguntas que muestren que ha captado las ideas que se desea transmitir.