CNN en la práctica: Guía para la evaluación de exámenes de alveolos
DOI:
https://doi.org/10.32870/recibe.v15i2.486Palabras clave:
Redes Neuronales Convolucionales, Inteligencia Artificial, Evaluación automatizada, Procesamiento de imágenes, Aprendizaje profundo, Sector públicoResumen
En este documento se presenta una propuesta de sistema basado en redes neuronales convolucionales (CNN) para la automatización de la evaluación de exámenes tipo alvéolo en el Instituto Electoral del Estado de México. Se utilizó Python y TensorFlow para desarrollar un modelo capaz de detectar respuestas con alta precisión (99.18%), superando las limitaciones del procesamiento digital de imágenes (PDI) y una sensibilidad de 99.45%. Los resultados muestran la efectividad del modelo en la clasificación automática de respuestas. La investigación destaca la importancia del preprocesamiento de imágenes y la selección de la función de activación según el problema para mejorar el rendimiento. Aunque el sistema es eficiente, enfrenta limitaciones relacionadas con la diversidad del dataset y la necesidad de hardware especializado. Se proponen futuras mejoras, como la ampliación del conjunto de datos y la optimización del modelo para dispositivos con menos recursos. Este trabajo contribuye al campo de la inteligencia artificial aplicada a la educación, facilitando la evaluación automatizada de exámenes y optimizando el tiempo de revisión.Citas
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D. G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., ... Zheng, X. (2016). TensorFlow: A system for large-scale machine learning. En 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16) (pp. 265–283). USENIX Association. https://www.usenix.org/conference/osdi16/technical-sessions/presentation/abadi
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. https://link.springer.com/book/9780387310732
Chen, J., Qi, X., Wang, W., Li, B., & Liu, Y. (2020). Real-time location of surgical incisions in cataract phacoemulsification. Multimedia Tools and Applications, 79(41–42), 30311–30327. https://doi.org/10.1007/s11042-020-09560-8
Chollet, F. (2017). Deep learning with Python. Manning Publications. https://www.manning.com/books/deep-learning-with-python
Cordón Luis, S. (2019). Reconocimiento de torres de alta tensión mediante algoritmos de visión por computador e inteligencia artificial: LR, SVM, CNN [Trabajo de fin de máster, Universidad Politécnica de Madrid]. Archivo Digital UPM. https://oa.upm.es/54396/
De Carvalho, A. S. A., Da Silva Pereira, E. C., Da Silva, E. J., & Piva, D., Jr. (2022). Análise comparativa entre os principais algoritmos de detecção facial: Haar Cascade, HOG, CNN, YOLO e DeepFace. En Open Science Research V (Vol. 5, pp. 439–454). Editora Científica Digital. https://doi.org/10.37885/220709383
Glorot, X., & Bengio, Y. (2010). Understanding the difficulty of training deep feedforward neural networks. En Y. W. Teh & M. Titterington (Eds.), Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics (Vol. 9, pp. 249–256). PMLR. https://proceedings.mlr.press/v9/glorot10a.html
Gómez Pujante, B. (2023). Redes convolucionales: Aplicación a la clasificación de imágenes médicas [Trabajo de fin de grado, Universidad Miguel Hernández de Elche]. Repositorio RediUMH. https://hdl.handle.net/11000/30233
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/
Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education. https://books.google.com/books/about/Neural_Networks_and_Learning_Machines.html?id=faouAAAAQBAJ
Heaton, J. (2018). Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning. Genetic Programming and Evolvable Machines, 19, 305–307. https://doi.org/10.1007/s10710-017-9314-z
Kanabur, V., Harakannanavar, S. S., Purnikmath, V. I., Hullole, P., & Torse, D. (2020). Detection of leaf disease using hybrid feature extraction techniques and CNN classifier. En Computational Vision and Bio-Inspired Computing: ICCVBIC 2019 (pp. 1213–1220). Springer. https://doi.org/10.1007/978-3-030-37218-7_127
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. En International Conference on Learning Representations. https://doi.org/10.48550/arXiv.1412.6980
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. En F. Pereira, C. J. Burges, L. Bottou, & K. Q. Weinberger (Eds.), Advances in Neural Information Processing Systems (Vol. 25). Curran Associates. https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539
Maas, A. L., Hannun, A. Y., & Ng, A. Y. (2013). Rectifier nonlinearities improve neural network acoustic models. En Proceedings of the 30th International Conference on Machine Learning (Vol. 28). https://ai.stanford.edu/~amaas/papers/relu_hybrid_icml2013_final.pdf
Mona Peña, L. J. (2016). HABCO: Herramienta informática para la automatización de la calificación de exámenes para apoyo al docente. Research in Computing Science, 111, 9–21. https://rcs.cic.ipn.mx/2016_111/HABCO_%20Herramienta%20informatica%20para%20la%20automatizacion%20de%20la%20calificacion%20de%20examenes.pdf
Nair, V., & Hinton, G. E. (2010). Rectified linear units improve restricted Boltzmann machines. En Proceedings of the 27th International Conference on Machine Learning (pp. 807–814). https://icml.cc/Conferences/2010/papers/432.pdf
Nama, P. (2022). Optimizing automation systems with AI: A study on enhancing workflow efficiency through intelligent decision-making algorithms. World Journal of Advanced Engineering Technology and Sciences, 7(2), 269–307. https://doi.org/10.30574/wjaets.2022.7.2.0118
Pardo, Á. (s. f.). Filtrado de imágenes. Departamento de Ingeniería Eléctrica, Universidad Católica del Uruguay. Recuperado de https://grupivis.dc.uba.ar/archivos/UBA_FiltradoImagenes.pdf
Ramos Armijos, D. F., Ramos Armijos, D. G., Ramos Armijos, N. J., Tapia Puga, V. M., & Tapia Puga, L. I. (2024). Explorando las fronteras: La aplicación de inteligencia artificial en la evaluación educativa. Ciencia Latina Revista Científica Multidisciplinar, 7(6), 5657–5672. https://doi.org/10.37811/cl_rcm.v7i6.9108
Russell, S. J., & Norvig, P. (2004). Inteligencia artificial: Un enfoque moderno (2.ª ed.). Pearson Educación. https://es.scribd.com/doc/128201141/Inteligencia-Aritificial-Un-Enfoque-Moderno-2da-Edicion-Stuart-J-Russell-y-Peter-Norvig
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, Article 60. https://doi.org/10.1186/s40537-019-0197-0
Van Rossum, G., & Drake, F. L. (2009). Introduction to Python 3: Python documentation manual, Part 1. CreateSpace. https://docs.python.org/3/
