CNN en la práctica: Guía para la evaluación de exámenes de alveolos
Palabras 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., ... & Zheng, X. (2016). TensorFlow: A system for large-scale machine learning. 12th {USENIX} symposium on operating systems design and implementation ({OSDI} 16), 265-283.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Chen, J., Qi, X., Wang, W., Li, B., & Liu, Y. (2020). Real-time location of surgical incisions in cataract phacoemulsification. Springer Science+Business Media, LLC, part of Springer Nature. https://doi.org/10.1007/s0010-2020
Chollet, F. (2017). Deep learning with Python. Manning Publications Co.
Cordón Luis, S. (2019). Reconocimiento de torres de alta tensión mediante algoritmos de visión por computador e inteligencia artificial: LR, SVM, CNN.
De Carvalho, A. S. A., Pereira, E. C. D. S., Da Silva, E. J., & Piva Jr, D. (2022). Análise comparativa entre os principais algoritmos de detecção facial: Haar Cascade, HOG, CNN, YOLO e DeepFace. In OPEN SCIENCE RESEARCH V (Vol. 5, pp. 439-454). Editora Científica Digital.
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.
Gómez Pujante, B. (2023). Redes convolucionales. Aplicación a la clasificación de imágenes médicas [Trabajo de fin de grado, Universidad Miguel Hernández de Elche]. Universidad Miguel Hernández de Elche. https://hdl.handle.net/11000/30233
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Haykin, S. (2009). Neural networks and learning machines (Vol. 3). Pearson Education.
Heaton, J., Goodfellow, I., Bengio, Y., & Courville, A. (2018). Deep learning. Genetic Programming and Evolvable Machines, 19(3-4), 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. In Computational Vision and Bio-Inspired Computing: ICCVBIC 2019 (pp. 1213-1220). Springer International Publishing.
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. *arX
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In F. Pereira, C. J. Burges, L. Bottou, & K. Q.
Weinberger (Eds.), Advances in Neural Information Processing Systems (Vol. 25). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015).
Maas, A.L., Hannun, A.Y. and Ng, A.Y. (2013) Rectifier Nonlinearities Improve Neural Network Acoustic Models. Proceedings of the 30th International Conference on Machine Learning, Vol. 28, 3. https://ai.stanford.edu/~amaas/papers/relu_hybrid_icml2013_final.pdf
Nair, V., & Hinton, G. E. (2010). Rectified linear units improve restricted boltzmann machines. Proceedings of the 27th international conference on machine learning (ICML-10), 807-814.
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(02), 296-307.
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
Peña, L. J. M. (2016). HABCO: Herramienta informática para la automatización de la calificación de exámenes para apoyo al docente. Res. Comput. Sci., 111, 9-21.
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 (2ª ed.). Pearson Educación.
Shorten, C., Khoshgoftaar, T.M. A survey on Image Data Augmentation for Deep Learning. J Big Data 6, 60 (2019). 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.
