Implicaciones técnicas y prácticas de las Redes Adversarias Generativas a la Ciencia Abierta en Educación

• Bethencourt-Aguilar, Anabel ^[1] ; Castellanos-Nieves, Dagoberto ^[1] ; Sosa-Alonso, Juan José ^[1] ; Area-Moreira, Manuel ^[1]
  1. [1] Universidad de La Laguna

     Universidad de La Laguna

     San Cristóbal de La Laguna, España

     
• Localización: Revista Interuniversitaria de Investigación en Tecnología Educativa, ISSN-e 2529-9638, Nº. 13, 2022 (Ejemplar dedicado a: Metodologías aplicadas a la Tecnología Educativa), págs. 138-156
• Idioma: español
• DOI: 10.6018/riite.545881
• Títulos paralelos:
  • Technical and Practical Implications of Generative Adversarial Networks for Open Science in Education
• Enlaces
  • Texto completo
• Resumen
  • español

    Las Redes Adversarias Generativas (GAN), propias de la Inteligencia Artificial, permiten la creación de datos sintéticos anonimizados útiles para hacer Ciencia Abierta dentro de la investigación educativa. El presente estudio realiza una experimentación en la creación de datos artificiales a partir de un conjunto de datos obtenidos de una encuesta sobre niveles de uso de herramientas digitales y la frecuencia de actividades personales con tecnología. Los datos originales pertenecen a una muestra de alumnado de las titulaciones de postgrado de la Universidad de La Laguna. Los resultados muestran un grado de similitud adecuado entre el conjunto de datos original y el conjunto creado artificialmente a través de algoritmos predictivos. La obtención de conjuntos de datos sintéticos equivalentes a los originales en estructura, forma y extensión permite la liberación de los datos a la comunidad académica salvaguardando la protección de la información confidencial y contrastando una técnica que permite impulsar la Ciencia Abierta desde la obtención y tratamiento de los datos. Las Redes Adversarias Generativas pueden ser utilizadas en la investigación educativa con fines hacia la transparencia en los procedimientos metodológicos y técnicos y a la difusión de conjuntos de datos para fines académicos, investigativos y educativos.

  • English

    Generative Adversarial Networks (GANs), which are characteristic of Artificial Intelligence, allow the creation of synthetic anonymised data useful for Open Science in educational research. This study experiments with the creation of artificial data from a dataset obtained from a survey on levels of use of digital tools and frequency of personal activities with technology. The original data belong to a sample of students from postgraduate degrees at the University of La Laguna. The results show an adequate degree of similarity between the original data set and the set artificially created through predictive algorithms. Obtaining synthetic datasets equivalent to the original ones in structure, shape and extension allows the release of the data to the academic community, safeguarding the protection of confidential information and contrasting a technique that allows the promotion of Open Science from the collection and processing of the data. Generative Adversarial Networks can be used in educational research for the purpose of transparency in methodological and technical procedures and the dissemination of datasets for academic, research and educational purposes.

• Referencias bibliográficas
  • Abadal, E., & Anglada, L. (2020). Ciencia abierta: cómo han evolucionado la denominación y el concepto. Anales de Documentación, 23(1)....
  • Alés, N. S. (2020). La Ciencia y Educación Abierta como movimientos articuladores de la investigación, la tecnología y la innovación: Experiencias...
  • Alhadad, S. S. J., Searston, R. A., & Lodge, J. M. (2018). Interdisciplinary open science: What are the implications for educational technology...
  • Al-Qizwini, M., Barjasteh, I., Al-Qassab, H., & Radha, H. (2017). Deep learning algorithm for autonomous driving using GoogLeNet. 2017...
  • Barua, S., Islam, M. M., Yao, X., & Murase, K. (2014). MWMOTE--Majority Weighted Minority Oversampling Technique for Imbalanced Data Set...
  • Bethencourt Aguilar, A., Castellanos Nieves, D., Sosa Alonso, J. J., & Area Moreira, M. (2022). Synthetic student dataset on levels of...
  • Bethencourt-Aguilar, A., Area-Moreira, M., Sosa-Alonso, J. J., & Castellano-Nieves, D. (2021). The digital transformation of postgraduate...
  • Bethencourt-Aguilar, A., Sosa-Alonso, J. J., Castellanos-Nieves, D. C., & Area-Moreira, M. (2021). Uso del campus virtual y el rendimiento...
  • Bishop, C. M. (1995). Training with Noise is Equivalent to Tikhonov Regularization. Neural Computation, 7(1), 108-116. https://doi.org/10.1162/neco.1995.7.1.108
  • Burgos, D. (2020). Radical Solutions and Open Science: An Open Approach to Boost Higher Education. Springer Nature. https://doi.org/10.1007/978-981-15-4276-3
  • Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial...
  • Conole, G., & Brown, M. (2018). Reflecting on the Impact of the Open Education Movement. Journal of Learning for Development, 5(3). https://doi.org/10.56059/jl4d.v5i3.314
  • Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative Adversarial Networks: An Overview....
  • Douzas, G., & Bacao, F. (2017). Self-Organizing Map Oversampling (SOMO) for imbalanced data set learning. Expert Systems with Applications:...
  • Douzas, G., & Bacao, F. (2018). Effective data generation for imbalanced learning using conditional generative adversarial networks. Expert...
  • DeRouin, E. & Brown, J. (1991). Neural Network Training on Unequally Represented Classes. Intelligent Engineering Systems through Artificial...
  • Fiore, U., De Santis, A., Perla, F., Zanetti, P., & Palmieri, F. (2019). Using generative adversarial networks for improving classification...
  • Fressoli, J. M., & Arza, V. (2018). Los desafíos que enfrentan las prácticas de ciencia abierta. Teknokultura. Revista de Cultura Digital...
  • González-Pérez, L. I., Ramírez-Montoya, M. S., & García-Peñalvo, F. J. (2022). Technological Enablers 4.0 to Drive Open Science and Education:...
  • Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial...
  • Gou, C., Wu, Y., Wang, K., Wang, F.-Y., & Ji, Q. (2016). Learning-by-synthesis for accurate eye detection. 2016 23rd International Conference...
  • Han, H., Wang, W.-Y., & Mao, B.-H. (2005). Borderline-SMOTE: A New Over-Sampling Method in Imbalanced Data Sets Learning. En D.-S. Huang,...
  • He, H., Bai, Y., Garcia, E. A., & Li, S. (2008). ADASYN: Adaptive synthetic sampling approach for imbalanced learning. 2008 IEEE International...
  • Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science (New York, N.Y.), 313(5786),...
  • Jones, N. (2015). Artificial-intelligence institute launches free science search engine. Nature. https://doi.org/10.1038/nature.2015.18703
  • Li, D.-C., & Fang, Y.-H. (2009). A non-linearly virtual sample generation technique using group discovery and parametric equations of...
  • Li, D.-C., & Lin, Y.-S. (2006). Using virtual sample generation to build up management knowledge in the early manufacturing stages. European...
  • Li, J., Monroe, W., Shi, T., Jean, S., Ritter, A., & Jurafsky, D. (2017). Adversarial Learning for Neural Dialogue Generation https://doi.org/10.48550/arXiv.1701.06547
  • Logan, J. A. R., Hart, S. A., & Schatschneider, C. (2021). Data Sharing in Education Science. AERA Open, 7, Cornell University. https://doi.org/10.1177/23328584211006475
  • Mohamed, A., Dahl, G. E., & Hinton, G. (2012). Acoustic Modeling Using Deep Belief Networks. IEEE Transactions on Audio, Speech, and Language...
  • Parti, K., & Szigeti, A. (2021). The Future of Interdisciplinary Research in the Digital Era: Obstacles and Perspectives of Collaboration...
  • Pascual, S., Bonafonte, A., & Serrà, J. (2017). SEGAN: Speech Enhancement Generative Adversarial Network, Cornell University. https://doi.org/10.48550/arXiv.1703.09452
  • Peset, F., & Millán González, L. (2017). Ciencia abierta y gestión de datos de investigación: RDM. Ediciones Trea.
  • Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks,...
  • Ramírez-Montoya, M. S., McGreal, R., & Agbu, J.-F. O. (2022). Complex Digital Horizons in the Future of Education 4.0: Insights from UNESCO...
  • UNESCO (2021) Recomendación de la UNESCO sobre la Ciencia Abierta—UNESCO Biblioteca Digital. Recuperado 2 de noviembre de 2022, de https://unesdoc.unesco.org/ark:/48223/pf0000379949_spa
  • Santana, E., & Hotz, G. (2016a). Learning a Driving Simulator. En ArXiv e-prints. https://ui.adsabs.harvard.edu/abs/2016arXiv160801230S
  • Strcic, J., Civljak, A., Glozinic, T., Pacheco, R. L., Brkovic, T., & Puljak, L. (2022). Open data and data sharing in articles about...
  • Theodoridis, S., & Koutroumbas, K. (2006). Pattern Recognition, Third Edition. Academic Press, Inc.
  • Van der Zee, T., & Reich, J. (2018). Open Education Science. AERA Open, 4(3). https://doi.org/10.1177/2332858418787466
  • Van Dijk, W., Schatschneider, C., & Hart, S. A. (2021). Open Science in Education Sciences. Journal of Learning Disabilities, 54(2), 139-152....
  • Wang, K., Gou, C., Duan, Y., Lin, Y., Zheng, X., & Wang, F.-Y. (2017). Generative adversarial networks: Introduction and outlook. IEEE/CAA...
  • Wang, L., & Sng, D. (2015). Deep Learning Algorithms with Applications to Video Analytics for A Smart City: A Survey, Cornell University....
  • Xie, Z., Jiang, L., Ye, T., & Li, X. (2015). A Synthetic Minority Oversampling Method Based on Local Densities in Low-Dimensional Space...
  • Zhou, Z.-H., & Jiang, Y. (2004). NeC4.5: Neural ensemble based C4.5. IEEE Transactions on Knowledge and Data Engineering, 16(6), 770-773....
  • Zhuang, Y., Wu, F., Chen, C., & Pan, Y. (2017). Challenges and opportunities: From big data to knowledge in AI 2.0. Frontiers of Information...