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

Anabel Bethencourt Aguilar, Dagoberto Castellanos Nieves , Juan José Sosa Alonso, Manuel Area Moreira

• 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.