Ir al contenido

Documat

Use of Generative Adversarial Networks (GANs) in Educational Technology Research

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

      Universidad de La Laguna

      San Cristóbal de La Laguna, España

  • Localización: NAER: Journal of New Approaches in Educational Research, ISSN-e 2254-7339, Vol. 12, Nº. 1, 2023, págs. 153-170
  • Idioma: inglés
  • DOI: 10.7821/naer.2023.1.1231
  • Títulos paralelos:
    • Uso de las Redes Generativas Adversarias (GAN) en la Investigación sobre la Tecnología Educativa
  • Enlaces
  • Resumen
    • español

      En el contexto de la Inteligencia Artificial, las Redes Generativas Adversarias (GAN por sus siglas en inglés) permiten la creación y reproducción de datos artificiales a partir de conjuntos de datos reales. Los objetivos de este trabajo consisten en verificar la equivalencia entre datos sintéticos y datos reales, así como en comprobar las posibilidades de las GAN en la investigación educativa. La metodología de investigación comienza con la creación de una encuesta que recoge datos relativos a las percepciones propias de los profesores universitarios acerca de su competencia digital y el conocimiento tecnológico-pedagógico del contenido (modelo TPACK). Una vez generado el conjunto de datos original, se crean veintinueve muestras sintéticas distintas (con una N -network [red]- aumentada) mediante el procedimiento COPULA-GAN. Por último, un análisis de conglomerados en dos fases sirve para verificar la intercambiabilidad de las muestras sintéticas con el original, además de extraer datos descriptivos sobre las características de la distribución, comprobando de esa manera la similitud entre los resultados cualitativos. En los resultados se han obtenido estructuras de conglomerados muy similares en las 150 pruebas realizadas, con una tendencia clara a identificar tres tipos de perfiles docentes basándose en su nivel de conocimiento técnico-pedagógico del contenido. Se concluye que el uso de muestras sintéticas constituye una manera interesante de mejorar la calidad de los datos, tanto en términos de seguridad y anonimización como para incrementar el tamaño de las muestras.

    • English

      In the context of Artificial Intelligence, Generative Adversarial Nets (GANs) allow the creation and reproduction of artificial data from real datasets. The aims of this work are to seek to verify the equivalence of synthetic data with real data and to verify the possibilities of GAN in educational research. The research methodology begins with the creation of a survey that collects data related to the self-perceptions of university teachers regarding their digital competence and technological-pedagogical knowledge of the content (TPACK model). Once the original dataset is generated, twenty-nine different synthetic samples are created (with an increasing N) using the COPULA-GAN procedure. Finally, a two-stage cluster analysis is applied to verify the interchangeability of the synthetic samples with the original, in addition to extracting descriptive data of the distribution characteristics, thereby checking the similarity of the qualitative results. In the results, qualitatively very similar cluster structures have been obtained in the 150 tests carried out, with a clear tendency to identify three types of teaching profiles, based on their level of technical-pedagogical knowledge of the content. It is concluded that the use of synthetic samples is an interesting way of improving data quality, both for security and anonymization and for increasing sample sizes.

  • Referencias bibliográficas
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno