APORTES Y REFLEXIONES: INGENIERÍA DE SISTEMAS Maestría en Ingeniería de Sistemas

Transcripción

1 APORTES Y REFLEXIONES: INGENIERÍA DE SISTEMAS Maestría en Ingeniería de Sistemas D o c u m e n t o s d e t r a b a j o I

2 Institución Universitaria Politécnico Grancolombiano Aportes y reflexiones: Ingeniería de Sistemas Documentos de trabajo. Maestría en Gerencia Estratégica de Mercadeo Trabajos de grado 2015-I E ISBN: Editorial Politécnico Grancolombiano Calle 57 No Este Bloque A Primer piso PBX: ext Octubre de 2015 Bogotá, Colombia Institución Universitaria Politécnico Grancolombiano Facultad de Ingeniería y Ciencias Básicas Presidente Fernando Dávila Ladrón de Guevara Jurgen Chiari Escovar Rector Decano Facultad de Ingeniería y Ciencias Básicas Rafael García Editores científicos Giovanny Andrés Piedrahita Alexis Rojas Danilo Castro Julián Olarte Rafael García César Augusto Quiñones Segura Hecho en Colombia La Editorial del Politécnico Grancolombiano pertenece a la Asociación de Editoriales Universitarias de Colombia, ASEUC. El contenido de esta publicación se puede citar o reproducir con propósitos académicos siempre y cuando se dé cuenta de la fuente o procedencia. Las opiniones expresadas son responsabilidad exclusiva del autor.

3 Contenido Definición de un Modelo para Implementación de Minería de Datos Educacional (EDM) en los Programas de Educación Virtual de la Institución Universitaria Politécnico Grancolombiano INTRODUCCIÓN OBJETIVOS Objetivo General Objetivos Específicos PLANTEAMIENTO DEL PROBLEMA JUSTIFICACIÓN IMPACTO DEL PROYECTO Impacto Social: Impacto Económico: Impacto Académico: ANTECEDENTES Papers Conferencias internacionales MARCO DE LA INVESTIGACIÓN Institución educativa patrocinadora Misión Visión Objeto Institucional Minería de Datos: Minería de Datos en Educación Educación tradicional Educación basada en Computador Líneas de investigación futuras MINERÍA DE DATOS PARA LA EDUCACIÓN Casos de estudio de minería de datos para la educación GLOSARIO REFERENCIAS Animación y Simulación de Algoritmos Paralelos de Búsqueda en Grafos y Ordenamiento aplicado a un clúster HPC Justificación Planteamiento del Problema Pregunta de Investigación En forma de pregunta En forma de enunciado OBJETIVOS Objetivo General Objetivos Específicos... 25

4 Marco Teórico Estado del Arte Marco Conceptual Evaluación performance. Aplicaciones Diseño metodológico Preliminar Lista de referencias Diseño de un modelo predictivo de deserción estudiantil utilizando técnicas de Minería de Datos y Procesos de descubrimiento de Datos (KDD) INTRODUCCIÓN OBJETIVOS Objetivo General Objetivos Específicos MARCO REFERENCIAL Misión Visión Objeto Institucional METODOLOGÍA PROPUESTA Dis eño Procedimiento Fuentes de información Proceso de Extracción de Conocimiento BIBLIOGRAFÍA / REFERENCIAS Comparación de Imágenes Satelitales para determinar el Estado de Proyectos de Infraestructura Vial Introducción Problema de Investigación Importancia Propósito de la Investigación Objetivo General Objetivos Específicos REFERENCIAS ANALISIS DE LAS PRUEBAS DE ESTADO SABER- PRO MEDANTE MAPAS AUTO- ORGANIZADOS DE KOHONEN (SOM) RESUMEN INTRODUCCIÓN JUSTIFICACIÓN Motivación: Convocatorias ICFES de Investigación Es una convocatoria realizada por el ICFES con el fin de promover el uso de los resultados obtenidos por los estudiantes en las pruebas Saber. Están convocatorias están dirigidas a estudiantes de Posgrado y grupos de

5 investigación. El ICFES podrá destinar recursos para los proyectos que sean aprobados y adicionalmente brindar asesores que revisen el adecuado desarrollo del proyecto Teniendo en cuenta lo anterior, se considera que desarrollar una investigación basándonos en las bases de datos con las que cuenta el ICFES es una gran oportunidad de aportar a la mejora de las pruebas SABER-PRO mediante el análisis de los datos y si adicionalmente se cuenta con el apoyo del ICFES, el proceso de investigación contara con mayor soporte OBJETIVOS Objetivo General Objetivos Específicos METODOLOGÍA MARCO DE REFERENCIA Métodos de minería de Datos Técnicas de Minería de Datos Redes Neuronales Artificiales Aprendizaje No Supervisado Mapas Auto- Organizados de Kohonen ALGORITMO SOM Calidad de la Educación en Colombia PRESUPUESTO ESTIMADO Recursos Físicos Recursos Humanos FINANCIACION ENTREGABLES RESULTADOS ESPERADOS Referencias Bibliográficas... LXXIX APLICACIÓN DEL MODELO LULCC (LAND USE AND LAND COVER CHANGE), EN LA CUENCA HIDROGRÁFICA DEL RIO GUAITARA EN EL DEPARTAMENTO DE NARIÑO... LXXXII INTRODUCCION... LXXXIII justificacion... LXXXV FORMULACIÓN DEL PROBLEMA... LXXXIX OBJETIVOS... XC OBJETIVO GENERAL... XC OBJETIVOS ESPECIFICOS... XC BIBLIOGRAFIA... XCI Procesamiento digital de imágenes para el reconocimiento de especies de plantas XCIII Justificación... XCIV OBJETIVOS... XCIV Objetivo General... XCIV

6 Objetivos Específicos... XCV Alcance XCV Actividades... XCV Fase 1 (Diseño)... XCVI Fase 2 (Desarrollo)... XCVI Fase 3 (Implementación)... XCVI Cronograma:... XCVII Impacto... XCVIII Estado del Arte... XCVIII Algoritmos y métodos para la segmentación de imágenes.... XCVIII Trabajos realizados para la segmentación de imágenes de hojas de plantas... C La Hojas de la planta... CI Redes Neuronales y el reconocimiento de imágenes.... CIII Presupuesto... CVI Bibliografía... CVIII MODELO DE RECONOCIMIENTO DEL HABLA PARA LA EVALUACION FONOLOGICA IMPLEMENTADO A LA PRUEBA EFECYL EN COLOMBIA PARA NIÑOS ENTRE 3 Y 5 AÑOS DE EDAD... CIX JUSTIFICACIÓN... CX PLANTEAMIENTO DEL PROBLEMA... CXI OBJETIVOS... CXII OBJETIVO GENERAL... CXII OBJETIVOS ESPECÍFICOS... CXII MARCO TEORICO... CXIII Producción del habla.... CXIII Sistema de Reconocimiento del habla.... CXIV Modelos de Reconocimiento del Habla.... CXIV Efecyl.... CXIV REFERENCIAS BIBLIOGRAFICAS... CXV Modelo Basado en Inteligencia Artificial para el diagnóstico del grado de competencias... CXVI Asociadas a la vida laboral... CXVI Introducción... CXVII Problema CXVIII Justificación... CXVIII OBJETIVOS... CXIX Objetivo General... CXIX Objetivos Específicos... CXIX Marco Referencial... CXX Antecedentes... CXX Impacto social... CXX

7 Impacto económico... CXX Impacto profesional y académico... CXXI Tipo de proyecto... CXXI Marco Conceptual... CXXI Marco Teórico... CXXII Estado del arte... CXXIII Metodología De Investigación... CXXVI Plan de trabajo... CXXVI Observación Capitulo 1... CXXVI Hipótesis Capitulo 2... CXXVI Experimentación Capitulo 3... CXXVII Capítulo 2... CXXVIII Análisis y diseño del sistema de información... CXXVIII Arquitectura de la solución... CXXVIII Puesta en marcha del sistema recolector de información... CXXXII Pruebas piloto del sistema recolector de información... CXXXIII Capítulo 3... CXXXIV Conceptos Modelo Artificial... CXXXIV Redes neuronales y Sistemas de Difusos... CXXXIV Sistemas difusos como estimaciones numéricas estructuradas... CXXXV Sistemas basados en Lógica difusa... CXXXV Redes neuronales... CXXXVI Arquitectura de una red neuronal... CXXXVII Arboles de decisión.... CXXXVIII BIBLIOGRAFÍA... CXL HERRAMIENTA DE APRENDIZAJE BASADA EN REALIDAD AUMENTADA PARA EDUCACIÓN SUPERIOR. CASO DE ESTUDIO MATERIA PROGRAMACIÓN DE SOFTWARE EN EL POLITECNICO GRANCOLOMBIANO, BOGOTÁ COLOMBIA.. CXLII Pregunta de Investigación... CXLIV OBJETIVOS... CXLIV Objetivo General... CXLIV Objetivos Específicos... CXLIV Metodología... CXLIV Fase 1: Planteamiento el problema, preguntas de investigación y objetivos... CXLV Fase 2: Revisión de la literatura y formulación de proposiciones... CXLV Fase 3: Obtención de los datos... CXLV Fase 4: Transcipción de los datos... CXLVI Fase 5: Análisis... CXLVI Conclusiones generales e implicaciones de la investigación... CXLVI Alcance del Proyecto... CXLVI Estado del Arte... CXLVII Introducción... CXLVII

8 Motivación... CXLVII Definición del Problema... CL Bases teóricas... CL Realidad Aumentada... CL Realidad Aumentada en la Educación... CLIII Estrategias para el Diseño y Evaluación de Prototipos Basados en RA... CLIII Tecnologías de Pantalla para RA... CLIV Aplicaciones... CLVIII Perspectivas de Desarrollo del Área... CLVIII Principales áreas del trabajo Actual... CLIX Herramientas para la realización de RA... CLIX Limitaciones de ARToolKit... CLXII Layar... CLXII Cómo funciona Layar?... CLXIII Pasos para el desarrollo con Layar... CLXIV Pasos para el desarrollo con Vuforia... CLXVI Metaio... CLXVI Sus características principales son:... CLXVI Pasos para el desarrollo con Metaio... CLXVII Conclusiones revisión herramientas para RA... CLXVIII Problemas por Resolver en RA... CLXVIII Conclusiones marco teórico... CLXIX Diseño Didáctico del Prototipo... CLXX Fase de Análisis:... CLXX Planificación estratégica... CLXX Análisis de Necesidades:... CLXXI Análisis del Contexto... CLXXII Objetivos de Aprendizaje... CLXXV Criterios de Aceptación de Alto nivel... CLXXV Historias de usuario... CLXXVII Fase de Diseño... CLXXXII Habilidades que se pretenden desarrollar con el prototipo basado en RA... CLXXXIII Contexto CLXXXIV Cover Story... CLXXXIV Misión CLXXXV Estructura... CLXXXVI Operaciones:... CLXXXVI Principios didácticos par la implementación del prototipo basado en RA... CLXXXVI Desde el punto de vista de Recursos de Objetivos Pedagógicos... CLXXXVII Desde el punto de vista de Coherencia Temática... CLXXXVII Desde el punto de vista del Realismo / Diversidad... CLXXXVII Desde el punto de vista del Apoyo Pedagógico a los Objetivos... CLXXXVIII

9 Desde el punto de vista de Adaptación al Alumno... CLXXXVIII Desde el punto de vista de las Consecuencias de los Requisistos... CLXXXVIII Desde el punto de vista de Control y Autonomía... CLXXXIX Diseño de Pantallas del Prototipo Basado en RA... CLXXXIX Pantalla de inicio... CLXXXIX Arquitectura de software del prototipo... CXCV Tecnologías a Implementar para el Desarrollo del Prototipo... CXCVI Fase de Desarrollo... CXCVII Tareas de aprendizaje... CXCVII Cronograma del proyecto... CXCIX Name Duration Predecess... Start Finish 1 FASE DE PLANECACIÓN 49 days 3/3/15 8:00 AM 5/8/15 5:00 PM 2 Estrategia fase planeación 49 days 3/3/15 8:00 AM 5/8/15 5:00 PM 3 Definición de alcance del proyecto 1 day 3/3/15 8:00 AM 3/3/15 5:00 PM 4 Análisis del contexto 2.64 days 3 3/4/15 8:00 AM 3/6/15 2:07 PM 5 Diseño didáctico del prototipo days 4 3/6/15 2:07 PM 5/8/15 5:00 PM 6 Historias de usuario 1.36 days 5 3/18/15 2:07 PM 3/19/15 5:00 PM 7 Criterios de aceptación 1 day 6 3/12/15 2:07 PM 3/13/15 2:07 PM 8 Definición recuros hardware y software 1 day 7 3/13/15 2:07 PM 3/16/15 2:07 PM 9 Tecnologías a implementar 1 day 8 3/16/15 2:07 PM 3/17/15 2:07 PM 10 Estrategia de pruebas 1 day 9 3/4/15 8:00 AM 3/4/15 5:00 PM 11 Estrategia de evaluación del prototipo 3 days 10 3/5/15 8:00 AM 3/9/15 5:00 PM 12 Cronograma 1 day 11 3/4/15 8:00 AM 3/4/15 5:00 PM 13 FASE DE DISEÑO 30 days 2 5/12/15 2:07 PM 6/23/15 2:07 PM 14 Estrategia diseño 30 days 2 5/12/15 2:07 PM 6/23/15 2:07 PM 15 Prueba de concepto entrono y herramienta days 12 5/12/15 2:07 PM 5/26/15 2:07 PM 16 Estrategia de arquitectura 2 days 15 5/26/15 2:07 PM 5/28/15 2:07 PM 17 Arquitectura de alto nivel 4 days 16 5/28/15 2:07 PM 6/3/15 2:07 PM 18 Arquitectura de componentes 4 days 17 6/3/15 2:07 PM 6/9/15 2:07 PM 19 Arquitectura de despliegue 4 days 18 6/9/15 2:07 PM 6/15/15 2:07 PM 20 Diagramas auxiliares de arquitectura 3 days 19 6/15/15 2:07 PM 6/18/15 2:07 PM 21 Diseño estructura área de trabajo 3 days 20 6/18/15 2:07 PM 6/23/15 2:07 PM 22 FASE DE CODIFICACIÓN 54 days 13 6/23/15 2:07 PM 9/7/15 2:07 PM 23 Estrategia de control de versiones 1 day 21 6/23/15 2:07 PM 6/24/15 2:07 PM 24 Especificación técnica 3 days 23 6/24/15 2:07 PM 6/29/15 2:07 PM 25 Codificación del prototipo 50 days 24 6/29/15 2:07 PM 9/7/15 2:07 PM 26 FASE DE PRUEBAS 5 days 22 9/7/15 2:07 PM 9/14/15 2:07 PM 27 Pruebas Funcionales 1 day 25 9/7/15 2:07 PM 9/8/15 2:07 PM 28 Pruebas de rendimiento 1 day 27 9/8/15 2:07 PM 9/9/15 2:07 PM 29 Ajustes prototipo 3 days 28 9/9/15 2:07 PM 9/14/15 2:07 PM 30 FASE DE DESPLIEGUE 5 days 26 9/14/15 2:07 PM 9/21/15 2:07 PM 31 Coordinar sala de implementación 1 day 29 9/14/15 2:07 PM 9/15/15 2:07 PM 32 Coordinar alumnos para implementación 1 day 29 9/14/15 2:07 PM 9/15/15 2:07 PM 33 Coordinar profesores para implementación 1 day 29 9/14/15 2:07 PM 9/15/15 2:07 PM 34 Coordinar materiales para implementación 3 days 29 9/14/15 2:07 PM 9/17/15 2:07 PM 35 Preparación sala de despliegue 1 day 31;32;33;... 9/17/15 2:07 PM 9/18/15 2:07 PM RA - page1... CXCIX Definición de recursos de harware y de software... CXCIX Para el desarrollo:... CXCIX Para la fase de evaluación:... CXCIX Estrategia de Pruebas para el prototipo... CXCIX Estrategia de Control de Versiones... CC Implementación del prototipo:... CC Evaluación del prototipo... CC

10 2. Posibles Mejoras y Trabajo Futuro... CCIII Conclusiones... CCIV Bibliografía... CCV Anexos CCX Silabus Materia Pensamiento Algorítmico:... CCX Silabus Materia Programación de Computadores... CCXIII Aspectos Técnicos sobre la Implementación del Prototipo... CCXVII Glosario de Términos:... CCXVIII Modelo Genético Para Planeación De Rutas Aéreas De Mínimo Riesgo... CCXX Resumen CCXXIX JUSTIFICACIÓN... 1 Pregunta de investigación OBJETIVOS... 5 Objetivos Objetivos Específicos:... 5 Alcance. 6 Metodología de trabajo Estado del Arte: Planeación De Rutas Aéreas De Mínimo Riesgo... 8 Cronograma de actividades Bibliografía ANTEPROYECTO MODELO GENETICO DE OPTIMIZACION PARA EL SISTEMA INTEGRADO DE TRANSPORTE PÚBLICO EN LA CIUDAD DE BOGOTA INTRODUCCION PROBLEMA DE INVESTIGACION Antecedentes del problema Importancia Propósito OBJETIVOS Objetivos Objetivo general Objetivo específicos Marco teórico y estado del arte Modelo de transporte: Sistema integrado de transporte público Algoritmo genético Problema de optimización Estudios anteriores Metodología Primera Etapa: Segunda Etapa:... 18

11 Tercera Etapa: Cuarta etapa: CRONOGRAMA BIBLIOGRAFIA... 20

12 Institución Universitaria Politécnico Gran Colombiano Facultad de Ingeniería y Ciencias Básicas Maestría en Ingeniería de Sistemas. Definición de un Modelo para Implementación de Minería de Datos Educacional (EDM) en los Programas de Educación Virtual de la Institución Universitaria Politécnico Grancolombiano Andrés Villanueva Manjarres andres13@gmail.com Bogotá, Junio de 2015

13 INTRODUCCIÓN El mundo actual es muy diferente de aquel en el que empezamos a vivir hace unas décadas, la cantidad de información generada, los diversos medios que producen datos, las disciplinas en las que nos podemos desempeñar, en fin, el mundo ha cambiado y de manera adaptativa nosotros lo hemos hecho con él. En este cambio la toma de decisiones es una actividad que cada vez se hace esperar menos, especialmente cuando estas decisiones son definitivas para el futuro de las organizaciones. En escenarios educativos, uno de los principales objetivos es conseguir que los estudiantes aprenda más y mejor y es aquí donde la minería de datos para educación (EDM) por sus siglas en ingles aportan un valor fundamental en las instituciones educativas. Cómo negar las múltiples ventajas y facilidades que ofrece la tecnología actualmente?, cómo ocultar la importancia que Internet brinda de manera general?, cómo negar que el mundo es plano y que este cambio está generando modificaciones en todos los escenario de la vida?, cómo ocultar el crecimiento e importante penetración de internet en la vida de todos nosotros?[1]. La educación no es la excepción a los cambios que se están dando, los modelos educativos han cambiado, la manera de enseñar y de acceder al aprendizaje ha experimentado modificaciones significativas, los modelos de aprendizaje cambian día a día. De acuerdo a [2], La interacción del estudiante con los recursos digitales para el aprendizaje, y las redes sociales en línea son elementos poderosos hoy en día y esto claramente nos conduce a nuevos paradigmas en la enseñanza y en el aprendizaje que no pueden ser ignorados. La elaboración del presente trabajo busca integrar dos paradigmas, educación y minería de datos en un solo objetivo, definir un modelo para implementación de EDM (Minería de datos Educacional) en los programas de formación virtual de la Institución Universitaria Politécnico Grancolombiano, el cual aportará elementos para la toma de decisiones y evaluación ágil de las mismas, teniendo como base las necesidades propias de la institución, los datos obtenidos históricamente de diferentes fuentes y el modelo aquí establecido.

14 OBJETIVOS Objetivo General Proponer y aplicar un modelo de implementación de Minería de Datos Educacional (EDM) para el mejoramiento continuo de los programas virtuales en la Institución Universitaria Politécnico Gran Colombiano. Objetivos Específicos 1. Estudias y analizar las técnicas de minería de datos usadas de manera más exitosa en escenarios educativos para identificar oportunidades de mejora enfocadas al área de Minería de Datos Educacional (EDM). 2. Reconocer la infraestructura organizacional de la Institución Universitaria Politécnico Gran Colombiano y las fuentes de información accesibles para el desarrollo de la investigación. 3. Aplicar el modelo propuesto para validar la viabilidad de la implementación en la Institución Universitaria Politécnico Gran Colombiano. 4. Publicar un artículo producto de la investigación en una revista indexada

15 PLANTEAMIENTO DEL PROBLEMA Aunque los programas de educación virtual de la Institución Universitaria Politécnico Gran Colombiano están operando desde el año 2009, y hoy en día tiene 33 programas que cuentan con registro calificado con metodología virtual 1, la entidad no cuenta con herramientas o una metodología que le permita sacar provecho de todos los datos almacenados durante los últimos años en los diferentes sistemas, tampoco se pueden validar las prácticas de los actores analizando el comportamiento de estos en los diferentes sistemas o tomar decisiones que afecten positivamente el desempeño de los demás actores y especialmente el aprendizaje de los estudiantes, siendo este el gran reto que enfrenta la Minería de datos para la Educación (EDM). Hoy en día, la Institución Universitaria Politécnico Grancolombiano tiene diversas fuentes de información (Sistema de gestión académica, LMS, hojas de Excel, etc.) en las cuales se registran datos relacionados al proceso aprendizaje-enseñanza, pero no se cuenta con un modelo o un sistema que permita hacer una exploración de los datos de carácter educativo para posteriormente generar estrategias pedagógicas o tecnológicas que puedan ser analizadas de manera ágil, y evaluar el resultado buscando oportunidades de mejora en todos los escenarios del proceso educativo. El crecimiento de la minería de datos en los últimos años ha sido muy importante[3], tanto que hoy en día existen diferentes sistemas que permiten hacer minería de datos, pero no existen herramientas desarrolladas o metodologías definidas específicamente para educación y estas son requeridas debido a la especificación de los actores y el objetico que se busca. El desarrollo de un modelo para implementar EDM en los programas formación virtual estaría totalmente enfocado en un problema histórico de la enseñanza, cómo conseguir un incremento importante en el aprendizaje de todos los estudiantes? y para ello se tendría como soporte las ventajas que la tecnología actual nos ofrece. 1 Tomado de

16 JUSTIFICACIÓN Los actores que toman decisiones y planifican día a día las actividades de los proyectos deben disponer de manera constante de la información en la cual se puedan fundamentar sus decisiones, por otra parte, los actores que participan en los diferentes procesos educativos deben contar con esta información para poder evaluar el desempeño de las actividades. En general, todos los usuarios que tiene roles estratégicos en las organizaciones necesitan disponer de información tanto consolidada como detallada de las actividades ya cumplidas, predecir tendencias y comportamientos, así como reducir el riesgo en las decisiones que se toman y ajustarlas de forma rápida si se requiere. Tiempo de respuesta, facilidad de acceder a la información consolidada, conciencia del comportamiento de los actores, toma decisiones y evaluación de los resultados son factores fundamentales que pueden marcar la diferencia en cuanto a pertinencia y calidad. Evidentemente, contar con herramientas que permitan consolidad la información de diferentes fuentes y acceder a todos los datos de forma heterogénea generaría grandes ventajas competitivas respecto a las demás instituciones educativas que adelanta procesos de formación en modalidad virtual. Por otra parte, contar con una metodología que permita sacar provecho de los datos registrados en los diferentes sistemas en aras de la maximización del aprendizaje de los estudiantes sin duda puede significar un elemento fundamental en el proceso educativo. Debido al interés que está generando la minería de datos educativa en diferentes entidades y por un número creciente de investigadores resulta muy pertinente desarrollar un modelo para implementación de EDM tomando como base los programas de formación virtual puede grandes beneficios a la Institución Universitaria Politécnico Grancolombiano y posteriormente en otras instituciones de educación superior.

17 IMPACTO DEL PROYECTO A continuación se especificarán los diferentes impactos que generará el desarrollo del presente proyecto, tanto para la Fundación Politécnico Grancolombiano como para el equipo de personas que participen en el desarrollo del mismo. Los impactos que se describirán son: impactos son social, económico y académico. Impacto Social: De manera general, la tendencia del crecimiento de internet en Colombia ha aumentado de manera muy significativa en los últimos años[4], esto ha abierto un sinnúmero de posibilidades en todos los escenarios, en particular en el sector educativo se evidencia que el número de instituciones que ofrecen programas virtuales es creciente. Cada vez más instituciones quieren ofrecer sus programas presenciales de forma virtual. Según un estudio realizado en el 2014, el impacto de los egresados de formación virtual respecto a los egresados de programas presenciales tiene diferencias importantes a favor de los egresados de programas presenciales [5]. En gran medida, una de las principales dificultades de los programas virtuales es la dedicación que se requiere de parte de los estudiantes, pero también la dificultad que tiene la medición del desempeño los diferentes actores y elementos que intervienen en la los programas con esta modalidad. El desarrollo del presente trabajo busca ofrecer herramientas que permitan mejorar la calidad de los programas y facilitar la toma de decisiones para la institución. Impacto Económico: El impacto económico que se puede obtener del desarrollo de este proyecto, se puede ver reflejado en dos escenarios, el primero en la mejor utilización de los recursos asignados en la institución, bien sea en la inversión que realiza en talento humano, contratación de herramientas, plataforma tecnológicas, y procesos pedagógicos adelantos en la entidad. El segundo escenario hace referencia a la mejor remuneración que pueden obtener las personas que cursan de manera exitosa estos programas, ya que a mayor calidad de los programas, mayor reconocimiento y por ende mejores salarios. Es evidente que el desarrollo del proyecto puede generar elementos que permitan tomar decisiones de diferentes índoles, pero claramente las decisiones que se tomen se verán reflejadas en el presupuesto que la entidad destina a los programas ofrecidos en modalidad virtual. Impacto Académico: El impacto académico del desarrollo de este proyecto se evidenciará en la calidad de los programas virtuales de la Institución Fundación Politécnico Grancolombiano, en el ajuste que se pueden hacer en los diferentes elementos

18 que participan en este tipo de programas, mejor

19 desempeño de profesores y alumnos, mejor uso de las herramientas tecnológicas, programas con mayor reconocimiento nacional y mejora en los procesos pedagógicos adelantados. Contar con un estándar que permita tomar decisiones rápidas facilitará la mejora en los programas de este tipo de educación y permitirá a la institución medir la evolución de los programas, el desempeño de los funcionarios y el uso de los diferentes elementos para tomar medidas que se reflejen en la calidad de los programas ofertados y más aún en las actividades propias del proceso de aprendizaje.

20 ANTECEDENTES Históricamente el proceso de enseñanza ha buscado incrementar las fortalezas de los profesores y principalmente maximizar el aprendizaje de los estudiantes. Hoy en día la educación se apoya de manera muy fuerte en la tecnología, especialmente en sistemas de enseñanza apoyados en WEB. La cantidad de datos que se almacenan en estos sistemas y en los sistemas tradicionales es cada vez mayor, así mismo la complejidad de analizar estos datos también se ha incrementado. La minería de datos es un área que cada vez se aplica con mayor fuerza en más áreas como por ejemplo gobierno, empresa, educación, investigación espacial, deportes, análisis de textos, internet y muchas otras [6] y en los últimos años en el análisis de sistemas de e-learning con el fin de obtener mejores resultados en el proceso de aprendizaje de los estudiantes. En este proceso ha nacido una nueva área dedicada a realizar minería de datos en educación, es decir, implementación de técnicas de minería de datos a información registrada en entornos educativos. En relación a esta área que se ha denominado EDM (Educational Data Mining) a continuación se presentan los principales hitos. Papers Los primeros papers que se enfocaron en EDM se publicaron en 1995, año en el que se publicaron 3 papers, a partir de este año el número de papers publicados en conferencias y revistas ha crecido de manera importante. Para ello se han consultado algunas de las principales bases de datos bibliográficas de artículos de investigación o científicos. Publicaciones SCOPUS[3]: o 1993: 3 o 2009: 34 Publicaciones ScienceDirect 2 o 1996: 10 o 2014: 50 o 2015 (del 1 al 19 de enero): 12 Conferencias internacionales Debido a la importancia que ha tomado la minería de datos educacional, la International Educational Data Mining Society desde el año 2008 se está adelantando un encuentro internacional que se dedica exclusivamente a tratar temas relacionados con la Minería de datos

21 2 Tomado de

22 Educacional[3],estos encuentros se han adelantado en diferentes países y los principales temas tratados han sido: 1. EDM 08: 1st International Conference on Educational Data Mining Montreal, Québec, Canadá Junio 20 al Número de Papers Aceptados: EDM 09: 2nd International Conference on Educational Data Mining Córdoba, España Julio 1 al Número de Papers Aceptados: EDM2010: 3th International Conference on Educational Data Mining Pittsburgh, PA, USA Junio 11 al Número de Papers Aceptados: EDM2011: 4th International Conference on Educational Data Mining Eindhoven, Holanda Julio 6 al Número de Papers Aceptados: Completos 20, Cortos EDM2012: 5th International Conference on Educational Data Mining Chania, Grecia Junio 19 al Número de Papers Aceptados: Completos 17, Cortos EDM2013: 6th International Conference on Educational Data Mining Memphis, Tennessee, USA Julio 6 al Número de Papers Aceptados: Completos 21, Cortos EDM2014: 7th International Conference on Educational Data Mining Londres, Reino Unido Julio 4 al Número de Papers Aceptados: Completos 24, Cortos EDM2015: 8th International Conference on Educational Data Mining Madrid, España Junio 26 al Número de Papers Aceptados: Completos 41, Cortos 46

23 MARCO DE LA INVESTIGACIÓN Institución educativa patrocinadora Fundación Politécnico Grancolombiano. Misión La Institución Universitaria Politécnico Grancolombiano tiene como fin contribuir a la inclusión social y al desarrollo de la nación, a través de programas en toda la cadena de formación que se distingan por su calidad y pertinencia y del desarrollo de proyectos de extensión e investigación aplicada, fundamentados en los valores institucionales, con el firme propósito de buscar la excelencia académica [7]. Visión Para el 2017, La IUPG será reconocida en el ámbito nacional e internacional como la Institución de Educación Superior que brinda más y mejores alternativas educativas en todos los niveles de la cadena de formación, por su compromiso con la calidad, la pertinencia, la inclusión social y el desarrollo de proyectos con incidencia en el sector social y empresarial académica [7]. Objeto Institucional El objeto del Politécnico Grancolombiano es la prestación de servicios en todos los campos de acción de la educación, en especial de la educación superior, según lo previsto en el Artículo 7 de la Ley 30 de 1992 y demás disposiciones complementarias y concordantes [8]. En desarrollo de su objeto el Politécnico Grancolombiano podrá: a) Adelantar todas las actividades académicas, investigativas, de extensión o de servicio conducentes al logro de su objeto. b) Celebrar convenios interinstitucionales para lograr la óptima utilización de sus recursos. c) Celebrar todo tipo de contratos con personas naturales o jurídicas, nacionales o extranjeras, con los cuales se busque el desarrollo de los objetivos del POLITÉCNICO GRANCOLOMBIANO. d) Disponer activa y pasivamente de los derechos reales, tales como usufructo, uso o habitación, prenda e hipoteca. e) Avalar obligaciones propias, de estudiantes o de terceros, en beneficio o interés de la Fundación. f) Recibir donaciones provenientes de los mismos fundadores o de terceros.

24 g) Realizar otras actividades preparatorias, complementarias o accesorias de las anteriores que sean necesarias o conducentes para el logro de su objetivo y fines. h) En general, realizar todos los objetivos previstos en el Artículo 6 de la Ley 30 de 1992 Minería de Datos: La minería de datos es un conjunto de técnicas y procedimientos que puede ser desarrollado a partir de diversas fuentes de datos como bodegas de datos o bases de datos relacionales, hasta archivos planos sin formatos y realiza a partir de estos datos, análisis predictivos mediante técnicas de análisis estadístico para predecir o prever medidas de certeza basada en los hechos existentes. Otra definición de minería de datos de acuerdo a Fayyad, [9], Es un proceso no trivial de identificación válida, novedosa, potencialmente útil y entendible de patrones comprensibles que se encuentran ocultos en los datos. La minería de datos también es vista como la evolución de las tecnologías de la información [10]. La minería de datos es un campo multidisciplinario que permite obtener información relevante de grandes cantidades de datos en donde confluyen entre otras áreas inteligencia artificial, estadística, bases de datos, ciencias de la información, y otras. Los tipos de aplicaciones de la minería de datos se caracterizan por la respuesta que se busca responder, y pueden categorizarse entre: clasificación, estimación, pronóstico, asociación y agrupación o segmentación. Minería de Datos en Educación La importancia que está adquiriendo en los últimos años la educación virtual o e-learning, ha dado paso al nacimiento de una disciplina que emerge como herramienta que permite dar solución a diferentes paradigmas que asociados a la educación virtual y la minería de datos que se pueda asociar a este tipo de educación. Esta disciplina se conoce como Minería de Datos para la Educación (EDM) [11] [12]. La Minería de datos para la Educación se centra en el desarrollo de métodos para la exploración de tipos específicos de datos que provienen del contexto educativo. Su objetivo global es lograr comprender cómo aprenden los estudiantes e identificar aquellos aspectos en los que es posible mejorar en aspectos educativos y de aprendizaje. La Minería de Datos para la educación es tan importante que existe en el año 2007 se fundó una organización internacional 3 dedicada a investigar esta disciplina. Tal es la importancia que ha suscitado esta área de investigación que se estima que para el año 2022 toda la investigación relacionada a educación involucrará análisis y minería de datos [13]. La información de los sistemas educativos en la actualidad almacena

25 grandes cantidades de datos y su origen puede provenir de diversas fuentes, diversos formatos y diferentes niveles de granularidad [14]. Los problemas de minería de datos educativa, deben analizarse de manera particular debido a que su objetivo específico determina una singularidad al momento de resolverse mediante técnicas de minería de datos. La minería de datos en educación puede analizar los datos generados por cualquier sistema de aprendizaje y enfocarse en diversos aspectos tanto individuales como grupales y tener en cuenta datos subyacentes; datos administrativos, datos demográficos, datos motivacionales que a su vez contienen múltiples niveles de jerarquía, contextos, niveles de granularidad y datos históricos. Se llama interdisciplinaria a la minería de datos en educación por que puede involucrar el análisis de redes sociales, psicopedagogía, psicología cognitiva, psicometría entre otras. Figura 1. Principales áreas involucradas en la minería de datos para educación. [15] El campo más relacionado de las áreas del gráfico es Learning Analytics (Análisis del Aprendizaje) que se puede definir como la medición, recopilación, análisis y presentación de informes de datos sobre los estudiantes y sus contextos, para fines de la comprensión y el aprendizaje y la optimización de los entornos en los que se produce, por tanto, la Minería de Datos para Educación puede compartir muchos atributos entre todas y cada una de las áreas que la rodea [15]. Los tipos de ambientes educativos que existen hoy día y que pueden ser explorados y analizados por la Minería de Datos Educativa son la Educación tradicional y la Educación basada en Computador. Cada uno de estos dos ambientes proporciona datos de diferentes fuentes que deben ser preprocesados de maneras particulares dependiendo de la naturaleza de cada uno de ellos, los problemas y las tareas específicas a ser resueltas [15].

26 Educación tradicional La Educación tradicional es el sistema educativo más utilizado y se refiere a las escuelas y universidades presenciales donde se ofrece la enseñanza a partir de cátedras en un salón de clases. En estos entornos, los sistemas recolectan información de todo lo que les rodea y el contexto en general, es decir: la asistencia, las notas, logros del plan de estudios a nivel general e individual. Estas instituciones educativas cuentan con fuentes diversas de información como: bases de datos tradicionales con información del estudiante y todo su proceso educativo e información en línea con información adicional de contenido educativo[15]. Educación basada en Computador La Educación basada en Computador es el uso de Computadores para proporcionar dirección, instruir o gestionar las instrucciones dadas al estudiante. En un inicio estás aplicaciones fueron de escritorio y se ejecutaban en computadores si conexiones entre ellos y sin la utilización de técnicas de inteligencia artificial para el modelado, adaptación y personalización de los estudiantes hasta el momento en que Internet popularizó estos sistemas hasta el punto de ser denominados y conocidos masivamente como e-learning, sistemas de instrucción en línea, que hoy en día son de uso extensivo entre instituciones netamente virtuales e instituciones educativas tradicionales para extender sus actividades a más personas y lugares poco accesibles [12]. Entre ellos se encuentran los siguientes: LMS - Sistemas de gestión de aprendizaje AIHS - Sistemas Hipermedia Adaptativos Sistemas de pruebas y evaluación Otros tipos de Sistemas de Educación basada por Computador (CBE)

27 Figura 2. Tipos de entornos y sistemas educativos tradicionales y basados en computadoras. [15]

28 Líneas de investigación futuras Dentro de los principales asuntos que en la actualidad están despertando el interés de los investigadores de esta área se ha encontrado entre otras las siguientes 4 : Dominio y estandarización de datos. Estandarización de procesos para EDM Detección y gestión de estados emocionales de los estudiantes Integración de minería de datos y teoría pedagógica Minería de datos en entornos de aprendizaje emergentes [16] Minería de datos en aplicaciones Open Source [17] Integración entre EDM y Análisis de aprendizaje Aplicación de técnicas de minería de datos en dominios específicos [18] Marcos genéricos, enfoques y enfoques para EDM 4

29 MINERÍA DE DATOS PARA LA EDUCACIÓN Debido al crecimiento de internet[1] [4], la aplicación de técnicas de minería de datos se ha expandido de manera importante, de manera general, podríamos clasificar las técnicas de minería de datos de la siguiente manera: Figura 3. Clasificación Técnicas Minería de datos [19] En general todas las técnicas han sido probadas en el ámbito educativo [20], y se han adelantado diferentes casos de estudio para evaluar el desempeño de las diversas técnica en escenarios educativos. Todos los casos de estudio han sido adelantados con el fin de satisfacer el principal objetivo de la Minería de datos para la educación, el cual busca identificar patrones de comportamiento de los alumnos en sus entornos académico; clasificar los tipos de alumnos de acuerdo al rendimiento registrado; clasificación de docentes de acuerdo a las actividades desarrolladas y el uso de las plataformas; identificación de patrones exitosos en el uso de las ambientes virtuales de aprendizaje entre muchos otros.

30 Casos de estudio de minería de datos para la educación Son múltiples los casos de estudio en los que se aplican técnicas de minería de datos para la educación, cada uno de ellos buscando una respuesta a una situación particular de la EDM. Algunos de los trabajos que se han analizado como base para el desarrollo del presente trabajo son: Data Mining: A prediction for Student's Performance Using Classification Method [21]: Trabajo enfocado a la implementación de técnicas de clasificación para predecir la nota final de los estudiantes. Año de publicación: 2014 Minería de datos educativa: Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo [9]: Trabajo orientado a estudiar técnicas de minería de datos para analizar la información generada con apoyo de algoritmos de inteligencia artificial. En este trabajo las actividades se enfocaron en la implementación de técnicas de clasificación, agrupamiento y asociación. Año de publicación: 2013 Analítica del Aprendizaje y la personalización de la Educación [22]: Trabajo enfocado a implementar técnicas de minería de datos para identificar las características más relevantes de los alumnos de la facultad de la Universidad nacional de la Plata Año de Publicación: Learning Analytics and Educational Data Mining: Towards Communication and collaboration [11]: Trabajo orientado a identificar las similitudes y diferencias existentes entre la analítica del aprendizaje y la minería de datos para la educación con el fin de identificar elementos que permitan a las dos áreas apoyarse y generar propuestas complementarias. Ano de publicación: 2010 Modelos predictivos y técnicas de minería de datos para la identificación de factores asociados al rendimiento académico de alumnos universitarios [23]: Trabajo orientado a construir modelos predictivos del rendimiento académico de los estudiantes de las diversas carreras de la Facultad de Ciencias Exactas y Naturales y Agrimensura de la Universidad Nacional del Nordeste Corrientes Argentina. Ano de publicación: 2008 La minería de datos en educación matemática relación entre estilos de aprendizaje y desempeño académico [24]: Investigación orientada a analizar los estilos de aprendizaje que utilizan los estudiantes del curso nivelatorio de matemáticas básicas de la universidad nacional de Colombia. Ano de publicación: 2011

31 GLOSARIO B-Learning (Blended Learning): Proceso de aprendizaje semipresencial, esto significa que los alumnos reciben acompañamiento docente presencial como actividades de virtuales apoyadas por herramientas de e-learing. CMS (Content Management System): Herramienta que permite gestionar contenidos en línea, es decir, permite crear, clasificar y publicar y administrar cualquier tipo de información en una página web. Datamart: Almacén de datos especializado, no son más que datos históricos pero tratados para evitar datos duplicados, atributos no existentes, etc. Datawarehouse: Almacén de datos que reúne la información histórica generada por todos los distintos departamentos de una organización, orientada a consultas complejas y de alto rendimiento. EDM (Educational Data Mining): Minería de datos educativa. Hacer referencia a las técnicas, herramientas e investigaciones de minería de datos enfocadas a entornos educativos ETL (Extraction, Transformation and Loading): Herramientas dedicadas a la extracción de los datos desde las fuentes donde estos se encuentren a los Datamatarts. LCMS (Learning Content Management Systems): Sistema que permite crear y gestionar material pedagógico para formación mixta (a distancia y presencial). LMS (Learning Management System): Sistema de gestión de aprendizaje online, que permite administrar, distribuir, monitorear, evaluar y apoyar las diferentes actividades previamente diseñadas y programadas dentro de un proceso de formación completamente virtual (elearning), o de formación semipresencial (Blended Learning). MOOC (Massive Open Online Courses): Es un curso a distancia, accesible por en línea al cual se puede inscribir cualquier persona para adelantar las actividades de forma libre. OLAP (On-Line AnalyticProcessing): Son sistemas únicamente utilizados para procesamiento analítico que tienen como propósito el estudio de una tendencia.

32 REFERENCIAS [1] I. Society, Informe Global de Internet 2014, p. 12, [2] R. Mason and F. Rennie, E-learning and social networking handbook: Resources for higher education [3] C. Romero and S. Ventura, Educational data mining: A review of the state of the art, IEEE Trans. Syst. Man, Cybern. C Appl. Rev., vol. 40, no. X, pp , [4] MINTIC, Panorama TIC Publicado en marzo de 2015, PanoramaTIC, [5] D. Rojas Rojas, Impacto en la situación laboral de los egresados de la educación presencial y virtual: estudio comparativo, Educ. y Educ., vol. 17, no. 2, pp , Sep [6] F. Virseda Benito and J. Carrillo, Minería de datos y aplicaciones, 2008, p. 8. [7] Institución Universitaria Politécnico Grancolombiano, Plan Estratégico Institucional , [8] Institución Universitaria Politécnico Grancolombiano, Estatutos Fundación Politécnico Grancolombiano Institución Universitaria, [9] A. B. Román, D. Sánchez-guzmán, R. García, P. Nacional, C. Legaria, and C. Irrigación, Minería de datos educativa : Una herramienta para la investigación de patrones de aprendizaje sobre un contexto educativo, vol. 7, no. 4, [10] J. Han and M. Kamber, Data Mining Concepts And Techniques [11] G. Siemens and R. S. J. Baker, Learning Analytics and Educational Data Mining : Towards Communication and Collaboration, [12] O. Scheuer and B. M. Mclaren, Educational Data Mining, [13] R. S. J. De Baker and P. S. Inventado, Educational data mining and learning analytics, [14] D. G. Reina, S. L. Toral, and F. Barrero, Metodologías de Análisis de los Big Data en las Plataformas Educativas.

33 [15] C. Romero and S. Ventura, Data mining in education, Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 3, no. 1, pp , Jan [16] A. Rodríguez and J. González, Prospección de la colaboración utilizando herramientas de minería de datos en ambiente abiertos de aprendizaje colaborativo con el objetivo de mejorar la gestión del proceso de colaboración, [17] E. Hochsztain and A. Tasistro, MoDaWeEd : un framework que integra Moodle, Data Mining y Web Usage Mining en el ámbito de la Educación, no. Minian 1999, pp [18] E. García Salcines, Usando minería de datos para la continua mejora de cursos E- Learning, UNIVERSIDAD DE CÓRDOBA, [19] S. D. Pérez César, Minería de datos conceptos, técnicas y sistemas, p. 789, [20] P. Bernus, G. Ḃlazewicz, and M. Shaw, Handbook on Information Systems [21] A. Badr, E. Din, and I. S. Elaraby, Data Mining : A prediction for Student s Performance Using Classification Method, World J. Comput. Appl. Technol., vol. 2, no. 2, pp , [22] J. Díaz, L. Lanzarini, M. E. Charnelli, G. Baldino, A. Schiavoni, and P. Amadeo, Analítica del Aprendizaje y la personalización de la Educación Resumen Contexto Introducción, [23] E. Porcel, G. Dapozo, and M. Lopez, Modelos predictivos y técnicas de minería de datos para la identificación de factores asociados al rendimiento académico de alumnos universitarios, [24] J. A. Martínez Valdés, la minería de datos en educación matemática relación entre estilos de aprendizaje y desempeño académico, Universidad Nacional de Colombia Sede Palmira, Institución Universitaria

34 Politécnico Gran Colombiano Facultad de Ingeniería y Ciencias Básicas Maestría en Ingeniería de Sistemas. Animación y Simulación de Algoritmos Paralelos de Búsqueda en Grafos y Ordenamiento aplicado a un clúster HPC. Edwin Javier Malagon Ruiz. Junio Justificación En las carreras relacionadas con ingenierías de las ciencias computación ha existido dificultades en la enseñanza de algoritmos

35 paralelos de exploración de grafos, genéticos y ordenamiento y su principal dificultad se basa en tres conceptos complejos para el estudiante los cuales son: El análisis y diseño de algoritmos basados en: - Búsqueda en grafos - Ordenamientos - Programación en paralelo Esta investigación se realizara con el propósito de desarrollar una herramienta que sirva como material de apoyo para la docencia de algoritmos paralelos de exploración de grafos, genéticos y ordenamiento, esta herramienta será de gran utilidad para el profesor en forma de material de apoyo didáctico en la impartición de las clases como laboratorio para realizar pruebas. El estudiante podrá visualizar en tiempo real el comportamiento del clúster cuando se estén ejecutando estas pruebas y el desempeño de la ejecución de los algoritmos paralelos. Planteamiento del Problema Pregunta de Investigación

36 En forma de pregunta Cómo desarrollar animaciones y simulaciones de algoritmos paralelos de búsqueda en grafos y algoritmos de ordenamiento con fines educativos? En forma de enunciado Los estudiantes de carreras de ingenierías de sistemas han tenido algunas dificultades en aprendizaje de implementaciones de algoritmos paralelos o conocer cómo funcionan estos y las ventajas de implementar estos en algunos casos estos conocimientos no se trasmiten de manera satisfactoria por esta razón es necesario el desarrollo de una herramienta que ejecute en un clúster HPC animaciones y simulaciones de algoritmos paralelos de búsqueda en grafos y algoritmos paralelos de ordenamiento. OBJETIVOS

37 Objetivo General Es facilitar al docente una herramienta que permita al estudiante asimilar conceptos complejos del diseño de algoritmos paralelos (desarrollados con programación en paralelo) y la eficiencia de estos en un ambiente de computación de altas prestaciones (HPC). Objetivos Específicos - Representar de manera gráfica los conceptos complejos ayuda enormemente en la docencia. Primero, porque una representación gráfica se entiende fácilmente que otra que no lo sea segundo. Porque la asimilación de conceptos es más profunda y más fácil de recordar. En definitiva, el estudiante podrá observar loa que está pasando realmente en un clúster HPC real y no conformarse con imaginárselo. - Mostrar analíticamente el uso de recursos de un clúster HPC cuando se está procesando algún algoritmo paralelo. - Aplicar métodos de programación en paralelo a algoritmos de búsqueda en grafos y a algoritmos de ordenamiento. Estado del Arte Marco Teórico En 1999 se realizó por parte de la universidad de Málaga una

38 aplicación que realizaba la animación y simulación de algoritmos paralelos con el fin de mejorar la docencia de los algoritmos paralelos de exploración de grafos en su variante conocida como ramificación y poda. Se han tenido en cuenta las características particulares del mismo entre las que se destacan(fco, González, Rodríguez, & Moreno, 2000). Su representación gráfica en forma de árbol. La evolución que sigue este tipo de algoritmos puede representarse de manera natural en forma arborescente. Tiene muchos parámetros que cambian su comportamiento. En función de estos parámetros, el árbol que representa la solución al problema se construye de forma totalmente diferente. Necesita muchos ejemplos para que pueda comprenderse correctamente. Por su complejidad intrínseca, con los dos o tres ejemplos que a lo sumo pueden explicarse en clase, no es suficiente para que el alumno aprenda a manejar los conceptos. Paralelismo. Una dificultad añadida es que el árbol puede construirse en paralelo, trabajando simultáneamente en ramas diferentes, y de forma independiente por distintos procesos. Es difícil de enseñar. Debida a la difícil comprensión de este concepto y al gran tamaño de las soluciones (salvo para ejemplos triviales, en la mayoría de los casos en árbol no cabe en la pizarra), el concepto de difícil de transmitir y de asimilar por parte de los alumnos. El funcionamiento genérico del software es simple. En primer lugar, el usuario debe elegir un problema concreto que desea resolver, así como los parámetros del algoritmo. A continuación se le permitirá modificar los