Glosario de Termos e expresións relacionados coa IA
Requisitos do completado
Explorar o glosario usando este índice
Especial | A | B | C | D | E | F | G | H | I | J | K | L | M | N | Ñ | O | P | Q | R | S | T | U | V | W | X | Y | Z | TODAS
A |
|---|
Análise da aprendizaxe | |||
|---|---|---|---|
A analítica de aprendizaxe é a aplicación de técnicas e tecnoloxías de big data ao ámbito educativo, co obxectivo de mellorar o proceso de aprendizaxe, o rendemento dos estudantes e a eficacia do profesorado. A análise de aprendizaxe implica recoller, limpar e analizar datos sobre os estudantes, as súas actividades de aprendizaxe e o seu rendemento. Os coñecementos xerados a partir destes datos pódense utilizar para personalizar a aprendizaxe, mellorar os resultados dos estudantes e avaliar a eficacia dos programas e iniciativas educativas. | |||
Análise preditiva | |||
|---|---|---|---|
A análise preditiva é o uso de modelos estatísticos, algoritmos de aprendizaxe automática e técnicas de minería de datos para analizar datos actuais e históricos co fin de facer predicións sobre resultados futuros. No ámbito educativo, a analítica preditiva pódese utilizar para prever o rendemento dos estudantes e as taxas de abandono escolar ou identificar os estudantes que corren o risco de quedar atrasados en función dos datos sobre a asistencia dos estudantes, as cualificacións ou as puntuacións das probas. Tamén se pode usar para facer recomendacións personalizadas para os estudantes, como suxerir cursos, actividades de aprendizaxe ou recursos que esteñan aliñados cos seus puntos fortes e intereses. | |||
Aprendizaxe automática | |||
|---|---|---|---|
A aprendizaxe automáticaé un subcampo (subconxunto) da IA. É un proceso no que os algoritmos poden mellorar continuamente o seu rendemento mediante a observación de datos relevantes, a identificación de patróns, a creación de modelos de datos que poidan facer predicións e, a continuación, a iteración da aprendizaxe. A aprendizaxe automática utilízase nunha variedade de aplicacións, como o recoñecemento de imaxes e de voz, o procesamento da linguaxe natural e a análise preditiva. Hai varios tipos de aprendizaxe automática, incluíndo a aprendizaxe supervisada, a aprendizaxe non supervisada e a aprendizaxe por reforzo. | |||
Aprendizaxe automática sen supervisión | |||
|---|---|---|---|
Na aprendizaxe non supervisada, proporcionamos ao sistema conxuntos de datos sen etiquetas
nin estruturas e sen orientación nin instrucións explícitas sobre como organizar os datos ou describir a súa estrutura. O sistema funciona por si só para descubrir patróns e información. A aprendizaxe non supervisada é especialmente útil en situacións nas que non hai datos etiquetados dispoñibles ou cando o obxectivo é descubrir patróns ocultos nos datos. En educación, a aprendizaxe non supervisada utilizarase na extracción de datos educativos cando necesitamos analizar grandes cantidades de datos educativos para obter información sobre a aprendizaxe dos estudantes, como a hora do día en que os estudantes participan máis nos cursos en liña ou os temas que lles resultan máis desafiantes. | |||
Aprendizaxe profunda | |||
|---|---|---|---|
A aprendizaxe profunda é un subconxunto da aprendizaxe automática.
Representa unha versión avanzada da aprendizaxe automática e a miúdo considérase
unha evolución da aprendizaxe automática.
Usa redes neuronais artificiais para analizar e comprender patróns complexos
e relacións nos datos e para determinar se unha predición que fai é precisa ou non
sen ningunha axuda ou orientación dos humanos.
Na educación, os algoritmos de aprendizaxe profunda pódense usar para analizar
os datos do comportamento dos estudantes, como o tempo dedicado aos deberes,
a participación en discusións en liña e o rendemento en probas,
para identificar os estudantes que corren o risco de quedarse atrasados
(para proporcionarlles a información específica e o apoio oportuno) | |||
Aprendizaxe supervisada | |||
|---|---|---|---|
Na aprendizaxe automática supervisada, proporcionamos ao sistema conxuntos de datos etiquetados ou estruturados. Os datos actúan como profesores e "adestran" a máquina, mellorando a súa capacidade para facer unha predición ou decisión e, con sorte, determinar etiquetas e estruturas para novas instancias non vistas. Esta forma de aprendizaxe automática necesita a entrada humana. A retroalimentación que recibe o sistema de IA utilízase para corrixir os erros e mellorar. A aprendizaxe supervisada é moi utilizada en aplicacións como a clasificación de imaxes, o recoñecemento de voz e a detección de fraudes, entre outras. No ámbito educativo, pódense usar algoritmos de aprendizaxe supervisada para predicir os resultados dos estudantes en función de datos históricos ou para crear probas adaptativas que axusten o nivel de dificultade segundo o rendemento do alumno. | |||
Asistente Virtual | |||
|---|---|---|---|
Os asistentes virtuais son un software alimentado por intelixencia artificial que se utiliza para manter conversas reais con usuarios humanos, proporcionarlles respostas personalizadas e realizar tarefas para eles. Empregan tecnoloxía de recoñecemento de voz para interactuar cos usuarios. Alexa, Siri e Cortana son os asistentes virtuais máis utilizados. No ámbito educativo, os asistentes virtuais poderían utilizarse para axudar aos profesores nas tarefas administrativas, como o mantemento de rexistros ou para axudar aos estudantes proporcionando comentarios personalizados oportunos e respondendo ás preguntas máis frecuentes. Utilízanse a nivel de todo o centro educativo para proporcionar información sobre o centro, as matrículas ou a programación de citas. | |||
B |
|---|
Big data | |||
|---|---|---|---|
Big data refírese a conxuntos de datos grandes e complexos que son xerados por varias fontes, como as redes sociais e as transaccións en liña. En educación, o big data refírese ás cantidades masivas de datos xerados polos estudantes e as súas interaccións coas tecnoloxías educativas, como as plataformas de aprendizaxe en liña, os sistemas de xestión da aprendizaxe e os dispositivos móbiles. Big data proporciona materia prima para a aprendizaxe e análises preditivas que se usan para analizar os datos recollidos co fin de tomar decisións informadas. O BigData ten algúns retos como a privacidade e a seguridade, así como a transparencia e a responsabilidade, todos eles especialmente relevantes para a educación. É importante protexer a privacidade e a seguridade de profesores e estudantes. | |||
C |
|---|
ChatBot | ||
|---|---|---|
Un chatbot é un programa informático usado para simular conversas con usuarios humanos. Os chatbots adoitan estar deseñados para tarefas específicas, como atención ao cliente, mercadotecnia ou recuperación de información. Poden usar a Linguaxe de procesamento natural para comprender as solicitudes dos usuarios e responder coas respostas adecuadas, pero as súas capacidades adoitan ser limitadas. | ||
G |
|---|
GML (Grandes Modelos Lingüisticos) | |||
|---|---|---|---|
Un modelo de linguaxe grande é un tipo de modelo de IA adestrado en cantidades masivas de datos de texto para xerar respostas semellantes ás humanas. Os grandes modelos de linguaxe usan algoritmos avanzados de aprendizaxe profunda para xerar respostas a unha gama máis ampla de solicitudes e dun xeito máis humano que os chatbots tradicionais. Non obstante, poden xerar contidos prexudiciais, incorrectos, tendenciosos e mesmo perigosos. Exemplos de grandes modelos de linguaxe inclúen ChatGPT, GPT-3 e Perplexity AI, entre outros. | |||
I |
|---|
IA xerativa | |||
|---|---|---|---|
A IA xerativa é un campo da intelixencia artificial que se centra na creación de algoritmos que poidan xerar novos contidos, como imaxes, texto, música, vídeos, xogos, código, avisos ou mesmo entornos virtuais completos, sen intervención humana directa. Os algoritmos xerativos de IA aprenden de grandes cantidades de datos e despois crean contidos similares ou completamente novos. A IA xerativa xa ten un impacto significativo nas industrias creativas, pero tamén noutros tipos de industrias, xa que pode reducir significativamente os custos, por exemplo; mediante a automatización de tarefas de atención ao cliente ou creación de contidos. Non obstante, tamén suscita preocupacións éticas sobre o potencial de uso indebido do contido xerado pola IA e o seu impacto no emprego. Na educación, Gen AI pódese usar para axudar aos profesores a crear contido, como textos con diferentes niveis de dificultade, probas de comprobación da comprensión, titoriais e presentacións. | |||
Inteligencia Artificial | |||
|---|---|---|---|
A Intelixencia Artificial (IA) é un campo da informática centrado na construción de sistemas que poidan realizar tarefas que normalmente requirirían intelixencia humana, | |||
Internet das cousas | |||
|---|---|---|---|
É unha rede de dispositivos físicos, vehículos, electrodomésticos e outros obxectos
integrados en produtos electrónicos, software, sensores e conectividade, que permite que estes obxectos recopilen e intercambien datos. A IoT permite que estes dispositivos se conecten e controlen a través de Internet, o que lles permite interactuar entre eles e coas persoas de formas novas e innovadoras. Na educación, os dispositivos IoT pódense utilizar para facilitar a aprendizaxe remota, permitindo aos estudantes acceder a recursos educativos e conectarse cos profesores desde calquera lugar. | |||
M |
|---|
Minería de datos | |||
|---|---|---|---|
A minería de datos educativosé o proceso de aplicación de técnicas de minería de datos e modelos estatísticos a grandes cantidades de datos educativos co propósito de tomar decisións fundamentadas baseadas no coñecemento da aprendizaxe dos estudantes e da eficacia do profesorado. As técnicas de minería de datos están deseñadas para descubrir ideas ocultas, identificar relacións e facer predicións baseadas nos datos. Algunhas técnicas de minería de datos son:
| |||
modelo | ||
|---|---|---|
Un modelo de aprendizaxe automático é un ficheiro que foi adestrado para recoñecer determinados tipos de patróns. Pódese adestrar un modelo cun conxunto de datos, e proporcionarlle o algoritmo o cal pode empregar para sacar conclusións ou realizar predicións. | ||
Modelos de difusión | |||
|---|---|---|---|
Os modelos de difusión son sistemas xeradores de IA que xeran datos similares aos datos nos que foron adestrados. Non obstante, durante este proceso engaden ruído aleatorio (ou variacións aleatorias) a cada paso do proceso para engadir diversidade, aleatoriedade e imprevisibilidade á saída xerada. O ruído no modelo de difusión pódese considerar como interferencia ou perturbación do produto final para engadir máis variabilidade. Os modelos de difusión utilízanse para a xeración de imaxe, texto, vídeo e outros tipos de contido xerativo. No ensino, os modelos de difusión pódense utilizar para xerar ilustracións e axudas visuais de alta calidade, así como imaxes realistas de personaxes históricos ou fenómenos científicos. Tamén se poden usar para xerar indicacións de conversa ou de escritura nunha lingua estranxeira. | |||
P |
|---|
PESO | ||
|---|---|---|
A Aprendizaxe Profunda (Deep Learning) emprega algoritmos de Redes Neuronais Artificiais, que imitan o comportamento biolóxico do cerebro. Hay 3 tipos de capas de Neuronas: de entrada ,ocultas e de saída. As conexións entre estas neuronas levan asociado un peso, que significa a importancia do valor da entrada(dato) nesa relación. | ||
Procesamento de Linguaxe Natural | |||
|---|---|---|---|
O procesamento da linguaxe natural (NLP) é un subcampo da IA que se refire ás interaccións entre os ordenadores e a linguaxe humana, en particular a programación de ordenadores para procesar e analizar grandes cantidades de datos da linguaxe natural. O resultado é un ordenador capaz de “comprender” os contidos dos documentos, incluíndo os matices contextuais da linguaxe dentro dos mesmos. A tecnoloxía pode extraer con precisión a información e os coñecementos contidos nos documentos, así como clasificar e organizar os propios documentos. Na educación, a PNL pódese utilizar para proporcionar comentarios personalizados aos estudantes, tradución de idiomas, resumo de textos e análise de sentimentos, tamén coñecida como minería de opinións, que se refire á identificación do ton emocional, opinións e actitudes (positivas, negativas, neutras). A minería de opinións pódese utilizar para analizar os comentarios e opinións dos estudantes sobre os materiais do curso ou o proceso de ensino para mellorar a calidade da educación e mellorar a satisfacción dos estudantes. | |||
R |
|---|
Rede Adversaria Generativa | |||
|---|---|---|---|
Generative Adversarial Network (GAN) é un dos exemplos máis populares e coñecidos de IA xerativa. É un tipo de algoritmo de aprendizaxe profunda que consiste en dúas redes neuronais que compiten entre si para xerar contido novo. No ámbito educativo, a tecnoloxía GAN pódese utilizar para crear contidos de aprendizaxe personalizados e adaptables para cada alumno ou para crear ambientes virtuais experienciais para a aprendizaxe baseada en xogos ou en simulación. | |||
Redes neuronais artificiais | |||
|---|---|---|---|
As redes neuronais artificiais son redes computacionais inspiradas libremente no cerebro humano.
Unha RNA consta de tres tipos de capas: unha capa de entrada onde recibe os datos iniciais, unha capa oculta entre a capa de entrada e a de saída onde realiza cálculos complexos e unha capa de saída onde produce o resultado. Podes ver como funcionan as redes neuronais aquí: Xogar cunha rede neuronal As redes neuronais profundas (DNN) son un tipo de ANN, pero teñen máis dunha capa oculta. Requiren grandes cantidades de datos etiquetados para adestrar de forma eficaz, mentres que as ANN requiren conxuntos máis pequenos de datos e técnicas de aprendizaxe automática sen supervisión. En educación, os ANN pódense adestrar sobre os datos recollidos das avaliacións dos estudantes para identificar os puntos fortes e débiles dos estudantes e despois xerar plans de estudo personalizados para todos e cada un dos estudantes. Ademais, as ANN pódense utilizar para analizar grandes cantidades de datos dos estudantes para detectar tendencias e patróns que poden informar as prácticas de ensino e aprendizaxe. | |||
Robótica | |||
|---|---|---|---|
A robótica pódese definir como "AI en acción no mundo físico" ou IA incorporada. Exemplos de robots que inclúen manipuladores robóticos (por exemplo, manexo seguro de materiais perigosos), vehículos autónomos (por exemplo, coches, drons, taxis voadores), robots humanoides, aspiradores robóticos, etc. Os avances na percepción fiable das máquinas, incluíndo visión por ordenador, forza, e a percepción táctil, seguirán sendo facilitadores fundamentais para avanzar nas capacidades da robótica. No ámbito educativo, o uso da robótica pode axudar aos estudantes a experimentar conceptos e ideas de forma interactiva, para que poidan comprender e reter a información máis facilmente. | |||
T |
|---|
Tradución automática | |||
|---|---|---|---|
A tradución automática refírese á tradución de textos significativos dunha lingua a outra sen a intervención humana.
Na educación, a tradución automática pódese utilizar para superar as barreiras lingüísticas, para apoiar o ensino multilingüe e para facilitar a comunicación entre profesores e estudantes que falan diferentes idiomas. Pódese usar para mellorar a colaboración, a comunicación e o intercambio cultural na aprendizaxe baseada en proxectos, p. en eTwinning. Os estudantes poden utilizar a tradución automática para mellorar a aprendizaxe dun novo idioma. Algúns exemplos de software de tradución automática: Tradutor DeepL, Tradutor de Google ou Tradutor de Bing | |||
V |
|---|
Visión por ordenador | |||
|---|---|---|---|
A visión por ordenador é unha subárea da IA máis transformada polo auxe da aprendizaxe profunda. A potencia de cálculo e a dispoñibilidade de grandes conxuntos de datos e os perfeccionamentos dos algoritmos de redes neuronais levaron a melloras espectaculares no rendemento da visión por ordenador. Por primeira vez, os ordenadores son capaces de realizar algunhas tarefas de clasificación visual (definidas estreitamente) mellor que as persoas, como imaxes médicas, análise de vídeo, recoñecemento de obxectos e comprensión de escenas. Na educación, as tecnoloxías de visión por ordenador pódense utilizar para mellorar a experiencia de inmersión das contornas de realidade virtual e aumentada para a aprendizaxe, proporcionando aos estudantes experiencias de aprendizaxe máis interactivas e atractivas. | |||
X |
|---|
Xeradores de arte | |||
|---|---|---|---|
Os xeradores de arte son sistemas de IA que usan algoritmos de IA para crear pezas de arte únicas sen intervención humana directa. Estes sistemas están adestrados en datos de arte existentes para desenvolver o seu propio estilo artístico e pódense utilizar para xerar obras de arte novas e diversas. A arte xerada adoita considerarse orixinal e única, e os seus creadores teñen dereito a protexer os seus dereitos de autor, non obstante, esta aínda é unha zona gris da lei, especialmente se se asemella moito á arte existente. Consulte esta lista dos mellores xeradores de AI Art | |||