Neuro diffusion
Propiciando el aprendizaje significativo mediante inteligencia artificial generativa
DOI:
https://doi.org/10.64876/radi.v26.4Palabras clave:
Estrategia didáctica, generación de imágenes, neurogenética, stable diffusionResumen
La inteligencia artificial ofrece enormes posibilidades para innovar en el campo educativo, en particular en la detección de posibles dificultades en el proceso de aprendizaje por parte de los alumnos. En este artículo se describe una estrategia didáctica basada en la generación de imágenes usando el modelo Stable Diffusion para promover el aprendiza je significativo en estudiantes de ingeniería electrónica. La estrategia se diseña teniendo como base las características neurogenéticas que subyacen al proceso mismo de aprendizaje, para así poder intervenir de forma individual considerando los aspectos específicos de cada alumno. Los resultados parciales obtenidos en pruebas piloto sugieren que la intervención permite promover un aprendizaje más significativo y perdurable, al ser medido en términos de interés, motivación y asimilación, con mejoras que sobrepasan un 60% relativo, ganancias normalizadas entre 0.5 y 0.82.
Descargas
Citas
Amin, T. & Levrini, O. (2017). Converging Perspectives on Conceptual Change: Mapping an Emerging Paradigm in the Learning Sciences. Routledge.
Ausubel, D. (2000). The Acquisition and Retention of Knowledge: A Cognitive View. Springer.
Dehouche, N., & Dehouche, K. (2023). What’s in a text to image prompt? The potential of stable diffusion in visual arts education. Heliyon. (https://www.sciencedirect.com/science/article/pii/S2405844023039646)
Doyle, T., & Zakrajsek, T. (2013). The New Science of Learning: How to Learn in Harmony With Your Brain. Stylus Publishing.
Gruber, M. (2014). States of Curiosity Modulate Hippocampus-Dependent Learning via the Dopaminergic Circuit. Neuron, 84 (2), 486 – 496. (https://www.sciencedirect.com/science/article/pii/S0896627314008046 )
Nusbaum, H.C., Uddin, S., Van Hedger, S.C. & Heald, S. (2018) Consolidating skill learning through sleep. Current Opinion in Behavioral Sciences, 20, 174–182. (https://doi.org/10.1016/j.cobeha.2018.01.013 )
Parra-Plaza, J.A. (2017). Propiciando el aprendizaje significativo en entornos interactivos mediante la inserción de moduladores neurogenéticos. COMPDES.
Parra-Plaza, J.A. (2018). Computación adaptativa para mediar tecnológicamente en la enseñanza para el aprendizaje. Ed. Inst. Antioqueño de Investigación.
Parra-Plaza, J.A. (2019). Citoaprendizagem: Computação bioinspirada adaptativa focada na aprendizagem significativa. CISCI
Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis With Latent Diffusion Models. CVPR. (https://openaccess.thecvf.com/content/CVPR2022/html/Rombach_High-Resolution_Image_Synthesis_With_Latent_Diffusion_Models_CVPR_2022_paper.html)
Roychoudhury, A., Gabel, D. & Hake, R. (1989). Inducing and Measuring Conceptual Change in Introductory-Course Physics Students. AAPT Announcer, 19, 4 – 64. (http://dx.doi.org/10.1119/1.18809)
Sordo, Z., Chagnon, E., & Ushizima, D. (2025). A Review on Generative AI for Text-to-Image and Image-to-Image Generation and Implications to Scientific Images. Applied Math and Computational Research Lawrence Berkeley National Laboratory Berkeley. (https://arxiv.org/html/2502.21151v2)
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
