Analisis de Evaluacion Sumativa a Inteligencia Artificial

 Por: Guido Fernandez

1. Definición del Problema

Vamos a realizar un análisis de la evaluación sumativa de un curso de Inteligencia Artificial en línea. El objetivo es evaluar el desempeño de los estudiantes en diferentes módulos del curso y proporcionar insights para la mejora continua.

2. Generación de Datos Ficticios

Generaremos datos ficticios de evaluación sumativa para los estudiantes del curso.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

# Generar datos ficticios de evaluación sumativa

np.random.seed(42)

# Datos de estudiantes

estudiantes = ['Estudiante'+str(i) for i in range(1, 101)]

# Calificaciones de módulos específicos del curso

modulos = ['Introduccion', 'Aprendizaje Supervisado', 'Aprendizaje No Supervisado', 'Redes Neuronales', 'Proyecto_Final']

calificaciones = np.random.randint(60, 100, size=(100, 5))

# Crear DataFrame

df_evaluacion_ai = pd.DataFrame(calificaciones, columns=modulos, index=estudiantes)

3. Análisis de Datos

Realicemos un análisis exploratorio de los datos para obtener información sobre las calificaciones.

# Estadísticas descriptivas

estadisticas_calificaciones = df_evaluacion_ai.describe()

# Visualización de la distribución de calificaciones por módulo

plt.figure(figsize=(12, 6))

sns.boxplot(data=df_evaluacion_ai, palette='Set3')

plt.title('Distribución de Calificaciones por Módulo')

plt.ylabel('Calificaciones')

plt.show()

# Visualización de la correlación entre módulos

plt.figure(figsize=(10, 8))

sns.heatmap(df_evaluacion_ai.corr(), annot=True, cmap='coolwarm', fmt=".2f")

plt.title('Correlación entre Calificaciones de Módulos')

plt.show()

4. Interpretación de Resultados

Examinemos las estadísticas descriptivas y las visualizaciones para entender el rendimiento general de los estudiantes y las posibles correlaciones entre los módulos.

# Imprimir estadísticas descriptivas

print("Estadísticas Descriptivas de Calificaciones:")

print(estadisticas_calificaciones)

# Identificar estudiantes con desempeño inferior en algún módulo

estudiantes_bajo_rendimiento = df_evaluacion_ai[df_evaluacion_ai < 70].dropna(how='all')

print("\nEstudiantes con Desempeño Inferior en Alguno de los Módulos:")

print(estudiantes_bajo_rendimiento)

Resultados:

Estadísticas Descriptivas de Calificaciones: Introduccion Aprendizaje Supervisado Aprendizaje No Supervisado \ count 100.000000 100.000000 100.000000 mean 80.940000 80.930000 79.240000 std 11.977943 10.657434 12.841001 min 60.000000 60.000000 60.000000 25% 70.000000 73.000000 67.000000 50% 82.000000 82.500000 79.500000 75% 91.250000 90.250000 92.000000 max 98.000000 99.000000 99.000000 Redes Neuronales Proyecto_Final count 100.000000 100.000000 mean 81.330000 79.740000 std 11.290521 11.495823 min 60.000000 60.000000 25% 72.750000 70.000000 50% 84.000000 81.000000 75% 90.250000 91.000000 max 99.000000 99.000000 Estudiantes con Desempeño Inferior en Alguno de los Módulos: Introduccion Aprendizaje Supervisado \ Estudiante1 NaN NaN Estudiante3 NaN NaN Estudiante4 NaN 61.0 Estudiante5 61.0 NaN Estudiante7 62.0 NaN ... ... ... Estudiante90 NaN NaN Estudiante91 NaN NaN Estudiante92 69.0 NaN Estudiante94 NaN 69.0 Estudiante100 NaN 68.0 Aprendizaje No Supervisado Redes Neuronales Proyecto_Final Estudiante1 NaN 67.0 NaN Estudiante3 NaN NaN 62.0 Estudiante4 NaN NaN NaN Estudiante5 NaN NaN NaN Estudiante7 66.0 NaN 68.0 ... ... ... ... Estudiante90 61.0 NaN NaN Estudiante91 67.0 NaN NaN Estudiante92 NaN 66.0 63.0 Estudiante94 NaN 68.0 NaN Estudiante100 66.0 NaN NaN

5. Recomendaciones y Mejoras

Basándonos en los resultados del análisis, podríamos formular recomendaciones para mejorar el curso, como reforzar ciertos módulos, proporcionar recursos adicionales o ajustar la evaluación.

6. Documentación

Documenta cada paso del proyecto, desde la generación de datos hasta las conclusiones obtenidas. Esto facilitará la comprensión y replicación del análisis.

7. Presentación de Resultados

Crea informes o presentaciones que resuman los resultados del análisis, incluyendo estadísticas, visualizaciones y recomendaciones.

Este proyecto es un ejemplo básico y puede ser personalizado según las características específicas del curso de Inteligencia Artificial y los objetivos del análisis de evaluación sumativa.

Adjunto, generaciones de Prompt:

https://chat.openai.com/share/7cf918c4-7b00-4e9d-b929-5bf56d4a9695