Herramientas visuales para la enseñanza del aprendizaje automático en K-12: un mapeo sistemático de diez años

  • Alturayeif, N., Alturaief, N., Alhathloul, Z. (2020). DeepScratch: extensión del lenguaje de programación Scratch para la educación de aprendizaje profundo. Revista Internacional de Aplicaciones y Ciencias de la Computación Avanzadas, 11(7), 642–650. https://doi.org/10.14569/IJACSA.2020.0110777

  • Alves, N. d. C., Gresse von Wangenheim, C., Hauck, J. C. R., Borgatto, A. F. (2020). Una evaluación a gran escala de una rúbrica para la evaluación automática de algoritmos y conceptos de programación. En Actas de la 51a Simposio técnico de ACM sobre educación en ciencias de la computación, ACM, 556–562. https://doi.org/10.1145/3328778.3366840

  • Amazonas. (2019). Amazon Machine Learning, documentación de AWS. https://docs.aws.amazon.com/machine-learning/latest/dg/building-machine-learning.html

  • Agassi, A., Erel, H., Wald, I. Y. y Zuckerman, O. (2019). Scratch Nodes ML: Un sistema lúdico para que los niños creen clasificadores de reconocimiento de gestos Actas de la conferencia sobre Factores humanos en los sistemas informáticos, ACM 1–6 https://doi.org/10.1145/3290607.3312894

  • Amershi, S. et al. (2019). Ingeniería de software para aprendizaje automático: un estudio de caso. En las actas de la 41a Conferencia Internacional sobre Ingeniería de Software: Ingeniería de software en la práctica, IEEE Press, 291–300. https://doi.org/10.1109/ICSE-SEIP.2019.00042

  • Bart, A. C., Tibau, J., Tilevich, E., Shaffer, C. A. y Kafura, D. (2017). BlockPy: un entorno de ciencia de datos de acceso abierto para programadores principiantes. Ordenador, 50(5), 18-26. https://doi.org/10.1109/MC.2017.132

    Artículo

    Google Académico

  • Bau, D., Gray, J., Kelleher, C., Sheldon, J. y Turbak, F. (2017). Programación que se puede aprender: bloques y más. Comunicaciones de la ACM, 60(6), 72–80. https://doi.org/10.1145/3015455

    Artículo

    Google Académico

  • Bellanca, J. A. et al. (2010). Habilidades del siglo XXI: repensar cómo aprenden los estudiantes. Prensa de árbol de solución.

  • Bellettini, C. y col. (2014). Educación informática en la escuela secundaria italiana. Transacciones de ACM sobre educación en informática, 14(2), 1–5. https://doi.org/10.1145/2602490

    Artículo

    Google Académico

  • Bemley, J. L. (1999). Redes neuronales para estudiantes preuniversitarios. Actas de la Conferencia conjunta internacional sobre redes neuronales, 6, 4422-4427.

    Artículo

    Google Académico

  • Blott, M., Halder, L., Leeser, M., Doyle, L. (2019). QuTiBench: Evaluación comparativa de redes neuronales en hardware heterogéneo. Revista sobre tecnologías emergentes en sistemas informáticos, 15(4), artículo 37 https://doi.org/10.1145/3358700

  • Burnett, M. M. y Baker, M. J. (1994). Un sistema de clasificación para lenguajes de programación visual. Revista de lenguajes visuales y computación, 5, 287-300.

    Artículo

    Google Académico

  • Çakiroğlu, Ü., Suiçmez, S. S, Kurtoğlu, Y. B., Sari, A., Yildiz, S., Öztürk, M. (2018). Explorando la carga cognitiva percibida en la programación de aprendizaje a través de Scratch. Investigación en tecnología del aprendizaje, 26.

  • Carney, M. y col. (2020). Teachable Machine: herramienta accesible basada en web para explorar la clasificación del aprendizaje automático. Actas de la Conferencia sobre factores humanos en sistemas informáticos, ACM,. https://doi.org/10.1145/3334480.3382839

    Artículo

    Google Académico

  • Demšar, J. y col. (2013). Naranja: caja de herramientas de minería de datos en Python. Journal of Machine Learning Research, 14, 2349-2353.

    MATEMÁTICAS

    Google Académico

  • D’Ignazio, C. (2017). Alfabetización creativa en datos. Diario de diseño de información, 23(1), 6-18.

    Google Académico

  • Druga, S. (2018). Crecer con IA: Cognimates: de la codificación a las máquinas de enseñanza. Tesis de maestría, MIT, Estados Unidos.

  • Druga, S. Vu, S. T., Likhith, E., Qiu T. (2019). Alfabetización inclusiva en IA para niños de todo el mundo. Actas de Fab Learning ACM 104-111. https://doi.org/10.1145/3311890.3311904

  • Dudley, J. J., Kristensson, P. O. (2018. A Review of User Interface Design for Interactive Machine Learning. ACM Transactions on Interactive Intelligent Systems, 8 (2), artículo 8. https://doi.org/10.1145/3185517

  • Forbes. (2019). AI va a la escuela secundaria. https://www.forbes.com/sites/insights-intelai/2019/05/22/ai-goes-to-high-school/#68826e3f1d0c

  • Gillies, R. (2016). Aprendizaje cooperativo: revisión de la investigación y la práctica. Revista australiana de formación docente, 41(3), 39–51. https://doi.org/10.14221/ajte.2016v41n3.3

    Artículo

    Google Académico

  • Gresse von Wangenheim, C. y col. (2018). CodeMaster: evaluación y calificación automática de App Inventor y Snap! Programas. Informática en Educación, 17(1), 117-150. https://doi.org/10.15388/infedu.2018.08

    Artículo

    Google Académico

  • Godec, P. et al. (2019). Análisis de imágenes democratizado mediante programación visual mediante la integración de modelos profundos y aprendizaje automático a pequeña escala. Nature Communications, 10, Artículo 4551. https://doi.org/10.1038/s41467-019-12397-x

  • Gutosk, M. y col. (2017). Análisis cualitativo de los marcos de aprendizaje profundo. Revista de la Sociedad Brasileña de Inteligencia Computacional, 15(1), 45–52. https://doi.org/10.21528/LNLM-vol15-no1-art3

    Artículo

    Google Académico

  • Hautea, S., Dasgupta, S., Hill, B. M. (2017). Perspectivas de los jóvenes sobre alfabetizaciones de datos críticos Actas de la Conferencia sobre Factores humanos en sistemas informáticos, ACM 919–930 https://doi.org/10.1145/3025453.3025823

  • Hauck, M., Machhamer, R., Czenkusch, L., Gollmer, K. y Dartmann, G. (2019). Herramientas de desarrollo basadas en nodos y bloques para sistemas distribuidos con aplicaciones de inteligencia artificial. Acceso IEEE, 7(143109–143119), 2019. https://doi.org/10.1109/ACCESS.2019.2940113

    Artículo

    Google Académico

  • Hiner, J. (2017). La IA eliminará 1,8 millones de puestos de trabajo, pero creará 2,3 millones para 2020, afirma Gartner. https://www.techrepublic.com/article/ai-will-eliminate-1-8m-jobs-but-create-2-3m-by-2020-claims-gartner

  • Hitron, T., Orlev, Y., Wald, I., Shamir, A., Erel, H., Zuckerman, O. (2019). ¿Pueden los niños comprender los conceptos de aprendizaje automático? El efecto de descubrir cajas negras. En Actas de la Conferencia sobre Factores humanos en los sistemas informáticos. ACM, Documento 415, 1–11. https://doi.org/10.1145/3290605.3300645

  • Hu, Q., Ma, L., Zhao, J. (2018). DeepGraph: una herramienta de PyCharm para visualizar y comprender modelos de aprendizaje profundo. En Actas de la 25a Conferencia de Ingeniería de Software de Asia y el Pacífico, Nara, Japón, 628–632, https://doi.org/10.1109/APSEC.2018.00079

  • Hubwieser, P. y col. (2015) Una instantánea global de la educación en informática en escuelas K-12 Actas del ITiCSE sobre informes de grupos de trabajo, Vilnius, Lituania 65–83. https://doi.org/10.1145/2858796.2858799

  • Idrees, M., Aslam, F., Shahzad, K., Sarwar, S. M .. (2018). Hacia un marco universal para lenguajes de programación visual. Revista de Pakistán de Ingeniería y Ciencias Aplicadas.

  • Jatzlau, S. Michaeli, T., Seegerer, S., Romeike, R (2019). Después de todo, no es magia: ¡Aprendizaje automático en Snap! utilizando Actas de aprendizaje reforzado de IEEE Blocks and Beyond Workshop, Memphis, TN, EE. UU. 37–41 https://doi.org/10.1109/BB48857.2019.8941208

  • Johnson, D. W. y Johnson, R. T. (2014). Aprendizaje cooperativo en el siglo XXI. Anales de psicología, 30(3), 841–851. https://doi.org/10.6018/analesps.30.3.201241

    Artículo

    Google Académico

  • Kahn, K. M. (1977. Tres interacciones entre la IA y la educación. Machine Intelligence, 8.

  • Kahn, K. M., Winters, N. (2018. Programación de IA por niños. En Actas de la Conferencia sobre Construccionismo, Vilnius, Lituania.

  • Kahn, K. M., Megasari, R., Piantari, E., Junaeti, E. (2018). Programación de IA realizada por niños que utilizan Snap! Programación de bloques en un país en desarrollo. En Actas de la 13a Conferencia Europea sobre Aprendizaje Mejorado en Tecnología, Leeds, Reino Unido, 2018.

  • Kahn, K. M., Lu, Y., Zhang, J., Winters, N., Gao, M. (2020). Programación de aprendizaje profundo por todos. En Actas de la Conferencia sobre Construccionismo, Dublín, Irlanda.

  • Kahn, K. M., Winters, N. (2017). Interfaces de programación adaptadas a los niños para los servicios en la nube de IA. En: Lavoué É. et al. (eds) Enfoques basados ​​en datos en educación digital. Lecture Notes in Computer Science, vol 10474. Springer, Cham. https://doi.org/10.1007/978-3-319-66610-5_64

  • Kandlhofer, M, Steinbauer, G, Hirschmugl-Gaisch, S., Huber, P (2016). Inteligencia artificial e informática en la educación: del jardín de infancia a la universidad Actas de la conferencia IEEE Frontiers in Education, Erie, PA, EE. UU. 1–9 https://doi.org/10.1109/FIE.2016.7757570

  • Kim, B., Glassman, E., Johnson, B. y Shah, J. (2015). iBCM: modelo de caso bayesiano interactivo que empodera a los seres humanos a través de la interacción intuitiva. Reporte técnico.

    Google Académico

  • Knuth, D. E., Pardo, L. T. (1980). El desarrollo temprano de lenguajes de programación. En Historia de la informática en el siglo XX, 197–273.

  • Kraleva, R., Kralev, C. y Kostadinova, D. (2019). Una metodología para el análisis de lenguajes de programación basados ​​en bloques adecuados para niños. Revista de Ciencias e Ingeniería de la Computación, 13(1), 1–10. https://doi.org/10.5626/JCSE.2019.13.1.1

    Artículo

    Google Académico

  • Lane, D. (2018). Explicando la inteligencia artificial. Hola mundo, 4.

  • Lwakatare, L.E., Raj, A., Bosch, J. Olsson, H. H., Crnkovic, I. (2019). Una taxonomía de los desafíos de la ingeniería de software para los sistemas de aprendizaje automático: una investigación empírica. En: Kruchten P. et al. (eds) Procesos ágiles en Ingeniería de Software y Programación Extrema. Lecture Notes in Business Information Processing, vol 355. Springer, Cham. https://doi.org/10.1007/978-3-030-19034-7_14

  • Lee, M. R. y Chen, T. T. (2015). Creatividad digital: temas de investigación y marco. Computadoras en el comportamiento humano, 42, 12-19. https://doi.org/10.1016/j.chb.2014.04.001

    Artículo

    Google Académico

  • Lin, P., Van Brummelen, J., Lukin, G., Williams, R., Braezeal, C. (2020). Zhorai: Diseño de un agente conversacional para que los niños exploren los conceptos de AA. En las actas del décimo simposio sobre avances educativos en inteligencia artificial, Nueva York, NY, EE. UU.

  • Long, D., Magerko, B. (2020). ¿Qué es la alfabetización en IA? Competencias y consideraciones de diseño. En Actas de la Conferencia sobre factores humanos en sistemas informáticos. ACM, 1–16. https://doi.org/10.1145/3313831.3376727

  • Lytle, N. y col. (2019). Usar, modificar, crear: comparar las progresiones de las lecciones de pensamiento computacional para las clases STEM Actas de la Conferencia sobre Innovación y Tecnología en la Educación en Ciencias de la Computación, ACM 395–401 https://doi.org/10.1145/3304221.3319786

  • Marques, L. S., Gresse von Wangenheim, C. y Hauck, J. C. R. (2020). Enseñar el aprendizaje automático en la escuela: un mapeo sistemático del estado del arte. Informática en Educación, 19(2), 283–321. https://doi.org/10.15388/infedu.2020.14

    Artículo

    Google Académico

  • Mathewson, K. W. (2019). Un enfoque centrado en las personas para el aprendizaje automático interactivo. arXiv: 1905.06289v1 [cs.HC].

  • McCracken, M. y col. (2001). Un estudio multinacional e institucional de la evaluación de las habilidades de programación de los estudiantes de informática de primer año. En Informes del grupo de trabajo de ITiCSE sobre innovación y tecnología en la educación en ciencias de la computación, ACM, 125–180.

  • Mitchell, T. M. (1997). Aprendizaje automático. Educación McGraw-Hill. Nueva York.

    MATEMÁTICAS

    Google Académico

  • Moreno-León, J., Robles, G. (2015). Dr. Scratch: una herramienta web para evaluar automáticamente proyectos Scratch. En Actas del décimo taller sobre educación en computación primaria y secundaria, Londres, Reino Unido, 132-133. https://doi.org/10.1145/2818314.2818338

  • Noone, M. y Mooney, A. (2018). Lenguajes de programación visual y textual: una revisión sistemática de la literatura. Revista de computadoras en la educación, 5(2), 149-174.

    Artículo

    Google Académico

  • Payne, B. H. (2019). Un plan de estudios de ética de la inteligencia artificial para estudiantes de secundaria. https://docs.google.com/document/d/1e9wx9oBg7CR0s5O7YnYHVmX7H7pnITfoDxNdrSGkp60/view

  • Papert, S., Solomon, C. (1971). Veinte cosas para hacer con una computadora. Nota de inteligencia artificial, número 248, MIT, EE. UU.

  • Pasternak, E., Fenichel, R., Marshall, AN (2017). Consejos para crear un lenguaje de bloques con procedimientos en bloque del taller IEEE Blocks and Beyond, Raleigh, NC, EE. UU. 21–24 https://doi.org/10.1109/BLOCKS.2017.8120404

  • Patel, K. (2010). Bajando la barrera para aplicar el aprendizaje automático. En Actas del 23º Simposio anual de ACM sobre software y tecnología de interfaz de usuario, ACM 355–358. https://doi.org/10.1145/1866218.1866222

  • Petersen, K., Feldt, R., Mujtaba, S., Mattsson, M. (2008). Estudios de cartografía sistemática en ingeniería de software. En Actas de la 12ª Conferencia Internacional sobre Evaluación y Evaluación en Ingeniería de Software, Bari, Italia, 68–77.

  • Piasecki, J., Waligora, M., Dranseika, V. Búsqueda de Google como fuente adicional en revisiones sistemáticas. Ética Sci Eng. 2018; 24 (2): 809–810. https://doi.org/10.1007/s11948-017-0010-4 (2018).

  • Queiroz, R. L., Sampaio, F. F., Lima, C., Lima, P. M.V. (2020). IA de lo concreto a lo abstracto: desmitificando la inteligencia artificial para el público en general. arXiv: 2006.04013 [cs.CY].

  • Ramos, G., Meek, C., Simard, P., Suh, J. y Ghorashi, S. (2020). Enseñanza de máquina interactiva: un enfoque centrado en el ser humano para construir modelos de aprendizaje automático. La interacción persona-ordenador. https://doi.org/10.1080/07370024.2020.1734931

    Artículo

    Google Académico

  • Rao, A., Bihani, A., Nair, M. (2018). Milo: un entorno de programación visual para la educación en ciencia de datos Actas del Simposio sobre lenguajes visuales y computación centrada en el ser humano, Lisboa, Portugal 211–215 https://doi.org/10.1109/VLHCC.2018.8506504

  • Resnick, M., Berg, R. y Eisenberg, M. (2000). Más allá de las cajas negras: devolver la transparencia y la estética a la investigación científica. La Revista de las Ciencias del Aprendizaje, 9(1), 7–30. https://doi.org/10.1207/s15327809jls0901_3

    Artículo

    Google Académico

  • Resnick, M., Silverman, B. (2005). Algunas reflexiones sobre el diseño de kits de construcción para niños. En Actas de la Conferencia sobre Diseño de Interacción y Niños. ACM, 117-122. https://doi.org/10.1145/1109540.1109556

  • Resnick, M. y col. (2005. Principios de diseño de herramientas para apoyar el pensamiento creativo. En las actas del taller Herramientas de apoyo a la creatividad.

  • Rodríguez-García, J. D., Moreno-León, J., Román-González, M., Robles, G. (2020). LearningML: una herramienta para fomentar las habilidades de pensamiento computacional a través de proyectos prácticos de inteligencia artificial. Revista de educación a distancia, 20 (63). https://doi.org/10.6018/red.410121

  • Sankaran, A., Panwar, N., Khare, S., Mani, S., Sethi, A., Aralikatte, R., Gantayat, N. (2018). Democratización del Deep Learning con DARVIZ. En Actas de la Conferencia AAAI sobre Inteligencia Artificial.

  • Sakulkueakulsuk, B. et al. (2018). Niños haciendo IA: integración del aprendizaje automático, la gamificación y el contexto social en la educación STEM. En Proceedings of the Int. Conferencia sobre enseñanza, evaluación y aprendizaje para la ingeniería, Wollongong, Australia, 1005–1010. https://doi.org/10.1109/TALE.2018.8615249

  • Smilkov, D., Carter, S., Sculley, D., Viegas, F. B., Wattenberg, M. (2017). Visualización de manipulación directa de redes profundas. arXiv: 1708.03788 [cs.LG]

  • Solecki, I. et al. (2020). Evaluación automatizada del diseño visual de aplicaciones de Android desarrolladas con App Inventor. En Actas del 51º Simposio Técnico de ACM sobre Educación en Ciencias de la Computación, ACM, 51–57. https://doi.org/10.1145/3328778.3366868

  • Sulmont, E., Patitsas, E., Cooperstock, J. R. (2019). ¿Puedes enseñarme a aprender a máquina? En Actas de la 50a ACM Simposio técnico sobre educación en informática, ACM, 948 – 954. https://doi.org/10.1145/3287324.3287392

  • Tang, D., Utsumi, Y., Lao, N. (2019). PIC: una herramienta web de clasificación de imágenes personales para estudiantes de secundaria. En Actas del Taller IJCAI EduAI, Macao, China.

  • Tang, D. (2019). Empoderar a los principiantes para que comprendan y utilicen el aprendizaje automático con modelos de clasificación de imágenes personalizados, herramientas de análisis intuitivo y App Inventor del MIT, tesis de maestría en ing, MIT, Cambridge, EE. UU.

  • Tamilselvam, S. G. et al. (2019). Un paradigma de programación visual para el desarrollo de modelos abstractos de aprendizaje profundo. En Actas de la X Conferencia India sobre Interacción Hombre-Computadora. ACM, artículo 16, 1–11. https://doi.org/10.1145/3364183.3364202

  • Tissenbaum, M., Sheldon, J. y Abelson, H. (2019). Del pensamiento computacional a la acción computacional. Comunicaciones de la ACM, 62(3), 34–36. https://doi.org/10.1145/3265747

    Artículo

    Google Académico

  • Torrey, L. (2012). Enseñanza de la resolución de problemas en algoritmos e IA. En Actas del 3er Simposio sobre Avances Educativos en Inteligencia Artificial, Toronto, Canadá.

  • Touretzky, D. S. et al. (2019a). Directrices K-12 para la inteligencia artificial: lo que los estudiantes deben saber. En Proc. de la Conferencia ISTE, Filadelfia, PA, EE. UU.

  • Touretzky, D. S. et al. (2019b). Visualizando la IA para K-12: ¿Qué debe saber todo niño sobre la IA? En Proc. de la 33ª Conferencia AAAI sobre Inteligencia Artificial, Honolulu, HI, EE. UU.

  • Van Brummelen, J. Shen, J. H., Patton, E. W. (2019). La estrella del pop, el poeta y el Grinch: relacionar la inteligencia artificial con el marco de pensamiento computacional con la codificación basada en bloques. En Proceedings of the Int. Conferencia sobre Pensamiento Computacional, Hong Kong, China.

  • Watanabe, Y. et al. (2019). Revisión preliminar sistemática de la literatura del proceso de desarrollo del sistema de aprendizaje automático. arXiv: 1910.05528 [cs.LG].

  • Weintrop, D. (2019). Programación basada en bloques en la educación informática. Comunicaciones de la ACM, 62(8), 22-25. https://doi.org/10.1145/3341221

    Artículo

    Google Académico

  • Weintrop, D., Holbert, N., Tissenbaum, M. (2020). Consideración de puntos finales alternativos: una exploración en el espacio de la educación en informática. En Actas de la Conferencia sobre Construccionismo, Dublín, Irlanda, 2020.

  • Weintrop, D., Wilensky, U. (2017). Comparación de la programación basada en bloques y en texto en las aulas de informática de la escuela secundaria. Transacciones de ACM sobre educación en informática, 18 (1), Artículo 3. https://doi.org/10.1145/3089799

  • Williams, R., Park, H. W., Oh, L., Breazeal, C. (2019). PopBots: diseño de un plan de estudios de inteligencia artificial para la educación infantil. En Actas del Noveno Simposio sobre Avances Educativos en Inteligencia Artificial, Menlo Park, CA, EE. UU.

  • Wohlin, C. (2014). Pautas para la bola de nieve en estudios de literatura sistemática y una replicación en ingeniería de software. En Actas de la 18ª Conferencia Internacional sobre Evaluación y Evaluación en Ingeniería de Software. ACM, artículo 38, 1–10. Https://doi.org/10.1145/2601248.2601268

  • Wollowski, M. y col. (2016). Una encuesta sobre la práctica actual y la enseñanza de la IA. En Actas de la 30ª Conferencia AAAI sobre Inteligencia Artificial, Phoenix, AZ, EE. UU.

  • Wong, G. K. W., Ma, X., Dillenbourg, P. y Huan, J. (2020). Ampliación de la educación en inteligencia artificial en K-12: ¿por dónde empezar? Inroads ACM, 11(1), 20-29. https://doi.org/10.1145/3381884

    Artículo

    Google Académico

  • Wongsuphasawat, K. et al. (2018). Visualización de gráficos de flujo de datos de modelos de aprendizaje profundo en tensorflow. Transacciones IEEE sobre visualización y gráficos por computadora, 24 (1), 1–12, 2018. https://doi.org/10.1109/TVCG.2017.2744878

  • Xie, C., Qi, H., Ma, L., Zhao, J. (2019). DeepVisual: una herramienta de programación visual para sistemas de aprendizaje profundo. En Actas de la 27a Conferencia Internacional sobre Comprensión de Programas (ICPC), Montreal, QC, Canadá, págs. 130-134, https://doi.org/10.1109/ICPC.2019.00028

  • Zhu, K. (2019). Un enfoque educativo para el aprendizaje automático con aplicaciones móviles. Tesis de maestría en inglés, MIT, Cambridge, MA, EE. UU.

  • Zimmermann-Niefield, A., Polson, S., Moreno, C., Shapiro, R. B. (2020). Jóvenes que crean modelos de aprendizaje automático para medios interactivos controlados por gestos. En Actas de la Interaction Design and Children Conference. ACM, 63–74. https://doi.org/10.1145/3392063.3394438

  • Zimmermann-Niefield, A., Shapiro, R. B. y Kane, S. (2019). Deportes y aprendizaje automático: cómo los jóvenes pueden usar datos de sus propios cuerpos para aprender sobre el aprendizaje automático. XRDS, 25(4), 44–49. https://doi.org/10.1145/3331071

    Artículo

    Google Académico

  • Zimmermann-Niefield, A., Turner, M., Murphy, B., Kane, S. K., Shapiro, R. B. (2019b). Aprendizaje automático para jóvenes mediante la construcción de modelos de movimientos atléticos. En Actas del 18 Congreso Internacional sobre Diseño de Interacción y Niños. ACM, 121-132. https://doi.org/10.1145/3311927.3323139