Inteligencia Artificial Explicable Aplicada a la Enseñanza y el Aprendizaje de Conceptos de Red Neuronal Convolucional

Abstract

Este estudio investiga el potencial de la Inteligencia Artificial Explicable (XAI) como recurso didáctico para la enseñanza de Redes Neuronales Convolucionales (CNN) en la educación superior. El objetivo principal fue evaluar si las técnicas de explicación de modelos de aprendizaje profundo, como los Mapas de Activación de Clase y los Mapas de Características, pueden contribuir a la comprensión conceptual de los estudiantes. Se realizó un estudio de caso comparado con 63 estudiantes de dos instituciones de educación superior de la ciudad de Presidente Prudente, estado de São Paulo, Brasil (Fatec y Unesp). El experimento consistió en una clase expositiva dividida en dos partes: la primera presentó los conceptos de las CNN de forma tradicional y la segunda incorporó visualizaciones basadas en XAI. Un cuestionario administrado al final de cada parte nos permitió medir los avances inmediatos en el aprendizaje. Los resultados mostraron un aumento significativo en el número de respuestas correctas, especialmente entre los estudiantes con menor conocimiento previo, y una alta percepción sobre la contribución de las técnicas XAI al aprendizaje (más del 90% de acuerdo en la Fatec y 73% en la Unesp). Se concluye que los recursos visuales de XAI favorecen el proceso de enseñanza y aprendizaje de las CNN, haciendo que los conceptos abstractos sean más accesibles y fomentando una mayor participación de los estudiantes.