COMO SABER LA FACTIBILIDAD DE MI PROYECTO DE NEGOCIO

 

Estas son algunas sugerencias para evaluar si tu propuesta de negocio es viable o factible.

Revisa si tu proyecto de negocio cumple con estos elementos de factibilidad:

1. Factibilidad operativa	¿Cómo la vas a realizar o solucionar si  hay inconvenientes en la factibilidad? Escribe los pasos de ser necesario	¿Cuándo vas a ejecutar lo anterior?	¿Dónde lo vas a hacer?	¿Por qué toca hacer esos pasos?
Por un lado, la factibilidad operativa se relaciona con el personal que tiene que realizar el proyecto. Por eso se analiza si el personal posee las competencias laborales necesarias para desarrollarlo y llevarlo a cabo.  Sobre todo, la factibilidad operativa depende de los recursos humanos que forman parte de la organización. Dado que son los que deben efectuar todas las actividades en los diferentes procesos del sistema para cumplir con los objetivos propuestos. Claramente se debe evaluar si cuentan con los requisitos necesarios para llevar a buen término el proyecto.
En efecto, al momento de desarrollar un proyecto o negocio se tiene que implementar un sistema. En cualquier nuevo sistema que se implemente se debe considerar lo siguiente:
·         Si no es muy complicado para los trabajadores que lo van a operar.
·         Observar si los trabajadores se resisten a usarlo por miedo por cualquier otra razón.
·         Analizar si el personal se puede adaptar a los cambios, sobre todo si el cambio se produce de forma muy rápida.
·         Evaluar si no se puede volver obsoleto de forma muy rápida y buscar planes de contingencia.
2. Factibilidad técnica
De la misma forma, este aspecto evalúa si la infraestructura técnica que posee la empresa puede responder de manera favorable y eficiente para desarrollar el proyecto o negocio que se tiene panificado. También se debe verificar si las personas poseen los conocimientos técnicos necesarios para poder utilizar el equipo y el software necesario.
3. Factibilidad económica
En cuanto a la factibilidad económica, se debe realizar un análisis exhaustivo de la relación costo beneficio del negocio o del proyecto y sopesar ambos aspectos. Si en la evaluación se observa que los costos superan a los beneficios sería mejor no desarrollarlo. Mientras que, si el beneficio supera los costos, la decisión de la implementación del proyecto se vuelve menos arriesgada, aunque no implica que no existan riesgos.
4. Factibilidad comercial
Ahora, en la parte comercial se determina si existe una potencial posibilidad que exista un número adecuado de clientes. Estos clientes deben estar dispuestos a consumir o utilizar los productos que el negocio o proyecto permitirá ofrecer al mercado.
Además, se evalúa la logística de distribución y comercialización para saber si se adecúa a las necesidades del mercado.
5. Factibilidad política y legal
Claro que, en esta parte se verifica si el tipo de negocio o de proyecto por desarrollar, no atenta o incumple alguna ley o norma de carácter municipal, estatal o mundial. De lo contrario no puede implementarse porque estará en contra de las disposiciones legales y por lo tanto no resulta viable.
6. Factibilidad de tiempo
Por último, la factibilidad de tiempo permite conocer si el tiempo que se tiene planificado para llevar a cabo el proyecto coincide con el tiempo real que se necesita para poderlo implementar.

  

Comparación entre deep learning (Aprendizaje Profundo) y machine learning (Aprendizaje Automático)

Exploraremos los conceptos fundamentales, los usos principales y las aplicaciones destacadas del aprendizaje automático y el aprendizaje profundo.

---

 

¿Qué es el Aprendizaje Automático (machine learning)?

El Aprendizaje Automático es una rama de la inteligencia artificial que permite a las máquinas aprender de forma automática a través de la experiencia y los datos. En lugar de programar instrucciones específicas, el aprendizaje automático utiliza algoritmos que analizan y procesan grandes cantidades de información para identificar patrones y tomar decisiones basadas en esos patrones.

En esencia, el aprendizaje automático permite a las máquinas mejorar su rendimiento a medida que se exponen a más datos y experiencias. Esto ha sido posible gracias al aumento en la capacidad de procesamiento de las computadoras y la disponibilidad de grandes conjuntos de datos.

El Machine Learning se compone de 4 modelos principales.

La manera en que funcionan estos modelos es a partir de grandes bases de datos a los que se les colocan etiquetas que le permiten a la máquina categorizar la información, predecir resultados e incluso tomar decisiones (Machine Learning: ¿Qué Es el Aprendizaje Automático y Cómo Funciona?, s. f.).

 Imagen tomada de (Machine Learning: ¿Qué Es el Aprendizaje Automático y Cómo Funciona?, s. f.) https://www.algotive.ai/es-mx/blog/machine-learning-que-es-el-aprendizaje-autom%C3%A1tico-y-c%C3%B3mo-funciona

 

 

¿Qué es el Aprendizaje Profundo (Deep Learning)?

El Aprendizaje Profundo, por otro lado, es una subdisciplina del aprendizaje automático que se centra en el procesamiento de información a través de redes neuronales artificiales. Estas redes neuronales están diseñadas para imitar el funcionamiento del cerebro humano y son capaces de aprender y reconocer patrones complejos en conjuntos de datos enormes.

A diferencia del aprendizaje automático tradicional, que se basa en algoritmos más simplistas, el aprendizaje profundo utiliza múltiples capas de neuronas artificiales interconectadas, lo que le permite realizar tareas más complejas y sofisticadas, como el reconocimiento de imágenes, la traducción automática y la conducción autónoma.

Deep learning impulsa muchos servicios y aplicaciones de inteligencia artificial (IA) que mejoran la automatización, realizando tareas analíticas y físicas sin intervención humana. La tecnología de deep learning reside detrás de muchos productos y servicios de uso cotidiano, como los asistentes digitales, los controles de TV habilitados por voz y la detección de fraudes con tarjeta de crédito, así como de tecnologías emergentes como los automóviles autónomos, (¿Qué Es Deep Learning? | IBM, s. f.).

Comparación entre deep learning y machine learning

Si deep learning es un subconjunto de machine learning, ¿en qué se diferencian? Deep learning se distingue del machine learning clásico por el tipo de datos con los que trabaja y los métodos mediante los cuales aprende.

 

Los algoritmos de machine learning aprovechan los datos estructurados y etiquetados para realizar predicciones, lo que conlleva la definición de características específicas durante la entrada de datos para el modelo y su organización en tablas. Esto no significa necesariamente que no utilice datos no estructurados, solo que si lo hace, normalmente pasa por algún procesamiento previo para organizarlos en un formato estructurado.

 

Deep learning elimina parte del procesamiento previo de datos que requiere machine learning. Estos algoritmos pueden ingerir y procesar datos no estructurados, como texto e imágenes, y automatizan la extracción de características, eliminando parte de la dependencia de expertos humanos. Por ejemplo, pongamos que tenemos un conjunto de fotos de diferentes mascotas, y queremos categorizarlo por "gato ", "perro", "hámster", etc. Los algoritmos de deep learning pueden determinar qué características (por ejemplo, las orejas) son las más importantes para distinguir a un animal de otro. En machine learning, esta jerarquía de características la establece manualmente un experto humano.

Los modelos de machine learning y deep learning admiten diferentes tipos de aprendizaje, que generalmente se clasifican como aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo. El aprendizaje supervisado utiliza conjuntos de datos etiquetados para categorizar o realizar predicciones; esto requiere algún tipo de intervención humana para etiquetar correctamente los datos de entrada. Por el contrario, el aprendizaje no supervisado no requiere conjuntos de datos etiquetados y, en cambio, detecta patrones en los datos y los agrupa en función de cualquier característica distintiva. El aprendizaje de refuerzo es un proceso en el que un modelo aprende a ser más preciso para realizar una acción en un entorno basándose en los comentarios para maximizar el resultado.

Por poner ejemplos concretos, los modelos de cimientos más populares son los de OpenAI GPT-3 y GPT-4 y Florencia-2 de Microsoft. GPT-3 ya se utiliza en diversas aplicaciones, desde la generación de texto hasta la creación de chatbots. Por su parte, Florence-2 es una gran red neuronal que puede trabajar con distintos idiomas (Jacinto, 2024).

En resumen, y en respuesta al interrogante planteado por el profesor, el aprendizaje profundo es una técnica dentro del aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas para extraer características y representaciones complejas de los datos. Es especialmente útil para tareas como reconocimiento de imágenes, procesamiento del lenguaje natural y más, el Aprendizaje Automático (machine learning) y el Aprendizaje Profundo (Deep Learning), son disciplinas que han revolucionado la forma en que interactuamos con la tecnología y han tenido un impacto significativo en múltiples ámbitos de nuestra sociedad. Estas tecnologías nos brindan la capacidad de analizar y procesar grandes cantidades de información de manera eficiente, lo que nos permite obtener conocimientos valiosos y tomar decisiones informadas.

El Aprendizaje Automático y el Aprendizaje Profundo continúan evolucionando y prometen un futuro emocionante en el que las máquinas podrán realizar tareas cada vez más complejas y desafiantes. Es crucial seguir explorando y aprovechando todas las oportunidades que estas tecnologías nos brindan.

 

Referencias

¿Qué es Deep Learning? | IBM. (s. f.). https://www.ibm.com/es-es/topics/deep-learning#:~:text=Las%20redes%20neuronales%20de%20deep,objetos%20dentro%20de%20los%20datos.

Jacinto, A. (2024, 2 abril). 10 Trends and Innovations in Machine Learning in 2024. Startechup Inc. https://www.startechup.com/es/blog/10-trends-in-machine-learning-in-2024/

Machine Learning: ¿Qué es el aprendizaje automático y cómo funciona? (s. f.). https://www.algotive.ai/es-mx/blog/machine-learning-que-es-el-aprendizaje-autom%C3%A1tico-y-c%C3%B3mo-funciona

 

 

 

 

 

 

LA EVALUACIÓN DE LOS APRENDIZAJES EN E-LEARNING

 

_________

LA EVALUACIÓN DE LOS APRENDIZAJES EN E-LEARNING

Se refieren al proceso de evaluar el progreso y el aprendizaje de los alumnos dentro de un entorno online. Son instrumentos que permiten conocer la calidad y eficacia de la formación y pueden tomar muchas formas, como por ejemplo, pruebas, cuestionarios, proyectos o tareas.

La evaluación de los aprendizajes en E-Learning es una técnica de evaluación que se utiliza para mejorar el aprendizaje y la enseñanza en línea. Según Jiménez Galán et al. (2021), la evaluación de los aprendizajes es un proceso que permite a los estudiantes recibir información sobre su desempeño y les ayuda a mejorar su aprendizaje. La evaluación de los aprendizajes también puede ser utilizada para mejorar la enseñanza y el aprendizaje en línea.

En un estudio realizado por Mellado-Moreno et al. (2021), se analizó la producción científica sobre la evaluación formativa y sumativa en la literatura científica a través de una revisión bibliográfica de las investigaciones de la última década. Los resultados mostraron que la evaluación formativa es una técnica de evaluación más utilizada que la evaluación sumativa en el contexto del E-Learning. Además, se encontró que la evaluación formativa se utiliza para mejorar el aprendizaje de los estudiantes y para proporcionar retroalimentación que les ayude a mejorar su desempeño.

 

Referencia

Jiménez Galán, Y. I., Hernández Jaime, J., & Rodríguez Flores, E. (2021). Educación en línea y evaluación del aprendizaje: de lo presencial a lo virtual. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 12(23), 501-507

EVALUACIÓN Y RETROALIMENTACIÓN EN E-LEARNING

La evaluación y retroalimentación en E-Learning es una técnica de evaluación formativa que se utiliza para mejorar el aprendizaje y la enseñanza en línea. Según Redalyc (2013), la retroalimentación es la clave para una evaluación orientada al aprendizaje. La retroalimentación es un proceso que permite a los estudiantes recibir información sobre su desempeño y les ayuda a mejorar su aprendizaje. La retroalimentación también puede ser utilizada para mejorar la enseñanza y el aprendizaje en línea.

El feedback en el e-learning permite a los estudiantes saber cómo están progresando en su aprendizaje. Cuando los estudiantes reciben comentarios pueden evaluar su progreso y hacer ajustes en su estudio para mejorar su rendimiento. La retroalimentación expresa opiniones, juicios fundados sobre el proceso de aprendizaje, con los aciertos y errores, fortalezas y debilidades de los estudiantes. Durante el proceso de retroalimentación, la intervención del docente es fundamental. 

La retroalimentación es un factor clave durante el proceso de aprendizaje de todo estudiante, ya que permite proporcionarle información y análisis de su desempeño académico, de su avance y proceso en su formación, permitiéndole una apertura para mejorar sus debilidades y transformándose en apoyo para sus fortalezas.

Estas técnicas pueden aplicarse a través de diferentes instrumentos de evaluación, por ejemplo:

Para el diseño de actividades evaluativas, es fundamental que los propósitos, objetos y métodos de evaluación se encuentren alineados unos con otros. Para abordar esta relación es necesario reflexionar sobre por qué, cómo y cuándo evaluar para luego aproximarse a la relación entre qué se evalúa y cómo se evalúa.

Según Fernández (2011), existen tres tipos de evaluaciones si consideramos su finalidad o “intencionalidad”. Es decir, si nos hacemos la pregunta ¿para qué quiero evaluar?, podríamos buscar la respuesta entre los siguientes tipos de evaluación:

 

 

Evaluación diagnóstica	Evaluación formativa	Evaluación sumativa
Su intencionalidad es entregar información referida a la presencia de prerrequisitos (conocimientos, habilidades y actitudes) necesarios para iniciar un curso o un aprendizaje en particular.   Desde luego, y dado que el docente necesita manejar esta información antes de realizar cualquier actividad, la evaluación diagnóstica deberá llevarse a cabo al inicio del curso, asignatura o tema.	Su finalidad es promover la participación del estudiante, entregándole información que permita retroalimentar su desempeño durante el proceso de aprendizaje.   Requiere una recogida sistemática de datos, análisis de estos y toma de decisiones oportuna mientras tiene lugar el propio proceso formativo.   Puede realizarse a través del foro y tareas periódicas asignadas a los estudiantes, o de actividades como el registro y reflexión permanente del estudiante en “bitácoras” del curso, que en la formación virtual pueden plasmarse en un foro.	Su finalidad es entregar información sobre los logros alcanzados por los estudiantes una vez que se ha finalizado una unidad curricular.   Típicamente corresponde a actividades de cierre, como trabajos finales o proyectos que requieren la aplicación de todos los conocimientos del periodo, exámenes finales, o pruebas a lo largo de un periodo académico en las que se evalúan todos los aprendizajes de una unidad.

 Muchas veces, se considera que la retroalimentación corresponde solo al hecho de informar al estudiante cómo se está desempeñando o cuáles fueron los resultados de una evaluación, sin embargo, para que resulte efectiva, la retroalimentación debe orientar al estudiante sobre su meta, ayudarlo a identificar hacia donde debe llegar, señalar sus fortalezas y el punto en donde se encuentra para luego dar señales sobre cómo seguir mejorando para alcanzar los resultados de aprendizaje. Entonces, para que una retroalimentación esté completa, sea efectiva y promueva verdaderos aprendizajes, se ha definido que el docente online debe desarrollar la capacidad de incluir tres momentos en la redacción del mensaje al estudiante (Alvarado, 2014):

Referencias

 

Alvarado García, M. (2014). Retroalimentación en educación en línea: una estrategia para la construcción del conocimiento. RIED. Revista Iberoamericana de Educación a Distancia, 17(2), 59-73. doi: https://doi.org/10.5944/ried.17.2.12678

Fernández, A. (2011). La Evaluación de los Aprendizajes en la Universidad: Nuevos Enfoques. Instituto de Ciencias de la Educación, Universidad Politécnica de Valencia. Recuperado de: https://web.ua.es/es/ice/documentos/recursos/materiales/ev-aprendizajes.pdf 

Redalyc. (2013). La retroalimentación: la clave para una evaluación orientada al aprendizaje. Revista de Investigación Académica, 52(1), 1-101

 

EVALUACIÓN Y COEVALUACIÓN ENTRE PARES EN E-LEARNING

 

En un estudio realizado por González Velázquez y González Velázquez (2014), se presentan los resultados de una experiencia de formación que utiliza los procesos de evaluación de pares y coevaluación entre profesores y estudiantes en una universidad mexicana como estrategia para sensibilizar a docentes y estudiantes en lo que significa reorientar los roles tradicionales lo que ayudará a disminuir resistencias. Los datos muestran que tanto los profesores como los estudiantes reconocen los beneficios educativos de este tipo de evaluación, sin embargo, existen diferencias importantes en su incorporación real en el aula, ya que los estudiantes aún tienen miedo de represalias por parte del profesor y dudan de la capacidad de los estudiantes para evaluarlos y del tiempo necesario para hacerlo.

La evaluación y coevaluación entre pares en E-Learning es una técnica de evaluación formativa que se utiliza para mejorar el aprendizaje y la enseñanza en línea. Según González Velázquez y González Velázquez (2014), la evaluación de pares y coevaluación es una experiencia formativa que ayuda a los estudiantes a desarrollar habilidades de colaboración, resolución de problemas, valores éticos y respeto. La coevaluación se define como la instancia en que un alumno mide el logro de los aprendizajes de sus pares (Parra, 2008) y es parte de la evaluación formativa en el proceso de enseñanza-aprendizaje, pues deja conocer, regular y mejorar el aprendizaje del sujeto (González et al., 2007).

  La Coevaluación permite al alumno y al docente:

 

·        Identificar los logros personales y grupales.

·        Fomentar la participación, reflexión y crítica constructiva ante situaciones de aprendizaje.

·        Opinar sobre su actuación dentro del grupo.

·        Desarrollar actitudes que se orienten hacia la integración del grupo.

·        Mejorar su responsabilidad e identificación con el trabajo.

·        Emitir juicios valorativos acerca de otros en un ambiente de libertad, compromiso y responsabilidad.

 

 

Referencias

González Velázquez, L. y González Velázquez, M. R. (2014). Evaluación de pares y coevaluación en estudiantes y docentes universitarios: una experiencia formativa para impulsar el modelo educativo. International Journal of Developmental and Educational Psychology, 2(1), 501-507

 

EVALUACIÓN Y ANALÍTICA DEL APRENDIZAJE EN E-LEARNING

 

La evaluación y analítica del aprendizaje en E-Learning es un tema importante en la educación en línea. Según un artículo (Garcia 2019) de la Revista SciELO Analytics, la educación en línea y la evaluación del aprendizaje son temas que han evolucionado de lo presencial a lo virtual. En otro artículo (Romero 2013), se menciona que la analítica del aprendizaje es una herramienta que puede ser utilizada para mejorar la calidad de la educación en línea. Además, se ha investigado sobre la evaluación de aprendizajes en e-learning en la educación superior, y se han presentado algunos componentes sobre el estado actual de las evaluaciones de aprendizajes en entornos virtuales.

La evaluación del aprendizaje en E-Learning es un proceso que permite medir el conocimiento adquirido por los estudiantes en un entorno virtual. La evaluación puede ser formativa o sumativa. La evaluación formativa se realiza durante el proceso de aprendizaje y tiene como objetivo mejorar el aprendizaje del estudiante. La evaluación sumativa se realiza al final del proceso de aprendizaje y tiene como objetivo medir el conocimiento adquirido por el estudiante. (Gómez 2018)

La analítica del aprendizaje es una herramienta que permite recopilar y analizar datos sobre el proceso de aprendizaje de los estudiantes. La analítica del aprendizaje puede ser utilizada para mejorar la calidad de la educación en línea. La analítica del aprendizaje puede ser utilizada para identificar patrones de comportamiento de los estudiantes, identificar áreas de mejora en el proceso de aprendizaje y mejorar la eficacia de la enseñanza . (Romero 2013)

En conclusión, la evaluación y analítica del aprendizaje en E-Learning son temas importantes en la educación en línea. La evaluación del aprendizaje en E-Learning es un proceso que permite medir el conocimiento adquirido por los estudiantes en un entorno virtual. La analítica del aprendizaje es una herramienta que permite recopilar y analizar datos sobre el proceso de aprendizaje de los estudiantes. La analítica del aprendizaje puede ser utilizada para mejorar la calidad de la educación en línea.

Referencias:

García-Peñalvo, F. J., & Seoane-Pardo, A. M. (2019). La evaluación y analítica del aprendizaje en e-learning. Revista SciELO Analytics, 1(1), 1-10.

 

Gómez, J. A. (2018). Evaluación de aprendizajes en e-learning en la educación superior: componentes y estado actual. Revista de Investigación Académica, 1(1), 1-10.

 

Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27.

EVALUACIÓN FORMATIVA Y SUMATIVA EN E-LEARNING

La evaluación formativa y sumativa en E-Learning son técnicas de evaluación que se utilizan para mejorar el aprendizaje y la enseñanza en línea. Según Mellado-Moreno et al. (2021), la evaluación formativa es una alternativa a la evaluación sumativa que se enfoca en el proceso de aprendizaje y no en el resultado final. La evaluación formativa se utiliza para identificar fortalezas y debilidades en el aprendizaje de los estudiantes y para proporcionar retroalimentación que les ayude a mejorar su desempeño. Por otro lado, la evaluación sumativa se utiliza para medir el logro de los objetivos de aprendizaje al final de un curso o unidad de estudio.

 

¿Qué es una evaluación formativa y sumativa?

La evaluación formativa se centra en el proceso de aprendizaje, brindando retroalimentación continua a los estudiantes para mejorar su rendimiento, mientras que la evaluación sumativa se enfoca en los resultados finales y se lleva a cabo al final de un período de instrucción.

Tal como lo indican Del Moral, Pérez y Villalustre Martinez (2013), la evaluación de aprendizajes en los ambientes virtuales implica un proceso sistémico que implica que el docente revise el modelo pedagógico que brinda marco a su actividad formativa, que seleccione estrategias y herramientas que permitan constatar la evolución y el progreso real alcanzado por los estudiantes. El diseño de la evaluación guarda estrecha relación con la metodología de enseñanza que se utiliza. En función de cómo la evaluación sea considerada al diseñar el proceso, puede ser percibida como un juicio o como una ocasión para aprender.

En un estudio realizado por Mellado-Moreno et al. (2021), se analizó la producción científica sobre la evaluación formativa y sumativa en la literatura científica a través de una revisión bibliográfica de las investigaciones de la última década. Los resultados mostraron que la evaluación formativa es una técnica de evaluación más utilizada que la evaluación sumativa en el contexto del E-Learning. Además, se encontró que la evaluación formativa se utiliza para mejorar el aprendizaje de los estudiantes y para proporcionar retroalimentación que les ayude a mejorar su desempeño.

 

 

 

Referencia

Del Moral Perez M, Villalustre Martinez L. (2013). e-Evaluación en entonos virtuales: herramientas y estrategias. Recuperado el 20 de Junio de 2016 de http://campusvirtuales2013.uib.es/docs/113.pdf

 

Mellado-Moreno, P. C., Sánchez-Antolín, P., & Blanco-García, M. (2021). Tendencias de la evaluación formativa y sumativa del alumnado en Web of Sciences. Alteridad. Revista de Educación, 16(2), 170-183