La innovación es fundamental para el desarrollo de nuevos productos que contribuyan a la generación de valor en la sociedad. Dentro de la educación, la integración de tecnologías de la información y las comunicaciones ha posibilitado la innovación de los procesos de enseñanza-aprendizaje, como es el caso de la utilización de dispositivos móviles (M-Learning) dentro y fuera del salón de clase. En la presente investigación se analiza producción académica sobre la utilización de dispositivos móviles con fines educativos, privilegiando el análisis de las tendencias e impacto. Los principales hallazgos de esta investigación evidencian que la adaptación del M-Learning debe ser una prioridad dado que es la base para el desarrollo de otras estrategias como la realidad aumentada, realidad virtual, realidad mixta, gamificación, laboratorios virtuales y remotos, y la integración de la inteligencia artificial en pro de fortalecer los desafíos del sistema educativo.
In neuroimaging, brain tissue segmentation is a fundamental part of the techniques that seek to automate the detection of pathologies, the quantification of tissues or the evaluation of the progress of a treatment. Because of its wide availability, lower cost than other imaging techniques, fast execution and proven efficacy, Non-contrast Cerebral Computerized Tomography (NCCT) is the most used technique in emergency room for neuroradiology examination, however, most research on brain segmentation focuses on MRI due to the inherent difficulty of brain tissue segmentation in NCCT. In this work, three brain tissues were characterized: white matter, gray matter and cerebrospinal fluid in NCCT images. Feature extraction of these structures was made based on the radiological attenuation index denoted by the Hounsfield Units using fuzzy logic techniques. We evaluated the classification of each tissue in NCCT images and quantified the feature extraction technique in images from real tissues with a sensitivity of 92% and a specificity of 96% for images from cases with slice thickness of 1 mm, and 96% and 98% respectively for those of 1.5 mm, demonstrating the ability of the method as feature extractor of brain tissues. RESUMENEn neuroimagen, la segmentación de tejidos cerebrales es una parte fundamental de las técnicas que buscan automatizar la detección de patologías, la cuantificación de tejidos o la evaluación del progreso de un tratamiento. Debido a su amplia disponibilidad, menor costo que otras técnicas de imagen, rápida ejecución y eficacia probada, la tomografía computarizada cerebral sin contraste (TCNC) es la técnica mayormente utilizada en emergencias para el examen neurorradiológico, sin embargo, la dificultad inherente que representa la segmentación de los tejidos cerebrales, hace que la mayoría de las investigaciones sobre la segmentación del cerebro se centren en la resonancia magnética. En este trabajo se realizó la caracterización de tres tejidos cerebrales: sustancia blanca, sustancia gris y líquido cefalorraquídeo en imágenes TCNC. Dichas estructuras fueron caracterizadas con base en el índice de atenuación radiológica denotadas por las Unidades Hounsfield utilizando técnicas de lógica difusa. Se evaluó la caracterización de cada tejido en diversos cortes de TCNC y se cuantificó la técnica de extracción de características en imágenes a partir de tejidos reales con una sensibilidad de 92% y una especificidad de 96% para tejidos en cortes de 1 mm de grosor y 96% y 98% para los de 1.5 mm demostrando la habilidad del método como extractor de características de los tejidos cerebrales.
En la Universidad de la Amazonia ubicada en la ciudad de Florencia, del departamento del Caquetá, en los grupos de la asignatura de Lógica y Algoritmos (Asignatura que se orienta como base fundamental para aprender a programar.) de Ingeniería, se implementó la metodología de enseñanza Flipped Classroom. Esta metodología de enseñanza consiste en darle la vuelta a la clase tradicional donde el docente es un transmisor de conocimientos y los estudiantes meros receptores de este, pasando a que el docente se convierta en un orientador y dinamizador de las clases y los estudiantes participantes activos de la misma. Esta experiencia se realizó mediante una práctica real, y entre los resultados obtenidos se evidenció una excelente acogida por el uso de esta metodología ya que los estudiantes expresan su satisfacción a nivel de mejoramiento del proceso de enseñanza – aprendizaje.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.