carlos giovanny hidalgo suarez

Dr. carlos giovanny hidalgo suarez

orcid

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 July 2021 in Revista Tecnura
Verified
Journal Article
Open access
PDF file
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
CSCarlos Giovanny Hidalgo Suarez
Carlos Giovanny Hidalgo Suarez
VBVictor Andres Bucheli
Victor Andres Bucheli
Contexto: En el aprendizaje de la programación de computadores, la implementación de estrategias pedagógicas como el Aula Invertida (AI) y el Aprendizaje Colaborativo (AC) apoyan al estudiante a mejorar relaciones personales, habilidades en programación y fortalece el desarrollo del autoaprendizaje fuera del aula de clases. En este sentido, se hace relevante conocer las diferentes herramientas e implementaciones disponibles para apoyar el proceso formativo del estudiante. Metodología: Este artículo presenta una revisión sistemática de un corpus que contiene información de diferentes fuentes de datos desde el año 2013 hasta el 2020. Incluye las preguntas de investigación, selección de fuentes y el método para analizar la información. Resultados: Por un lado, se identificó la línea del tiempo y el estado actual del AI y el AC, enfatizando en cómo estas estrategias apoyan el aprendizaje de la programación a través de tecnologías, métodos educativos y herramientas de software. Por otro lado, se identificó cuál es el apoyo de la Inteligencia Artificial en el aprendizaje de la programación a través de diferentes aplicaciones y técnicas computacionales que integran el AI y el AC. Conclusiones: Desde la aparición de las herramientas virtuales, la implementación de Inteligencia Artificial se ha convertido en una necesidad básica para la educación virtual, potenciando la forma de entender y aprender, adaptándose a las necesidades específicas del estudiante. Así, conocer e identificar las nuevas herramientas y estrategias basadas en inteligencia artificial permitirán a los docentes hacer una completa gestión y tomar decisiones oportunas que beneficien el proceso formativo del estudiante.

1 January 2023 in Revista Tecnura
Verified
Journal Article
Open access
PDF file
CSCarlos Giovanny Hidalgo Suarez
Carlos Giovanny Hidalgo Suarez
VBVictor Andres Bucheli
Victor Andres Bucheli
HOHugo Ordoñez
Hugo Ordoñez
Objective: The Computer-Supported Collaborative Learning (CSCL) approach integrates artificial intelligence (AI) to enhance the learning process through collaboration and information and communication technologies (ICTs). In this sense, innovative and effective strategies could be designed for learning computer programming. This paper presents a systematic mapping study from 2009 to 2021, which shows how the integration of CSCL and AI supports the learning process in programming courses. Methodology: This study was conducted by reviewing data from different bibliographic sources such as Scopus, Web of Science (WoS), ScienceDirect, and repositories of the GitHub platform. It employs a quantitative methodological approach, where the results are represented through technological maps that show the following aspects: i) the programming languages used for CSCL and AI software development; ii) CSCL software technology and the evolution of AI; and iii) the ACM classifications, research topics, artificial intelligence techniques, and CSCL strategies. Results: The results of this research help to understand the benefits and challenges of using the CSCL and AI approach for learning computer programming, identifying some strategies and tools to improve the process in programming courses (e.g., the implementation of the CSCL approach strategies used to form groups, others to evaluate, and others to provide feedback); as well as to control the process and measure student results, using virtual judges for automatic code evaluation, profile identification, code analysis, teacher simulation, active learning activities, and interactive environments, among others. However, for each process, there are still open research questions. Conclusions: This work discusses the integration of CSCL and AI to enhance learning in programming courses and how it supports students' education process. No model integrates the CSCL approach with AI techniques, which allows implementing learning activities and, at the same time, observing and analyzing the evolution of the system and how its users (students) improve their learning skills with regard to programming. In addition, the different tools found in this paper could be explored by professors and institutions, or new technologies could be developed from them.

26 October 2022 in IEEE Revista Iberoamericana de Tecnologias del Aprendizaje
Verified
Journal Article
Closed access
CHCarlos G. Hidalgo-Suarez
Carlos G. Hidalgo-Suarez
VBVictor Andres Bucheli
Victor Andres Bucheli
HOHugo Ordonez
Hugo Ordonez
COVID-19 has affected education worldwide, in Mexico. In this study, the impact of the extraordinary online modality because of the pandemic on the accreditation of courses for engineering students was evaluated, of the 64 students officially registered in three courses of microbiology, only 90% registered on the Moodle platform to take the online course, 71% of the dynamics were delivered, 67% of the final project and 80% of the delivery of the team’s activities were not reached, there was an approval of 54%. Some problems were that videoconferences were not attended and assignments were not turned in.

11 December 2023 in PeerJ Computer Science
Verified
Journal Article
Open access
PDF file
CScarlos giovanny hidalgo suarez
carlos giovanny hidalgo suarez
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
VBVíctor A. Bucheli
Víctor A. Bucheli
This article introduces a model for accurately predicting students’ final grades in the CS1 course by utilizing their grades from the first half of the course. The methodology includes three phases: training, testing, and validation, employing four regression algorithms: AdaBoost, Random Forest, Support Vector Regression (SVR), and XGBoost. Notably, the SVR algorithm outperformed the others, achieving an impressive R-squared (R2) value ranging from 72% to 91%. The discussion section focuses on four crucial aspects: the selection of data features and the percentage of course grades used for training, the comparison between predicted and actual values to demonstrate reliability, and the model’s performance compared to existing literature models, highlighting its effectiveness.

14 December 2020 in Investigación e Innovación en Ingenierías
Verified
Journal Article
Open access
PDF file
CSCarlos Giovanny Hidalgo Suarez
Carlos Giovanny Hidalgo Suarez
VBVictor Andres Bucheli
Victor Andres Bucheli
FRFelipe Restrepo-Calle
Felipe Restrepo-Calle
FOFabio Augusto González Osorio
Fabio Augusto González Osorio
Contexto y Objetivo: El curso de Introducción a la Programación CS1, es uno de los cursos de programación de computadores, con mayores índices de mortalidad académica, esto se ve reflejado en las bajas calificaciones de los estudiantes. Lo que podría indicar que el método de aprendizaje actual no permite que el estudiante desarrolle las habilidades en la programación y mejore su rendimiento académico. En este sentido, en este artículo se propone una estrategia para estimular el desarrollo de las habilidades en programación y la mejora de la calificación académica de los estudiantes del curso CS1, a través de una actividad colaborativa soportada por una herramienta de evaluación automática de código fuente. Metodología: Se integró la colaboración y la evaluación automática de código fuente para una actividad de programación que permitió responder las siguientes cuestiones: ¿cuánto tiempo en promedio, se reduce la solución de una tarea de programación mediante una estrategia colaborativa apoyada por una herramienta de evaluación automática de código?, y ¿cuánto se incrementa en la calificación promedio de una tarea de programación utilizando una estrategia colaborativa apoyada por una herramienta de evaluación automática de código? Resultados: Los experimentos de este trabajo, demuestran que el uso de la colaboración y la evaluación de código fuente automático, mejora las calificaciones en un 50% y afianzan las habilidades de programación, permitiendo intercambiar conocimientos para resolver una tarea de programación en menor tiempo. Conclusiones: El desarrollo de estrategias que integran la colaboración y la evaluación automática de código impactan positivamente en el proceso de aprendizaje de programación, mejorando significativamente las calificaciones del estudiante, además de habilidades interpersonales que incentivan a mejorar los cursos de programación.