Jose Miguel Llanos Mosquera

Mr. Jose Miguel Llanos Mosquera

Universidad del Valle, Cali, Colombia.
orcid

Research Focus & Metrics

Academic Career Length

7Years (2020-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.

31 October 2023 in PeerJ Computer Science
Verified
Journal Article
Open access
PDF file
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
VBVíctor A. Bucheli
Víctor A. Bucheli
FRFelipe Restrepo-Calle
Felipe Restrepo-Calle
There is a high failure rate and low academic performance observed in programming courses. To address these issues, it is crucial to predict student performance at an early stage. This allows teachers to provide timely support and interventions to help students achieve their learning objectives. The prediction of student performance has gained significant attention, with researchers focusing on machine learning features and algorithms to improve predictions. This article proposes a model for predicting student performance in a 16-week CS1 programming course, specifically in weeks 3, 5, and 7. The model utilizes three key factors: grades, delivery time, and the number of attempts made by students in programming labs and an exam. Eight classification algorithms were employed to train and evaluate the model, with performance assessed using metrics such as accuracy, recall, F1 score, and AUC. In week 3, the gradient boosting classifier (GBC) achieved the best results with an F1 score of 86%, followed closely by the random forest classifier (RFC) with 83%. These findings demonstrate the potential of the proposed model in accurately predicting student performance.

24 March 2023 in Education and Information Technologies
Verified
Journal Article
Open access
PDF file
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
CSCarlos Giovanny Hidalgo Suarez
Carlos Giovanny Hidalgo Suarez
VGVictor Andres Bucheli Guerrero
Victor Andres Bucheli Guerrero
This paper proposes to evaluate learning efficiency by implementing the flipped classroom and automatic source code evaluation based on the Kirkpatrick evaluation model in students of CS1 programming course. The experimentation was conducted with 82 students from two CS1 courses; an experimental group (EG = 56) and a control group (CG = 26). Each student in each group completed 15 programming tasks. The level of knowledge of the participants acquired between the two groups is measured using the Kirkpatrick model, taking as a source a pre-test of previous knowledge, the grade assessment, the time of the activities, and a post-test of learning achieved. When comparing the submits time between the experimental and control group, it is observed that the value of the means is similar for the EG and CG; in this case, time is not a factor for comparison between the groups. However, in the grading, the value of the means is different for the EG and CG; EG students scored better than CG students. The evaluation of the Kirkpatrick model shows that the strategy implemented, on the one hand, does not improve the time of the activities; on the other hand, it improves the grades in the CS1 course.

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.

1 May 2022 in Revista Científica
Verified
Journal Article
Open access
PDF file
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
GMGerardo-Luis Muriel-López
Gerardo-Luis Muriel-López
JTJoshua-David Triana-Madrid
Joshua-David Triana-Madrid
VBVictor Andres Bucheli
Victor Andres Bucheli
Los algoritmos de computación evolutiva permiten solucionar problemas de optimización a partir de iteraciones y etapas definidas. Una de las técnicas más utilizadas para este tipo de problemas es la evolución diferencial, que contiene propiedades de redes complejas de pequeño mundo, cuyo estudio es importante por los resultados que generan a los problemas de optimización. Teniendo en cuenta los resultados obtenidos en trabajos previos, en los que se propone un algoritmo evolutivo guiado por redes complejas de pequeño mundo, se define una propuesta que incluye redes complejas libres de escala, con el fin de validar los promedios generados por las redes complejas frente a los resultados presentados por el algoritmo evolutivo tradicional. Se definió un experimento que permite evaluar el desempeño del modelo propuesto y el del algoritmo evolutivo a través de indicadores estadísticos. También se utilizaron cuatro problemas de optimización (Ackley, Beale, Camel y Sphere) para evaluar la hipótesis en el modelo propuesto, su convergencia y la disminución de tiempos de ejecución frente al modelo base. Se observó que las redes complejas libres de escala generan mejores promedios que el algoritmo evolutivo tradicional y las redes complejas de pequeño mundo porque utilizan un mecanismo de conexión preferencial entre sus nodos y guían la combinación de individuos (soluciones), mejorando la tasa de convergencia y el rendimiento del algoritmo evolutivo en general. Evolutionary computation algorithms allow solving optimization problems through defined iterations and stages. One of the most commonly employed techniques for this type of problem is differential evolution, which contains properties of small-world complex networks, whose study is important because of the results they generate for optimization problems. Considering the results obtained in previous works, which propose an evolutionary algorithm guided by complex small-world networks, a proposal is defined which contains complex scale-free networks, with the purpose of validating the averages generated by complex networks against the results obtained by the traditional evolutionary algorithm. An experiment was defined which allows evaluating the performance of the proposed model and that of the evolutionary algorithm by means of statistic indicators. Four optimization problems (Ackley, Beale, Camel, and Sphere) were also used to evaluate the hypothesis in the proposed model, its convergence, and the reduction of execution times compared to the base model. It was observed that the scale-free complex networks generated better averages than the traditional evolutionary algorithm and the small-world networks because they use a connection preferential mechanism between their nodes and guide the combination of individuals (solutions), thus improving the convergence rate and the performance of the evolutionary algorithm in general.

14 December 2020 in Investigación e Innovación en Ingenierías
Verified
Journal Article
Open access
PDF file
JMJose Miguel Llanos Mosquera
Jose Miguel Llanos Mosquera
VBVictor Andres Bucheli
Victor Andres Bucheli
Objetivo: Identificar los métodos y las técnicas que se están utilizando en la analítica de aprendizaje, como apoyo al aula invertida para los cursos de programación. Metodología: Se realizó la búsqueda de artículos publicados en revistas y conferencias científicas, a partir de herramientas bibliográficas que ayudaron a construir el corpus de referencias. Luego se analizó la información más significativa de los documentos, para el desarrollo de la revisión sistemática. Resultados: Esta revisión identificó que los métodos y las técnicas han contribuido en la preparación de los estudiantes, la definición de estrategias para el aprendizaje de la programación, herramientas de detección de errores en el código fuente y sistemas de tutorías inteligentes. Mejorando la retención de los estudiantes, los hábitos de estudio y las experiencias de aprendizaje. Conclusiones: Las investigaciones han analizado los datos almacenados en sistemas de gestión de aprendizaje (LMS), con el fin de generar modelos de predicción que permitan mejorar la formación en línea, el rendimiento académico y la retroalimentación personalizada. Todos estos aportes han apoyado a las áreas de conocimiento de aprendizaje automático y minería de datos, con la solución de problemas relacionados al aprendizaje supervisado, no supervisado y la minería de datos educativa.