Publicado
2020-10-10

Cómo citar

Mercado Palencia, Y., Barrios Montes, E. ., Diaz Martínez, F. ., & Arrubla Hoyos, W. . (2020). Autenticación facial en evaluaciones en línea utilizando representaciones dispersas. Memorias. https://doi.org/10.22490/25904779.4212
Métricas
Cargando métricas ...

Autenticación facial en evaluaciones en línea utilizando representaciones dispersas

DOI: https://doi.org/10.22490/25904779.4212
Sección
Tecnologías de la Información y las comunicaciones- Expotech
Yolima Mercado Palencia Docente
Erik Barrios Montes Universidad Nacional Abierta y a Distancia
Fernando Diaz Martínez Universidad Nacional Abierta y a Distancia
Wilson Arrubla Hoyos Universidad Nacional Abierta y a Distancia

Las instituciones que ofrecen educación a distancia necesariamente utilizan plataformas tecnológicas en línea para el aprendizaje, evaluación y exámenes de sus estudiantes. Las principales ventajas de la formación a distancia radican en que dichos estudios pueden realizarse en cualquier momento y desde cualquier lugar promoviendo oportunidades de aprendizajes convenientes para cada estilo de vida individual; no obstante, uno de sus mayores desafíos es poder crear entornos regulados para validar y controlar la identidad de la persona que realiza sus cursos, en consecuencia, el ente educativo debe generar un compromiso por la integridad académica. En la mayoría de los exámenes en línea, no es posible una vigilancia personal, y los estudiantes pueden acudir al apoyo de otro individuo como un intento de mejorar sus calificaciones.
Este proyecto tiene como objetivo realizar un algoritmo de supervisión y autenticación de identidad mediante reconocimiento facial, que pueda ser utilizado para pruebas cognitivas en entornos de aprendizajes virtuales. Cabe resaltar, que el procesamiento de imágenes representa tratamiento información de alta dimensionalidad, traducido en grandes cantidades de datos bidimensionales que deben ser procesados eficientemente, por tal motivo, es necesario enfocar dicho trabajo en algoritmos de aprendizajes que utilizan representaciones Sparse (ralo: poco densas), los cuales logran reducir eficientemente la dimensión de los datos, mejorando requisitos de almacenamiento y costos computacionales, y de esta manera aumentar el nivel de seguridad de las pruebas en línea.