Reconocimiento facial de emociones como herramienta para auxiliar al docente universitario en el desarrollo de su sesión de aprendizaje basado en redes neuronales convolucionales en la UNA-Puno

• Autor: Aceituno Curo, Sandra Consuelo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/25346
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/25346
• Nivel de acceso: acceso abierto
• Materia: Red Neuronal Convolucional; Reconocimiento de Emociones; Sesión de aprendizaje; https://purl.org/pe-repo/ocde/ford#1.02.00

En las universidades del Perú, la información que un docente tiene del estado emocional de los estudiantes al inicio de una sesión de clases es inexistente o escasa. Según la literatura consultada el estado emocional de los estudiantes influye significativamente en el desarrollo de la sesión de aprendizaje. El actual desarrollo de las redes neuronales artificiales ha dado lugar a una arquitectura específica: La red neuronal convolucional (CNN), utilizada principalmente para clasificar patrones basados en imágenes, su uso permite procesar y clasificar las imágenes (expresiones faciales) con el propósito de generar la información, antes del desarrollo de la sesión de aprendizaje para el docente. Esta tesis presenta el desarrollo e implementación basada en CNN para la detección y clasificación de emociones faciales, con el propósito de auxiliar a los docentes en la personalización de estrategias pedagógicas. La metodología consiste en el entrenamiento de un modelo de CNN utilizando Python, enfocado en procesar y reconocer patrones emocionales en imágenes faciales. El análisis bibliográfico fundamenta la importancia de las emociones en el aprendizaje y justifica la viabilidad de integrar tecnologías avanzadas en entornos educativos. Los resultados obtenidos indican un desempeño moderado del modelo, con una precisión aproximada del 64.3% con un error del 1.08%. Si bien estos valores no representan una clasificación perfecta, son adecuados como punto de partida para aplicaciones en escenarios reales, permitiendo a los docentes captar patrones emocionales útiles para ajustar sus estrategias de enseñanza. Aunque el modelo presenta limitaciones en su precisión, demuestra el potencial de las CNNs como herramientas accesibles y prácticas para transformar el entorno educativo, abriendo las puertas a futuros desarrollos que optimicen la detección de emociones, promoviendo entornos de aprendizaje efectivos y personalizados.