Informe de la asignatura - Curso 2019/2020

Volver a la asignatura

(31108022) TRABAJO DE FIN DE MÁSTER EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL

PUNTOS FUERTES DE LA ASIGNATURA

El hecho de que el TFM tenga 27 ECTS marca la diferencia de este Máster con el resto de los que se ofrece en España. Prueba de ello son las más de 100 solicitudes de preinscripción oficiales que se recibieron para el próximo curso, a las que hay que añadir las decenas que se reciben por correo electrónico fuera de plazo y que tienen que esperar hasta el próximo curso para hacer el proceso de preinscripción.
La carga de trabajo del TFM de 27 ECTS (675 horas) permite lograr el objetivo del Máster, que es que los alumnos se adentren en el mundo de la investigación. Además, se fomenta la colaboración entre distintas líneas de investigación para co-dirigir TFMs.
Para fomentar la divulgación científica de los resultados de la investigación, se ofrece la posibilidad de realizar la memoria en formato tipo artículo, para que sea más ágil la publicación de los TFM en revistas JCR, que complementarán los avances que hayan podido enviarse a congresos SCIE durante la elaboración de los TFMs.
La asignatura se imparte por primera vez en 2019-2020 pero continúan las 2 asignaturas de TFM correspondientes al plan de estudios antiguo. Hubo 3 alumnos matriculados (+ 11 en tutela), ya que la mayoría de los alumnos trabajan y se les recomienda una planificación a varios años. Dos defendieron el TFM (tasa de evaluación 66.67% y éxito 100%), uno con MH y otro aprobado. No hay datos de la satisfacción de los estudiantes. Tampoco hay datos sobre el máster en IA Avanzada para reflexionar.
Los alumnos entran al máster con un tutor y un tema de investigación concretados en un acuerdo de admisión, lo que ayuda a que lleguen a esta asignatura más centrados y apoyados. En dicho documento se refleja la planificación para el desarrollo del máster, indicando cuándo se prevé matricularse de la tutela y del propio TFM. Además, cursan la asignatura de Metodología, cuya salida es una propuesta de Anteproyecto de TFM.

PUNTOS DÉBILES DE LA ASIGNATURA

En relación al punto anterior, es posible que algunos alumnos necesiten adquirir conocimientos para realizar el TFM que no se imparten en las asignaturas del máster. En este sentido, algunos alumnos han manifestado que han cursado MOOCs en Coursera para adquirir conocimientos sobre deep learning y así aplicarlos en el TFM. En la misma línea se manifiestan dos alumnos que han cumplimentado la encuesta interna de los TFMs.
Analizando las 7 respuestas que se han recibido a la encuesta anónima que se solicitan desde Coordinación a los estudiantes que van a defender el TFM (planes antiguo y nuevo del master) se obtiene que la media de las horas dedicadas al TFM es 1140, muy superior a las 675/750 horas reglamentarias (según el plan) y peor que la media de 805 que se obtuvo el año anterior. Hay 3 alumnos que indican haber necesitado más del doble de las horas estimadas. Quizá la COVID-19 haya podido influir en esto.
El porcentaje de TFMs defendidos por mujeres entre los dos planes del máster en IA (antiguo y nuevo) ha sido del 5% (1/20). Con respecto al plan nuevo, cuyos datos se han facilitado, de los 3 TFMs matriculados, se defendieron 2, y ninguno fue realizado por una mujer.
No se visibiliza el apoyo que el máster puede ofrecer a los estudiantes, tanto durante la realización del TFM , p.e. mediante el acceso a infraestructura de procesamiento, como tras su defensa, participando en otros TFMs que continúen el trabajo de investigación iniciado por ellos en su propio TFM.
Durante el curso 2019-2020 ha existido un cuello de botella en el Comité de Ética de la Investigación de la UNED por falta de recursos, que repercutió directa y negativamente en todos aquellos TFMs que debían solicitar la aprobación del Comité de Ética para realizar experiencias de recogida de datos que impliquen la participación de usuarios. En noviembre 2020 la UNED ha introducido cambios para agilizar su funcionamiento.

PROPUESTAS PARA MEJORAR LA ASIGNATURA

Intentar que los TFMs se ajusten a las 675 horas. Para ello: i) los conocimientos de partida requeridos deben estar lo más claros (y cuantificados) posibles en la oferta de TFMs, de forma que si no los tuvieran, asuman que su adquisición debe sumarse a las horas de realización del TFM, y ii) los estudiantes deben reportar las horas que dedican a cada parte del TFM (añadir campo en el cuestionario interno para que indiquen separadamente las horas empleadas para adquirir dichos conocimientos).
Plantear nuevas asignaturas en el máster que cubran los contenidos demandados, como una asignatura de deep learning. Se tendrá que realizar un proceso MODIFICA con ANECA, por lo que la implantación no podría ser antes del curso 2022-2023.
Buscar formas de promover un porcentaje mayor de admitidas/matriculadas y de disminuir el abandono de mujeres de los estudios para que aumente el número de TFMs defendidos por mujeres. También se analizará si hay diferencias con respecto a la tasa de terminación del máster. Se consultará también con la Oficina de Igualdad de la UNED para que nos apoye en esta iniciativa.
Recopilar la infraestructura que a nivel de Escuela puede ofrecerse a los estudiantes para que desarrollen su TFM, por ejemplo, para la ejecución de algoritmos en la nube; y fomentar la participación de egresados del Máster en la co-dirección de TFMs que continúen el trabajo de investigación iniciado por ellos en su TFM, en especial cuando estos alumnos continúan su investigación en el Programa de Doctorado de Sistemas Inteligentes de la UNED.
Continuar manteniendo actualizada la información sobre la divulgación de los TFMs y seguir promoviendo la realización conferencias de expertos y grabaciones sobre la investigación realizada, además de actualizar cada año el repositorio de TFMs defendidos, aplicando un año de cadencia.

SEGUIMIENTO Y REVISIÓN DE LAS ACCIONES DE MEJORA

Se realizaron las acciones de mejora propuestas: revisar ofertas de TFMs por parte de los profesores, recopilar las acciones de divulgación de TFMs, promover seguimiento fluido entre directores y estudiantes (incluyendo revisión del Anteproyecto que realizan en MI-SI), recopilar las horas dedicadas por los estudiantes en cada parte del TFM, así como la entrega del acuerdo de admisión, la memoria tipo artículo y la concreción de opciones de puntuación adicional en la rúbrica.