Informe de la asignatura - Curso 2020/2021

Volver a la asignatura

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

PUNTOS FUERTES DE LA ASIGNATURA

Los 27 ECTS (675 horas) marcan la diferencia 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) y permiten lograr el objetivo del Máster, que es que los alumnos se adentren en el mundo de la investigación.
Esta asignatura es la evolución de dos del plan antiguo del Máster (que tuvieron 6 TFMs defendidos con tasa de éxito 100%). En el plan de estudios actual hubo 11 alumnos matriculados (+ 13 en tutela), lo cual tiene sentido porque es el 2º año y la mayoría de los alumnos trabajan (por ello se les recomienda una planificación a varios años). Destacan los siguientes indicadores: tasa de evaluación = 63.64% , éxito = 100% y satisfacción = 78.14%.
El desarrollo del máster no ha supuesto una barrera para las mujeres matriculadas, sino todo lo contrario, a pesar de encontrase en una significativa minoría al inicio del mismo. En concreto, en el curso 2020-2021 el 43% (3/7) han sido TFMs defendidos por mujeres, superior a la tasa de preinscripción y admisión que no suele superar el 20%. Si juntamos los datos del plan antiguo y el nuevo, el porcentaje de TFMs defendidos es el 38.5% (5/13).
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 TFMs en revistas JCR, que complementarán los avances que hayan podido enviarse a congresos SCIE durante la elaboración de los TFMs. En el curso 2020-2021, el 77% del los TFMs han correspondido a memorias tipo artículo y el 69% han sido redactados en inglés.
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. Además, en dicho documento se refleja la planificación para el desarrollo del máster, concretando cuándo se prevé realizar la tutela y el propio TFM.

PUNTOS DÉBILES DE LA ASIGNATURA

En la encuesta anterior, los estudiantes indicaron una media de 200 horas para adquirir los conocimientos previos para realizar el TFM (campo añadido en el formulario).
En la encuesta anónima que solicita la Coordinación a los estudiantes que van a defender el TFM (planes antiguo y actual), la media de las horas dedicadas al TFM para los 5 estudiantes que la rellenaron es 1012, muy superior a las 675/750 horas reglamentarias según plan de estudios, aunque mejor que la del año anterior (1140). Hay 3 respuestas (del plan antiguo) que indican más del doble de las horas estimadas. El que se ajusten más en el plan actual puede ser por la nueva asignatura de metodología.
Siguiendo con la encuesta anterior, no se encuentra ninguna queja repetida entre las respuestas, aunque quizá como punto débil cabe destacar que 2 alumnos indican que no tuvieron claro el tema de la Tutela del TFM, 2 alumnos indican que hubieran deseado mayor presencialidad de los profesores y 2 alumnos echan en falta alguna asignatura de deep learning.
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 su investigación del TFM. Añadir que 4/13 TFMs han sido redactados en español, lo que supone una barrera para su divulgación internacional y ninguno ha sido co-dirigido por antiguos estudiantes del Máster (lo cual sería posible).
A pesar de los cambios introducidos a finales de 2020, ha seguido existiendo un cuello de botella en el Comité de Ética de la UNED por falta de recursos, que repercutió directa y negativamente en los TFMs que debían solicitar la aprobación del Comité para realizar experiencias de recogida de datos que impliquen la participación de usuarios. Recientemente se ha incluido en la web de la Escuela información del procedimiento a seguir.

PROPUESTAS PARA MEJORAR LA ASIGNATURA

Tratar que los TFMs se ajusten a las horas requeridas. Para ello se seguirá insistiendo para que: i) los conocimientos de partida requeridos se describan (y cuantifiquen) 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 lleven desde el inicio del curso una contabilidad de las horas que dedican a cada parte del TFM para que luego puedan reportarlas con exactitud al final del TFM.
Plantear nuevas asignaturas en el máster que cubran los contenidos demandados, como una asignatura específica de deep learning (ya que no parece suficiente que se vea de forma superficial en Minería de Datos y Visión Artificial). Se tendrá que realizar un proceso MODIFICA con ANECA, por lo que la implantación no podría ser antes del curso 2022-2023. Se está trabajando sobre ello y se espera hacer la solicitud en el curso 2021-2022.
Seguir insistiendo tanto a los alumnos en la comunicación durante el proceso de preinscripción y matrícula como a los profesores que van a actuar como tutores de la existencia de la opción de Tutela y de las implicaciones que tiene.
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.
Mantener actualizada la información sobre la divulgación de los TFMs y seguir promoviendo la realización de conferencias de expertos y grabaciones sobre la investigación realizada, además de actualizar cada año el repositorio de TFMs defendidos, aplicando un año de cadencia para facilitar su publicación.

SEGUIMIENTO Y REVISIÓN DE LAS ACCIONES DE MEJORA

Se realizaron las acciones de mejora propuestas: añadir un campo en el formulario de carga de TFM para saber las horas que los estudiantes han dedicado a adquirir conocimientos previos, trabajar en la propuesta de una nueva asignatura de deep learning, analizar los resultados de la asignatura de TFM con una perspectiva de género, solicitar a la Escuela que concrete el soporte tecnológico que pueden tener los estudiantes para realizar su TFM, y recopilar las acciones de divulgacion de TFMs.