BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20230101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20240409T100000
DTEND;TZID=America/Sao_Paulo:20240409T120000
DTSTAMP:20260424T094239
CREATED:20240404T151550Z
LAST-MODIFIED:20240404T151550Z
UID:9041-1712656800-1712664000@www.dc.uba.ar
SUMMARY:Defensa Tesis Doctorado Gustavo Landfried
DESCRIPTION:Título: Análisis bayesiano del aprendizaje en comunidades de video juegos \nDirector: Esteban Mocskos\nCo-director: Diego Fernández Slezak \nConsejero de estudios: Hernán Melgratti \nJurados: \nDr. Daniel Ramos Castro – Universidad Autónoma de Madrid\nDra. Marcela Svarc – Universidad de San Andrés & CONICET\nDr. Mariano G. Beiró Facultad de Ingeniería\, UBA & CONICET \nTransmisión: https://youtube.com/live/HvNwM5Fmf9I?feature=share \nResumen: \nLas especie humana tiene una singular capacidad de aprendizaje social\,\nque le permite acumular adaptaciones sucesivas en el tiempo que van\nproduciendo el inimaginablemente complejo sistema de información\ncultural. Si bien el aprendizaje humano ocurre en los cuerpos\nbiológicos\, el aprendizaje cultural es un fenómeno poblacional que\nemerge de la interacción prolongada entre individuos y entre\ngeneraciones. Entender las propiedades de los sistemas de información\ncultural es uno de los problemas fundamentales de la antropología\,\nrelevante para las ciencias de la computación y la inteligencia\nartificial multi-agente. En particular\, comprender las relaciones que\nvinculan el nivel poblacional (como la dinámica y estructura de la red\nde intercambios de información cultural) con el nivel individual (el\naprendizaje efectivo que se produce en los cuerpos)\, ha sido la pregunta\nque motivó esta tesis de doctorado. Para ello\, decidimos estudiar las\ncomunidades de video juegos en línea. Además de que ofrecen la\noportunidad de estudiar poblaciones grandes sin perder un alto grado de\ndetalle\, ellas son un lugar privilegiado para estudiar cómo cambian las\nestrategias en el tiempo. Algunas de las preguntas que nos propusimos\nresponder durante el doctorado fueron las siguientes. ¿Cuál es la mejor\nforma de medir el aprendizaje de un individuo en el tiempo? ¿Cuál es la\nrelación entre la formación de equipos y el aprendizaje individual a\nlargo plazo? ¿Cuál es el efecto que la posición topológica de un\nindividuo en la red información cultural tiene sobre el aprendizaje\nindividual? ¿Cuáles son algunas de las propiedades generales del\naprendizaje?\nDurante el doctorado en ciencias de la computación el enfoque bayesiano\nde la probabilidad respondió las preguntas metodológicas y\nepistemológicas más profundas que traía de mi formación previa en\nciencias antropológicas: cómo alcanzar acuerdos respecto a la correcta\nevaluación de argumentos causales alternativos. Las reglas de la\nprobabilidad se conocen desde finales del siglo 18 y desde entonces se\nlas ha adoptado como sistema de razonamiento en todas las ciencias\nempíricas. Si bien en todo este tiempo no se ha propuesto nada mejor en\ntérminos prácticos\, el costo computacional asociado a la evaluación de\ntodo el espacio de hipótesis ha limitado históricamente la aplicación\nestricta de las reglas de la probabilidad (enfoque bayesiano). El\nenfoque bayesiano se fue incorporando lentamente durante el transcurso\nde la tesis\, hasta transformarse en un protagonista.\nEn el primer trabajo usamos el modelo bayesiano de habilidad más\nutilizado en la industria del video juego para estudiar una comunidad en\nel que las personas podían jugar individualmente o en equipos. Mediante\ntest de hipótesis estadísticos detectamos que jugar en equipo está\nasociado a mayor aprendizaje a largo plazo\, y que mantener un equipo\nestable está asociado a mayor velocidad de aprendizaje. Los estimadores\nde habilidad disponibles\, considerados estado del arte al inicio del\ndoctorado\, no permiten sin embargo obtener estimaciones iniciales\nfiables ni garantizar la comparabilidad entre estimaciones distantes en\nel tiempo y el espacio. En el transcurso del doctorado descubrimos la\nespecificación matemática de un modelo conocido como TrueSkill Through\nTime (TTT) que resolvı́a estos problemas realizando la inferencia en\núnica red bayesiana\, propagando la información histórica correctamente.\nDebido a que el modelo no se encontraba disponible en ningún lenguaje de\nprogramación en el segundo trabajo resolvimos la matemática de este\nmodelo\, la documentamos\, la implementamos y la publicamos en los\nlenguajes de programación Julia\, Python y R. En un tercer trabajo\,\nestudiamos la evolución de una red de partidas en el juego de Go durante\nun periodo de ocho años y encontramos\,con el nuevo estimador\, que la\nposición de los individuos en la red tiene un efecto sobre el\naprendizaje en los personas que están en el medio del proceso de\naprendizaje\, ausente entre novatas y expertas. \nPalabras claves: Ciencias Sociales Computacionales\, Inferencia\nbayesiana\, Cultura\, Habilidad\, Aprendizaje\, Comunidades virtuales\,\nVideojuegos
URL:https://www.dc.uba.ar/event/defensa-tesis-doctorado-gustavo-landfried/
LOCATION:Sala 2103
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR