|
Descripción
|
|
|---|---|
| La educación ha sacado provecho de los sistemas computacionales desde los años cuarenta. De ahí nacen los entornos de aprendizaje por computador, que luego con el paso del tiempo y la evolución tecnológica, han ido mejorando inspirados en las teorías constructivistas del aprendizaje. A finales de los años ochenta, surgen los llamados Sistemas Inteligentes de Tutoría (SIT), los cuales son aplicaciones instruccionales que utilizan técnicas de inteligencia artificial para decidir lo que se debe enseñar en cada momento a un alumno y/o las estrategias más adecuadas para ayudarle a asimilar mejor los conocimientos. Para ello, es muy importante conocer al alumno para poder adaptar la enseñanza a sus necesidades. Por esta razón se han desarrollado diferentes modelos del estudiante, los cuales representan el conocimiento que tiene el SIT acerca de un alumno. Estos sistemas contienen arquitecturas e implementaciones complejas, las cuales normalmente necesitan poseer información a priori del estudiante. Ahora bien, si el SIT no tiene suficiente información acerca de un estudiante, por ejemplo, en el caso de alumnos nuevos, un modelo de este tipo no podrá otorgar predicciones fiables acerca del futuro rendimiento de dicho alumno. Por otro lado, la minería de datos es conocida por su capacidad para predecir el comportamiento de los usuarios. Y, gracias a la popularidad de los entornos de aprendizaje por computador, la comunidad científica ha tenido acceso a una gran cantidad de datos que detallan el comportamiento de los estudiantes en esos sistemas. De la aplicación de la minería de datos a los datos registrados en estos entornos de aprendizaje, nace la disciplina conocida como Educational Data Mining. Sin embargo, existen pocos trabajos en la literatura que exploren el potencial del Educational Data Mining a la hora de predecir el comportamiento de los estudiantes en entornos de entrenamiento procedimental. Es precisamente para proponer una solución a este problema, en donde esta tesis realiza su principal aportación, un modelo de comportamiento colectivo de estudiantes. El principal objetivo de este modelo es predecir las acciones que podría realizar un estudiante en un entorno de entrenamiento procedimental, para así poder generar una tutoría basada en esta predicción. Para ello, este modelo se construye a partir de los registros de actividad de estudiantes (logs) que utilizaron dicho entorno de entrenamiento con el mismo fin. Estos logs son divididos inicialmente en grupos mediante una técnica de clusterización. Posteriormente, para cada clúster se crea un autómata extendido a partir de las secuencias de eventos encontradas en los registros de actividad de los estudiantes en dicho clúster, siguiendo una técnica exhaustiva de minería de secuencias. Esta tesis también presenta el diseño de un visualizador interactivo del modelo de comportamiento colectivo de estudiantes. Este visualizador ha sido diseñado siguiendo las recomendaciones de expertos en usabilidad de sistemas de presentación de información, con el fin de que la interacción con el autómata sean lo más intuitivas y efectivas posibles. Además, se presenta una estrategia de tutoría, que, mediante la técnica pedagógica del andamiaje, proporciona una ayuda adaptada a las necesidades de cada estudiante para que sea capaz de superar su zona de desarrollo próximo a lo largo del proceso de entrenamiento. Esta estrategia recurre, en primer lugar, al modelo del estudiante propuesto en otra tesis doctoral, y si este modelo no puede proporcionar predicciones fiables, recurre en segunda instancia al modelo propuesto en esta tesis. La capacidad de predicción de este modelo y la utilidad del visualizador para mejorar la retroalimentación otorgada por un SIT o la docencia de un profesor, han sido validadas utilizando los logs registrados en un laboratorio virtual 3D de biotecnología. Como resultado de estas validaciones se concluyó que el modelo puede proveer predicciones lo suficientemente | |
|
Internacional
|
No |
|
ISBN
|
|
|
Tipo de Tesis
|
Doctoral |
|
Calificación
|
Sobresaliente cum laude |
|
Fecha
|
19/06/2017 |