Redes bayesianas para predecir el estilo de aprendizaje de estudiantes en entornos virtuales
DOI:
https://doi.org/10.5380/atoz.v3i2.41343Palabras clave:
Inteligencia artificial, Modelo bayesiano, Modelo Felder-SilvermanResumen
Introducción: Describe la utilización de las Redes Bayesianas para implementar un modelo de incertidumbre que permita predecir el estilo de aprendizaje de los estudiantes mediante la interacción en un entorno virtual de aprendizaje basado en el modelo de Felder-Silverman. Método: El modelo de incertidumbre se lo diseño y desarrolló para el funcionamiento en el LMS Moodle. Para validar el modelo propuesto se planteó un escenario educativo real conformado por dos grupos experimentales pertenecientes a la Universidad Nacional de Loja y Universidad Internacional del Ecuador. Resultados: El bloque “Estilo de Aprendizaje” (EA) permitió a los estudiantes visualizar las probabilidades de cada dimensión de su EA observando que, de acuerdo a su interacción, cambiaban dichas probabilidades. De igual forma el docente pudo visualizar las probabilidades del EA que obtuvo cada estudiante al interactuar en un curso virtual alojado en el Entorno Virtual de Aprendizaje. Conclusión: La propuesta podrá servir como apoyo al docente que desee identificar los estilos de aprendizaje predominantes de los estudiantes y, en base a ello, preparar actividades y recursos en su aula virtual.
Citas
Cerrillo, Q. (2004). Aprendizaje Colaborativo y Redes de Conocimiento. Actas de las Jornadas Andaluzas de Organización y Dirección de Instituciones Educativas. Granada-España. Grupo Editorial Universitario, 9.
Chía, L., Muñoz, A. (n.d.). Adaptación de las plataformas e-learning a los estilos de aprendizaje utilizando sistemas multiagentes. Universidad Libre Cali. Colombia.
Carmona, C., Castillo, G., Millán, E. (2009). Modelo Bayesiano del alumno basado en el estilo de aprendizaje y las preferencias. IEEE-RITA, 4(2), 139-146. Recuperado de http://rita.det.uvigo.es/200905/uploads/IEEE-RITA.2009.V4.N2.A8.pdf.
González, H (2009). Modelo dinámico del estudiante en cursos virtuales adaptativos utilizando técnicas de inteligencia artificial. Tesis de Maestria, Magister en Ingeniería de Sistemas. Medellín, Universidad Nacional de Colombia.
Garcia, P., Amandi, A., Schiaffino S., Campo M. (2007). Evaluating Bayesian networks precision for detecting students learning styles. Computers & Education, 49(3), 794–808. Recuperado de doi:10.1016/j.compedu.2005.11.017.
Graf, S., Kinshuk, Liu, T-C. (2009). Supporting Teachers in Identifying Students Learning Styles in Learning Management Systems. Educational Technology & Society, 12 (4), 3–14. Recuperado de http://www.ifets.info/journals/12_4/2.pdf.
Jesús, E.A. (2000). Manual de metodologías, tomo II: La Técnica Bayesiana. Naciones Unidas para el Desarrollo Industrial, Programa de Prospectiva Tecnológica para Latinoamérica y el Caribe.
Mejía, C. (2009). Proceso de adaptación para entregar contenido basado en Estilos de aprendizaje del usuario. Tesis de Máster, Máster en Informática y Automática Industrial. Girona, Universidad de Girona.
Mestre, U., Fonseca, J., Valsés, R. (2007). Entornos virtuales de enseñanza aprendizaje. Editorial Universitaria.
Sarango, M. (2012). Aplicación de técnicas de minería de datos para identificar patrones de comportamientos relacionados con las acciones del estudiante con el EVA de. Tesis de Grado, Ingeniero en Sistemas Informáticos y Computación. Loja, Universidad Técnica Particular de Loja.
Veytia, M. (2013). Cinco dimensiones para favorecer la apropiación tecnológica en estudiantes virtuales. Actas del Encuentro Internacional de Educación a Distancia. Universidad de Guadalajara, 21.
Yannibelli, V., Godoy, D., Amand, A. (2006). A genetic algorithm approach to recognize students' learning styles. Interactive Learning Environment, 14(1), 2006. Recuperado de http://dx.doi.org/10.1080/10494820600733565.
Yu, D., Chen, X. (2006). Using bayesian networks to implement adaptivity in mobile learning. Proceedings of the International Conference on Semantics, Knowledge and Grid, 2. Recuperado de http://dx.doi.org/10.1109/SKG.2006.107.
Zapata-Ros, M. (2012). Teorías y modelos sobre el aprendizaje en entornos conectados y ubicuos: bases para un nuevo modelo teórico a partir de una visión crítica del “conectivismo”. Universidad de Alcalá.
Publicado
Cómo citar
Número
Sección
Licencia
La revista AtoZ es una revista científica de acceso abierto y los derechos de autor de artículos y entrevistas pertenecen a sus respectivos autores/encuestados. Los autores otorgan a la AtoZ el direito de incluir el material publicado (revisado por pares/pos-print) en em sistemas/herramientas de indización, agregadores o curadores.
Los autores tienen permiso y se les anima a depositar sus artículos en sus páginas personales, depósitos y/o portales institucionales anteriormente (pre-print) y posteriormente (post-print) a la publicación en esa Revista. Se pide, si possible, que se apunte la referencia bibliográfica del artículo (incluyendose la URL) en base a la AtoZ.
La AtoZ es sello verde por Diadorim/IBICT.
Todo el contenido de la revista (incluyendo las instrucciones, modelos y política editorial) a menos que se indique otra cosa, están bajo una Licencia de Atribución de Bienes Comunes Creativos (CC) 4.0 Internacional.
Cuando los artículos son publicados por esta revista, se pueden compartir (copiar y redistribuir el material en cualquier soporte o formato para cualquier propósito, incluso comercial) y adaptar (remezclar, transformar y crear a partir del material para cualquier propósito, incluso si es comercial). Debe dar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios.
La AtoZ no cobra cualquier tasas por la sumisión y/o procesamiento y/o la publicación de artículos.
