Curvas de Aprendizaje

Para poder desarrollar los Sistemas tutoriales inteligentes (adaptativos) resulta fundamental definir bien el modelo de conocimiento del estudiante: la selección de las tareas y acciones que propondrá el sistema tutorial dependerá del modelo de estudiante, por lo resulta esencial una predicción lo más precisa posible del conocimiento del estudiante, para después programar la parametrización que ajuste el sistema tutorial. Este es el punto de  partida que se plantean estos investigadores en su ponencia al Congreso de EDM de 2104 en Londres. (Käser, Koedinger y  Gross: Different parameters – same prediction: An analysis of learning curves).

En este estudio evalúan las propiedades y parámetros de los diferentes modelos de regresión logística cuando ajustan las curvas de aprendizaje de estudiantes con niveles de conocimiento heterogéneos. La regresión logística se usa en modelos basados en la “teoría de respuesta a una pregunta” – denotada IRT-, que propugna que la respuesta correcta a un item es una función matemática con parámetros  del estudiante  y de la pregunta.

 

Los resultados varían mucho entre modelos, y además entre los parámetros evaluados. El entorno de formación utilizado en este trabajo es el Calcularis, un sistema tutorial para niños con problemas de aprendizaje en matemáticas.

Los tres modelos analizados tienden a sobreestimar el resultado de los estudiantes con un mal desempeño, y subestiman el resultado en los buenos estudiantes. En la figura de cabecera se comparan los residuos de la resta de “resultado estimado – resultado real” de los tres modelos.

Desarrollan un modelo  de regresión logística alternativo al que denominan Modelo Alineado a la Maestria -MA-, que presenta ventajas en el ajuste sobre modelos que solo tienen en cuenta el número de oportunidades, y que se pueden ver influidos por el “desgaste” del estudiante al incrementarse el número de intentos : En la Fig,5 nos muestran cómo ajusta a diferentes parámetros.

CurvaAprendizaje_2

Concluyen en que los diferentes modelos de regresión logística por ahora presentan importantes diferencias en el ajuste paramétrico, pero sin embargo arrojan resultados similares en la precisión de su capacidad predictiva.

Interfaces adaptativos

Desarrollan un  generador adaptativo de Interfaces de usuario según su perfil, su contexto y los formalismos de la HCI (en el Dpto. de Ingeniería de Sistemas de la Pontifica Universidad Javeriana de Bogotá).  Con base en este “framework”  bautizado como TUKUCHIY, -en Quechua-, han desarrollado otra aplicación que presenta contenidos educativos ajustados al estilo y preferencias de cada estudiante (denominada IDUKAY).

Resumen del Modelo de Adaptación

 

Así, el framework es capaz de detectar problemas de visión (tanto en la escala como en los colores, p.e. daltonismo), alterando el entorno para adaptarlo a estos problemas. Después, Idukay agrega al perfil del usuario básico del framework las preferencias y estilo de aprendizaje,obtenidas respondiendo a un test (Felder-Silverman: Learning and Teaching Styles in Engineering Education).

 

Esperamos tener pronto los resultados del protocolo de pruebas que valide si se mejora el rendimiento de los estudiantes con estos desarrollos.

Referencia: Luisa Fernanda Barrera, Nadia Alejandra Mejía-Molina, Angela Carrillo-Ramos, Leonardo Flórez-Valencia. Tukuchiy-Idukay: Generación Dinámica de Interfaces en Contextos Educativos

 

Sistema de Formación Adaptativa

Evaluación  del uso de un Sistema de Aprendizaje Adaptativo basado en estilos cognitivos dependientes/independientes con el modelo de las ocho dimensiones de Felder-Silverman. Tzu-Chi Yang, Gwo-Jen Hwang and Stephen Jen-Hwa Yang aplican el sistema sobre un grupo de 54 participantes asignados aleatoriamente, del cual se extrajo un grupo de control de estudiantes que no utilizó el sistema adaptativo para su aprendizaje, resultando diferencias significativas en favor del que sí  lo utilizó.

 

En este estudio los estilos de aprendizaje se aplican para proporcionar materiales personalizados y la disposición de las presentaciones, mientras que los estilos cognitivos se usan para personalizar el interface de los usuarios y las estrategias de navegación (véase la página de Objetivo del blog).

 

Se describe un Sistema Adaptativo Multidimensional (AMDPC) que consta de cuatro módulos (véase figura destacada del post): el de Generación de contenidos de aprendizaje , el de Presentación Adaptativa (APM), el Módulo de Contenido Adaptativo (ACM) y el módulo de Aprendizaje (LM).

Entorno AMDPC

Muy interesante ver las descripciones de los principales ajustes de que es capaz el ACM.

¿Por qué no se generaliza el uso de estos sistemas si ahorran tiempo a la persona que estudia? De momento nadie parece querer calcular el coste asociado a la formación que obliga a cada estudiante a realizar contenidos que no se adaptan a sus necesidades, multiplicado por el número de estudiantes (habitualmente elevado en eLearning).