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.