El Análisis de Tareas Cognitivas (CTA: Cognitive Task Analysis) ha mostrado conducir a un mejor diseño instruccional, pero a un coste excesivo de horas de persona experta. En esta ponencia de KOEDINGER,K.R., MCLAUGHLIN, E.A., y STAMPER, J.C. se propone un modelo en esta línea, que realiza un trabajo de definición de los llamados KC = Componentes de conocimiento que conducen a adquirir una competencia, y después persigue automatizar el seguimiento de las curvas de aprendizaje de los estudiantes para dichos KC, para así adaptar el diseño instruccional a la evolución del aprendizaje del estudiante (los KC que se proponen para adquirir cada competencia) , aplicando para ello Minería de Datos Educativos combinada con técnicas de «aprendizaje máquina». Así, el sistema irá proponiendo unos KC con curvas de aprendizaje «más amortiguadas» para cada estudiante (es decir, con menos altibajos en la adquisición de la competencia).

Lo han realizado sobre 11 juegos de datos tecnológicos de tutores inteligentes, en materias que van desde Matemáticas hasta el Aprendizaje de una segunda Lengua. El método, además, aísla errores que permiten mejorar el diseño instruccional (http://educationaldatamining.org/EDM2012/uploads/procs/Full_Papers/edm2012_full_10.pdf).

 

grafico-Koedinger_Mclaughlin

Se crean varios modelos alternativos que son valorados frente al modelo real, usando métricas para estimar la predicción del desempeño del estudiante, y cómo cambia con el tiempo. Incluye los siguientes criterios:

– Criterio Akaike de Información (AIC).

– Criterio Bayesiano de Información (BIC).

– Validación cruzada.

(Para saber más sobre estos criterios véase el libro del profesor PEÑA, Daniel, «Análisis de Datos Multivariante», de McGrawHill (ed. 2002), y una aplicación en la interesante tesis doctoral de CABALLERO DÍAZ, F.F. «Selección de modelos mediante criterios de información en análisis factorial. Aspectos teóricos y computacionales» , Univ.Granada, 2011: http://digibug.ugr.es/bitstream/10481/19428/1/19964808.pdf).

Véase la imagen de la comparación gráfica entre las curvas de aprendizaje amortiguadas estimadas por cada modelo.

Como profesional de la estadística, me parece una idea muy interesante, siempre que se analicen adecuadamente todos los «casos de uso» definidos por una persona experta en formación (especialmente los «falsos positivos» de los algoritmos, que podrían recomendar contenidos erróneos para el logro de determinados objetivos pedagógicos).

Por otro lado, se plantea el reto de abordar una normalización de los KC (propuesta en el repositorio) que permita su reutilización y comparación (incluso dentro del mismo sistema educativo de un país).