Modelo clasificador para personalizar ejercicios propuestos a estudiantes utilizando redes neuronales artificiales

• Saire Peralta, Edwar Abril ^[1] ; Velarde Allazo, Edwar Andrés ^[2]
  1. [1] Universidad Nacional de San Agustín

     Universidad Nacional de San Agustín

     Arequipa, Perú

     
  2. [2] Universidad Tecnológica del Perú

     Universidad Tecnológica del Perú

     Perú

     
• Localización: Publicaciones: Facultad de Educación y Humanidades del Campus de Melilla, ISSN 1577-4147, Vol. 53, Nº 2, 2023, págs. 89-124
• Idioma: español
• Títulos paralelos:
  • Классификационная модель для индивидуализации упражнений, предлагаемых студентам, с применением искусственных нейронных сетей
  • 使用人工神经网络向学生提供的个性化练习的分类器模型
  • Classifier Model For Personalizing Exercises Given To Students Using Artificial Neural Networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El artículo tiene como objetivo el desarrollo de un modelo que permite predecir en forma personalizada los ejercicios que puede resolver un estudiante, y por otro lado los que no puede resolver. El modelo está basado en una serie de factores que influye en los ritmos de aprendizaje de los estudiantes. El curso que se utilizó como experimento en el proyecto es el manejo de funciones en hojas de cálculo. Para el desarrollo del proceso se ha utilizado la metodología de minería de datos KDD (Knowledge Discovery in Databases) y para el modelo se ha utilizado redes neuronales artificiales con aprendizaje hacia atrás (Backpropagation), el cual es un algoritmo de aprendizaje supervisado. El modelo se alimenta con datos como sexo, edad, grado académico, nivel de instrucción de los padres, tipo de colegio, calificaciones previas de los temas que el estudiante obtiene mientras avanza en el curso. El enfoque de la investigación es de corte cuantitativo, experimental, de tipo aplicada y la población estuvo representada por 85 estudiantes. El resultado muestra que el modelo logra una probabilidad del 72% de precisión al predecir la asignación de ejercicios a los estudiantes según sus características. Los ejercicios que no pueden ser resueltos se les anexa una ayuda para su mejor comprensión y resolución.

  • русский

    Цель статьи - разработать модель, позволяющую индивидуализированно прогнозировать те упражнения, которые студент может решить, и, с другой стороны, те, которые он/она не может решить. Модель основана на ряде факторов, влияющих на скорость обучения студентов. Предмет, используемый в качестве эксперимента в проекте, - работа с функциями в электронных таблицах. Для разработки процесса использовалась методология поиска данных KDD (Knowledge Discovery in Databases), а для модели - искусственные нейронные сети с обратным распространением, которые являются алгоритмом контролируемого обучения. В модель вводятся такие данные, как пол, возраст, академический курс, уровень образования родителей, тип школы, предыдущие оценки по предметам, полученные студентом при прохождении курса. Исследовательский подход является количественным, экспериментальным, прикладным, а выборка была представлена 85 студентами. Результат показывает, что модель достигает 72% вероятности точности в предсказании назначения упражнений студентам в соответствии с их характеристиками. Упражнения, которые не удается решить, снабжены подсказкой для их лучшего понимания и решения.

  • English

    The objective of the article is to develop a model that allows to predict in a personalized way the exercises that a student can solve, and on the other hand the exercises that a student cannot solve. The model is based on a series of factors that influence students’ learning rates. The course that was used as an experiment in the project is the handling of functions in spreadsheets. For the development of the process, the KDD (Knowledge Discovery in Databases) data mining methodology has been used and artificial neural networks with backward learning (Backpropagation), which is a supervised learning algorithm, have been used for the model. The model is fed with data such as gender, age, academic grade, parents’ level of education, type of school, previous grades of the subjects that the student obtains while advancing in the course. The research approach is quantitative, experimental, applied and the population was represented by eighty five students. The result shows that the model achieves a 72% probability of accuracy in predicting the assignment of exercises to students according to their characteristics. Exercises that cannot be solved are given a help for their better understanding and resolution.

  • 中文

    本文的目标是开发一个允许以个性化的方式预测学可以解决的练习以及无法解决的练习的模型。该模型基于一系列影响学生学习率的因素。在项目中用作实验的课程是电子表格中函数的处理。对于流程的开发，使用了KDD （数据库中的知识发现）数据挖掘方法，并使用了具有反向学习（反向传播）的模型人工神经网络，这一监督学习算法。该模型输入的数据包括性别、年龄、学业成绩、父母的教育水平、学校类型、学生在课程中取得的先前科目资格。研究方法是定量的、实验性的、应用型的，研究对象为85 名学生。结果表明，该模型在预测根据学生的特征分配给学生的练习时，准确率达到了 72%。无法解决的练习附有帮助，以便更好地理解和解决。