Resumen de Motivation and personalization of teaching with machine learning

Raúl Gómez Martínez, María Luisa Medrano García, Tomás Aznar Sánchez

• español

  La motivación del alumno provoca que la experiencia docente sea más grata para el alumno y se genera un mejor aprovechamiento de la actividad docente. La clave es identificar dónde está esa motivación para adaptar los contenidos a la expectativas del alumno. El objetivo de este trabajo consiste en establecer un método para identificar la motivación del alumno sobre la formación que va a recibir, y poder personalizar la experiencia de aprendizaje acorde a esta motivación. Para ello describimos una experiencia en la que se entrenó un modelo de inteligencia artificial de árboles de decisión, a partir de una encuesta voluntaria generada a través de LinkedIn. Consultando el perfil de LinkedIn de los encuestados se generó un dataset de entrenamiento con el que se generó un modelo que ofrecía un 72% de tasa de acierto en una validación cruzada de 10 particiones estratificadas. En la presentación de los alumnos que se inscribieron en la actividad se capturó la información necesaria para generar un dataset de test que se utilizó para validar el modelo entrenado. La tasa de acierto de esta validación fue del 100%. Aunque la muestra y los predictores empleados es escasa, creemos que es una experiencia suficientemente ilustrativa del potencial que tiene la inteligencia artificial para identificar las motivaciones del alumno, y así personalizar la experiencia docente, con el objetivo de aumentar la motivación y mejorar el rendimiento del alumno.

• English

  The motivation of the student causes the teaching experience to be more enjoyable for the student and results in better utilization of the teaching activity. The key is to identify where that motivation lies in order to adapt the content to the student's expectations. The objective of this work is to establish a method to identify the student's motivation regarding the training they are going to receive and be able to personalize the learning experience according to this motivation. To achieve this, we describe an experience in which a machine learning model of decision trees was trained using a voluntary survey generated through LinkedIn. By consulting the LinkedIn profiles of the respondents, a training dataset was created, which resulted in a model that achieved a 72% accuracy rate in a 10-fold stratified cross-validation. During the presentation of the students who enrolled in the activity, the necessary information was captured to generate a test dataset, which was used to validate the trained model. The accuracy rate of this validation was 100%. Although the sample size and predictors used are limited, we believe that this experience sufficiently illustrates the potential of artificial intelligence to identify student motivations and thus personalize the teaching experience, with the aim of increasing motivation and improving student performance.