Ayuda
Ir al contenido

Dialnet


Resumen de Modelo bayesiano para optimización y personalización del proceso de aprendizaje en línea: estudio casuístico

Francisco Javier Tapia Moreno

  • En esta tesis presentamos un modelo probabilista basado en Redes Bayesianas (RBs), que puede determinar el tipo de personalización (TP) de acuerdo a las necesidades reales del alumno, con el propósito de ofrecer a éste una alternativa o un plan que optimice su proceso global de aprendizaje (PGA) en línea, Para lograr esto , hemos considerado los objetos de personalización (ops) y los objetivos de personalización (OPs) y realizado relaciones de causa y efecto entre éstos, y las fases de personalización del aprendizaje que tienen un efecto directo en el aprendizaje del alumno, y en la adecuación del sistema electrónico usado para gestionar el proceso de enseñanza-aprendizaje en línea del alumno. Cada op u OP, es considerado como una causa que tiene un efecto directo en alguna de las fases de personalización del aprendizaje que, a su vez, es una causa que tiene un efecto directo en la capacitación del alumno y en la adecuación del sistema electrónico usado por éste. Este tipo de relaciones recopiladas en una RB determinan, mediante cálculos probabilistas, un perfil de personalización deseable del alumno y en base a éste se puede elaborar el modelo individual que optimice el proceso global de aprendizaje. El alcance del modelo que proponemos en esta tesis, contempla cuatro fases fundamentales de la personalización del aprendizaje en línea: 1) Fase de personalización para los conocimientos previos, 2) Fase de personalización para el congreso del conocimiento, 3) Fase de personalización para objetivos y metas del profesor/alumno y 4) Fase de personalización para las preferencias y experiencia de navegación.

    La evaluación del modelo se realiza usando la primera fase y con datos obtenidos en un curso en línea con 45 alumnos simulados de diferentes áreas de conocimiento. Además, con los datos generados en la simulación del curso, hemos obtenido las probabilidades previas de cada una de las variables del modelo propuesto, las tablas de distribución de probabilidades condicionales y un conjunto de funciones de distribución de probabilidad (fdps) locales. Las fdps locales se usan para generar las métricas de aprendizaje y diagnosticar los estados de las variables en las cuatro fases de nuestro modelo. Dicha evaluación demuestra empíricamente la eficacia de las redes Bayesianas en la modelación del alumno, específicamente en la relación de inferencia Bayesiana en casos de incertidumbre sobre los objetos de personalización del alumno o bien en caso de pérdida de datos.

    La investigación realizada se llevó a cabo dentro del contexto del Proyecto Suricata en su segunda fase. El Proyecto Suricata (PS) (Rubio, et al., 2004), es un modelo en red de innovación organizacional, basado en el trabajo en las comunidades virtuales y en el uso de tecnologías de la información, como una respuesta de adecuación al creciente proceso de virtualización social y de las organizaciones, que contribuye al desarrollo competitivo y socialmente sostenible.

    Palabras claves: Aprendizaje en línea personalizado, métricas de aprendizaje, redes Bayesianas.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus