Modelo de evaluación basado en Inteligencia Artificial mediante la clasificación de estilo de aprendizaje

• Autores: Lauren Genith Isaza Domínguez
• Directores de la Tesis: Antonio Robles Gómez (codir. tes.), Rafael Pastor Vargas (codir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2025
• Idioma: español
• Número de páginas: 310
• Tribunal Calificador de la Tesis: Francisco José García Peñalvo (presid.), Emilio Letón Molina (secret.), Miguel Ángel Conde González (voc.)
• Materias:
  • Ciencias tecnológicas
    • Tecnología industrial
    • Otras especialidades tecnológicas
  • Pedagogía
    • Organización y planificación de la educación
      • Otras especialidades de organización y planificación
• Enlaces
  • Tesis en acceso abierto en: e-spacio
• Resumen
  • español

    La educación universitaria en ingeniería enfrenta crecientes demandas para preparar a futuros ingenieros capaces de adaptarse a los rápidos cambios tecnológicos y sociales. Esta tesis integra analítica del aprendizaje, inteligencia artificial y modelos de aprendizaje automático para personalizar la educación, mejorar los resultados académicos y preparar mejor a los estudiantes para sus carreras.

    El tipo de investigación abordada en este trabajo es la proyectiva, la cual está orientada a elaborar un modelo predictivo usando inteligencia artificial para brindar una solución en un contexto práctico. La metodología trabajada en esta investigación se realizó en dos partes, involucrando a estudiantes de cuarto año de pregrado de Ingeniería de Procesos e Ingeniería Electrónica de la Universidad de los Llanos, en la ciudad de Villavicencio, Colombia. La primera parte corresponde a la fase exploratoria, en donde se aplicaron el método K-means y clustering jerárquico de Ward copn el fin de analizar los datos correspondientes al cuestionario del Índice de Estilos de Aprendizaje de Felder-Silverman. Asimismo, se identificaron patrones estructurados, mostrando la necesidad de enfoques de aprendizaje personalizados. La fase número dos empleó un diseño instruccional rotacional para evaluar los efectos de metodologías alienadas y no alienadas con los estilos de aprendizaje. Se usaron modelos mixtos, confirmando que la alienación de la metodología de enseñanza con los estilos de aprendizaje aportó significativamente al rendimiento académico de los estudiantes. Los modelos de aprendizaje automático demostraron que los hábitos de estudio fueron los mejores predictores del éxito en los exámenes por parte de los estudiantes, mientras que las redes neuronales de Memoria a Largo y Corto Plazo fueron las más efectivas para predecir la estabilidad y las transiciones en los estilos de aprendizaje durante el periodo académico.

    Este tesis, a través de sus resultados, implementó y desarrolló una herramienta tecnológica educativa basada en inteligencia artificial. La interfaz desarrollada para los estudiantes integra diferentes evaluaciones personalizadas respecto a los estilos de aprendizaje y un sistema de seguimiento de hábitos, entregando recomendaciones para el estudio personalizado por parte de los estudiantes. Mientras tanto, la interfaz desarrollada para los profesores genera un análisis en tiempo real sobre el aprendizaje de los estudiantes, usando un asistente virtual con IA y asimismo, una red neuronal de memoria a largo plazo, con el fin de adaptar estrategias en los métodos de enseñanza y así contribuir al aprendizaje de los estudiantes.

  • English

    University education in engineering faces increasing demands to prepare future engineers capable of adapting to rapid technological and social changes. This thesis integrates learning analytics, artificial intelligence, and machine learning models to personalize education, improve academic outcomes, and better prepare students for their careers. The type of research addressed in this work is projective, which is oriented toward developing a predictive model using artificial intelligence to provide a solution in a practical context. The methodology used int this research was carried out in two parts, involving fourth-year undergraduate students from Process Engineering and Electronic Engineering at the University of Los Llanos, in the city of Villavicencio, Colombia. The first part corresponds to the exploratory phase, in which the K-means method and Ward's hierarchical clústering were applied to analyze the data corresponding to the Felder-Silverman Learning Style Index questionnaire. Likewise, structured patterns were identified, showing the need for personalized learning approaches. The second phase employed a rotational instructional design to evaluate the effects of methodoligies aligned and nor aligned with learnings styles significantly contributed to student's academic performance. Machine learning models demonstrated that study habits were the best predictors of student's success in exams, while Long Short-Term Memory neural networks were the most effective in predicting stability and transitions in learning styles throughout the academic period. This thesis, through its results, implemented and developed an educational technological tool based on artificial intelligence. The interface developed for students integrates different personalized assessment related to learning styles and a habit tracking system, providing personalized study recommendations for the students. Meanwhile, the interface developed for professors generates real-time analysis of student learning, using a virtual assistant with AI and also a long short-term memory neural network, in order to adapt strategies in teaching methods and thus contribute to student learning.