Inteligencia artificial para la identificación automática del estilo de aprendizaje basada en la interacción del estudiante en entornos virtuales de aprendizaje.

Abstract

En la actualidad se ha adquirido un gran interés en determinar cómo los estudiantes aprenden y adquieren el conocimiento en los Entornos Virtuales de Aprendizaje (EVA). Para cumplir con ello, las plataformas virtuales se han basado en el uso de cuestionarios que permitan identificar el estilo de aprendizaje, sin embargo, éste método ha demostrado no ser el adecuado debido que además de consumir tiempo, es un método poco fiable, puesto que los estudiantes tienden a elegir respuestas arbitrariamente siendo inconscientes de los usos futuros que se les puede dar a los resultados, por tanto, la información obtenida pueden ser inexacta, y pueden no reflejar los estilos de aprendizaje reales. Bajo éste panorama, el objetivo principal del trabajo de titulación se fundamenta en proveer una herramienta de apoyo al EVA que permita para cada estudiante, diagnosticar de forma automática y actualizada las probabilidades relacionadas a cada dimensión de su Estilo de Aprendizaje. Para ello, se procedió a utilizar las redes bayesianas con el fin de diseñar un modelo de incertidumbre que permite estimar el Estilo de Aprendizaje del estudiante de acuerdo a la interacción que realiza con los de recursos/actividades disponibles en EVA. El modelo propuesto de la red bayesianas se integró y codifico en un bloque “Estilo de Aprendizaje” para el LMS Moodle 2.5.4, el mismo que fue validado en un escenario educativo real (www.estiloaprendizaje.com). Para el proceso de validación, se estableció y creo un diseño instruccional de un curso de Redes Bayesianas, a fin de que un Grupo Experimental conformado por estudiantes universitarios interactúen en el curso virtual y en base a ello, el modelo de incertidumbre implantado en el bloque Estilo de Aprendizaje genere resultados.