Trabajo Final de Grado
Carrera Ingeniería de Sistemas
Facultad de Ciencias Exactas – UNICEN
Reconocimiento Autónomo
de Estilos de Aprendizaje
Julio César Biset, Sacha Goytia
Director:
Dr. Marcelo Campo
Agradecimientos
El presente trabajo se lo dedicamos a nuestros padres, familiares y parejas, que gracias a su apoyo y confianza pudimos cumplir nuestros objetivos académicos y personales.
Agradecemos a nuestros orientadores Marcelo Campo y Analía Amandi, quienes constantemente nos ofrecieron su apoyo, consejos y observaciones, no solo en el desarrollo del trabajo final, sino también en nuestra carrera profesional y personal.
Resumen
Cada uno de los estudiantes adquiere y procesa el conocimiento de diferentes maneras y así también dirige su atención a diferentes tipos de información.
Para poder discernir entre los estilos de aprendizaje y poder proveer un conjunto de estilos de enseñanza acordes a cada uno, se utilizó como fundamento el modelo de M. Felder, el cual categoriza a los estudiantes mediante 4 dimensiones.
Para alcanzar esta meta se debe primero detectar cómo aprenden los estudiantes, para eso se necesita un medio por el cual se pueda analizar en detalle sus acciones e interacciones, en este caso, una plataforma educativa digital donde los formadores proveen a los aprendices con cursos y materiales de estudio. Teniendo esto como base, se diseñan los indicadores que permiten analizar el comportamiento de los grupos de aprendices, y perfilarlos de manera de poder brindar a los formadores de un mejor entendimiento de las particularidades del aprendizaje de cada aprendiz.
Luego, se propone el uso de redes bayesianas para predecir el estilo de aprendizaje de los aprendices durante las cursadas, con la intención de poder adecuar el tipo de enseñanza lo antes posible.
Índice
Agradecimientos 1
Resumen 2
Introducción 5
La tesis 6
Organización del Documento 7
Capítulo 1: Introducción a las Redes Bayesianas 8
Capítulo 2. Estilos de Aprendizaje 11
Inteligencias múltiples 11
Estrategias y estilos cognitivos de aprendizaje 12
Estilos de aprendizajes biológicos e individuales 13
Teoría del aprendizaje experiencial 13
Indicador de tipos de personalidad 14
Modelo de Programación Neurolingüística 15
Modelo de Estilos de enseñanza-aprendizaje Felder-Silverman 15
Dimensión Procesamiento (Activo/Reflexivo) 17
Dimensión Percepción (Sensitivo/Intuitivo) 17
Dimensión Entrada (Visual/Verbal) 17
Dimensión Comprensión (Secuencial/Global) 18
Determinación del ILS 18
Relación con los Modelos Alternativos 19
Aplicación en un contexto de autonomía y formación 21
Capítulo 3. Learning Management Systems: Moodle 23
Arquitectura de Moodle 26
Capítulo 4. Middle 29
Arquitectura de MIDDLE 30
Analizador (Analyser) 31
Objetivo (Target) 32
Indicador (Indicator) 32
Métodos para dividir el tiempo (Time splitting) 33
Procesadores de predicción (Prediction processors) 33
Modelo de análisis de perfiles de aprendizaje 34
¿Qué se define como una muestra? 34
Clasificación de los recursos/actividades 35
Especificación de las dimensiones e indicadores propuestos 36
Estrategias de aprendizaje 42
Resultados experimentales 46
Conclusiones 51
Bibliografía 52
Apéndice 1. Cuestionario del Índice de Estilos de Aprendizaje (ILS) 56
Apéndice 2. Organización del código de Moodle 61
Apéndice 3. La base de datos Moodle 65
Apéndice 4. Esquema de la base de datos de Moodle 70 Apéndice 5. Esquemas de las tablas utilizadas de la base de datos de Moodle 71
Introducción
Los cursos a distancia existen desde hace mucho tiempo. En principio por correo en los cuales se enviaban materiales de estudio y exámenes. Con el advenimiento de Internet surge la noción más amplia de educación a distancia con el desarrollo de plataformas para distribuir contenidos, potenciados con la posibilidad de la navegación hipermedia, etc. Con el avance de la movilidad virtual se ha llegado a la noción de educación ubicua (Burbules, 2014).
Moodle, por ejemplo, se ha convertido en un estándar, de facto como plataforma que provee los recursos para el desarrollo de cursos interactivos con las cuales el entrenador/profesor puede diseñar actividades de acuerdo a su criterio de la forma en que lo dictaría/evaluaría. Además es posible generar foros de discusión y otros mecanismos de interacción entre los aprendices y el profesor de acuerdo a su estrategia de enseñanza.
Todas las interacciones quedan registradas en una base de datos. Dada la arquitectura microkernel orientada a servicios de Moodle, su núcleo es extendido con plugins que permiten al entrenador, por ejemplo, realizar un seguimiento de la interacción de los aprendices con el curso, lo cual es un aspecto de doble importancia (Alba, 2010; Antolín Blanco, 2015; Büchner, 2016; Cuesta Coronel, 2018).
En primer lugar, el avance actual de las técnicas inteligentes de análisis de datos y la disponibilidad de información tan abundante concerniente al comportamiento, abre la oportunidad de realizar análisis con mayor profundidad, que van más allá de los rendimientos finales en las cursadas y permiten comprender de forma más concreta aspectos comportamentales del aprendiz.
En segundo lugar, los educadores continuamente buscan mejorar el proceso de enseñanza y para eso utilizan diferentes estrategias buscando como hacer para que aprendan más los aprendices (Ausubel, Novak, & Hanesian, 1978) , aunque para ello no hay un método universal. Sin embargo, no solo el método de enseñanza es importante. La forma en que cada aprendiz adquiere el conocimiento resulta también un factor muy relevante.
El estudio psicológico ha generado diversos tests que apuntan a generar un perfil del aprendiz para personalizar la organización de la presentación de un curso acorde con las preferencias del aprendiz. Si bien estos tests, como el caso del test Felder-Silverman (Felder & Spurlin, 2005) , para el área de Ingeniería, han demostrado eficacia en pequeños grupos, resulta impracticable personalizar la formación de un número grande de aprendices.
Sin embargo, las plataformas como Moodle (conocidas como Learning Management Systems, LMS), abren una oportunidad excelente dando posibilidad de capturar la forma en que un aprendiz navega un curso, sus intervenciones en foros, etc. Así, utilizando técnicas de Inteligencia Artificial, hoy en día denominado “people analytics” (Fecheyr-Lippens, Schaninger, & Tanner, 2015; Sullivan, 2013; Waber, 2013) se habilita la posibilidad de desarrollar herramientas de perfilado incremental.
Por perfilado incremental, se entiende, el análisis inteligente de datos disponibles en la base de datos del LMS, a través de técnicas de estadística predictiva. Por ejemplo, Redes de Bayes, que ajustan el perfil del estudiante a medida que va interactuando con el LMS.
Este perfilado abre la posibilidad de personalizar más efectivamente la presentación de cursos subsiguientes adaptándolos al estilo de aprendizaje de cada aprendiz, de forma autónoma. Adicionalmente, permite al educador a mejorar estrategias y la formación de actividades grupales por afinidad del grupo utilizando herramientas de análisis inteligente.
La tesis
La tesis tiene por objetivo detectar autónomamente el perfil de un aprendiz en función de la detección de patrones comportamentales del mismo interactuando con un LMS.
Para alcanzar este objetivo es necesario un proceso descriptivo interpretativo para determinar la relación entre los estilos de aprendizaje y el rendimiento académico de los aprendices y establecer las bases para la construcción de un repositorio de metodologías y recursos, acordes con sus preferencias en cuanto a cada estilo de aprendizaje, para apoyar los esfuerzos de optimizar el rendimiento académico.
Para tal fin, se desarrolló el plugin Middle, para la plataforma de aprendizaje a distancia MOODLE. Middle es un clasificador incremental que a partir del análisis de las interacciones de los aprendices con la plataforma construye una Red de Bayes personalizada a través de la cual se deduce el estilo de aprendizaje del aprendiz. Esta red permite organizar gradualmente la presentación de posteriores cursos de forma autónoma, como así también establecer conclusiones y predicciones de su comportamiento futuro a los formadores.
Organización del Documento
Este trabajo involucra diversos aspectos que involucran, pedagogía, psicología, estadística prescriptiva y tecnologías que deben ser describidos y fundamentados ordenadamente. Simultáneamente, se aplican los criterios que guían este trabajo de modo tal que las secciones puedan ser leídas de acuerdo al interés o conocimiento previo del lector.
Capítulo 1: Introducción a las Redes Bayesianas
Una red bayesiana o en algunos casos red de creencias es un modelo probabilístico que se basa en un grafo acíclico dirigido. Los nodos de esta red representan variables proposicionales de interés (en este trabajo, los ‘indicadores’ y ‘dimensiones’) y los enlaces representan dependencias causales o informacionales entre
las variables. Estas dependencias están cuantificadas por probabilidades condicionales para cada nodo dado sus padres (Nielsen & Jensen, 2009).
Para concretar un ejemplo, suponiendo que se tiene la red bayesiana de la Figura 1, donde X1 representa el conocimiento de un aprendiz sobre una temática específica y X2 el resultado de una autoevaluación relacionada a la temática de X1. Entonces, que el aprendiz tenga conocimiento de la temática va a influenciar en el resultado de la autoevaluación. Cada nodo, va a tener su correspondiente tabla de probabilidades, en caso de X1, se va a tratar de una probabilidad a priori, mientras que en el caso de X2 se va a tratar de una probabilidad condicional. Usando el teorema de Bayes, para saber si un aprendiz va a obtener un buen resultado en la autoevaluación, se necesitaría calcular la
probabilidad de una resolución satisfactoria de la autoevaluación (X2 = Satisf), dado el conocimiento del aprendiz sobre la misma (X1).
P
P
(
X
2=
S
atisf
)
= (
X
2=
S
atisf
|
X
1)
=
P
(
X
)
1
P
(
X
1|
X
2=
Satisf
)
*
P
(
X
2=
Satisf
)
Teorema de Bayes
Este teorema expresa la probabilidad de un evento aleatorio A dado B en términos de la distribución de probabilidad condicional del evento B dado A y la distribución de probabilidad marginal de sólo A.
(
A
|
B
)
P
=
P
(
B
|
P
A
(
) .
B
)
P
(
A
)
El principal interés del análisis de una red bayesiana, se centra en ver cómo los valores que toman ciertas variables afectan a las probabilidades del resto, e inferir al respecto. Realizar inferencia es la acción de conjeturar, basándose en información que ya se tiene. En estadística originalmente se realizan inferencias sobre propiedades de una población o de una distribución de probabilidades de los datos (Iqbal, Yin, Hao, Ilyas, & Ali, 2015) . La inferencia bayesiana es por lo tanto el proceso de inferir propiedades acerca de una población o distribución de probabilidades de los datos usando el Teorema de Bayes. Por ejemplo: cuando se infiere que llovió porque la vereda está mojada.
Para afrontar este proceso, es necesario realizar un número de operaciones que crece exponencialmente con el número de variables de la red, convirtiéndose en algunos casos en una tarea computacionalmente intratable. Los algoritmos de propagación de probabilidades utilizan las relaciones de independencia implícitas en la estructura de una red bayesiana para calcular las probabilidades de cada uno de los nodos dada la evidencia disponible de una forma más eficiente. Calculadas estas probabilidades, se pueden utilizar tanto para hacer inferencias de tipo abductivo como predictivo.
Uno de los usos más comunes de la inferencia bayesiana es para la clasificación, en este contexto, para predecir a qué categoría pertenecen los hechos que se están analizando. Y más puntualmente, a qué clase pertenecen los datos analizados. Es ampliamente utilizada en contextos donde se necesita una representación natural de la información probabilística, con eficiencia y apoyo para codificar el conocimiento incierto de expertos. Como por ejemplo en los ámbitos de toma de decisiones, estimación de confiabilidad de sistemas y preservación de privacidad en minería de datos (Delors et al., 1997) . Dicho esto, es natural la decisión de utilizar una red bayesiana en este trabajo.
Los clasificadores pertenecen a la categoría aprendizaje supervisado. El aprendizaje supervisado se suele utilizar cuando se quiere encontrar relaciones específicas o estructuras en los datos de entrada para poder producir los correctos datos de salida. La correctitud de los datos de salida es determinada enteramente desde los datos de entrenamiento, así que aunque se tiene una afirmación inicial la cual el modelo asume como verdadera, eso no significa que la clasificación que se le dé a los datos sea siempre correcta en la vida real.
Los algoritmos de clasificación se dividen por un lado en lazy learners (o aprendices perezosos) que simplemente almacenan datos de entrenamiento, y esperan hasta que se tengan nuevos datos que tengan que ser clasificados, para crear un modelo. Luego se los etiqueta basándose en los datos más relacionados del entrenamiento.
sería en este caso una red bayesiana, mientras que CBR (razonamiento basado en casos) sería un lazy learner.
Bayes ingenuo (Naïve Bayes) es uno de los algoritmos de aprendizaje inductivo más efectivos y eficientes para aprendizaje de máquinas ( machine learning) y minería de datos. Es el formato más simple de una red bayesiana, en el cual, no hay dependencias entre las clases variables.
Capítulo 2. Estilos de Aprendizaje
El término “estilo de aprendizaje” se refiere a los procesos personales a través de los cuales un aprendiz adquiere conocimiento. Básicamente, un estilo de aprendizaje es la forma en que una persona recopila y procesa la información que desea aprender. Basado en el modelo de Jung (Gustav Jung & Murmis, 2019) la noción de estilo de aprendizaje se refiere a las preferencias individuales no al comportamiento absoluto.
En este capítulo se realiza una descripción de los diferentes enfoques relacionados con “estilos de aprendizaje” propuestos por diferentes reconocidos autores y ampliamente difundidos en la literatura.
En el contexto de los LMS como Moodle cobran importancia los perfiles de usuario, es decir, una descripción de un usuario que contiene los hechos más relevantes o interesantes sobre él o ella. Estos hechos pueden representar intereses, habilidades, comportamiento, preferencia de interacción, o características individuales. Esto conlleva, primeramente, a la necesidad de comprender la noción fundamental de “inteligencias múltiples”.
Inteligencias múltiples
En 1983, H. Gardner postula- la inteligencia como «la capacidad de resolver problemas o de crear productos que son valorados en uno o más contextos culturales» (Howard Gardner, 1983). Casi dos décadas después postula, de forma más acertada, una inteligencia como «un potencial biopsicológico para procesar información que se puede activar en un marco cultural para resolver problemas o crear productos que tienen valor para una cultura» (Howard Gardner, 2001). Produciendo en este contexto un cambio muy importante en el análisis de recursos humanos en organizaciones, ejemplos obvios, Google, Amazon y otras empresas. Y consecuentemente, cambios en el método de enseñanza holísticos, los cuales están siendo paulatinamente adoptados debido a la existencia actual de los LMS.
En esta reformulación postula que las inteligencias no son algo que se pueda ver o contar: son potenciales que se activan, o no, en función de los valores de una cultura determinada, de las oportunidades disponibles en esa cultura y de las decisiones tomadas por cada persona y/o su familia, sus enseñantes y otras personas.
En este contexto, Gardner postula que los estilos son inteligencias puestas a trabajar en tareas y contextos determinados; haciendo referencia a que cada persona puede poseer ocho inteligencias o habilidades cognitivas (inteligencia lingüística, lógico-matemática, cinético-corporal, musical, espacial, naturalista, interpersonal e intrapersonal) que trabajan juntas, aunque como entidades semiautónomas, las cuales cada persona desarrolla unas más que otras.
los referentes de la lógica matemática y uno de los padres de la informática jurídica, yendo a no vernáculos un ejemplo es Brian May, guitarrista famoso de Queen, quien se formó a los 50 años de Doctor en Astrofísica.
Ciertamente, al lector pueden surgirle decenas de ejemplos variados. Sin embargo, la pregunta es: ¿Cómo los individuos aprenden a explotar estas inteligencias? Esta pregunta es la base fundamental de este trabajo y lleva naturalmente a los estilos y estrategias cognitivas.
Estrategias y estilos cognitivos de aprendizaje
Un estilo consiste de patrones que se observan en la forma en que una persona realiza una tarea particular. La observación de una sola acción no puede revelar un estilo. La impresión que se tiene del estilo de una persona se extrae de las experiencias múltiples de la persona en circunstancias similares.
En el proceso de formación, si se conocen los estilos de los aprendices individuales, a menudo se puede anticipar sus percepciones y comportamientos posteriores, anticipar sus malentendidos, aprovechar sus fortalezas y evitar (o corregir) sus debilidades. R. Schmeck postula que los estilos cognitivos son los modos característicos por los que un individuo procesa la información, siente y se comporta en las situaciones de aprendizaje (Schmeck, 2013).
En este contexto, se enfatiza la relevancia en cómo se integra la información como un comportamiento de permanente cambio, respondiendo a la naturaleza de un cerebro en pleno funcionamiento. Las experiencias e interpretaciones pasadas, ya que están influenciadas por el estilo cognitivo, determinan las percepciones de los aprendices sobre las demandas del entorno. Las reacciones a estas demandas producen retroalimentación (experiencia adicional) que determina aún más las percepciones y conductas futuras.
consciente y la dirección de los pensamientos es menos evidente, y es probable que los individuos globales sean más impulsivos que los pensadores analíticos.
Schmeck de este modo genera la idea de una relación de interacción dinámica entre el estilo cognitivo y el enfoque de aprendizaje; en donde el estilo cognitivo influye en el enfoque del aprendizaje y el enfoque del aprendizaje determina la naturaleza del resultado del aprendizaje que, con el tiempo, puede cambiar a la persona, incluido su estilo cognitivo. Sin embargo, estas ideas no tienen en cuenta el aspecto biológico que Dunn y Price ponen como alternativa para complementar estas ideas.
Estilos de aprendizajes biológicos e individuales
Dunn y Price consideran características de desarrollo biológicas e individuales al determinar los estilos de aprendizaje. Debido a las diferencias que surgen de estas características de desarrollo biológicas e individuales, se podrían encontrar algunas formas para hacer que la enseñanza sea apropiada. En otras palabras, algunos estudiantes aprenden a través de la audición, otros a través de la experiencia y otros principalmente a través de la observación. Lo importante es que el profesor debe determinar las formas en que el aprendiz aprende en el proceso. (Dunn & Price, 1980).
Diferentes estudiantes querrán ser pasivos visualmente y auditivos, aprender por sí mismos o aprender simplemente escuchando. Eso puede ser a veces suficiente para ellos para el logro académico. Sin embargo, los estudiantes táctiles o kinestésicos son los que necesitan dinamismo y prefieren aprender con sus compañeros y la razón de su éxito está relacionada con la naturaleza del entorno escolar.
Dunn y Price destacan la importancia de que los aprendices conozcan sus estilos de aprendizaje para que los mismos tomen responsabilidades por su propio aprendizaje. Para este propósito, los aprendices deben saber cuáles son sus propios estilos de aprendizaje y qué características tiene este estilo y, por lo tanto, deben comportarse de acuerdo al mismo. De esta manera, el individuo podría adquirir la cantidad de información en constante cambio y en aumento, en base a cómo los estímulos básicos afectan a su habilidad para asimilar esa información, y la importancia de la influencia del entorno y su naturaleza en el aprendizaje experiencial.
Teoría del aprendizaje experiencial
Kolb postula el aprendizaje como el proceso de estar en armonía con el entorno social y físico. Él procedió a definir "aprender" y diferenciarlo del conocimiento. Según Kolb, el aprendizaje es un proceso y el conocimiento es la transformación de la experiencia. Para esto, ha clasificado los estilos de aprendizaje, las maneras y los modales en cuatro tipos de estilos de aprendizaje (Kazu, 2009). Estos son:
❖ Asimilador: Crear modelos conceptuales y observaciones reflexivas son sus características específicas. Se centran en conceptos abstractos e ideas durante el proceso de aprendizaje.
❖ Convergente: La característica de este estilo de aprendizaje es que los individuos confían en la conceptualización abstracta y la experiencia concreta. Entonces necesitan percibir el todo y moverse del todo a las partes.
❖ Divergente: Pensar, ser consciente de los valores y significados, la experiencia concreta y el aprendizaje a través de la observación reflexiva son las principales características. Construyen sus ideas pacientemente, objetiva y cuidadosamente en el proceso de aprendizaje. Pero evitan la acción mientras toman en consideración sus ideas, y al mismo tiempo son conscientes de sus propios sentimientos e ideas. La razón por la cual este estilo de aprendizaje se llama divergente es que los individuos reúnen diferentes ideas y muestran un mejor rendimiento cuando lo desean.
Estas previas opiniones descritas, conducen naturalmente a los aspectos de personalidad que son considerados por Myers-Briggs.
Indicador de tipos de personalidad
Aquí aparece un gradiente diferencial que enriquece los trabajos previos ya nombrados con el aspecto psicológico de personalidad. Myers-Briggs desarrollaron un indicador de tipos de personalidad adaptando de la teoría de tipos de Carl Jung (Gustav Jung & Murmis, 2019). Está basada en 16 tipos de personalidad, que actúan de referencia, analizados a través de 4 dimensiones (Salter, Evans, & Forney, 2006) que se convirtieron en muy importantes en la teoría de grupos, esencial para la ingeniería de software.:
❖ Actitud: Extraversión o Introversión
❖ Información: Sensitividad o Intuición
❖ Decisiones: Pensamiento o sentimiento
❖ Estructura: Juicio o percepción
En este enfoque, los aprendices se clasifican como orientados a uno de dos tipos de estímulos o energía psíquica. Los extrovertidos prefieren interactuar con el mundo externo de las personas y las cosas que los rodean, y prefieren la participación activa en el proceso de aprendizaje. Los introvertidos, que tienden a ser aprendices más reflexivos, prefieren la energía subjetiva que proviene de ellos mismos, como ideas, sentimientos, pensamientos o percepciones.
objetivos con sus propias creencias. Los aprendices orientados al pensamiento tienden a utilizar el razonamiento de causa y efecto que se basa en la lógica y la evaluación objetiva.
Esta clasificación caracteriza de forma adecuada a las personas que tienen preferencia al desarrollo de software.
El modelo de programación neurolingüística de Grinder y Bandler extiende el enfoque sensorial que presenta el indicador de tipos de personalidad de Myers-Briggs.
Modelo de Programación Neurolingüística
John Grinder y Richard Bandler lo llamaron visual-auditivo-kinestésico (VAK). Toma en cuenta tres grandes sistemas para representar mentalmente la información: el visual, el auditivo y el kinestésico. El sistema de representación visual se utiliza siempre que se recuerdan imágenes abstractas (como letras y números) y concretas. Con el sistema de representación auditivo se puede oír en la mente voces, sonidos, música. Por último, cuando se recuerda, por ejemplo, el sabor de una comida favorita, o lo que a veces se siente al escuchar una canción, se está utilizando el sistema de representación kinestésico (Ballester Hernández, 2016).
Un estilo caracterizado por ser visual absorbe gran cantidad de información con rapidez, establece relaciones entre distintas ideas y planifica en función de lo que visualiza, es organizado, observador y paciente, tienen expresiones observables. Los auditivos memorizan cuando escuchan a otro o se escuchan a sí mismos y no relacionan los conceptos tan rápido, se distraen fácilmente, tienen facilidad de palabra, no les preocupa su aspecto y expresan sus emociones verbalmente. Finalmente, el kinestésico procesa la información asociándola a sensaciones y movimientos, su sistema de aprendizaje se supone más lento que el de los otros dos pero, aparentemente, lo fija mejor y, por las evidencias registradas, normalmente necesitan más tiempo. (Tocci, 2013).
A partir de este modelo se desarrolló el modelo más exitoso para el área de ingeniería, el modelo de Felder-Silverman que se describe a continuación.
Modelo de Estilos de enseñanza-aprendizaje Felder-Silverman
Felder y Silverman postulan que los aprendices tienen fortalezas y preferencias en la forma que adquieren y procesan la información. En base a esto crearon un modelo de clasificación de los aprendices en cuatro dimensiones de preferencias que definen el estilo de aprendizaje de los mismos (Felder & Spurlin, 2005; Zywno, 2003).
A diferencia de los varios propuestos, el modelo de estilos de aprendizaje Felder-Silverman (ILS) fue diseñado para Ingeniería y está siendo el más utilizado incluso en otras áreas (Di Bernardo & Del, 2005; J. F. R. Ramírez et al., 2015; P. A. G. Ramírez, 2014). Este modelo caracteriza a cada aprendiz según cuatro dimensiones:
ILS = {
Percepción, Procesamiento, Entrada, Comprensión
}
Así, comprende 16 estilos de aprendizaje. La Tabla 1 muestra las dimensiones de los estilos de aprendizaje en este modelo.
Dimensión Estilos de aprendizaje Estilos de enseñanza
Percepción Sensitivo Concreto
Intuitivo Abstracto
Procesamiento Activo Activo
Reflexivo Pasivo
Entrada Visual Visual
Verbal Verbal
Comprensión Secuencial Secuencial
Global Global
Tabla 1. Dimensiones de estilos de aprendizaje de Felder
La primera versión del instrumento se administró a varios cientos de estudiantes y los datos se sometieron a un análisis factorial. Los elementos que no se cargaron mucho en uno y solo un elemento, se reemplazaron por nuevos elementos para obtener la versión actual de 44 elementos del instrumento. El Índice de Estilos de Aprendizaje (ILS), fue instalado en la World Wide Web en 1996. Recibe casi un millón de visitas por año y ha sido traducido al español, portugués, italiano, alemán y varios otros idiomas.
Dimensión Procesamiento (Activo/Reflexivo)
Esta dimensión hace referencia a cómo procesa el aprendiz la información. Según con qué tipo de organización de la información se sienten más cómodos los aprendices a la hora de trabajar, pueden ser:
❖ Activos: Necesitan hacer algo activo con la información para comprenderla y retenerla mejor, por ejemplo, discutir o explicar a un compañero esa información. Prefieren estar en grupo y relacionarse.
❖ Reflexivos: Son el caso contrario a los activos. Este tipo de aprendices prefiere retener y comprender la nueva información pensando y reflexionando sobre ella de una manera individual.
Todos pueden ser activos y reflexivos algunas veces, con preferencia por uno u otro en forma alta, media o baja. Un buen equilibrio de los dos es deseable. Si siempre se actúa antes de reflexionar, se pueden tomar decisiones prematuramente, mientras que si se pasa demasiado tiempo reflexionando, es posible que nunca se haga nada.
Dimensión Percepción (Sensitivo/Intuitivo)
En base al tipo de información que perciben preferentemente, los aprendices pueden ser:
❖ Sensitivos: No les gusta aprender contenidos que no vean útiles para el mundo real, son bastante prácticos. Están orientados hacia hechos, siempre desde una perspectiva concreta y dotados de una memoria ágil. Prestan atención a los detalles.
❖ Intuitivos: Conceptuales por naturaleza. Comprenden rápidamente nuevos conceptos y trabajan bien con abstracciones y formulaciones matemáticas. Al contrario que los sensitivos, ellos están más orientados hacia las teorías. Les gusta innovar y no gustan de la monotonía, repetición y la memorización excesiva.
Para ser eficaz como aprendiz y solucionador de problemas, es necesario ser capaz de funcionar en ambos sentidos, a pesar de tener una inclinación baja, media o alta a una de ellas. Si se exagera la intuición, se pueden perder detalles importantes o cometer errores por descuido en los cálculos o el trabajo práctico; si se exagera la sensitividad, se puede confiar demasiado en la memorización y los métodos familiares y no concentrarse lo suficiente en la comprensión y el pensamiento innovador.
Dimensión Entrada (Visual/Verbal)
La información cognitiva percibida por los aprendices puede darse a través de diferentes modalidades sensoriales. En base a estas modalidades, los aprendices pueden ser:
❖ Visuales: En la obtención de información prefieren representaciones visuales como mapas conceptuales, diagramas de flujo, diagramas, etcétera.
En la mayoría de las clases de la universidad suele presentarse muy poca información visual: los aprendices principalmente escuchan conferencias, leen material escrito en pizarras, libros de texto y folletos. Desafortunadamente, la mayoría de las personas son aprendices visuales, lo que significa que la mayoría de los aprendices no obtienen casi tanto como lo harían si se utilizaran más presentaciones visuales en clase.
Dimensión Comprensión (Secuencial/Global)
El progreso de los aprendices en su aprendizaje puede determinar la preferencia de los mismos en cuanto a la forma y el orden en el que se da ese progreso. En este sentido, los aprendices pueden ser:
❖ Secuenciales: Son lineales y resuelven las cuestiones paso a paso, por eso aprenden en base a pequeños pasos incrementales siempre y cuando estén relacionados.
❖ Globales: Pueden entender algo concreto visualizando la totalidad. Aprenden a grandes saltos y de una manera casi “al azar”. Pueden resolver problemas complejos rápidamente gracias a esta capacidad pero pueden tener dificultades en explicar paso a paso cómo lo consiguieron.
Al igual que en las dimensiones anteriores, un aprendiz puede ser secuencial y global con preferencia baja, media o alta en algunas de las dos. Los aprendices secuenciales pueden no comprender completamente el material, pero aún así pueden hacer algo con él (como resolver los problemas de tarea o pasar el examen) ya que las piezas que han absorbido están conectadas lógicamente. Los aprendices globalmente altos que carecen de buenas habilidades de pensamiento secuencial, por otro lado, pueden tener serias dificultades hasta que tengan una idea general; incluso después de que lo tienen, pueden tener una idea borrosa sobre los detalles de la asignatura, mientras que los aprendices secuenciales pueden saber mucho sobre aspectos específicos de una asignatura, pero pueden tener problemas para relacionarlos con diferentes aspectos de la misma o con diferentes asignaturas.
Determinación del ILS
Basándose en el modelo previamente descrito, el cuestionario ILS ( apéndice 1) propone una serie de elementos efectivos para poder identificar el estilo de aprendizaje de cada aprendiz que responda a sus preguntas. El cuestionario tiene 44 preguntas con respuestas binarias predefinidas. 11 preguntas que conciernen a cada dimensión. Las respuestas a estas preguntas suman o restan por el valor de 1 para el ìndice de la dimensiòn correspondiente. Luego se suman estos valores resultando en un ìndice de preferencia siempre impar. Por ejemplo, al responder a una pregunta con una preferencia activa, la puntuación del aprendiz se incrementa en +1 mientras que para la preferencia reflexiva la puntuación se reduce en 1 (es decir, se añade -1).
(
DIM
,
q
)
q
i
= ∑
q
i
+ ∑
j
ε
DIM
q
i+
q
jε
DIM
−
donde cada i(DIM, q) es el indicador de preferencia, DIM = {A/R, S/I, V/V, S/G} 1indica todas las dimensiones que acoplan estilos de a pares, cuyo conjunto de índices es dado por
I = { iA/R, i S /I, iV/V , iS/G }, el conjunto de todas las preguntas para cada dimensión es
dado por:
=
{
q
1
DIM, ...,
q
11 DIM
}
Q
DIM
cada qi indica la contribución dada por la pregunta número i en las once relacionadas a cada DIM para la detección de preferencias, y
q
i
∈
DIM
+
if q
i= +1 , q
j
∈
DIM
−
if q
j=
−
1 .
Los datos son expresados en una escala binaria, las salidas están expresadas en una escala ordinal en la cual sólo la preferencia dominante (esto es, la diferencia de las dos sumas de i(DIM , q) ) es explícitamente dada.
Este modelo también conduce a un modelo analógico para estilos de entrenamiento, conocido como la hipótesis de mallado, que establece que si los estudiantes reciben una instrucción adecuada para sus preferencias de aprendizaje (por ejemplo, para un "aprendiz activo", haciendo hincapié en las tareas prácticas). Los aprendices podrían mejorar su experiencia de aprendizaje (Pashler, McDaniel, Rohrer, & Bjork, 2008).
Relación con los Modelos Alternativos
también está enraizada en estudios cognitivos de procesamiento de información. La dimensión secuencial/global tiene numerosos análogos.
Entre estos modelos descritos el modelo Felder-Silverman resulta ser el enfoque más utilizado y ha sido adoptado para este trabajo pues se basa en la concepción de los estilos de aprendizaje. Sin embargo, es necesario aclarar los usos previstos y evitar interpretaciones absolutas o erroneas (Felder & Spurlin, 2005):
❖ Las dimensiones del estilo de aprendizaje son continuas. La preferencia de un aprendiz por uno u otro polo de una determinada dimensión (visual o verbal, activa o reflexiva, etc) puede ser baja, media o alta.
❖ Los perfiles de estilo de aprendizaje sugieren tendencias de comportamiento en lugar de ser predictores infalibles de comportamiento. Si bien las características de, por ejemplo, los sensitivos y los intuitivos se presentan comúnmente como rasgos y comportamientos distintos y contradictorios, no se pueden considerar a supuestos sensitivos puros ni intuitivos puros que se encuentran en la naturaleza: algunos los sensitivos se comportan como intuitivos en algunas situaciones y algunos los intuitivos a veces se comportan como sensitivos.
❖ Las preferencias de estilo de aprendizaje no son necesariamente indicadores definitorios de fortalezas y/o debilidades de aprendizaje, sino que proveen un indicador importante de la tendencia de un aprendiz a preferir tareas asociadas a las cuatro dimensiones que presenta el modelo. Esta es la importancia del modelo, por ejemplo, aprendices clasificados como sensitivos tienen una probabilidad mayor a fortalezas asociadas con la sensitividad y la falta de fuerza asociada con la intuición que los estudiantes clasificados como intuitivos.
❖ Las experiencias educativas de un aprendiz pueden afectar las preferencias de estilo de aprendizaje. Si, por ejemplo, un aprendiz altamente sensitivo, toma un curso diseñado en habilidades intuitivas, el nivel de comodidad del mismo con la conceptualización abstracta puede aumentar y su tendencia a la sensitividad puede disminuir en consecuencia.
El objetivo de identificar los estilos de aprendizaje no es etiquetar a los estudiantes individuales y modificar la instrucción para que se ajuste a sus etiquetas, de acuerdo a los críticos de Felder, que no pueden demostrar científicamente sus afirmaciones como intenta Kirshner demostrar sin fundamentos esta afirmación (Kirschner, 2017). Sino que científicamente está demostrado que puede haber un mayor aprendizaje cuando los estilos de enseñanza coinciden con los estilos de aprendizaje que cuando se combinan incorrectamente (Felder & Spurlin, 2005; Feldman, Monteserin, & Amandi, 2016; Pestana & Mart, 2012; Puello et al., 2014; Rocha & Garzuzi, 2015).
estilo de aprendizaje, por lo que no estarían demasiados incómodos para aprender con eficacia, y en contraparte, un estilo que satisfaga a las preferencias del otro grupo, de una forma planificada.
Una propuesta que ha demostrado ser adecuada es el uso de Aprendizaje Basado en Proyectos (PBL) (Coll, 2008), que en este contexto, es una manera de poder lograr un equilibrio en el proceso de aprendizaje de los aprendices. Esta propuesta no es nueva, sino un paso más allá del aprendizaje basado en proyectos con la ayuda de las nuevas técnicas de inteligencia artificial para la detección automática de estilos de aprendizaje, que representan un avance importante en un contexto de autonomía y formación.
Aplicación en un contexto de autonomía y formación
La formación continua es un concepto moderno que ha demostrado tener ventajas de flexibilidad, diversidad y accesibilidad en el tiempo y el espacio (Delors et al., 1997) . Con el agregado de las plataformas LMS, y la ayuda de la inteligencia artificial, hay evidencias concretas de que mejora la formación en todos los niveles, especialmente proporcionando personalización a escala a través del desarrollo de sistemas inteligentes que se adapten a las diferencias individuales de los aprendices.
Por ejemplo; en un aula, el uso de herramientas computacionales que implementen técnicas basadas en inteligencia artificial, pueden detectar déficit, sean de comunicación o aprendizaje, y dar retroalimentación en tiempo real a los profesores, para orientar a los aprendices y desarrollar tutorías digitales personalizadas que mejoren la experiencia del aprendizaje. También podría planificarse o re-planificarse contenidos a fin de mejorar la comprensión de los aprendices y de esa manera reducir la deserción. Middle, es la implementación de técnicas aplicadas exitosamente desde años en algunas materias de Ingeniería de Sistemas que ayudaron a reducir en un 30% aproximadamente el nivel de deserción y desaprobación.
Varios estudios creen que este tipo de herramientas van a convertirse en uno de los núcleos del proceso de enseñanza en la educación superior (Carbonell, 1970; Celorrio Aguilera, 2010; Robles & ROBLES, 1997; Silva Sprock, Montaño, & Nuñez, 2010; Stone et al., 2016; Troncoso Pantoja, 2005) ya que ayudarán a mantener los costes al dar servicio a un mayor número de aprendices y permitir que estos desarrollen su carrera exitosamente.
Así también, el surgimiento y rápida difusión de los MOOC ( Massive Open Online Course) y de otros modelos de formación online en los últimos años han logrado expandir el tamaño del aula y dar cabida a miles de aprendices, que pueden ser evaluados más fácilmente con el apoyo de las tecnologías de inteligencia artificial, de manera que la formación está evolucionando hacia un formato semipresencial o de blended learning.
Capítulo 3. Learning Management Systems: Moodle
Hoy en día, las TIC están presentes en todos los procesos que involucran la recopilación de datos, el procesamiento de información y la creación de conocimiento, siendo la enseñanza y el aprendizaje uno de los procesos más típicos que tienen estas características. En este contexto, las TIC tienen una relevancia especial respaldadas por losLearning Management Systems (LMS), plataformas que tienen muchas capacidades siempre que se utilicen en su plenitud. Por ejemplo, interacción, retroalimentación, conversación y trabajo en equipo son algunas de las posibles acciones que utilizan plataformas de aprendizaje. Además, brindan muchas oportunidades para explorar nuevos métodos de enseñanza y aprendizaje.
Existen diferentes expresiones utilizadas para describir aplicaciones informáticas educativas, como los sistemas de aprendizaje electrónico, los sistemas de gestión de aprendizaje (LMS), el sistema de gestión de cursos (CMS) o incluso el entorno de aprendizaje virtual (VLE). En estos sistemas, los aprendices pueden acceder a los contenidos de los cursos en diferentes formatos (texto, imagen, sonido) e interactuar con profesores y/o colegas a través de tableros de mensajes, foros, chats, videoconferencias u otros tipos de herramientas de comunicación.
Además de la dimensión pedagógica, estos sistemas tienen un conjunto de características para registrar, monitorear y evaluar las actividades de los aprendices y docentes, permitiendo la gestión de los contenidos a través de Internet. Una plataforma de aprendizaje electrónico representa un sistema que proporciona soporte integrado para seis actividades diferentes: creación, organización, entrega, comunicación, colaboración y evaluación (Piotrowski, 2010). En una perspectiva técnica, existen diferentes tipos de LMS, algunos de ellos representan soluciones comerciales (como Blackboard / WebCT) y otras soluciones de código abierto (como Moodle). Independientemente del tipo, varios estudios revelaron la existencia de fuertes ventajas en el uso de plataformas de e-learning (Mahmoud, 2008; Moura & Carvalho, 2009).
En el caso de este trabajo, dado al contexto académico en el que se desarrolla y a que es una de las plataformas de código abierto más usadas actualmente, se utiliza la plataforma Moodle que se describe a continuación.
Actividad Módulo Descripción
Creación Base de datos Permite construir, exponer y buscar un banco de entradas de registro acerca de un tema y compartir una colección de datos.
Organización Lecciones Representan un conjunto de temas ordenados resumiendo los materiales instructivos y permite el acceso a ellos a través del link respectivo.
Entregas Tareas Le permite a los educadores
recolectar el trabajo de los
estudiantes, evaluar el trabajo de los estudiantes y proveer
retroalimentación incluso notas, en un modo privado.
Talleres Representan una actividad de evaluación de pares con muchas opciones.
Comunicación Chats Permite conversación síncrona.
Forums Representa una herramienta de comunicación donde los estudiantes y educadores pueden intercambiar ideas enviando comentarios.
Noticias Representa un foro especial para anuncios generales, le permite a los educadores agregar mensajes y enviar mails.
Colaboración Glosario Permite crear y mantener una lista de definiciones y representa un
mecanismo para actividades colaborativas.
Wikis Permite a los usuarios editar páginas web colaborativas y provee espacio para trabajo colaborativo.
Evaluación Elección Permite a los educadores realizar preguntas y especificar respuestas de múltiple elección, representa un mecanismo útil para estimular el pensamiento acerca de un tema.
variedad de preguntas, con diferentes tipos de respuestas, tales como “multiple choice” , verdadero/falso, respuesta corta.
Encuesta Le permite a los educadores reunir la retroalimentación de estudiantes usando cuestionarios
preseleccionados.
Retroalimentación Permite a los educadores crear encuestas para recolectar retroalimentación.
Reusabilidad SCORM Representa especificaciones que permiten interoperabilidad, accesibilidad y reusabilidad de contenido de aprendizaje.
Herramientas externas
Permiten la interacción con recursos conformes y actividades de otros sitios web, provee acceso a nuevos tipos de actividades o materiales.
Tabla 2.Clasificación de actividades de Moodle basada en seis clases (Piotrowski, 2010)
Middle está basado en la estructura computacional que provee Moodle, la cual sistémicamente consiste en un conjunto de funcionalidades agrupadas en dos clases diferentes: recursos y módulos.
Los recursos representan materiales de instrucción que generalmente se crean en formatos digitales y luego se cargan en la plataforma, las páginas web, los archivos de PowerPoint, los documentos de Word, las animaciones flash, los archivos de video y audio representan algunos ejemplos de estos recursos.
Arquitectura de Moodle
Moodle se basa en un sistema de infraestructura LAMP, acrónimo de Linux (sistema operativo), Apache (servidor web), MySQL (base de datos), y PHP (lenguaje de programación) (Büchner, 2016) y una arquitectura de software centrada en datos.
Figura 2. Moodle en un sistema de infraestructura LAMP
Figura 3. Moodle – Arquitectura cliente/servidor
El nivel más bajo de la arquitectura es el sistema operativo. Mientras GNU Linux es la plataforma preferida, otros derivados de Unix como Solaris y AIX son también compatibles, así como Windows y Mac OS X (ver figura 3).
PHP es el lenguaje de programación en el cual Moodle está escrito, acompañado por HTML, Javascript, y CSS. Este es el único componente que no puede ser reemplazado, como en el standard LAMP.
MySQL es la base de datos por elección para la mayoría de las aplicaciones, pero otros sistemas de bases de datos tales como Microsoft SQL Server, Oracle, PostgreSQL y MongoDB son completamente soportados.
Apache ha sido el standard de facto para aplicaciones web a gran-escala, seguido de cerca por Microsoft IIS (Internet Information Services). Ambos servidores web son soportados como cualquier otro, siendo compatible con PHP.
Las tres partes se pueden correr en un mismo servidor; o pueden ser separadas con muchos servidores web balanceados, un cluster de base de datos, y un servidor de archivos; o cualquiera de entre esos extremos.
Como muchos sistemas open source, Moodle está estructurado como un núcleo de aplicaciones, rodeado por numerosos plugins para proveer funcionalidad específica, siguiendo un patrón estructural de microkernel. Está diseñado para ser altamente extensible y personalizable sin modificar las bibliotecas del núcleo, ya que hacerlo crearía problemas cuando se actualiza a una nueva versión. En el apéndice 2se muestra la organización del código y la base de datos de Moodle.
Capítulo 4. Middle
Middle es la propuesta de este trabajo, para mejorar el sistema de gestión de contenido Moodle, tomando como base un plugin en desarrollo denominado Inspire (David Monllaó, 2015).
A través del soporte existente, Middle agrega la posibilidad de definir modelos que combinan indicadores y un objetivo. El objetivo es lo que se quiere predecir y los indicadores es lo que se supone que conducirá a una predicción. Una vez que estén disponibles nuevos datos que coincidan con los criterios definidos por el modelo, Middle provee información que ayuda a identificar el estilo de aprendizaje más probable.
En la Figura 4 se puede observar el diagrama de flujo, involucrando los principales componentes. El modelo es una combinación de indicadores y objetivos, utilizados para la predicción. Definido el modelo (model), el analizador inicia el proceso de recolección de datos, teniendo en cuenta el objetivo (target) y el rango de tiempo definido en el modelo (time splitting). Generadas las muestras, los indicadores (indicator) se encargan de realizar los cálculos correspondientes a su definición, para luego ser unidos por el dataset_manager, que provee el dataset necesario para que los procesadores de predicción (processor) generen las predicciones del modelo.
Arquitectura de MIDDLE
Middle permite a los administradores del sitio configurar las dimensiones de los estilos ( Style dimension), agregando o quitando indicadores, especificando cómo se analiza la dimensión del perfil de los aprendices. Esto les brinda una gran adaptabilidad a diferentes tipos de cursos y les permite probar una variedad de combinaciones de indicadores con los que se quiera evaluar la dimensión elegida, sea “percepción”, “entrada”, “procesamiento” o “comprensión”. Así también, existe una dimensión general, que utiliza la configuración del resto de las dimensiones para mostrar un perfil de aprendizaje general de los aprendices en base a las cuatro dimensiones.
El valor que presenta la dimensión elegida para cada aprendiz va a ser resultado derivado del conjunto de indicadores con los que se configure; el valor que devuelve cada indicador va a estar relacionado con alguna característica que influya en la dimensión correspondiente, analizando los datos obtenidos en base a los estilos de aprendizaje de Felder.
Figura 5. Diagrama de componentes de Middle
A continuación se detallan las clases que componen la arquitectura de Middle.
Analizador (
Analyser
)
Las clases analyser son responsables de crear archivos datasets que serán enviados a los procesadores de predicción. La clase “base” se encarga de la mayoría de las funciones, sin embargo, contiene un método abstracto clave, get_all_samples(), que define lo que es una muestra (sample). Una muestra puede ser cualquier entidad de Moodle: un curso, un usuario, una inscripción, un intento de un quiz, etc. Las muestras no son nada por sí mismas, solo una lista de ids, es cuando se combinan con la clase objetivo y las clases indicador que toman sentido.
Otras responsabilidades de las clases analyser:
❖ Descartar datos inválidos
❖ Filtrar muestras
❖ Incluir el factor tiempo
❖ Pasar los cálculos a los indicadores y clases target
❖ Guardar todos lo cálculos en un archivo
❖ Guardar todos los IDs analizados
una vez que todos los cursos del sitio han sido analizados. Dependiendo del tamaño de los sitios, completar el análisis de todo el sitio podría tomar varias horas, esto es una buena manera de partir el proceso en partes.
Cuando se está diseñando un nuevo analizador se necesita decidir si se quiere extender “~\analyser\by_course” (el analizador procesará una lista de cursos) o “~\analyser\sitewide” (el analizador recibirá sólo un elemento analysable, el sitio).
Middle extiende la funcionalidad del analyser “by_course” en la definición de su analizador, de manera de recolectar las muestras de los aprendices por cada curso que realizó para luego unirlas en un único dataset.
Objetivo (
Target
)
Las clases target definen lo que se quiere predecir y lo calculan con información del sitio. También define las acciones a llevar a cabo dependiendo de las predicciones recibidas.
Los objetivos dependen de los analizadores porque estos les proveen las muestras que necesitan. También definen las acciones que se llevarán a cabo dependiendo de predicciones que se recibieron. Los analizadores son entidades diferentes a los objetivos porque estos pueden ser usados en varios objetivos. Cada objetivo necesita especificar qué analizador está usando.
Una llamada (callback) definida por el objetivo será ejecutada una vez que comiencen a llegar nuevas predicciones así que cada objetivo tendrá control sobre los resultados de predicción.
En el caso de Middle, la definición de los objetivos se basa en las diferentes dimensiones de la visión de Felder, extendiendo la clase target con valores discretos según la dimensión correspondiente. Por ejemplo, para la dimensión percepción, los valores son: “sensitivo alto”, “sensitivo medio”, “sensitivo bajo”, “intuitivo bajo”, “intuitivo medio” y “intuitivo alto”.
Indicador (
Indicator
)
La responsabilidad de los indicadores es simple, hacer un cálculo a partir de una muestra provista. Los indicadores especifican el set de datos mínimos necesario para el cálculo.
“mensajes en cualquiera de los foros del curso”, que podría ser usado en modelos como “Cursos con baja participación”.
Middle implementa un conjunto de indicadores potenciales en base a comportamientos característicos definidos en las diferentes dimensiones de Felder. Esto no implica que un indicador relacionado a la dimensión Percepción no pueda estar relacionado con otra dimensión.
Métodos para dividir el tiempo (
Time splitting
)
En algunos casos el factor tiempo no es importante y solo se clasifica una muestra, pero si en el caso de que se quiera predecir qué ocurrirá en el futuro. Por ejemplo, predicciones acerca de estudiantes en riesgo de abandono, no son útiles una vez que el curso ha terminado o cuando es muy tarde para intervenir. Los indicadores necesitan ser diseñados con esto en mente e incluir indicadores tiempo-dependientes para que los algoritmos de machine learning sean lo suficientemente inteligentes como para evitar mezclar cálculos que pertenecen al principio de un curso con el principio de otro.
Existen varias maneras de dividir el tiempo: semanas, cuartos, octavos, rangos con periodos más largos al principio y más cortos al final. Así también, los rangos pueden ser acumulativos (desde el principio del curso) o solo desde el principio del rango de tiempo.
El proceso de evaluación del modelo itera a través de todos los métodos de división de tiempo (timespliting) y retorna la precisión de predicción para cada uno de ellos.
Para poder obtener un resultado en el momento que se ejecuta un modelo, Middle extiende y utiliza la clase “no_splitting”, de manera que el funcionamiento del plugin no se limite estrictamente al cumplimiento de algún tipo de división temporal. En el caso de que el aprendiz no tenga registros relacionados al modelo ejecutado, se informará que el mismo no presenta datos.
Procesadores de predicción (
Prediction processors
)
Los procesadores de predicción son los backends de machine learning que procesan los datasets generados por los indicadores calculados y los objetivos.
La comunicación entre procesadores de predicción y Moodle es a través de archivos, debido a que estos procesadores pueden ser escritos en PHP, Python, u otros lenguajes o incluso en servicios en la nube.
Modelo de análisis de perfiles de aprendizaje
El propósito de este modelo es proporcionar al formador de un análisis de los perfiles de aprendizaje de los aprendices en una plataforma e-learning, que es en este caso Moodle. El primer eslabón en esta cadena es el usuario, cuando interactúa con el curso del cual participa. Esto lo hace leyendo textos de los módulos de la cursada, realizando ejercicios propuestos, enviando mensajes a sus compañeros de curso, entre otros. Cada vez que el aprendiz realiza alguna de estas acciones, la plataforma genera datos que son almacenados en una base de datos en forma de registros de actividad (también conocidos como logs).
A medida que va pasando el tiempo y los aprendices siguen participando, el volumen de estos registros va aumentando. Luego, una vez que la base de datos tiene una cantidad mínima de datos (por ejemplo, cuando finaliza un curso o una sección), es aceptable comenzar a utilizar los indicadores.
Los indicadores proveen una medición de interacciones específicas de los aprendices con el curso en línea. Para esto, los indicadores realizan consultas a la base de datos (queries de SQL). Estas consultas devuelven un número que puede representar una cantidad de interacciones, el tiempo de dichas interacciones, o también puede ser un número que represente la calidad de dichas interacciones de una manera cuantitativa. Por esta razón, estos números se adaptan a una escala relativa a todas la cursadas, a los máximos y mínimos observados en todos los aprendices. La salida de los indicadores por otro lado será siempre siguiendo el mismo standard, un número comprendido entre “0” y “1”, para darles reusabilidad en diferentes dimensiones de la personalidad que se analizan a continuación. Por ejemplo, en la dimensión Percepción, “1” sería Intuitivo Alto y “0” Sensitivo Alto.
Las dimensiones del perfil de aprendizaje son cuatro. Cada dimensión, es un eje donde la inclinación hacia un extremo u otro describe la preferencia de aprendizaje de un perfil, en esa dimensión. Este número oscila en un rango que depende de los diferentes valores normalizados provistos por los indicadores, permitiendo así reducir la influencia de los casos extremos sobre la media.
¿Qué se define como una muestra?
Lo que es una muestra (sample) está definida por el analizador en base al analizable. Un analizable puede ser una inscripción, un curso, un usuario, un intento de pregunta; en otras palabras, es sobre lo que se van a basar los cálculos de los indicadores, teniendo en cuenta un objetivo.
De esta manera, el analizador se encarga de obtener todas las muestras en base al analizable, obteniendo una doble lista con los “samplesid” y los “salmplesdata”(donde se almacenan los datos de cada muestra).
En este trabajo, se utiliza como analizables los cursos, de manera que los “sampleid” son los id de las matriculaciones de los aprendices en los cursos. Hay que tener en cuenta que un aprendiz, puede tener más de un “sampleid” si realizó más de un curso.
En “samplesdata” se almacenan los datos del usuario, del curso y del contexto, relacionados a esa muestra, agrupándolos por curso.
$samplesdata[$sampleid]['user'] = $user;
$samplesdata[$sampleid]['course'] = $coursemodinfo->get_course();
$samplesdata[$sampleid]['context'] = $coursecontext;
Cada indicador se va a encargar de realizar los cálculos correspondientes para los “samplesid” que recibe como parámetro, devolviendo para cada “sample” un valor dentro del rango [0 - 1].
En la definición de los diferentes indicadores, hay que tener en cuenta que los mismos van a ser llamados no solamente por cada aprendiz, sino también tantas veces como cursos haya realizado ese aprendiz.
Clasificación de los recursos/actividades
Para poder analizar el comportamiento de los aprendices en la plataforma, no solamente es necesario conocer las estructuras que se pueden proponer, sino también conocer el tipo de recursos/actividades que plantea el docente. Dado a que no se puede conocer todos los tipos de recursos que puede llegar a tener un curso, se propone una clasificación de los mismos a través de un código que se puede asignar en el campo “Id Number” en la creación del recurso y que debe ser completada necesariamente para el funcionamiento de los indicadores de Middle.
El código está compuesto por 5 pares letra-número, que indican diferentes características del recurso. Por ejemplo, el código “I7S1T2R2E1” representaría:
❖ I7: Hace referencia al identificador de recurso. Este valor es necesario para poder diferenciar un recurso de otro, no puede darse que se repita el mismo código en dos recursos diferentes.
❖ S1: Hace referencia a que el recurso pertenece a la sección 1 del curso.
❖ T2: Hace referencia a que el recurso está comprendido en el tema 2 del curso.
❖ R2: Hace referencia al tipo de recurso, en este caso, una ejercitación. Las opciones son R1, R2 o R3. (R1= Teoría, R2= Ejercitación, R3= Información general del curso).
❖ E1: Hace referencia al estilo del recurso. Las opciones son E1, E2, E3 o E4. (E1= Textual, E2= Auditivo, E3= Multimedial, E4= Otro estilo).
Con esta clasificación propuesta, no solo se asegura tener un único identificador por recurso, sino también aprovechar el identificador para obtener información enriquecida del mismo.
Especificación de las dimensiones e indicadores propuestos
A continuación se encuentra una descripción completa de las dimensiones con diferentes indicadores propuestos para las mismas. Así también, en el apéndice 5 se encuentran las especificaciones de las tablas utilizadas.
DIMENSIÓN PERCEPCIÓN
¿Qué tipo de información perciben preferentemente los aprendices?
En sus escritos Carl Jung introdujo la idea de que por medio de los sentidos o de la intuición las personas tienden a percibir el mundo (Alvarez Gómez et al., 2006) . Los sensitivos involucran la observación y la obtención de datos a través de los sentidos. Los intuitivos realizan la percepción de manera indirecta a través de especulaciones subconscientes, imaginación y presentimientos. Aunque todos utilizamos los dos tipos, la mayoría de las personas tienden a favorecer el uso de un estilo, sobre el otro.
Entonces, un aprendiz sensitivo prefiere aprender con hechos, son más pacientes, cuidadosos y buenos en memorizar, a menudo le gusta resolver problemas con métodos bien establecidos, sin complicaciones ni sorpresas. El aprendiz intuitivo prefiere lo conceptual y teórico a lo concreto, se siente más confortable con abstracciones y formulaciones matemáticas, les gusta la innovación, trabajar rápido y les disgusta la repetición.
Indicador View Actions
Este indicador captura el porcentaje de lecturas que hizo cada usuario en promedio en los cursos que participó, teniendo en cuenta la proporción de recursos/actividades que vió de cada módulo. Un aprendiz sensitivo tiende a interactuar con la mayoría de los recursos/actividades, mientras que un aprendiz intuitivo tiende a dejar de ver algunos recursos/actividades suponiendo que ya entendió los conceptos del módulo. En otras palabras, el indicador puede informar el grado de intuitividad o sensitividad que tiene cada usuario en base a la cantidad de lecturas que tiene en su registro de actividades. Un usuario que registra una gran cantidad de lecturas está asociado a un perfil sensitivo, porque necesita leer la mayor cantidad de recursos/actividades, para obtener los suficientes hechos que él necesita para su estilo de aprendizaje. El intuitivo, en cambio, dado a que prefiere más lo conceptual y teórico a lo concreto, y trabajar más rápido, se asocia más a un usuario con poca cantidad de lecturas de recursos/actividades.
Para que el indicador pueda realizar los cálculos correspondientes y obtener un resultado en relación a la cantidad de vistas que tiene un aprendiz se necesitan obtener los siguientes valores:
❖ Máximo de la cantidad de recursos/actividades vistos en un curso:
➢ Para realizar esta consulta, se toma la tabla que registra todas las acciones de los usuarios, donde se seleccionaron todas las acciones de vista o revisión y se las agrupa por id de usuario. De esta selección se cuenta la cantidad de acciones por usuario y se toma el máximo de entre ellos.
➢ En esta consulta se utilizan las siguientes tablas: ■ mdl_logstore_standard_log
■ mdl_user
❖ Cantidad de recursos/actividades vistos por un aprendiz en un curso:
➢ De la tabla de registros de actividad se toman todos los registros de actividad del tipo “vista” (view) o “revisión” (review). De ese conjunto de registros se los agrupa por nombre de usuario y se devuelve el resultado de las sumas combinadas de esos tipos de acciones, para cada usuario.
➢ En esta consulta se utilizan las siguientes tablas: ■ mdl_logstore_standard_log
■ mdl_user
A través de estos valores se puede establecer un valor entre [0-1], que establece el grado de eventos “view” que tuvo un aprendiz con respecto al máximo número de eventos “view” que tuvo un usuario, con rol “estudiante”, en ese curso.
Un valor bajo de este indicador permite reconocer un aprendiz que no está interactuando mucho con la plataforma. Esto puede ser normal en un perfil intuitivo; sin embargo, un valor muy bajo de este indicador no es recomendable, no solo por el hecho de que el aprendiz no interactúe con todos los contenidos del curso, sino también por el grado de atención y compromiso del mismo. Es por esto que si un aprendiz presenta un muy bajo valor de este indicador, es recomendable incentivar su participación en el curso, esto se puede lograr, por ejemplo, enviando un mensaje privado al aprendiz, consultando por su grado de avance con el curso, como así también, publicando un mensaje general llamando la atención para que los aprendices analicen su grado de avance.
Indicador Exercise Actions