TIC para la educaciónsistema adaptativo basado en mecanismos de aprendizaje automático para la apropiación de tecnologías en estudiantes de educación media

  1. Otero, Andrea
  2. Rivera, Wilfred
  3. Pedraza, Camilo
  4. Canay, José Raúl
Revista:
Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales

ISSN: 1317-0570

Ano de publicación: 2019

Volume: 21

Número: 3

Páxinas: 526-543

Tipo: Artigo

DOI: 10.36390/TELOS213.03 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Outras publicacións en: Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales

Resumo

La investigación presenta un enfoque basado en analítica de datos y mecanismos de aprendizaje automático integrado a una de las plataformas digitales de aprendizaje más usadas en el mundo (open EDX) como aporte al mejoramiento de los procesos de aprendizaje en estudiantes de educación media de municipios de Colombia. Metodológicamente con base en Creswell y Plano Clark (2007) y Clements et al. (2017), se construyó un sistema que posibilita la recomendación de contenidos educativos adecuados a las características individuales de estudiantes teniendo en cuenta las limitaciones en el uso y apropiación social de las tecnologías en las instituciones educativas, se realizaron entrevistas con docentes y grupos focales con estudiantes de grados 10 y 11 de media vocacional; como resultado se generó una propuesta de arquitectura funcional que permite la generación de recomendaciones iniciales de contenidos administrados según el desempeño de los estudiantes y las características propias del territorio.

Referencias bibliográficas

  • Acosta, Julio César., La Red Martínez, David. y Primorac, Carlos. (2018). Determinación de Perfiles de Rendimiento Académico En La UNNE Con Minería de Datos Educacional Facultad de Ciencias Exactas y Naturales y Agrimensura. In XX Workshop de Investigadores En Ciencias de La Computación (WICC 2018, Universidad Nacional Del Nordeste). Corrientes, Argentina.
  • Anacona, Fabian., Solarte, Mario. y Ramírez, Gustavo. (2017). Discovery of Navigation Patterns in Open EdX – An Architectural Approach. Revista Ingeniería e Innovación RIINN. Volumen 5, No. 1. Colombia (Pp. 43–50).
  • Avello Martínez, Raidell., y Duart, Josep M. (2016). Nuevas Tendencias de Aprendizaje Colaborativo En E-Learning: Claves Para Su Implementación Efectiva. Estudios Pedagógicos. Volumen 42, No. 1. Chile (Pp. 271–82).
  • Birjali, Marouane., Beni-Hssane, Abderrahim. y Erritali, Mohammed. (2018). A Novel Adaptive E-Learning Model Based on Big Data by Using Competence-Based Knowledge and Social Learner Activities. Applied Soft Computing. Volumen 69. Marruecos (Pp. 14–32).
  • Bradac, Vladimir. y Walek, Bogdan. (2017). A Comprehensive Adaptive System for E-Learning of Foreign Languages. Expert Systems with Applications. Volumen 90. República Checa (Pp. 414–26).
  • Clements, Paul., Bachmann, Felix., Bass, Len., Garlan, David., Ivers, James., Little, Reed., Merson, Paulo., Nord, Robert. y Stafford, Judith. (2017). Documenting Software Architecture Views and Beyond (Segunda edición). Editorial Addison-Wesley. Estados Unidos.
  • Collado Sánchez, Alma. (2014). Sistema de Recomendación de Recursos Basado En Filtrado Colaborativo Para La Plataforma EdX. Proyecto fin de carrera. Ingeniería técnica de telecomunicaciones, especialidad en telemática. Universidad Carlos III de Madrid. España.
  • Creswell, John W. y Plano Clark, Vicki L. (2007). Designing and Conducting Mixed Methods Research. Editorial SAGE Publications. Estados Unidos.
  • Cuong, Nguyen Dinh Hoa., Arch-Int, Ngamnij. y Arch-Int, Somjit. (2018). FUSE: A Fuzzy-Semantic Framework for Personalizing Learning Recommendations. International Journal of Information Technology & Decision Making. Volumen 17. No. 04. Tailandia (Pp. 1173-1202).
  • Departamento Nacional de Planeación. (2014).Reporte. Conpes 173: Lineamiento Para La Generación de Oportunidades Para Los Jóvenes. Bogotá D.C., Colombia.
  • Duque Méndez, Néstor Darío., Rodríguez Marín, Paula A. y Ospina Herrán, Alejandra. (2018). Recomendación de Estrategias de Aprendizaje Personalizadas Basadas En El Test de CHAEA Recommendation of Customized Learning Strategies Based on the CHAEA. Scientia et Technica. Volumen 23. No. 02. Colombia (Pp. 222–29).
  • Felder, Richard M. y Silverman, Linda K. (1988). Learning and Teaching Styles in Engineering Education. Engineering Education. Volumen 78. Estados Unidos (Pp. 674–81).
  • Galarza Hernández, Javier. (2017). Reducción de Dimensionalidad En Machine Learning.Tesis de grado. Título de grado en Ingeniería de Tecnologías y Servicios de Telecomunicaciones. Universidad Politecnica de Valencia. España.
  • Gope, Jyotirmoy. y Jain, Sanjay Kumar. (2018). A Learning Styles Based Recommender System Prototype for EdX Courses. International Conference On Smart Technology for Smart Nation, SmartTechCon 2017. Bengaluru, India.
  • Guanín, Jorge., Díaz, Raúl. y Oviedo, Byron. (2019). Descubrimiento de Reglas de Clasificación Para Estudiantes Que Se Inscriben Del Bachillerato a Carreras Universitarias. Universidad y Sociedad. Volumen 11. No. 2. Ecuador (Pp. 220–26).
  • Guerrero Cordoba, Fredy Mauricio., Otero Cano, Andrea., Duran Dorado, Diego Fabian. y Arciniegas Herrera, Jose Luis. 2016. Método Computacional Para La Identificación de Funciones de Pertenencia En Entornos de Lógica Difusa. 2016 IEEE 11th Colombian Computing Conference (CCC). Popayán, Colombia.
  • Hernández Sampieri, Roberto., Fernandez Collado, Carlos. y Baptista Lucio, Maria del Pilar. (2010). Metodolodía de La Investigación (Quinta edición). Editorial McGraw-Hil. México.
  • Howard, Sarah K., Ma, Jun. y Yang, Jie. (2016). Student Rules: Exploring Patterns of Students’ Computer-Efficacy and Engagement with Digital Technologies in Learning. Computers and Education. Volumen 101. Australia (Pp. 29–42).
  • Klašnja-Milićević, Aleksandra., Ivanović, Mirjana., Vesin, Boban. y Budimac, Zoran. (2018). Enhancing E-Learning Systems with Personalized Recommendation Based on Collaborative Tagging Techniques. Applied Intelligence. Volumen 48. No. 6. Serbia (Pp. 1519-1535).
  • Li, Ling Xiao. y Abdul Rahman, Siti Soraya. (2018). Students ’ Learning Style Detection Using Tree Augmented
  • Naive Bayes. Royal Society Open Science. Extraído de https://royalsocietypublishing.org/doi/10.1098/rsos.172108 consulta 05/01/2019.
  • Ministerio TIC. (2016).Informe. Informe de Gestión Al Congreso de La República 2015. Ministerio TIC Colombia. Colombia.
  • Núñez-Valdez, Edward Rolando., Quintana, David., González Crespo, Ruben., Isasi, Pedro. y Herrera-Viedma, Enrique. (2018). A Recommender System Based on Implicit Feedback for Selective Dissemination of Ebooks. Information Sciences. Volumen 467. España (Pp. 87–98).
  • Nye, Benjamin D. (2015). Intelligent Tutoring Systems by and for the Developing World: A Review of Trends and Approaches for Educational Technology in a Global Context. International Journal of Artificial Intelligence in Education. Volumen 25. No. 2. Estados Unidos (Pp. 177–203).
  • Open edX Developer’s Guide. (2018). Open EdX Architecture. Extraído de https://edx.readthedocs.io/projects/edx-developer-guide/en/latest/architecture.html consulta 05/02/2019.
  • Pereira, Crystiam Kelle., Campos, Fernanda., Ströele, Victor., David, José Maria N. y Braga, Regina. (2018). BROAD-RSI – Educational Recommender System Using Social Networks Interactions and Linked Data. Journal of Internet Services and Applications. Volumen 9. No. 7. Brasil (Pp. 1-28).
  • Pereira Perez, Zulay. (2011). Los Diseños de Método Mixto En La Investigación En Educación : Una Experiencia Concreta Mixed Method Designs in Education Research : A Particular Experience. Revista Electrónica Educare. Volumen 15. No. 1 Costa Rica (Pp. 15-29).
  • Ramírez-Montoya, María Soledad. y García-Peñalvo, Francisco José. (2017). Presentación. La Integración Efectiva Del Dispositivo Móvil En La Educación y En El Aprendizaje. RIED. Revista Iberoamericana de Educación a Distancia. Volumen 20. No 2. México (Pp. 29-47).
  • Sabino, Carlos. (2003). El Proceso de Investigación. Editorial Panapo, Venezuela.
  • Sanchez-anguix, Victor., Chalumuri, Rithin. y Julian, Vicente. (2019). A Multi-Objective Evolutionary Proposal for Matching Students to Supervisors. Springer International. Volumen 800. España (Pp. 94–102).
  • scikit-learn documentation. (2018). Sklearn.Model_selection.Cross_validate. Extraído de https://scikit-learn.org/stable/modules/cross_validation.html#cross-validation consulta 06/02/2019.
  • Surprise documentation. (2015). Matrix Factorization-Based Algorithms. Extraído de https://surprise.readthedocs.io/en/stable/matrix_factorization.html consulta 06/02/2019.
  • Tahmasebi, Mohammad., Ghazvini, Faranak Fotouhi. y Esmaeili, Mahdi. (2018). Implementation and Evaluation of a Resource-Based Learning Recommender Based on Learning Style and Web Page Features. Journal of Web Engineering. Volumen 17. No. 4. Irán (Pp. 284–304).
  • Trifa, Amal., Hedhili, Aroua. y Lejouad Chaari, Wided. (2019). Knowledge Tracing with an Intelligent Agent, in an e-Learning Platform. Education and Information Technologies. Volumen 24. No. 1. Túnez (Pp. 711–41).
  • Udupi, Prakash Kumar., Malali, Puttaswamy. y Noronha, Herald. (2016). Big Data Integration for Transition from E-Learning to Smart Learning Framework. 2016 3rd MEC International Conference on Big Data and Smart City (ICBDSC). Mascate, Omán.
  • UNFPA Colombia. (2016). Día Mundial de Población: Foro ‘Invertir En Jóvenes Como Condición Para Una Paz Duradera En Colombia.’ Extraído de https://colombia.unfpa.org/es/noticias/día-mundial-de-población-foro-“invertir-en-jóvenes-como-condición-para-una-paz-duradera-en consulta 01/04/2019.
Fonte de datos: Dialnet