Resumen de Propuesta de un agente inteligente para la secuenciación automática de contenido docente adaptado en base a competencias
- español
El proceso de creación de contenidos docentes usando objetos docentes reutilizables puede descomponerse en dos subprocesos: Búsqueda de objetos docentes y secuenciación de objetos docentes, La secuenciación es generalmente realizada por instructores, que crean cursos para perfiles genéricos en lugar de contenido personalizado. Esta tesis doctoral propone un nuevo modelo de información para enmarcar ambos procesos y una aproximación evolutiva para automatizar el segundo proceso, mientras que simultáneamente, impulsa la reutilización y la interoperabilidad promocionando el uso de estándares. Se propone un modelo que posibilita la secuenciación curricular automática. Por medio de registros interoperables de competencias y de metadatos asociados a los objetos docentes, el problema de secuenciación queda transformado en un problema de satisfacción de restricciones. Se presentan el diseño, construcción y pruebas, tanto en entornos reales como simulados, realizadas con dos agentes inteligentes creados para resolver el problema. Se trata de un agente que emplea la técnica de optimización mediante enjambre de partículas y de otro que emplea un algoritmo genético. Los resultados muestran que ambos agentes tienen éxito en todos los casos de pruebas, y que manejan razonablemente la complejidad computacional inherente a este problema, pero el agente mediante enjambre de partículas ofrece mejor rendimiento que el agente mediante algoritmo genético.
- English
The process of creating e‐learning contents using reusable Learning Objects (LOs) can be broken down in two sub‐processes: LOs finding and LO sequencing. Sequencing is usually performed by instructors, who create courses targeting generic profiles rather than personalized materials. This doctoral dissertation proposes an information model to frame the both processes and an evolutionary approach to automate this latter problem while, simultaneously, encourages reusability and interoperability by promoting standards. A model that enables automated curriculum sequencing is proposed. By means of interoperable competency records and LO metadata, the sequencing problem is turned into a constraint satisfaction problem. Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) agents are designed, built and tested in real and simulated scenarios. Results show both approaches succeed in all test cases, and that they handle reasonably computational complexity inherent to this problem, but PSO approach outperforms GA.
