Resumen de Propuesta de una metodología de aplicación de técnicas de descubrimiento del conocimiento para la ayuda al estudiante en entornos de enseñanza superior
César Augusto Vialardi Sacín
Uno de los principales problemas para el estudiante de una universidad es la toma de decisiones adecuadas con respecto a su itinerario académico, es decir, en qué asignaturas matricularse: de ellas dependen, en gran medida, su futuro universitario y en muchos casos profesional. Aún si el plan de estudios restringe la optatividad, el estudiante suele tener cierta libertad para elegir cuándo cursar ciertas asignaturas, o en cuántas asignaturas matricularse por período académico. Sin embargo, hoy por hoy, el alumno muchas veces carece del apoyo necesario para orientarse entre las diferentes variables en juego que se presentan ante de una elección de esta naturaleza. Algunas universidades ofrecen la posibilidad de que los estudiantes soliciten la asesoría de un docente (quien tiene la experiencia de matrículas anteriores). Sin embargo, en la mayoría de las universidades el uso de tecnología ha llevado a efectuar los proceso de matrícula a través de Internet. De este modo, en gran parte de los casos el estudiante realiza la matrícula individualmente, por lo que el proceso queda a expensas de su experiencia y de la información disponible. Lamentablemente, la experiencia demuestra que ni la una ni la otra resultan suficientes. El alumno promedio no relaciona el tiempo, el esfuerzo y su nivel intelectual con los requisitos mínimos implícitos dentro de una asignatura o una combinación de ellas, a fin de culminarla con éxito. El criterio elegido por él para tomar la decisión, en cambio, suele estar relacionado con la velocidad con la que quiere terminar sus estudios. Además, por el lado de la información, si bien es cierto que la Universidad en general proporciona toda la información cuantitativa necesaria (es decir,cursos hábiles, secciones, horarios, aulas y profesores), existe una información cualitativa que está implícita en las experiencias previas de los estudiantes (es decir, en las matrículas que se han efectuado anteriormente y en los resultados derivados de ellas) que no se aprovecha.
Por otro lado, las instituciones deben tender a preservar el conocimiento necesario para su funcionamiento fuera de personas individuales. En este caso particular, las universidades deben evitar que el conocimiento derivado de la experiencia de años de matrículas se pierda cuando un%&/docente deja la institución. Para ello es necesario crear modelos que hagan explícito este conocimiento y permitan utilizarlo de forma sistemática. La presente propuesta busca resolver esta problemática. En particular, intenta cubrir el vacío que se genera cuando el estudiante realizar la matrícula sin un adecuad asesoramiento. La línea más importante de esta investigación es, por tanto, la adquisición de conocimiento a partir del rendimiento académico de un grupo de estudiantes, con la finalidad principal de que nuevos estudiantes que vayan a cursar las mismas asignaturas puedan usar las experiencias anteriores con miras a obtener mejores resultados en su itinerario académico. En otras palabras, nuestro primer objetivo es facilitar una adecuada visión del comportamiento y rendimiento del grupo de estudiantes en una determinada carrera universitaria y, al mismo tiempo, proporcionar recomendaciones que aumenten la efectividad y la pertinencia de las decisiones sobre las asignaturas en que los alumnos buscan matricularse. Para ello se propone una metodología a través de la cual se pueden desarrollar modelos que sistematicen el conocimiento implícito en los datos de anteriores matrículas. A partir de este modelo se pueden implementar herramientas, idealmente integradas a sistemas de matrícula vía Web actualmente existentes, cuya función será predecir la conveniencia de cursar una asignatura específica para un estudiante determinado, sobre la base de los resultados obtenidos por estudiantes con rendimientos académicos similares que hayan cursado antes dicha asignatura. Este sistema automático de asesorías, similar a un sistema de recomendación colaborativo, usa un motor de recomendaciones basado en técnicas de minería de datos. Los sistemas de recomendación colaborativos son agentes que sugieren opciones para que el usuario pueda elegir entre ellas. Están basados en la idea de que individuos con los mismos gustos suelen seleccionar o preferir lo mismo. Son altamente aceptados y ofrecen buenos resultados para una gran cantidad de aplicaciones. En el ámbito de la educación, particularmente, estos sistemas,de manera inteligente, tratan de sugerir acciones a los estudiantes a partir de otras anteriores de estudiantes con las mismas características, ya sea académicas, demográficas o personales [Zaia-02]. En el presente trabajo, se propone una metodología basada en preparación de datos y enminería de datos, como ya se mencionó, con la finalidad de ofrecer a los estudiantes elementos clave para que las decisiones relativas al itinerario académico se realicen sobre la base del rendimiento académico de alumnos con un perfil similar, lo que optimizaría su rendimiento académico.
La investigación se ha concentrado en la experimentación usando datos reales, particularmente labase de matrículas de la Facultad de Ingeniería de Sistemas de la Universidad de Lima, acumuladasdesde su creación (año 1991) hasta el presente. De esta forma la propuesta metodológica, queentre otros aspectos considera la utilización de atributos específicos para este dominio deaplicación, está basado en una rigurosa experimentación que proporciona resultados quecomprueban la utilidad y eficacia de los sistemas de filtrado colaborativo clásicos basados enmemoria, de la incorporación de los atributos sintéticos de potencial y dificultad, de lamanipulación del dominio de aplicación con la finalidad de crear conjuntos de clasificadores cuyaeficiencia con respecto a los clásicos se comprueba estadísticamente. Por último, el objetivo finales proporcional una herramienta basada en un técnica eficiente que permita proporcionar una mejor recomendación a cada usuario.
