Resumen de Modelo bayesiano adaptativo del alumno en repositorios en objetos de aprendizaje
Cristina Carmona Márquez
RESUMEN: En esta tesis se trabaja con un tipo especial de Sistema Hipermedia Educativo (SHE): los repositorios de objetos de aprendizaje, que permiten a aplicaciones diferentes compartir, clasificar, buscar y reutilizar recursos educativos. En un SHE el modelo del dominio contiene la información sobre los conceptos que se van a estudiar y el modelo del alumno los datos disponibles sobre el alumno. Ambos modelos son necesarios para implementar la adaptación de los contenidos a un alumno. A medida que el número de recursos disponibles en la web ha ido aumentando, los SHE han evolucionado tratando de mejorar los procedimientos de adaptación con el fin de proporcionar al alumno los contenidos más adecuados.
El modelo propuesto en esta tesis se aplica en un escenario en el que el alumno tiene muchas opciones para elegir y no es capaz de encontrar lo que busca. En este caso, el sistema puede recomendarle aquellos objetos de aprendizaje que son más apropiados, basándose en su nivel de conocimiento, su estilo de aprendizaje y sus preferencias.
El procedimiento de adaptación en este escenario combina el conocimiento del experto con los datos obtenidos durante la Interacción con el alumno. En primer lugar, el experto debe organizar el repositorio de objetos de aprendizaje. Esta tarea se realiza a través de una herramienta de autor que permite: organizar los conceptos que se explican en le repositorio; asociar cada concepto con los objetos de aprendizaje que lo explican; definir relaciones entre las características de los objetos de aprendizaje (definidas por el estándar IEEE-LOM) y los diferentes estilos de aprendizaje (definidos según el modelo de Felder y Silverman); etc. Con esta información, el sistema construye el modelo de conocimiento y de estilo de aprendizaje iniciales (que se implementan usando redes bayesianas) y crea reglas que determinan si un objeto de aprendizaje es apropiado para un determinado estilo de aprendizaje. A partir de estas reglas se generan datos que se usan para aprender un modelo de decisión. El aprendizaje del modelo inicial se realiza con un clasificador Naíve Bayes. Se ha implementado un algoritmo de aprendizaje incremental que permita extender este modelo a otros más complejos. En cada paso el modelo es el clasificador fc-DBC que mejor se adapta a los datos disponibles.
Este modelo inicial del alumno se podrá ir retinando utilizando la información proporcionada por la interacción del alumno con el sistema. Asi, cada vez que el alumno responda a una pregunta de test, se añadirá la respuesta como evidencia al modelo de conocimiento disparando asi el mecanismo de propagación en la red bayesiana. Por otro lado, cada vez que el alumno seleccione un objeto de aprendizaje, se utilizará el algoritmo de actualización secuencial para la adaptación de los parámetros. Este algoritmo incorpora la información proporcionada por la interacción del alumno en el modelo bayesiano de estilo de aprendizaje, retinando cada vez las creencias inferidas sobre el estilo de aprendizaje del alumno. En cuanto al modelo de decisión, se utiliza la plataforma Adaptive Prequential Leaming Framework (AdPreqFr4SL) para el aprendizaje de clasificadores bayesianos, que utilizan algoritmos adaptativos para modificar el modelo, de forma que sea capaz de ajustarse a los cambios en el comportamiento del alumno. Las principales características de AdPreqFr4SL son su habilidad para mejorar la precisión de la capacidad predictiva a medida que se van teniendo nuevos datos y su capacidad para detectar y reaccionar ante cambios en las preferencias del alumno.
El modelo del alumno integral, formado por todos los sub-modelos, ha sido evaluado utilizando alumnos simulados. Los resultados de la evaluación demuestran que cada modelo mantiene una representación bastante precisa de las características del alumno que está modelando. Además, en el caso del modelo de decisión, en los escenarios donde se produce cambios el comportamiento de alumno, el rendimiento del modelo mantiene un nivel aceptable.
