Identificación automática de estilos de aprendizaje en estudiantes de educación superior

Guillermo Mario Arturo Salazar Lugo, Ramona Imelda García López, Jorge Arturo Balderrama, Lorenia Cantú Ballesteros

Resumen


El objetivo del estudio es desarrollar un modelo para identificar estilos de aprendizaje en estudiantes de educación superior mediante el análisis de rastros de comportamiento en un LMS, un Sistema Gerencial de Aprendizaje abierto. Esta investigación por su alcance es pre-experimental con un diseño metodológico correlacional de tipo transversal. El procedimiento seguido consta de cinco pasos. Primero se implementó un curso en LMS abierto que permitiera medir características relevantes en la identificación de estilos de aprendizaje. Después se generó un modelo de estudiante basado en el comportamiento y estilos de aprendizaje. Posteriormente, se identificó la relación entre el comportamiento de estudiantes mientras usan un LMS abierto y su estilo de aprendizaje. Finalmente se generó un modelo de clasificación basado en árbol de decisión autogenerado y se validó la precisión del mismo. En el estudio participaron 84 estudiantes de educación superior de las carreras asociadas a las ciencias de la computación e informática de una universidad del sur de Sonora. La elección de la muestra se realizó de manera no probabilística por conveniencia. Se encontró que los estilos visual, equilibrado y sensitivo pueden predecirse correctamente en el 75% de los casos. Se recomienda incrementar la cantidad de estudiantes en estudios futuros, así como mejorar los criterios de clasificación de los distintos tipos de materiales.

Texto completo:

PDF

Referencias


Arnove, R. (2009). World-Systems Analysis and Comparative Education in the Age of Globalization. In R. Cowen & A. Kazamias (Eds.), International Handbook of Comparative Education (Vol. 22, pp. 101-119): Springer Netherlands.

Biggs JB (1987). Student approaches to learning and studying. Research Monograph. Australian Council for Educational Research Ltd., Radford House, Frederick St., Hawthorn 3122, Australia.

Bousbia N.,RebaI I., Labat J. & Balla, A. (2010). Analysing the relationship between learning styles and navigation behaviour in web-based educational system. Knowl Manag E Learn 2(4):400–421

Carver CA Jr, Howard R. & Lane W. (1999). Enhancing student learning through hypermedia courseware and incorporation o f student learning styles. I EEE Tr ans Educ 42(1):33–38

Corbett, T., Koedinger, R., & Anderson, R. (1997). Intelligent tutoring systems. Handbook of humancomputer interaction, 849-874.

Crockett K. Latham A. Mclean D. Bandar Z. y O’Shea J. (2011). On predicting learning styles in conversational intelligent tutoring systems u sing fuzzy classification trees. In: IEEE international conference on fuzzy systems, pp 2481–2488

Dabbagh, N. & Kitsantas A. (2012). Personal Learning Environments, social media, and self-regulated learning: A natural formula for connecting formal and informal learning. The Internet and higher education, 15(1), 3-8.

Darling-Hammond, L. (2008). Teacher learning that supports student learning. Teaching for intelligence, 2, 91-100.

Dung P. y Florea A. (2012). A literature-based method to automatically detect learning styles in learning management systems. In: Burdescu DD. Akerkar R. Badica C. (eds) WIMS, ACM, p 46

Felder, R. (2010). Are learning styles invalid? (hint: No!). On Course Newsl

Felder, R. & Silverman, L. (1988). Learning and teaching styles in engineering education. Engineering education, 78(7), 674-681.

Felder, R. & Spurlin, J. (2005). Applications, reliability and validity of the index of learning styles. International journal of engineering education, 21(1), 103-112. Recuperado de https://wss.apan.org/jko/ mls/Learning%20Content/ILS_Validation(IJEE).pdf

Feldman, J., Monteserin, A., & Amandi, A. (2014). Automatic detection of learning styles: state of the art. Artificial Intelligence Review. doi: 10.1007/s10462- 014-9422-6

García P., Amandi A., Schiaffino S. y Campo M. (2007). Evaluating bayesian networks’ precision for detecting students’ learning styles. Comput Educ 49(3):794–808

García P. Schiaffino SN. y Amandi A. (2008). An enhanced bayesian model to detect students learning styles in web-based courses. J Comput Assist Learn 24(4):305–315. doi:10.1111/j.1365- 2729.2007.00262.x

Gardner, H. (1993). Inteligencias Múltiples. Barcenola, España: Paidós.

Giraffa, L., Nunes, M., & Viccari, R. (1997). Multi-ecological: an learning environment using multi-agent architecture. Multia-Agent System: Theory and Application Proceedings.

Gomes, A., & Mendes, A. J. (2007). Learning to program-difficulties and solutions. Paper presented at the International Conference on Engineering Education–ICEE.

Graesser, A. C., Conley, M. W., & Olney, A. (2012). Intelligent tutoring systems.

Hannafin, M. J., Hill, J. R., & Land, S. M. (1997). Student-Centered Learning and Interactive Multimedia: Status, Issues, and Implications. Contemporary Education, 68(2), 94-97.

Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2010). Metodología de la investigación. México: Editorial Mc Graw Hill.

Jegatha Deborah, L. (2014). Intelligent agent based learning and evaluation system using learning styles identification.

Jenkins, T. (2002). On the difficulty of learning to program. Paper presented at the Proceedings of the 3rd Annual Conference of the LTSN Centre for Information and Computer Sciences.

Kolb, D. (1984). Experiential learning: Experience as the source of learning and development (Vol. 1): Prentice-Hall Englewood Cliffs, NJ.

Latham A., Crockett K., McLean D. & Edmonds B. (2012). A conversational in telligent tutoring system to automatically predict learning styles. Comput Educ 59(1):95–109

Mora-Torres, M., Laureano-Cruces, A. L., & Velasco-Santos, P. (2011). Estructura de las emociones dentro de un proceso de enseñanza-aprendizaje. Perfiles educativos, 33, 64-79.

Moroni, N., & Señas, P. (2005). Estrategias para la enseñanza de la programación. Paper presented at the I Jornadas de Educación en Informática y TICs en Argentina.

Narro, J., Martuscelli, Q. & Jaime, E. (2012). Plan de diez años para desarrollar el Sistema Educativo Nacional. Recuperado de http://www.planeducativonacional.unam.mx

Pérez, M. (2014). Minería de datos a través de ejemplos. Madrid, España: RC Libros.

Rodríguez, L.-F., & Ramos, F. (2012). Computational models of emotions for autonomous agents: major challenges. Artificial Intelligence Review, 1-29.

Rodríguez, L.-F., & Ramos, F. (2014). Development of Computational Models of Emotions for Autonomous Agents: A Review. Cognitive Computation, 1-25.

Spring, J. (1998). Education and the Rise of the Global Economy: L. Erlbaum Associates.

Stephenson, J., & Yorke, M. (2013). Capability and quality in higher education: Routledge.

UNESCO. (2014). Enfoques Estratégicos sobre las TIC en Educación en América Latina y el Caribe. Chile.




Universidad Abierta Para Adultos

Santiago De Los Caballeros 51000, República Dominicana

Código postal No. 51000

Teléfono: +1 809-724-0266

E-mail: educacionsuperior@uapa.edu.do

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.