Framework para el aprendizaje adaptativo de estudiantes en clases virtuales de educación superior aplicando Machine Learning

• Autores: Bautista Chavez, Maryori Melenne, Alfaro Mendoza, Sebastian Santiago
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/674069
• Enlace del recurso: http://doi.org/10.19083/tesis/674069; http://hdl.handle.net/10757/674069
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje adaptativo; CRISP-DM; Machine Learning; Clases virtuales; Adaptive learning; Virtual classes; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00

Durante la pandemia de COVID-19, la educación virtual tomó un protagonismo significativo en todo el mundo. Post pandemia, instituciones de nivel superior optaron por continuar con la educación en línea. Sin embargo, esta modalidad ha mantenido un modelo de enseñanza-aprendizaje tradicional, donde todos los estudiantes reciben el mismo contenido y se espera que aprendan de la misma manera, por lo que no ha sido efectiva para satisfacer las necesidades individuales de los estudiantes, causando un rendimiento deficiente en muchos casos. Por ello, se propone un framework para el aprendizaje adaptativo de estudiantes de nivel superior en clases virtuales aplicando la metodología CRISP-DM y Machine Learning (ML), a fin de recomendar materiales de aprendizaje personalizados. Se lleva a cabo 4 fases: (i) análisis de aspectos de los estudiantes, (ii) análisis de metodología de aprendizaje (LM), (iii) desarrollo del ML e (iv) integración de la LM y modelos de ML. En (i) se evalúa los factores relacionados a los alumnos a considerar para adaptar su contenido de estudio. En (ii) se evalúa qué LM resulta más efectiva en un entorno virtual. En (iii) se implementa 4 algoritmos de ML basados en la metodología CRISP-DM. Y, en (iv) se integra el funcionamiento del mejor modelo de ML junto con la LM en una clase virtual. Dos experimentos fueron realizados para comparar la metodología de enseñanza tradicional (Experimento I) y el framework propuesto (Experimento II) con una muestra de 68 estudiantes. Los resultados evidenciaron que el framework fue más efectivo para fomentar el progreso y el rendimiento académico, obteniendo un porcentaje de mejora (IP) de 39.72%.