Modelo de visualización analítica basado en ambientes de aprendizaje: Caso Matemática

Descripción del Articulo

El presente trabajo de investigación busca recoger, procesar y mostrar información al docente y estudiante de los comportamientos e iteraciones durante la jugabilidad en un serious game, para su respectivo seguimiento y análisis durante el uso de la plataforma Matelogic. Por lo tanto, se propuso un...

Descripción completa

Detalles Bibliográficos
Autor: Laguna Ranilla, Jose Antonio
Formato: tesis de maestría
Fecha de Publicación:2020
Institución:Universidad Nacional de San Agustín
Repositorio:UNSA-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unsa.edu.pe:20.500.12773/11738
Enlace del recurso:http://hdl.handle.net/20.500.12773/11738
Nivel de acceso:acceso abierto
Materia:Analíticas de aprendizaje
itinerarios de aprendizaje
comportamiento
juegos serios
https://purl.org/pe-repo/ocde/ford#5.03.01
Descripción
Sumario:El presente trabajo de investigación busca recoger, procesar y mostrar información al docente y estudiante de los comportamientos e iteraciones durante la jugabilidad en un serious game, para su respectivo seguimiento y análisis durante el uso de la plataforma Matelogic. Por lo tanto, se propuso un modelo de visualización analítica haciendo uso de una plataforma que integre información útil a los docentes y estudiantes en el logro de las competencias en el área de matemática, para la toma de decisiones. Se realizó un estudio experimental con un diseño pre experimental. Para su análisis se utilizaron dos instrumentos: un cuestionario que midió el comportamiento después de la jugabilidad; y los itinerarios de aprendizaje de los estudiantes. Estos datos fueron procesados a través de Wilcoxon, validando la hipótesis de investigación en la que mediante la visualización analítica del Aprendizaje del videojuego Matelogic permitió mejorar los ambientes de aprendizaje. El hallazgo principal de este trabajo radica en que el juego provocó interés en un 56% y su valoración fue muy bien representado en un 68%. Este estudio abre la posibilidad de usar minería de datos e inteligencia artificial para personalizar estos datos y lograr sistemas de recomendación.
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).