Modelo Inteligente para la Gestión de Aprendizaje aplicando Case Based Reasoning (CBR) y Reinforcement Learning (RL)

• Autor: Flores Garcia, Anibal Fernando
• Formato: tesis doctoral
• Fecha de Publicación: 2019
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:UNSA/8781
• Enlace del recurso: http://repositorio.unsa.edu.pe/handle/UNSA/8781
• Nivel de acceso: acceso abierto
• Materia: Q-learning; Aprendizaje por refuerzo; Razonamiento basado en casos; Secuenciación de recursos de aprendizaje; Personalización de aprendizaje; E-learning; https://purl.org/pe-repo/ocde/ford#1.02.01

El presente trabajo de investigación presenta un nuevo modelo para la implementación de e-learning personalizado. El modelo propuesto considera el nivel de habilidades o conocimiento que un estudiante tiene en un tema en particular; esto se determina a través de una prueba de entrada (pretest); este aspecto es muy importante para evitar problemas conocidos como la ansiedad o el aburrimiento de acuerdo a la teoría de flujo. Adicionalmente, para determinar la secuencia óptima de recursos de aprendizaje para un estudiante, se trabajó de manera complementaria con dos técnicas de inteligencia artificial: El Razonamiento Basado en Casos (CBR) y el Aprendizaje por Refuerzo (Q-Learning). El Razonamiento Basado en Casos, permitió en base a casos de éxito del pasado, determinar la secuencia de recursos de aprendizaje más apropiada para el estudiante; y en caso de no haber casos muy similares, se eligió una secuencia de recursos de aprendizaje del conjunto de secuencias óptimas propuestas por el Aprendizaje con Refuerzo (Q-Learning).