English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

La educacion ha sacado provecho de los sistemas computacionales desde los anos cuarenta. De ahi nacen los entornos de aprendizaje por computador, que luego con el paso del tiempo y la evolucion tecnologica, han ido mejorando inspirados en las teorias constructivistas del aprendizaje.  A finales de los anos ochenta, surgen los llamados Sistemas Inteligentes de Tutoria (SIT), los cuales son aplicaciones instruccionales que utilizan tecnicas de inteligencia artificial para decidir lo que se debe ensenar en cada momento a un alumno y/o las estrategias mas adecuadas para ayudarle a asimilar mejor los conocimientos. Para ello, es muy importante conocer al alumno para poder adaptar la ensenanza a sus necesidades. Por esta razon se han desarrollado diferentes modelos del estudiante, los cuales representan el conocimiento que tiene el SIT acerca de un alumno. Estos sistemas contienen arquitecturas e implementaciones complejas, las cuales normalmente necesitan poseer informacion a priori del estudiante. Ahora bien, si el SIT no tiene suficiente informacion acerca de un estudiante, por ejemplo, en el caso de alumnos nuevos, un modelo de este tipo no podra otorgar predicciones fiables acerca del futuro rendimiento de dicho alumno.  Por otro lado, la mineria de datos es conocida por su capacidad para predecir el comportamiento de los usuarios. Y, gracias a la popularidad de los entornos de aprendizaje por computador, la comunidad cientifica ha tenido acceso a una gran cantidad de datos que detallan el comportamiento de los estudiantes en esos sistemas. De la aplicacion de la mineria de datos a los datos registrados en estos entornos de aprendizaje, nace la disciplina conocida como Educational Data Mining.  Sin embargo, existen pocos trabajos en la literatura que exploren el potencial del Educational Data Mining a la hora de predecir el comportamiento de los estudiantes en entornos de entrenamiento procedimental. Es precisamente para proponer una solucion a este problema, en donde esta tesis realiza su principal aportacion, un modelo de comportamiento colectivo de estudiantes. El principal objetivo de este modelo es predecir las acciones que podria realizar un estudiante en un entorno de entrenamiento procedimental, para asi poder generar una tutoria basada en esta prediccion. Para ello, este modelo se construye a partir de los registros de actividad de estudiantes (logs) que utilizaron dicho entorno de entrenamiento con el mismo fin. Estos logs son divididos inicialmente en grupos mediante una tecnica de clusterizacion. Posteriormente, para cada cluster se crea un automata extendido a partir de las secuencias de eventos encontradas en los registros de actividad de los estudiantes en dicho cluster, siguiendo una tecnica exhaustiva de mineria de secuencias.  Esta tesis tambien presenta el diseno de un visualizador interactivo del modelo de comportamiento colectivo de estudiantes. Este visualizador ha sido disenado siguiendo las recomendaciones de expertos en usabilidad de sistemas de presentacion de informacion, con el fin de que la interaccion con el automata sean lo mas intuitivas y efectivas posibles.  Ademas, se presenta una estrategia de tutoria, que, mediante la tecnica pedagogica del andamiaje, proporciona una ayuda adaptada a las necesidades de cada estudiante para que sea capaz de superar su zona de desarrollo proximo a lo largo del proceso de entrenamiento. Esta estrategia recurre, en primer lugar, al modelo del estudiante propuesto en otra tesis doctoral, y si este modelo no puede proporcionar predicciones fiables, recurre en segunda instancia al modelo propuesto en esta tesis.  La capacidad de prediccion de este modelo y la utilidad del visualizador para mejorar la retroalimentacion otorgada por un SIT o la docencia de un profesor, han sido validadas utilizando los logs registrados en un laboratorio virtual 3D de biotecnologia.  Como resultado de estas validaciones se concluyo que el modelo puede proveer predicciones lo suficientemente fiables como para que un SIT ofrezca un soporte adaptado a cada tipo de alumno. Ademas, se comprobo que el visualizador permitio realizar mejoras en la retroalimentacion del tutor automatico integrado en un entorno de aprendizaje procedimental, en la medida de que se redujeron los errores de los alumnos en las partes de la practica cuya tutoria fue mejorada.

Propuesta de un Modelo de Comportamiento Colectivo de Estudiantes para un Sistema Inteligente de Tutoría dirigido al Entrenamiento Procedimental