Campus Virtuales

Campus Virtuales (Vol. V, Num. 01)

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Hacia un Aprendizaje Personalizado en Ambientes Virtuales
Towards Personalized Learning in Virtual Environments

Benjamín Maraza Quispe. Arequipa (Perú).

Número completo
Full number

 

 

 

 

 

 

 

 

 

 


Hacia un Aprendizaje Personalizado en Ambientes Virtuales
Towards Personalized Learning in Virtual Environments

Benjamín Maraza Quispe. Arequipa (Perú).

Resumen/Abstract

Resumen / Abstract


La aplicación de las TIC en la educación y el impacto de Internet han fomentado el aprendizaje online, rompiendo muchas barreras limitantes de la educación tradicional como el espa-cio, tiempo, cantidad y cobertura. Sin embargo, las nuevas propuestas afectan la calidad de los ser-vicios educativos, como el acceso lineal a los contenidos y métodos no flexibles al estilo de aprendi-zaje de los usuarios (Vicari, Ovalle 2005).

En este contexto se propone un Modelo Inteligente de Gestión de Aprendizaje Personalizado en un Ambiente de Simulación Virtual Basado en Instancias de Objetos de Aprendizaje. Utilizando para ello una función de similar dad a través la Distancia Euclidiana Multidimensional Ponderada para el preprocesamiento de los datos y una Red Neuronal Perceptron Multicapa para la selección de la mejor estrategia de enseñanza de acuerdo al estilo de aprendizaje del estudiante. Se implementa la plataforma experimental MIGAP para el montaje de cursos de dominio de la Mecánica Newtoniana. Los resultados muestran que el modelo propuesto tiene una eficiencia de un 99.5 %; por encima de los modelos: Simple Logistic con un 98.99 %, Naive Bayes con un 97.98 %, Tree J48 con un 96.98 %, y Redes Neuronales con un 94.97% de aciertos.

La aplicación de este modelo en otras áreas del conocimiento permitirá la identificación del mejor estilo de aprendizaje; con la finalidad de permitir que los recursos, actividades y servicios educativos sean flexibles al estilo de aprendizaje del estudiante, mejorando la calidad de los servicios educati-vos.

The application of TIC in education and the impact of Internet have promoted online learning, breaking many limiting barriers of traditional education as space, time, quantity and cove-rage. However, the new proposals affect the quality of educational services, such as linear access to the contents and methods are not flexible learning style of the users (Vicari, Ovalle 2005).

In this context, Intelligent Management Model Personalized Learning proposes a Virtual Simulation Environment based on Learning Object Instances. Using an function similar ity through the Multidimensional Euclidean distance weighted for preprocessing of data and Multilayer Perceptron Neural Network for the selection of the best teaching strategies according to the learning style of the student. MIGAP experimental platform is implemented for assembling courses domain of Newtonian mechanics. The results show that the proposed model has efficiency of 99.5%; above models: Simple Logistic with 98.99%, Naive Bayes with 97.98%, J48 Tree with 96.98%, and Neural Networks with 94.97%correct.

The application of this model in other areas of knowledge allowed the identification of the best lear-ning style; in order to allow resources, activities and educational services are flexible to student's learning style, improving the quality of educational services.

Palabras Clave/Keywords

Palabras Clave / Keywords


Modelo, Sistema, Aprendizaje, Inteligencia, Artificial, Estilos, Razonamiento Basado en Casos.

Model, Learning Management System, Artificial Intelligence, Learning Styles, Case Based Reasoning, Neural Networks.

Referencias/References

Referencias / References


Alonso, C. M., & Domingo, J. (1994). Los estilos de aprendizaje: procedimientos de diagnóstico y mejora. Bilbao: Ediciones Mensajero.

Andriessen, J. (1999). Where is education and how about AI?. International Journal of Artificial Intelligence in Education.

Carbonell, J. (1998). An Artificial Intelligence Approach to Computer assisted instruction. CAI, 4(6).

Honey, P. (1994). Los estilos de aprendizaje: procedimientos de diagnostico y mejora, 104-116. Bilbao: Ediciones Mensajero.

Keefe (1998). Estilos de aprendizaje, generalidades. In EA.

Murray, W. (1998). Control for intelligent tutoring systems: A comparison of blackboard architecture and discourse management net-works. Research Report R-6267, FMC Corporation, USA.

Pal, S., & Shiu, S. (2004). Foundations of soft case-based reasoning, 8. Wiley-interscience.

Peña, C. (2004). Intelligent agents to improve adaptivity in a web-based learning environment. España: Universidad de Girona.

Vicari, R., & Ovalle, D. (2005). ALLEGRO: Ambiente Multi-Agente de Apoyo a la Enseñanza-Aprendizaje utilizando Planificación Instruccional y Razonamiento Basado en Casos (CBR). In Proceedings of XIII Congreso Iberoamericano de Educación superior en Computaci1th Latin-American Conference on Informatics CLEI, Medellin, Colombia.

Wenger, E. (1997). Artificial intelligence and tutoring systems.

Cómo citar/How to cite

Cómo citar / How to cite


Maraza, B. (2016). Hacia un Aprendizaje Personalizado en Ambientes Virtuales. Campus Virtuales, Vol. V, Num. 1, pp. 20-29. Consultado el [dd/mm/aaaa] en www.revistacampusvirtuales.es

Usted está aquí: CAMPUS VIRTUALES REVISTA Números Anteriores Uncategorised Campus Virtuales (Vol. V, Num. 01)