Número completo
Full number
Diseño de un modelo adaptativo de IGU en un sistema LMS a partir del registro de emociones y expresiones faciales del usuario, usando técnicas de Machine Learning bajo métricas de Experiencias de Usuario (UX)
Carlos David Posada Fernández. Politécnico Colombiano Jaime Isaza Cadavid, Carrera 48 No. 7–151, Medellín, Colombia.
Albeiro Espinosa Bedoya. Universidad Nacional de Colombia, Carrera 80 No 65-223, Medellín, Colombia.
Jhon William Branch. Universidad Nacional de Colombia, Carrera 80 No 65-223, Medellín, Colombia.
Resumen/Abstract
-
Resumen / Abstract
Actualmente, el proceso de enseñanza-aprendizaje por medio de plataformas virtuales, se ha convertido en la tecnología de facto. Para responder adecuadamente a esta realidad, es necesario un compromiso entre cursos de alta calidad y la creación de entornos virtuales personalizados que han demostrado su potencial para reducir las brechas en el acceso al proceso educativo y que están fuertemente condicionados por las particularidades, gustos y experiencias de cada estudiante [1]. Teniendo en cuenta que, cuanto más se adapta el sistema LMS a las características propias de un estudiante, menos tiempo necesita para realizar las tareas dentro de la plataforma y más a gusto se sentirá al interactuar con ella, es necesario diseñar los recursos de aprendizaje de acuerdo con las características propias de cada estudiante, más allá de los ambientes estáticos de la mayoría de los sistemas LMS actuales [2]. A partir de esta realidad se propone el diseño de un modelo adaptativo de Interfaz Gráfica de Usuario (GUI) en un sistema LMS Moodle a partir del registro de emociones y expresiones faciales del usuario, usando técnicas de Machine Learning, que promueva procesos de enseñanza-aprendizaje bajo métricas de Experiencias de Usuario (UX), para estudiantes de programas universitarios virtuales.
Palabras Clave/Keywords
-
Palabras Clave / Keywords
Machine Learning (ML), Learning Management System (LMS), Adaptabilidad. Interfaz Gráfica de Usuario (IGU).
Referencias/References
-
Referencias / References
1. Mercado, J., Mendoza, C. H., Ramirez-Salazar, D. A., et al.: Work in progress: A didactic strategy based on Machine Learning for adaptive learning in virtual environments. In: EDUNINE 2023 - 7th IEEE World Engineering Education Conference: Reimaging Engineering - Toward the Next Generation of Engineering Education, Merging Technologies in a Connected World, Proceedings. (2023). https://doi.org/10.1109/EDUNINE57531.2023.10102846
2. Essa, S. G., Celik, T., Human-Hendricks, N. E.: Personalized Adaptive Learning Technologies Based on Machine Learning Techniques to Identify Learning Styles: A Systematic Literature Review. IEEE Access 11, 48392–48409 (2023). https://doi.org/10.1109/ACCESS.2023.3276439
3. Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., Ochoa-Orihuel, J.: Using advanced learning technologies with university students: An analysis with machine learning techniques. Electronics (Switzerland), (2021). https://doi.org/10.3390/electronics10212620
4. Mezhoudi, N.: User interface adaptation based on user feedback and machine learning. In: Proceedings of the companion publication of the 2013 international conference on Intelligent user interfaces companion, pp 25–28. ACM, New York, NY, USA (2013).
5. Fitria Murad, D., Heryadi, Y., Dwi Wijanarko, B., et al.: Recommendation System for Smart LMS Using Machine Learning: A Literature Review. (2018). https://doi.org/10.1109/ICCED.2018.00031
6. Hasan, L.: Usability problems on desktop and mobile interfaces of the moodle learning management system (LMS). In: ACM International Conference Proceeding Series. Association for Computing Machinery, pp 69–73. (2018).
7. Carmona, C., Castillo, G., Millán, E.: Discovering Student Preferences in E-Learning.
8. Kinshuk, A., Gerti Kappel, C.: Adaptivity in Learning Management Systems Focussing on Learning Styles. (2007).
9. Oppermann, R.: From User-adaptive to Context-adaptive Information Systems. icom 4, 4–14 (2005). https://doi.org/10.1524/ICOM.2005.4.3.4
10. Zhu, M., Li, C., Zhao, S., et al.: The Role of Three-Dimensional Reconstruction of Medical Images and Virtual Reality in Nursing Experimental Teaching. J Healthc Eng 2022, 1–13 (2022). https://doi.org/10.1155/2022/3853193
11. Moubayed, A., Injadat, M., Nassif, A. B., et al.: E-Learning: Challenges and Research Opportunities Using Machine Learning Data Analytics. IEEE Access 6, 39117–39138 (2018). https://doi.org/10.1109/ACCESS.2018.2851790
12. Yang, Q.: The Role of Design in Creating Machine-Learning-Enhanced User Experience. (2017).
13. Truong, K. P., van Leeuwen, D. A., Neerincx, M. A.: Unobtrusive Multimodal Emotion Detection in Adaptive Interfaces: Speech and Facial Expressions. (2007).
14. Abran, A.: ISO 9126: Analysis of Quality Models and Measures. In: Software Metrics and Software Metrology, pp 205–228. Wiley (2010).
15. Easterday, M. W., Lewis, D. R., Gerber, E. M.: Design-Based Research Process: Problems, Phases, and Applications. (2014). https://doi.org/10.22318/ICLS2014.317.
Cómo citar/How to cite
-
Cómo citar / How to cite
Posada Fernández, C. D., Espinosa Bedoya, A., y William Branch, J. (2024). Diseño de un modelo adaptativo de IGU en un sistema LMS a partir del registro de emociones y expresiones faciales del usuario, usando técnicas de Machine Learning bajo métricas de Experiencias de Usuario (UX). En C. Rusu et al., (1ª ed.), Transformación digital en la educación: innovaciones y desafíos en la tecnología educativa (pp. 17-21). Huelva (España): United Academic Journals (UA Journals). https://doi.org/10.54988/uaj.000028.002
