Home » Posts tagged 'aprendizaje adaptativo'

Tag Archives: aprendizaje adaptativo

octubre 2022
M T W T F S S
 12
3456789
10111213141516
17181920212223
24252627282930
31  

CALM: un modelo de aprendizaje personalizado y adaptativo

CALM: un modelo de aprendizaje personalizado y adaptativo
Alberto Real Fernández
Tesis Doctoral
Directores: Faraón Llorens Largo y Rafael Molina Carmona
Programa de Doctorado en Informática
Universidad de Alicante
Alicante, Julio 2022

Acceso al documento completo en RUA

Hoy ha sido la defensa de la tesis. ¡Enhorabuena Alberto! ¡Buen trabajo!

Resumen:
Desde hace años venimos contemplando cómo nuestra sociedad ha cambiado de la mano de la evolución de las Tecnologías de la Información (TI). Nos encontramos en un entorno que cambia constantemente, en el que la información se renueva continuamente, lo que nos lleva a un aprendizaje dinámico, continuo, y cuyas barreras están desapareciendo, hacia un aprendizaje global. Con esto, la educación está inmersa en un proceso de cambio, de una transformación que permita hacer frente a estas nuevas características y necesidades que presenta la sociedad en este nuevo entorno, una transformación digital. Se trata de una forma diferente de aprendizaje en la que, además, los espacios educativos se están deslocalizando.
Y en este proceso de transformación, el potencial y el rápido crecimiento de las tecnologías de la información pueden tener un papel crucial y conformar la base para una verdadera evolución en este entorno digital.
Sin embargo, la situación actual es que estas expectativas no se han cumplido, el uso de las TI en educación no está logrando el efecto que se esperaba, no están contribuyendo a una verdadera transformación del proceso de aprendizaje. Y es que, entre otras razones, el uso que se está haciendo de las TI es de meras herramientas complementarias, un uso superficial, cuando deberíamos emplearlas para poder profundizar en el proceso de aprendizaje. Para conseguir un cambio significativo, esa transformación que se pretende, debemos ir más allá.
Por esta razón, proponemos un modelo de aprendizaje adaptativo y personalizado, que sirva de base para crear un sistema de aprendizaje que permita cubrir las necesidades detectadas en la sociedad digital sin descuidar los objetivos intencionales educativos. Un modelo que hemos llamado CALM, acrónimo de Customized Adaptive Learning Model.
Se trata de un modelo que se adaptará a las características y al estado de cada aprendiz y que busca acrecentar su motivación, ofreciéndole autonomía en su propio proceso de aprendizaje, en un ciclo continuo de mejora. Todo ello diseñado y supervisado en todo momento por el docente, cuyo papel consideramos crucial en este proceso.
En este modelo, el contenido está dividido en competencias, que serán los conocimientos, las habilidades y las aptitudes que los aprendices irán adquiriendo, dispuestas en forma de grafo dirigido o, como lo llamamos, mapa de competencias. Estas competencias serán desarrolladas a través de actividades que irán realizando, y será el propio sistema, a través de lo que llamamos el motor de selección, el que asigne a cada aprendiz en cada momento la actividad que considere más apropiada.
Por su parte, el docente será el que diseñe todo el conjunto de aprendizaje, creando las competencias y configurando el mapa, y añadiendo las actividades. Después, podrá en todo momento supervisar el proceso de todos los aprendices, analizando su progreso y estado, tanto colectivo como individual, y gestionarlo a través de un factor clave que introducimos en el modelo: las estrategias instruccionales. A través de ellas, el docente podrá guiar al modelo en la selección de actividades, de modo que, a pesar de que este analiza de forma dinámica las características de cada aprendiz para asignarles una actividad, la estrategia docente marcará la decisión a tomar, según los criterios que el docente considere apropiados, individual o globalmente.
Para comprobar que las características de nuestro modelo, hemos puesto en práctica el modelo a través de una prueba con una plataforma piloto, usada por estudiantes y docentes reales, obteniendo unas valoraciones muy positivas por ambas partes.
Con CALM, hemos propuesto una base para construir un sistema de aprendizaje inteligente con el que cubrir las necesidades educativas que presenta nuestra sociedad actual, a través de un aprendizaje adaptativo y personalizado, teniendo siempre presentes los objetivos docentes.

CALM: un modelo de aprendizaje adaptativo y personalizado

CALM: un modelo de aprendizaje adaptativo y personalizado

XII Jornadas de Investigación en Innovación Docente de la UNED
Vicerrectorado de Digitalización e Innovación
Instituto Universitario de Educación a Distancia (IUED)
31 mayo y 1-2 junio del 2022

https://multiweb.uned.es/w26610

Martes 31 de mayo

Proyectos UniDigital. Fondos europeos de recuperación y resiliencia

Moderador: Jesús González Boticario. Vicerrector de Digitalización e Innovación. UNED

Proyecto DigitALL. Ismael García Varea. Vicerrector de Transformación y Estrategia Digital. Universidad de Castilla la Mancha.

Proyecto DigCompEdu. Juan Ramón Velasco. Vicerrector de Innovación Docente y Transformación Digital. Universidad de Alcalá de Henares.

Proyecto CALM: un modelo de aprendizaje adaptativo y personalizado. Rafael Molina Carmona y Alberto Real Fernández. Adaptive Learn. Universidad de Alicante.

Vídeo en canal UNED:
https://canal.uned.es/series/623c24f6b609230d541258f8

Teaching Machines

Teaching Machines
The history of personalized learning

Audrey Watters
The MIT Press

https://mitpress.mit.edu/books/teaching-machines

Summary:
Contrary to popular belief, ed tech did not begin with videos on the internet. The idea of technology that would allow students to “go at their own pace” did not originate in Silicon Valley. In Teaching Machines, education writer Audrey Watters offers a lively history of predigital educational technology, from Sidney Pressey’s mechanized positive-reinforcement provider to B. F. Skinner’s behaviorist bell-ringing box. Watters shows that these machines and the pedagogy that accompanied them sprang from ideas—bite-sized content, individualized instruction—that had legs and were later picked up by textbook publishers and early advocates for computerized learning.

Watters pays particular attention to the role of the media—newspapers, magazines, television, and film—in shaping people’s perceptions of teaching machines as well as the psychological theories underpinning them. She considers these machines in the context of education reform, the political reverberations of Sputnik, and the rise of the testing and textbook industries. She chronicles Skinner’s attempts to bring his teaching machines to market, culminating in the famous behaviorist’s efforts to launch Didak 101, the “pre-verbal” machine that taught spelling. (Alternate names proposed by Skinner include “Autodidak,” “Instructomat,” and “Autostructor.”) Telling these somewhat cautionary tales, Watters challenges what she calls “the teleology of ed tech”—the idea that not only is computerized education inevitable, but technological progress is the sole driver of events.

Enlaces de interés:
Hack Education (hackeducation.com)

Frases entresacadas e ideas interesantes que puedo utilizar:

(Página )
“ ”

How Suitable is for Learners an Autonomous, Interactive and Dynamic Learning Model?

How Suitable is for Learners an Autonomous, Interactive and Dynamic Learning Model?
Alberto Real-Fernández, Rafael Molina-Carmona, Faraón Llorens-Largo

Digitalized Resources and Artificial Intelligence based Solutions to Support Personalized Teaching and Learning at Higher Education: What is Beyond 2021? (DRAI)

WEEF/GEDC 2021 (weefgedc2021.org)
(World Engineering Education Forum)
Diversity and ethics in education for an inclusive ans sustainable world
15th-18th November 2021
Madrid, Spain

A. Real-Fernández, R. Molina-Carmona and F. Llorens-Largo, “How Suitable is for Learners an Autonomous, Interactive and Dynamic Learning Model?,” 2021 World Engineering Education Forum/Global Engineering Deans Council (WEEF/GEDC), 2021, pp. 617-623, doi: 10.1109/WEEF/GEDC53299.2021.9657378.

Abstract:
Facing the traditional static learning, a smart learning system that proposes a dynamic, interactive and autonomous learning is proposed. Based on the concepts of learning competence and learning activity, this system aims to fulfill the current individual needs of the learners and to be a support tool for the teacher to understand their learners’ needs and performance. In order to validate the features of the model, and verify how suitable it is for the learners, a platform has been developed which implements its structure and main concepts to be used in a course. Then both teachers and learners have been asked about their experience. Concretely, the main features selected to validate include motivation, interaction, progression, the fact of knowing the learning state at any time, that learners can be autonomous by marking their own learning pace and selecting their own learning path, the continuous learning cycle the system will implement and the usefulness of the system as a teaching tool. All these features are considered crucial for the proposal and, after analysing the results of the survey and interviews, it has been confirmed that the system have achieved them.

URL: https://ieeexplore.ieee.org/abstract/document/9657378

Educar humanos en un mundo de máquinas inteligentes

Educar humanos en un mundo de máquinas inteligentes.
100 ideas y reflexiones sobre la nueva educación que necesita la sociedad

Alfons Cornella y Lluís Cugota
Profit editorial
www.profiteditorial.com/libro/educar-humanos-mundo-maquinas-inteligentes

Frases entresacadas e ideas interesantes que puedo utilizar:

(Página 8)
“En este medio cambiante y diverso la educación tiene planteado un gran reto: descubrir el talento de cada persona y animarla a desarrollarlo al máximo desplegando sus propias capacidades.”

(Página 23)
“Debemos adaptarnos a un mundo que evoluciona con rapidez y atrevernos a ponerlo en cuestión”

(Página 25)
“Hemos de aprender a luchar con las máquinas, no contra ellas. Debemos entrenar a toda esta nueva generación para que use las máquinas a su favor”

(Página 31)
“En el futuro, si una persona desea un trabajo, deberá ser tan diferente de una máquina como sea posible; especialmente tendrá que ser creativo, crítico y socialmente hábil. Entonces, ¿por qué se sigue enseñando a los niños a comportarse como máquinas?”

(Página 53)
“Hemos mantenido durante mucho tiempo que la colaboración es buena per se. Colaboramos y punto. Sin darnos cuenta de que la colaboración debe ser una herramienta para sacar provecho de la concentración de cada persona.”

(Página 61)
Gráfico de “Modelo de cascada y de desarrollo ágil”.

(Página 82)
“La tendencia es ir hacia una educación sumamente personalizada. Es como si volviéramos atrás en una espiral tiempo: ¿quién podía gozar de una educación en los siglos XVIII o XIX? Solo las personas adineradas, y era siempre una educación personalizada.
Antes del modelo alemán de educación de Bismarck, que es el que sigue imperando en la actualidad, quien seguía una educación tenía un tutor. Ahora, esa espiral regresa al punto de partida al defender que para aprender se necesita realmente un tutor. La diferencia es que ahora, en lugar de ser solo un estudiante quien lo hace, son millones. Es la espiral de la historia. Hacemos lo mismo pero de otra manera.”

La educación personalizada a través de la inteligencia artificial

La educación personalizada a través de la inteligencia artificial
Senén Barro
Universidade de Santiago de Compostela
Conferencia de apertura
XI CIDU (Congreso Iberoamericano de Docencia Universitaria)
cidu2020.ull.es

Charla del minuto 56 al 2:14, debate/preguntas hasta el 2:24

Desafíos de las Universidades para su Transformación Digital. El poder de los datos y los algoritmos

Desafíos de las Universidades para su Transformación Digital.
El poder de los datos y los algoritmos

Foro LACLO
22 de octubre de 2020

XV Latin American Conference on Learning Technologies (LACLO 2020)
19-23 de octubre de 2020
Universidad Técnica Particular de Loja, Loja (Ecuador)

Smartly Learning through step decomposition, automation and Gamification

Smartly Learning through step decomposition, automation and Gamification
Francisco J. Gallego-Durán, Carlos J. Villagrá Arnedo, Rafael Molina-Carmona, Faraón Llorens-Largo
Grupo de investigación Smart Learning
Universidad de Alicante

Track 5. Smart Learning
International Conference on Technological Ecosystems for Enhancing Multiculturality (TEEM’20)
https://2020.teemconference.eu
Online Conference, October 21-23, 2020

Abstract:
On previous years teaching Logic and Algebra many student conceptual issues were identified by analysing their solution attempts to exercises. Present work proposes a new design of exercises and student workflow to target these issues.
Classical algebraic exercises integrate many concepts. Most issues identified were related to low- level concepts. Moreover, students proved unable to identify these issues and solve them by practicing. They tended to get frustrated not knowing the causes of their failures.
This design proposal starts with minimal exercises requiring a single step to be solved. Classical exercises are decomposed into these single steps. Simplicity of these exercises helps generating many instances automatically. Design focus is placed on previously identified issues. Designed exercises are composed in a pyramidal model of knowledge.
To motivate students to carry out many of the proposed exercises, Gamification techniques are used. Designed exercises are automated using Moodle questionnaires. These questionnaires are contextualized as adventure activities in a role play story line, including Quests, Dungeons, Weapons and Bosses. Rules are designed according to this context. Detailed design is included for replication.

Time-Dependent Performance Prediction System for Early Insight in Learning Trends

Time-Dependent Performance Prediction System for Early Insight in Learning Trends
Carlos Villagrá-Arnedo, Francisco Gallego-Durán, Faraón Llorens-Largo, Rosana Satorre-Cuerda, Patricia Compañ-Rosique, Rafael Molina-Carmona
International Journal of Interactive Multimedia and Artificial Intelligence (IJIMAI)
ISSN: 1989-1660
Volume 6, issue 2
2020
https://www.ijimai.org/journal/bibcite/reference/2775

DOI:10.9781/ijimai.2020.05.006

Abstract
Performance prediction systems allow knowing the learning status of students during a term and produce estimations on future status, what is invaluable information for teachers. The majority of current systems statically classify students once in time and show results in simple visual modes. This paper presents an innovative system with progressive, time-dependent and probabilistic performance predictions. The system produces by-weekly probabilistic classifications of students in three groups: high, medium or low performance. The system is empirically tested and data is gathered, analysed and presented. Predictions are shown as point graphs over time, along with calculated learning trends. Summary blocks are with latest predictions and trends are also provided for teacher efficiency. Moreover, some methods for selecting best moments for teacher intervention are derived from predictions. Evidence gathered shows potential to give teachers insights on students’ learning trends, early diagnose learning status and selecting best moment for intervention.

Keywords
E-learning, Education, Learning Analytics, Learning Management Systems, Prediction, Support Vector Machine

Computational Characterization of Activities and Learners in a Learning System

Computational Characterization of Activities and Learners in a Learning System
Alberto Real-Fernández, Rafael Molina-Carmona and Faraón Llorens-Largo
Applied Sciences
ISSN: 2076-3417
Special Issue “Smart Learning”
Volume 10, issue 7
2020
https://www.mdpi.com/2076-3417/10/7/2208

Abstract
For a technology-based learning system to be able to personalize its learning process, it must characterize the learners. This can be achieved by storing information about them in a feature vector. The aim of this research is to propose such a system. In our proposal, the students are characterized based on their activity in the system, so learning activities also need to be characterized. The vectors are data structures formed by numerical or categorical variables such as learning style, cognitive level, knowledge type or the history of the learner’s actions in the system. The learner’s feature vector is updated considering the results and the time of the activities performed by the learner. A use case is also presented to illustrate how variables can be used to achieve different effects on the learning of individuals through the use of instructional strategies. The most valuable contribution of this proposal is the fact that students are characterized based on their activity in the system, instead of on self-reporting. Another important contribution is the practical nature of the vectors that will allow them to be computed by an artificial intelligence algorithm.

Keywords
smart learning; learner characterization; student characterization; feature vector; adaptive learning