Contributions to affective learning through the use of data analysis, visualizations and recommender sytems
Texto completo:
https://e-archivo.uc3m.es/bitstr ...Nivel Educativo:
Tipo Documental:
Tesis doctoralEstadísticas:
Ver Estadísticas de usoMetadatos:
Mostrar el registro completo del ítemFecha:
2016Resumen:
El modelado del estudiante es una cuestión importante en los entornos de aprendizaje telemático, por ejemplo, los recursos de aprendizaje pueden adaptarse en función de la información de los estudiantes. Un área emergente del modelado de estudiantes es la inclusión de información afectiva. La mejora de los detectores de emociones basados en los eventos de los estudiantes en diferentes entornos de aprendizaje telemático es una cuestión abierta. Además, es necesario proponer y evaluar nuevas visualizaciones que incluyan información afectiva, y proponer soluciones genéricas para la recomendación de materiales de aprendizaje basados en la información afectiva. Este doctorado propone dos modelos diferentes para la detección de emociones en dos entornos de aprendizaje telemático diferentes. El primer modelo utiliza un Modelo de Markov Oculto para inferir las emociones en un entorno de aprendizaje de programación en el que los estudiantes deben utilizar diferentes herramientas para aprender a programar. El segundo modelo utiliza un conjunto de reglas para inferir las emociones en una plataforma de Curso Online Masivo y Abierto en el que los estudiantes deben resolver ejercicios y ver vídeos. Se realizó una evaluación del primer modelo para la detección de emociones mediante un experimento controlado, comparando los resultados del modelo con las respuestas de los estudiantes sobre sus emociones en diferentes instantes de tiempo. Los resultados mostraron que el modelo no fue capaz de detectar con precisión las respuestas de los estudiantes sobre sus emociones. Se probaron otros modelos de la literatura aplicados en otros entornos de aprendizaje y no fueron capaces de predecir con exactitud las respuestas de los alumnos sobre sus emociones. Por lo tanto, la detección de emociones basada en los eventos de los estudiantes en este tipo de entornos podría no ser factible, o bien habría que redefinir los datos de referencia de las respuestas de los estudiantes a una encuesta con diferentes preguntas sobre las emociones. Además, este doctorado propone un conjunto de visualizaciones relacionadas con la afectividad para entornos de aprendizaje. Algunas de estas visualizaciones sólo incluyen información afectiva, mientras que otras combinan esta información afectiva con otra relacionada con las actividades de los estudiantes con las plataformas de aprendizaje. Algunas de estas visualizaciones fueron evaluadas con estudiantes reales y los resultados mostraron una buena usabilidad, utilidad y efectividad. Finalmente, este trabajo propone un marco genérico para permitir la recomendación de recursos de aprendizaje basados en información afectiva. La solución incluye una interfaz de programación de aplicaciones para la definición de los diferentes eventos posibles. Se ha desarrollado una implementación específica de este recomendador como un plugin de la plataforma ROLE SDK.
El modelado del estudiante es una cuestión importante en los entornos de aprendizaje telemático, por ejemplo, los recursos de aprendizaje pueden adaptarse en función de la información de los estudiantes. Un área emergente del modelado de estudiantes es la inclusión de información afectiva. La mejora de los detectores de emociones basados en los eventos de los estudiantes en diferentes entornos de aprendizaje telemático es una cuestión abierta. Además, es necesario proponer y evaluar nuevas visualizaciones que incluyan información afectiva, y proponer soluciones genéricas para la recomendación de materiales de aprendizaje basados en la información afectiva. Este doctorado propone dos modelos diferentes para la detección de emociones en dos entornos de aprendizaje telemático diferentes. El primer modelo utiliza un Modelo de Markov Oculto para inferir las emociones en un entorno de aprendizaje de programación en el que los estudiantes deben utilizar diferentes herramientas para aprender a programar. El segundo modelo utiliza un conjunto de reglas para inferir las emociones en una plataforma de Curso Online Masivo y Abierto en el que los estudiantes deben resolver ejercicios y ver vídeos. Se realizó una evaluación del primer modelo para la detección de emociones mediante un experimento controlado, comparando los resultados del modelo con las respuestas de los estudiantes sobre sus emociones en diferentes instantes de tiempo. Los resultados mostraron que el modelo no fue capaz de detectar con precisión las respuestas de los estudiantes sobre sus emociones. Se probaron otros modelos de la literatura aplicados en otros entornos de aprendizaje y no fueron capaces de predecir con exactitud las respuestas de los alumnos sobre sus emociones. Por lo tanto, la detección de emociones basada en los eventos de los estudiantes en este tipo de entornos podría no ser factible, o bien habría que redefinir los datos de referencia de las respuestas de los estudiantes a una encuesta con diferentes preguntas sobre las emociones. Además, este doctorado propone un conjunto de visualizaciones relacionadas con la afectividad para entornos de aprendizaje. Algunas de estas visualizaciones sólo incluyen información afectiva, mientras que otras combinan esta información afectiva con otra relacionada con las actividades de los estudiantes con las plataformas de aprendizaje. Algunas de estas visualizaciones fueron evaluadas con estudiantes reales y los resultados mostraron una buena usabilidad, utilidad y efectividad. Finalmente, este trabajo propone un marco genérico para permitir la recomendación de recursos de aprendizaje basados en información afectiva. La solución incluye una interfaz de programación de aplicaciones para la definición de los diferentes eventos posibles. Se ha desarrollado una implementación específica de este recomendador como un plugin de la plataforma ROLE SDK.
Leer menos