Framework para el aprendizaje adaptativo de estudiantes en clases virtuales de educación superior aplicando Machine Learning

Abstract

Durante la pandemia de COVID-19, la educación virtual tomó un protagonismo significativo en todo el mundo. Post pandemia, instituciones de nivel superior optaron por continuar con la educación en línea. Sin embargo, esta modalidad ha mantenido un modelo de enseñanza-aprendizaje tradicional, donde todos los estudiantes reciben el mismo contenido y se espera que aprendan de la misma manera, por lo que no ha sido efectiva para satisfacer las necesidades individuales de los estudiantes, causando un rendimiento deficiente en muchos casos. Por ello, se propone un framework para el aprendizaje adaptativo de estudiantes de nivel superior en clases virtuales aplicando la metodología CRISP-DM y Machine Learning (ML), a fin de recomendar materiales de aprendizaje personalizados. Se lleva a cabo 4 fases: (i) análisis de aspectos de los estudiantes, (ii) análisis de metodología de aprendizaje (LM), (iii) desarrollo del ML e (iv) integración de la LM y modelos de ML. En (i) se evalúa los factores relacionados a los alumnos a considerar para adaptar su contenido de estudio. En (ii) se evalúa qué LM resulta más efectiva en un entorno virtual. En (iii) se implementa 4 algoritmos de ML basados en la metodología CRISP-DM. Y, en (iv) se integra el funcionamiento del mejor modelo de ML junto con la LM en una clase virtual. Dos experimentos fueron realizados para comparar la metodología de enseñanza tradicional (Experimento I) y el framework propuesto (Experimento II) con una muestra de 68 estudiantes. Los resultados evidenciaron que el framework fue más efectivo para fomentar el progreso y el rendimiento académico, obteniendo un porcentaje de mejora (IP) de 39.72%.

During the COVID-19 pandemic, virtual education played a significant role worldwide. In post-pandemic Peru, higher education institutions have not entirely dismissed the online education modality, but this system maintains a traditional teaching-learning model where all students receive the same content material and to learn in the same way. As a result, it has not been effective in meeting the individual needs of students, causing poor performance in many cases. For this reason, a framework is proposed for the adaptive learning of higher education students in virtual classes using the CRISP-DM and machine learning (ML) methodology to recommend individualized learning materials. This framework-work is made up of four stages: (i) analysis of student aspects, (ii) analysis of learning methodology (LM), (iii) machine learning development (ML) and (iv) integration of LM and ML models. (i) evaluates the student-related factors to be considered in adapting their learning material. (ii) evaluates which LM is more effective in a virtual environment. In (iii), four ML algorithms based on the CRISP-DM are implemented. In (iv), the best ML model is integrated with the LM in a virtual class. Two experiments were carried out to compare the traditional teaching methodology (Experiment I) and the proposed framework (Experiment II) with a sample of 68 students. The results showed that the framework was more effective in promoting progress and academic performance, obtaining an improvement percentage (IP) of 39.72 %.