Uso de algoritmos de agrupamiento en la determinación de los estilos de aprendizaje

Please download to get full document.

View again

of 13
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Categories
Published
Uso de algoritmos de agrupamiento en la determinación de los estilos de aprendizaje Use of algorithms of cluster in the determination of the styles of learning Recibido: abril/2016 Publicado: agosto/2016
Uso de algoritmos de agrupamiento en la determinación de los estilos de aprendizaje Use of algorithms of cluster in the determination of the styles of learning Recibido: abril/2016 Publicado: agosto/2016 Autoras Lenniet Coello Blanco Máster en Enseñanza de la Matemática e Ingeniera Informática, Profesora del Departamento de Computación. Universidad de Camagüey, Cuba. Olga Lidia Pérez González Doctora en Ciencias Pedagógicas, Vicedecana de Investigaciones, Facultad de Informática. Universidad de Camagüey, Cuba. Yailé Caballero Mota Doctora en Ciencias, Jefa de la Carrera de Informática, Universidad de Camagüey, Cuba. 30 Resumen El objetivo de este trabajo es descubrir el estilo de aprendizaje dominante en los estudiantes de informática de la Universidad de Camagüey. Usamos técnicas de análisis de clúster, y el WEKA como herramienta informática para determinar los estilos de aprendizaje dominantes, con la premisa de que conocer la forma en la que aprenden los estudiantes puede favorecer la intervención del docente ayudándole a utilizar el método adecuado para lograr un resultado óptimo. Palabras claves: clúster, estilos de aprendizaje. Abstract The objective of this work is to identify the predominant learning styles of Computer Sciences students at the University of Camaguey. We used cluster analysis technique and the WEKA as computer tools to determine the predominant learning styles under the premise that knowing the students way of learning can favour the intervention of the professor and help him to use the most suitable method in order to get top-quality results. Keywords: cluster, learning styles. Introducción En las universidades cubanas, durante el transcurso de los últimos años se ha originado un aumento de los sistemas inteligentes para facilitar y agilizar el desempeño educativo. Debido a esto, tanto profesores como estudiantes deben familiarizarse con dichas tecnologías, de forma tal que puedan aplicarlas para mejorar el proceso de enseñanzaaprendizaje. La disciplina Inteligencia Artificial se encuentra insertada en la carrera de Ingeniería Informática, en el currículo propio de este tipo de profesionales; cuenta con 31 un total de 192 horas clase y evaluaciones finales en semestres de 1ro, 2do y 3er años de la carrera. Una de las principales limitantes, cuando se quiere educar en la asignatura de IA, es el estudio individual profundo de sus técnicas, ya que implica altos niveles de abstracción y un buen razonamiento lógico-matemático. En el desarrollo de la presente investigación se realizó un seguimiento de los alumnos a través del análisis de los reportes semestrales, trabajos extraclases y exámenes parciales y finales, con el fin de conocer el porqué de la baja promoción en las asignaturas de la disciplina de IA. En los resultados académicos reportados por el departamento de computación, entrevistas a profesores y encuestas a estudiantes se evidenció que en los estudiantes existen muchas dificultades en cuanto a la comprensión, asimilación, interpretación y aplicación a situaciones concretas de los tópicos de IA, por lo que en la actualidad los profesores se hallan en la búsqueda y elaboración de estrategias destinadas a atenuar el problema. A lo largo de los últimos semestres, se han aplicado diversas estrategias didácticas usando medios audiovisuales, foros de discusión, grupos de aprendizaje y se ha observado que si bien se evidencian mejoras, las mismas apuntan a los grupos de estudiantes que normalmente obtienen mejores resultados. Tomando en cuenta los argumentos anteriormente expuestos, el objetivo de nuestra investigación es el diagnóstico del estilo de aprendizaje para lograr la individualización de la enseñanza, ajustando a cada alumno la intervención pedagógica según su estilo de aprendizaje, aprovechando los recursos disponibles en la actualidad para personalizar el ambiente de aprendizaje al ser adaptable a las necesidades de nuestros estudiantes y a su vez mejore la experiencia de aprendizaje. Estilos de aprendizaje Felder y Silverman (1988) afirman que los estudiantes aprenden de muchas maneras: viendo y escuchando, reflexionando y actuando, razonando lógica e intuitivamente, memorizando y visualizando, construyendo analogías y modelos matemáticos. También los métodos de enseñanza son variados. Algunos instructores leen, otros demuestran o 32 discuten, algunos se centran en principios y otros en aplicaciones, algunos enfatizan la memorización y otros la comprensión. Cuanto aprenda un estudiante en una clase dependerá de la habilidad innata y de su preparación previa, pero además de la compatibilidad entre su estilo de aprendizaje y el estilo de enseñanza de su instructor. (Durán y Costaguta, 2007) En el concepto de aprender a aprender, según Alonso, Gallego y Honey (2002) se integran: (1) las necesidades del discente, referidas al conocimiento y capacitación necesarios para hacer efectivo el aprendizaje; (2) el estilo de aprendizaje, es decir, las preferencias y tendencias particulares de cada individuo; y (3) la formación diseñada para el aprendizaje, entendiendo por aquel el conocimiento y destreza necesarios para aprender con efectividad en cualquier situación en que uno se encuentre. Investigadores como Cafferty (1980), Lynch (1981), Pizzo (1981), Gardner (1990) y Alonso (1992), entre otros, desarrollan investigaciones que relacionan los estilos de aprendizaje con el rendimiento académico. Basándose en los resultados obtenidos en ellas, Alonso et al. (2002) afirman que: los estudiantes aprenden con más efectividad cuando se les enseña con sus Estilos de Aprendizaje predominantes. Puesto que es la identificación de los estilos de aprendizaje de los alumnos la que posibilitará la individualización de la enseñanza, al permitir el ajuste de la intervención pedagógica más acorde con su estilo, y esa individualización se constituye actualmente en una tendencia prioritaria (Dewar y Walker, 1999). En AB se muestran algunos de los beneficios del diagnóstico del estilo personal de aprendizaje. Identificar su estilo de aprendizaje. Tomar conciencia de los comportamientos y conductas propias usadas en su proceso de aprendizaje. Identificar el modo y las distintas técnicas que se utilizarán para para facilitar el proceso. Usar recursos más adecuados a su tipo. El estilo personal de aprender suele ser desconocido, de ahí que el primer paso sea tomar conciencia de él. Identificarlo permitirá determinar el método más acorde a seguir 33 y desarrollar las condiciones que influyan más significativamente en el proceso enseñanza-aprendizaje. (Ceballos y Arribas, 2003) Sensitivos: concretos, prácticos, orientados hacia hechos y procedimientos; les gusta resolver problemas, siguiendo procedimientos muy bien establecidos; tienden a ser pacientes con detalles; gustan de trabajo práctico (trabajo de laboratorio, por ejemplo); memorizan hechos con facilidad; no gustan de cursos a los que no les ven conexiones inmediatas con el mundo real. Intuitivos: conceptuales, innovadores, orientados hacia las teorías y los significados; les gusta innovar y odian la repetición; prefieren descubrir posibilidades y relaciones; pueden comprender rápidamente nuevos conceptos; trabajan bien con abstracciones y formulaciones matemáticas; no gustan de cursos que requieren mucha memorización o cálculos rutinarios. Visuales: en la obtención de información prefieren representaciones visuales, diagramas de flujo, diagramas, etc.; recuerdan mejor lo que ven. Verbales: Prefieren obtener la información en forma escrita o hablada; recuerdan mejor lo que leen o lo que oyen. Activos: tienden a retener y comprender mejor nueva información cuando hacen algo activo con ella (discutiéndola, aplicándola, explicándosela a otros). Prefieren aprender ensayando y trabajando con otros. Reflexivos: tienden a retener y comprender nueva información pensando y reflexionando sobre ella, prefieren aprender meditando, pensando y trabajando solos. Secuenciales: aprenden en pequeños pasos incrementales cuando el siguiente paso está siempre lógicamente relacionado con el anterior; ordenados y lineales; cuando tratan de solucionar un problema tienden a seguir caminos por pequeños pasos lógicos. Globales: aprenden grandes saltos, aprendiendo nuevo material casi al azar y de pronto visualizando la totalidad; pueden resolver problemas complejos rápidamente y de poner juntas cosas en forma innovadora. Pueden tener dificultades, sin embargo, en explicar cómo lo hicieron. 34 Inductivo: entienden mejor la información cuando se les presentan hechos y observaciones y luego se infieren los principios o generalizaciones. Deductivo: Prefieren deducir ellos mismos las consecuencias y aplicaciones a partir de los fundamentos o generalizaciones. (Gómez, 2004) Minería de datos y aprendizaje automático Los avances alcanzados en herramientas computacionales permiten capturar y almacenar una gran cantidad de datos; esto, unido a la explosión en el volumen de información experimentado en la última década ha hecho necesario el desarrollo de nuevas ramas de la ciencia dentro de la que se encuentra el aprendizaje automatizado Machine Learning. (Caballero, 2007). El Aprendizaje Automático es el área de la Inteligencia Artificial que se ocupa de desarrollar técnicas capaces de aprender, es decir, extraer de forma automática conocimiento subyacente en la información. Constituye, junto con la estadística, el corazón del análisis inteligente de los datos. Los principios seguidos en el aprendizaje automático y en la minería de datos son los mismos: la máquina genera un modelo a partir de ejemplos y lo usa para resolver el problema. El modelo de aprendizaje más estudiado es el aprendizaje inductivo, que engloba todas aquellas técnicas que aplican inferencias inductivas sobre un conjunto de datos para adquirir conocimiento inherente a ellos. (Ruiz, 2006) Los términos de aprendizaje automático y minería de datos se usan en la actualidad indistintamente. El nombre de minería de datos viene de la analogía de minar conocimientos en una montaña de datos. Entre las principales tareas que emprende la minería de datos se encuentran las técnicas de clasificación, agrupamiento, asociación y selección de datos. Una actividad muy importante clustering o agrupamiento, usado para el aprendizaje no supervisado, nos permite formar grupos ordenando la información, una de sus principales aplicaciones es la clasificación de textos. En este caso, lo que se pretende es agrupar ejemplos en clases, según la proximidad de estos teniendo en cuenta los valores de cada variable en cada ejemplo. 35 Metodología utilizada para el diagnóstico de los estilos de aprendizaje En primer lugar se realizó una encuesta a los estudiantes de la carrera de Ingeniería Informática. Se seleccionaron al azar, 57 alumnos de 1ro, 2do y 3er años de la carrera, que constituyen el 20 % de la población. El instrumento utilizado para recolectar los datos fue el Test de Estilos de Aprendizaje propuesto por Felder y Soloman (1984). Este Test que mostramos a continuación consiste en 44 preguntas con dos opciones de respuesta cada una (a y b), en las que el alumno debe elegir necesariamente solo una de ellas. En una segunda fase se elaboró una base de datos con la información obtenida a través de esta encuesta. La información recabada con el test fue cargada en una planilla de EXCEL (Figura 1). Fig. 1 Base de datos con la información de la encuesta. Posteriormente, se convirtió en un archivo.arff (Figura 2), para poder ser manejado en el software WEKA. 36 Fig. 2 Información obtenida a través de esta encuesta en archivo.arff. En una tercera etapa se procedió a aplicar el algoritmo de agrupamiento para identificar subgrupos homogéneos dentro de la población de alumnos encuestada, según la proximidad de los ejemplos en cuanto a los valores (a y b) de cada variable en cada ejemplo. Para ello se utilizó al software WEKA y se seleccionó la pestaña Clúster. En particular, se optó por el algoritmo Farthest First por tratarse de un problema de k centros donde se pretende que la máxima distancia entre una tupla y su centroide sea mínima. Es decir, se obtendrán 2 centroides -configuración por defecto- que son el prototipo que mejor caracteriza a su subgrupo. Los objetos que componen cada subgrupo deben ser bastante similares entre ellos y lo suficientemente disimilares con respecto a los ejemplos del otro subgrupo. A continuación se muestran los resultados del algoritmo corrido en el Weka. === Run information === Scheme: weka.clusterers.farthestfirst -N 2 -S 1 Relation: stiia Instances: 51 Attributes: 44 === Model and evaluation on training set === 37 FarthestFirst ============== Cluster centroids: Cluster Cluster Clustered Instances 0 37 (73 %) 1 14 (27 %) En una cuarta fase se determinaron las correspondencias entre los estilos de aprendizaje y las posibles respuestas a las 44 preguntas del test de Felder y Soloman. En la siguiente figura (Fig. 4), tomada de (Durán y Costaguta, 2007) aparecen resumidos qué estilo de aprendizaje corresponden a cada respuesta del test. 38 Fig. 4 Correspondencia entre estilos de aprendizaje y respuestas al test de Felder y Soloman. Luego se sustituye cada uno de los atributos incluidos en los dos centroides de los clúster arrojados por Weka por el código del estilo de aprendizaje con el que se vincula. Con lo que los centroides quedaron expresados como sigue: Clúster Clúster Clúster 0 AC,SN,V,SC,AC,SN,V,G,R,I,AU,SC,AC,I,V,SC,AC,SN,V,SC,R,I,AU,SC,R,I,V,G,AC,I,AU,SC,AC,I,AU,SC,AC,SN,AU,SC,AC,SN,V,G Clúster 1 AC,SN,V,G,R,SN,AU,SC,AC,SN,V,G,R,SN,V,G,AC,SN,V,SC,AC,SN,AU,SC,AC,I,AU,S C,R,I,V,G,AC,SN,V,G,R,I,V,G,R,SN,AU,G 39 En la quinta etapa se determina la combinación de estilos de aprendizaje representada por cada centroide, se procedió a contar la cantidad de ocurrencias de cada estilo. Resultando la siguiente tabla (Tabla 1). Tabla 1: Cantidad de ocurrencias de cada estilo de aprendizaje por cada centroide AC R V AU SC G SN I Centroide Centroide Resultando que el centroide 1 representa como más frecuente los estilos Activo, Visual, Secuencial e Intuitivo. En el centroide 2 identifican como dominantes los estilos Activo, Visual, Global y Sensitivo. En la última y sexta etapa se conforma al perfil de los estudiantes obtenido de los centroides. Se tomará como modelo al centroide 1 que es el objeto que representa mejor al 73 % de las instancias de la base de casos. Por tanto, representa a la mayoría de los estudiantes de informática encuestados. Se identifican los siguientes estilos de aprendizaje y estrategias de enseñanza recomendadas: Activo: su punto más fuerte reside en la aplicación práctica de las ideas. Esta persona se desempeña mejor en las pruebas que requieren indicar una sola respuesta o solución concreta para una pregunta o problema, donde no tiene que argumentar su respuesta. No le gustan los ejercicios teóricos, sino que son eficientes en la aplicación de la teoría a un problema práctico. Estrategias de enseñanza recomendadas: proyectos prácticos, clasificar la información, resolución de problemas prácticos y hacer gráficos y mapas. Visual: prefieren la presentación visual del material tal como películas, cuadros, o diagramas de flujo. Es recomendable acompañar la explicación de procesos y de algoritmos complejos con diagramas de flujos o diagramas lógicos. También las funciones matemáticas complejas deberían ilustrarse, o bien, utilizarse un software 40 matemático con capacidades de graficación. (Ruiz et al., 2006) y (Durán y Costaguta, 2007) Secuencial: aprendizaje secuencial es el aplicado en la mayoría de la educación formal, e implica la presentación de material en un orden de progresión lógica, con el avance del aprendizaje regido por el tiempo y el calendario. Cuando un cuerpo de material ha sido cubierto los estudiantes son evaluados y recién pueden pasar al nivel o cuerpo siguiente. Es conveniente dar a conocer una secuencia de pasos para ir cumpliendo en un determinado orden los objetivos del tema. Les gusta ordenar datos de una investigación. Intuitivo: conceptuales, innovadores, orientados hacia las teorías. No les gustan las repeticiones y prefieren la teoría. Estrategias de enseñanza recomendadas: Encomendarle lectura de textos y utilizar informes escritos. (Lemus, 2011) Conclusiones Consideramos que determinar las características del perfil de aprendizaje de nuestros estudiantes para, en función de ellas, adecuar las estrategias de enseñanza de los profesores de la carrera resulta una excelente alternativa para aumentar la promoción de los estudiantes en la Inteligencia Artificial. La utilización de técnicas de agrupamiento resulta una opción de gran interés para obtener información útil de los grupos cuando se desea perfilar los estilos de aprendizaje de una determinada muestra de una población y a partir de su interpretación recomendar las estrategias adecuadas. Referencias Caballero, Y. (2007). Acerca del Aprendizaje Automatizado, la Selección de Características y la Edición de conjuntos de Entrenamiento. Tesis de Doctorado, Camagüey. Ceballos, B.; C. Arribas (2003). Diagnóstico de los estilos de aprendizaje: un instrumento valioso para apoyar la formación en los estudiantes de enfermería. Enfermería Global, 2003, no. 3, pp Argentina. 41 Durán, E.; R. Costaguta (2007). Minería de datos para descubrir estilos de aprendizaje. En Organización de Estados Iberoamericanos para la Educación, la Ciencia y la Cultura (OEI), vol. 2, no. 42, pp Gómez, L. (2004). Manual de estilos de aprendizaje. Material autoinstruccional para docentes y orientadores educativos. Dirección de Coordinación Académica de la Subsecretaría de Educación Media superior de México, no.12, pp , México. Lemus, C. (2011). Estrategia metodológica para el desarrollo de un sistema tutor inteligente: Modulo de Dominio. IEEE, CONCAPAN XXXI, no. 49, pp El Salvador. Rivero, T. V.; Q. Y. Álvarez; M. L. Herrera (2013). El Uso de Weka en la determinación de los estilos de aprendizaje de los estudiantes de Ingeniería Informática en Cienfuegos. En actas de Informática en la Educación, INFOREDU 2013 dentro de Informática 2013, vol.12, pp Cuba. Ruiz, R. (2006). Heurísticas de selección de atributos para datos de gran dimensionalidad. Tesis Doctoral para optar por el grado de Doctor en Informática. Universidad de Sevilla. 42
Similar documents
View more...
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks
SAVE OUR EARTH

We need your sign to support Project to invent "SMART AND CONTROLLABLE REFLECTIVE BALLOONS" to cover the Sun and Save Our Earth.

More details...

Sign Now!

We are very appreciated for your Prompt Action!

x