Modelo clasificador para personalizar ejercicios propuestos a estudiantes utilizando redes neuronales artificiales

Abstract

El artículo tiene como objetivo el desarrollo de un modelo que permite predecir en forma personalizada los ejercicios que puede resolver un estudiante, y por otro lado los que no puede resolver. El modelo está basado en una serie de factores que influye en los ritmos de aprendizaje de los estudiantes. El curso que se utilizó como experimento en el proyecto es el manejo de funciones en hojas de cálculo. Para el desarrollo del proceso se ha utilizado la metodología de minería de datos KDD (Knowledge Discovery in Databases) y para el modelo se ha utilizado redes neuronales artificiales con aprendizaje hacia atrás (Backpropagation), el cual es un algoritmo de aprendizaje supervisado. El modelo se alimenta con datos como sexo, edad, grado académico, nivel de instrucción de los padres, tipo de colegio, calificaciones previas de los temas que el estudiante obtiene mientras avanza en el curso. El enfoque de la investigación es de corte cuantitativo, experimental, de tipo aplicada y la población estuvo representada por 85 estudiantes. El resultado muestra que el modelo logra una probabilidad del 72% de precisión al predecir la asignación de ejercicios a los estudiantes según sus características. Los ejercicios que no pueden ser resueltos se les anexa una ayuda para su mejor comprensión y resolución.

The objective of the article is to develop a model that allows to predict in a personalized way the exercises that a student can solve, and on the other hand the exercises that a student cannot solve. The model is based on a series of factors that influence students’ learning rates. The course that was used as an experiment in the project is the handling of functions in spreadsheets. For the development of the process, the KDD (Knowledge Discovery in Databases) data mining methodology has been used and artificial neural networks with backward learning (Backpropagation), which is a supervised learning algorithm, have been used for the model. The model is fed with data such as gender, age, academic grade, parents’ level of education, type of school, previous grades of the subjects that the student obtains while advancing in the course. The research approach is quantitative, experimental, applied and the population was represented by eighty five students. The result shows that the model achieves a 72% probability of accuracy in predicting the assignment of exercises to students according to their characteristics. Exercises that cannot be solved are given a help for their better understanding and resolution.