MASTER TESIS: PROCESO DE ADAPTACIÓN PARA ENTREGAR CONTENIDO BASADO EN ESTILOS DE APRENDIZAJE DEL USUARIO

Tamaño: px
Comenzar la demostración a partir de la página:

Download "MASTER TESIS: PROCESO DE ADAPTACIÓN PARA ENTREGAR CONTENIDO BASADO EN ESTILOS DE APRENDIZAJE DEL USUARIO"

Transcripción

1 MASTER TESIS: PROCESO DE ADAPTACIÓN PARA ENTREGAR CONTENIDO BASADO EN ESTILOS DE APRENDIZAJE DEL USUARIO ADAPTATION PROCESS TO DELIVER CONTENT BASED ON USER LEARNING STYLES. Estudiante: Carolina Mejía Corredor Director: Ramón Fabregat Gesa Tutor: Silvia Margarita Baldiris Navarro Master en Informática y Automática Industrial Departament de Electrònica, Informàtica i Automàtica Universitat de Girona Girona, Julio de 2009

2

3 Gracias Dios por ser tan generoso conmigo, por brindarme oportunidades tan bellas como las que estoy viviendo hoy. Amén. A mi familia con todo mi amor. i

4 AGRADECIMIENTOS Mis más sinceros agradecimientos a: Dr. RAMÓN FABREGAT GESA y Dra. CLARA INÉS PEÑA GÓMEZ, por su confianza e innumerables esfuerzos para lograr que estuviera aquí y pudiera desarrollar este trabajo. SERGIO EDUARDO GÓMEZ ARDILA y SILVIA MARGARITA BALDIRIS NAVARRO, por sus oportunos y acertados consejos. Mis compañeros del grupo de investigación de Comunicaciones y Sistemas Distribuidos (BCDS), por su paciencia y valiosos aportes, muy especialmente a David Huerva y Laura Mancera. Dra. BEATRIZ LOPEZ, por todas sus clases que fueron de gran ayuda y me brindaron un marco conceptual muy importante. El grupo creador de Agent Academy, especialmente al Dr. ANDREAS L. SYMEONIDIS por su ayuda y disposición para brindarme documentación sobre el tema. El Ministerio Español de Ciencia y Educación por el soporte financiero del proyecto ADAPTAPlan (TIN C06-00) y del proyecto (TIN C04-02/TSI), que permitieron la divulgación de este trabajo. El programa de becas de la Universitat de Girona por su apoyo financiero, referencia BR08/09. Familiares y amigos de los que siempre obtuve voces de aliento y confianza. ii

5 TABLA DE CONTENIDO AGRADECIMIENTOS II TABLA DE CONTENIDO III LISTA DE FIGURAS VII LISTA DE TABLAS IX RESUMEN XI PARTE I: INTRODUCCIÓN, MARCO TEÓRICO Y ESTADO DEL ARTE 1 1 INTRODUCCIÓN MOTIVACIÓN OBJETIVOS Objetivo General Objetivos Específicos ORGANIZACIÓN DEL DOCUMENTO 5 2 MARCO TEÓRICO Y ESTADO DEL ARTE LAS COMPETENCIAS EN LA FORMACIÓN LA ENSEÑANZA CONSIDERANDO ESTILOS DE APRENDIZAJE LEARNING MANAGEMENT SYSTEMS (LMS) SISTEMAS HIPERMEDIA ADAPTATIVOS (SHA) ESTÁNDARES Y ESPECIFICACIONES E-LEARNING IMS Learner Information Profile (IMS-LIP) IEEE Learning Object Metadata (IEEE-LOM) IMS Content Packaging (IMS-CP) IMS Learning Design (IMS-LD) OBJETOS DE APRENDIZAJE Y REPOSITORIOS Objeto de aprendizaje Repositorio de objetos de aprendizaje 21 iii

6 2.7 MINERÍA DE DATOS APRENDIZAJE AUTOMÁTICO Tarea de aprendizaje Ejemplos de entrenamiento Árboles de decisión Algoritmos de aprendizaje Algoritmo ID Algoritmo C4.5 (J48) Algoritmo Cart (SimpleCart) Procesamiento de los datos en los algoritmos de aprendizaje AGENTES INTELIGENTES Definición de agente Definición de inteligencia Definición de agente inteligente Características de los agentes Tipos de agentes Sistema Multiagente (MAS) Sistemas multiagentes en ambientes educativos SERVICIOS WEB XML-RPC 40 PARTE II: PROCESO DE ADAPTACIÓN 41 3 PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS SOPORTADO EN UN MODELO DE USUARIO BASADO EN ESTILOS DE APRENDIZAJE 43 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA DEFINICIÓN DE LAS TAREAS DE APRENDIZAJE APLICACIÓN DEL ALGORITMO DE CLASIFICACIÓN Selección del algoritmo de clasificación Aplicación del algoritmo C IMPLEMENTACIÓN DEL PROCESO DE DECISIÓN 55 PARTE III: CASO DE PRUEBA 59 iv

7 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE SELECCIÓN DE LOS RECURSOS ETIQUETADO DE LOS RECURSOS PUBLICACIÓN DE LOS RECURSOS 67 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN CAPTURA DEL ESTILO DE APRENDIZAJE PAQUETE ILS ENVÍO DEL ESTILO DE APRENDIZAJE A LA PLATAFORMA DE AGENTES PAQUETE RESULT-ILS RECEPCIÓN DE LAS SOLICITUDES Y RESPUESTAS DE LA PLATAFORMA DE AGENTES INICIACIÓN DE LA PLATAFORMA DE AGENTES CREACIÓN DE UN LEARNING DESIGN (LD) E INTEGRACIÓN CON LOS OBJETOS DE APRENDIZAJE GENERACIÓN DE LAS CONDICIONES DE LAS PREFERENCIAS DE APRENDIZAJE EN EL LD INTEGRACIÓN DEL LD ADAPTADO EN LA PLATAFORMA DOTLRN INTEGRACIÓN DEL LIP DEL USUARIO EN EL PROCESO DE ADAPTACIÓN 88 7 RESULTADOS RESULTADOS A NIVEL DE ADAPTACIÓN RESULTADOS A NIVEL DE PRUEBAS 94 8 COLABORACIÓN CON EL DESARROLLO DEL PROYECTO ADAPTAPLAN Y EL PROYECTO PROYECTO ADAPTAPLAN (TIN C06-03) INTEGRACIÓN DEL PROCESO DE ADAPTACIÓN EN EL ADAPTAPLAN PROYECTO (TIN C04-02/TSI) 103 CONCLUSIONES 105 TRABAJOS FUTUROS 109 PUBLICACIONES 111 BIBLIOGRAFÍA 113 v

8 ANEXO A: ENCUESTA A ESTUDIANTES SOBRE LOS TIPOS PREFERIDOS DE RECURSOS DE APRENDIZAJE 123 ANEXO B: DECLARACIONES SITUACIONALES PARA DESCRIBIR EL PROCESO DE ADAPTACIÓN DE CONTENIDOS 125 ANEXO C: HERRAMIENTAS DE DESARROLLO 131 vi

9 LISTA DE FIGURAS FIGURA 1. ESQUEMA SIMPLE DE UN SISTEMA HIPERMEDIA ADAPTATIVO 12 FIGURA 2. ESTRUCTURA DE APLICACIÓN DE LAS ESPECIFICACIONES DE SCORM 15 FIGURA 3. ESTRUCTURA DE UN IMS-CP 17 FIGURA 4. ESTRUCTURA DE UNA UOL 18 FIGURA 5. RELACIONANDO LOS PRINCIPALES ELEMENTOS DEL IMS-LD 19 FIGURA 6. ESQUEMA DE UN OBJETO DE APRENDIZAJE 21 FIGURA 7. OBTENCIÓN DE UN REPOSITORIO DE OBJETOS DE APRENDIZAJE 22 FIGURA 8. PROCESO DE MINERÍA DE DATOS 23 FIGURA 9. EJEMPLO DE UN ÁRBOL DE DECISIÓN 28 FIGURA 10. ESQUEMA GENERAL DE UN ALGORITMO DE APRENDIZAJE 29 FIGURA 11. VISIÓN ESQUEMÁTICA DE UN AGENTE 33 FIGURA 12. TRANSPORTE DE LOS DATOS EN UNA PETICIÓN XML 40 FIGURA 13. MODELO DE ADAPTACIÓN BASADO EN ESTILOS DE APRENDIZAJE 43 FIGURA 14. MODELO DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS 47 FIGURA 15. ESTRUCTURA DEL FORMATO ARFF DE WEKA 50 FIGURA 16. MATRICES DE CONFUSIÓN PARA LOS MODELOS DE CLASIFICACIÓN 52 FIGURA 17. ÁRBOL DE DECISIÓN RESULTADO DE LOS EJEMPLOS DE ENTRENAMIENTO 54 FIGURA 18. MODELO DEL PROCESO DE DECISIÓN PARA LA RESOLUCIÓN DEL ORDEN DE LOS CONTENIDOS 55 FIGURA 19. ORDEN DE LOS RECURSOS PREFERIDOS POR UN ESTUDIANTE 58 FIGURA 20. CURSO DE CONCEPTOS BÁSICOS DE PROGRAMACIÓN ORIENTADA A OBJETOS 61 FIGURA 21. ESTRUCTURA DEL CURSO DE CONCEPTOS BÁSICOS DE PROGRAMACIÓN ORIENTADA A OBJETOS 62 FIGURA 22. CURSO DE CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 63 FIGURA 23. CONTENIDOS DEL CURSO DE CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 63 FIGURA 24. ESTRUCTURA DEL CURSO DE CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 64 FIGURA 25. ESTRUCTURA DEL CURSO INVESTIGACIÓN EDUCATIVA 65 FIGURA 26. METADATO DEL RECURSO EJERCICIO VISTO DESDE EL RELOAD EDITOR 67 FIGURA 27. APLICACIÓN CLIENTE DEL REPOSITORIO DE OBJETOS FEDORA: FEDORAADMIN. 68 FIGURA 28. INTERFAZ WEB DEL REPOSITORIO DE OBJETOS FEDORA 69 FIGURA 29. CURSO DE CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN EN EL REPOSITORIO DE OBJETOS FEDORA 69 FIGURA 30. MODELO DE INTEGRACIÓN DE LA PLATAFORMA DE AGENTES Y DOTLRN 71 FIGURA 31. INTERFAZ GRÁFICA DEL PAQUETE ILS EN DOTLRN 72 FIGURA 32. ESTRUCTURA DE CARPETAS DEL PAQUETE RESULT-ILS 73 vii

10 FIGURA 33. PAQUETE RESULT-ILS CREADO EN LA PLATAFORMA DOTLRN 73 FIGURA 34. AGENTES Y COMPORTAMIENTOS DE LA PLATAFORMA DE AGENTES 75 FIGURA 35. AGENTES Y COMPORTAMIENTOS DE LA PLATAFORMA DE AGENTES INTEGRADA EN EL SERVIDOR WEB APACHE TOMCAT 75 FIGURA 36. REGISTRO DEL SERVICIO DE CLASIFICACIÓN CON EL AGENTE PÁGINAS AMARILLAS 77 FIGURA 37. INTERFAZ GRÁFICA DEL RELOAD LD EDITOR AL CREARSE UN NUEVO LD 78 FIGURA 38. INTERFAZ GRÁFICA DEL RELOAD LD EDITOR DONDE SE CREAN LAS ACTIVIDADES DE APRENDIZAJE PARA EL LD 79 FIGURA 39. INTERFAZ GRÁFICA DEL RELOAD LD EDITOR DONDE SE ENLAZAN LOS OBJETOS DE APRENDIZAJE DEL REPOSITORIO FEDORA EN EL LD 79 FIGURA 40. ESTRUCTURA DEL ARCHIVO XML QUE REPRESENTA EL LD DEL CURSO CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 80 FIGURA 41. MODELO DE IMPLEMENTACIÓN DEL AGENTE ADAPTADOR DE LA PREFERENCIA 81 FIGURA 42. ESTRUCTURA XML QUE IMPLEMENTA LA PROPIEDAD PREFERENCIA EN EL LD 82 FIGURA 43. ESTRUCTURA XML QUE IMPLEMENTA LOS ENTORNOS PARA CADA PREFERENCIA DE APRENDIZAJE EN EL LD 83 FIGURA 44. ESTRUCTURA XML QUE IMPLEMENTA LAS CONDICIONES PARA CADA PREFERENCIA DE APRENDIZAJE EN EL LD 84 FIGURA 45. INTERFAZ GRÁFICA DEL RELOAD LD EDITOR DONDE SE ENLAZAN LOS OBJETOS DE APRENDIZAJE DEL REPOSITORIO FEDORA EN EL LD 85 FIGURA 46. INTERFAZ GRÁFICA DEL RELOAD LD EDITOR DONDE SE CREA EL PAQUETE DE CONTENIDOS 85 FIGURA 47. INTERFAZ GRÁFICA DE DOTLRN DONDE SE IMPORTA UN CURSO BAJO LA ESPECIFICACIÓN IMS-LD 86 FIGURA 48. INTERFAZ GRÁFICA DE DOTLRN DONDE SE PRESENTA A LOS ESTUDIANTES EL CURSO GENERADO BAJO LA ESPECIFICACIÓN IMS-LD 87 FIGURA 49. INTERFAZ GRÁFICA DE DOTLRN DONDE SE PRESENTA A LOS ESTUDIANTES EL CURSO GENERADO BAJO LA ESPECIFICACIÓN IMS-LD 87 FIGURA 50. MODELO DE USUARIO INTEGRADO CON EL SERVIDOR DE LIPS 88 FIGURA 51. ESCENARIO DEL CURSO DE CONCEPTOS BÁSICOS DE PROGRAMACIÓN ORIENTADA A OBJETOS 92 FIGURA 52. ESCENARIO DEL CURSO DE CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 93 FIGURA 53. ESCENARIO DEL CURSO DE INVESTIGACIÓN EDUCATIVA 94 FIGURA 54. MODELO DE USUARIO DEL ADAPTAPLAN 100 FIGURA 55. ESQUEMA GENERAL DEL PROYECTO ADAPTAPLAN 101 FIGURA 56. MECANISMO DE COMUNICACIÓN UTILIZADO EN EL PROYECTO ADAPTAPLAN 102 FIGURA 57. ESTRUCTURA DEL PROCESO DE ADAPTATIVIDAD EN EL PROYECTO ADAPTAPLAN 103 viii

11 LISTA DE TABLAS TABLA 1. DIMENSIONES DE LOS ESTILOS DE APRENDIZAJE DEL MODELO PROPUESTO FELDER 9 TABLA 2. CARACTERÍSTICAS DE APRENDIZAJE DE LOS ESTUDIANTES SEGÚN LOS ESTILOS DE APRENDIZAJE DEL MODELO DE FELDER Y SILVERMAN 10 TABLA 3. MODELOS DE ESTILOS DE APRENDIZAJE CONSIDERADOS EN SISTEMAS EDUCATIVOS 10 TABLA 4. CATEGORÍAS DE LOS METADATOS PROPUESTAS POR LOM 16 TABLA 5. TIPOS DE RECURSOS DE APRENDIZAJE PROPUESTOS POR LOM 17 TABLA 6. SISTEMAS HIPERMEDIA QUE UTILIZAN TÉCNICAS DE APRENDIZAJE AUTOMÁTICO 25 TABLA 7. ALGORITMOS DE APRENDIZAJE 29 TABLA 8. TIPOS DE AGENTES INTELIGENTES 36 TABLA 9. DETALLE DE LAS CLASES QUE RELACIONAN LOS TIPOS DE RECURSOS (TR) CON LOS ESTILOS DE APRENDIZAJE (LS) 44 TABLA 10. RELACIÓN ENTRE LOS TIPOS DE RECURSOS Y LOS NIVELES DE ESTILOS DE APRENDIZAJE 45 TABLA 11. VALORACIÓN DE LOS TIPOS DE RECURSO PREFERIDOS POR UN ESTUDIANTE 46 TABLA 12. CLASES Y ATRIBUTOS DE LA TAREA DE APRENDIZAJE DE CLASIFICACIÓN 48 TABLA 13. EJEMPLO DE CÓMO CONSTRUIR UN EJEMPLO DE ENTRENAMIENTO 49 TABLA 14. EJEMPLOS DE ENTRENAMIENTO 49 TABLA 15. FUENTES DE DATOS UTILIZADAS PARA EVALUAR LOS ALGORITMOS DE APRENDIZAJE 51 TABLA 16. % DE CLASIFICACIÓN CORRECTA (CC), % DE PRECISIÓN (P) Y TIEMPO DE PROCESAMIENTO (T) PARA LAS FUENTES DE DATOS DE PROFESORES Y ESTUDIANTES 51 TABLA 17. % DE CLASIFICACIÓN CORRECTA (CC), % DE PRECISIÓN (P) Y TIEMPO DE PROCESAMIENTO (T) PARA LA UNIÓN DE LAS FUENTES DE DATOS DE PROFESORES Y ESTUDIANTES 51 TABLA 18. % DE CLASIFICACIÓN CORRECTA (CC), % DE PRECISIÓN (P) Y TIEMPO DE PROCESAMIENTO (T) APLICANDO EL MÉTODO DE ENSAMBLE BAGGING 53 TABLA 19. TIPOS DE RECURSOS ELABORADOS PARA DEL CURSO CONCEPTOS BÁSICOS DE PROGRAMACIÓN ORIENTADA A OBJETOS. 62 TABLA 20. TIPOS DE RECURSOS ELABORADOS PARA DEL CURSO CLASES Y OBJETOS: DISEÑO Y PROGRAMACIÓN 64 TABLA 21. CONTENIDOS DEL CURSO DEL INVESTIGACIÓN EDUCATIVA 65 TABLA 22. TIPOS DE RECURSOS ELABORADOS PARA DEL CURSO INVESTIGACIÓN EDUCATIVA 65 TABLA 23. METADATOS UTILIZADOS PARA EL ETIQUETADO DE LOS CURSOS 66 TABLA 24. ESTILO DE APRENDIZAJE EN LA ESPECIFICACIÓN IMS-LIP 89 TABLA 25. INFORMACIÓN DE LOS CURSOS PARA CADA AÑO ACADÉMICO 95 TABLA 26. ESTRATEGIAS DIDÁCTICAS EN LOS PERIODOS COMPRENDIDOS ENTRE EL 2006 AL TABLA 27. RESULTADOS DEL CUESTIONARIO ILS PARA EL PERIODO TABLA 28. RESULTADOS DEL CUESTIONARIO ILS PARA EL PERIODO ix

12 x

13 RESUMEN El objetivo general de este máster tesis es el planteamiento de un modelo para el proceso de adaptación de contenidos educativos en un ambiente virtual de aprendizaje de acuerdo al estilo de aprendizaje de un usuario. Para ello, se parte de un modelo de usuario basado en los estilos de aprendizaje definidos por Felder y Silverman y se diseña un modelo de adaptación basado en la experiencia de los expertos temáticos en cuanto a las preferencias de aprendizaje de los estudiantes por ciertos tipos de recursos de aprendizaje, particularmente los definidos en el estándar de la IEEE-LOM. El modelo del proceso de adaptación planteado incluye: 1) El soporte de técnicas de aprendizaje automático para procesar la información acerca de las preferencias del usuario sobre contenidos de aprendizaje y generar una decisión del orden de presentación de los contenidos. 2) Un sistema multiagente que permite entregar y almacenar el orden de presentación definido de los tipos de recursos de aprendizaje. 3) Un perfil de usuario estandarizado que permite guarda las características y preferencias del usuario y que puede ser almacenado en un servidor de perfiles siguiendo las guías de la especificación IMS-LIP (IMS Learner Information Profile). 4) Una unidad de aprendizaje basada en las especificaciones del IMS-LD (IMS Learning Design) que puede ser construida y personalizada con condiciones específicas acorde con la información disponible en el IMS-LIP o en una base de datos. El resultado del proceso de adaptación es la entrega de recursos de aprendizaje clasificados en un orden de presentación, acorde con cada estilo de aprendizaje, en el contexto de una unidad de aprendizaje. Se plantean unos escenarios de prueba y se detalla su implementación sobre la plataforma de código abierto dotlrn. Finalmente se describe la forma en que este trabajo contribuyó al desarrollo del proyecto ADAPTAPlan (TIN C06-00) y la forma como podría contribuir con el desarrollo del proyecto (TIN C04-02). xi

14 xii

15 PARTE I: INTRODUCCIÓN, MARCO TEÓRICO Y ESTADO DEL ARTE 1

16 CAROLINA MEJÍA CORREDOR En esta parte del documento se desarrollan aspectos fundamentales necesarios para la construcción de este trabajo. En primer lugar, se presenta la introducción general del trabajo, que incluye la motivación que se tuvo para su realización, y el planteamiento de los objetivos que se quieren alcanzar. En segundo lugar se presenta el marco teórico y estado del arte necesario para el desarrollo de esta propuesta y su posterior implementación. Se estudian diferentes temas tanto a nivel científico como tecnológico. 2

17 1 INTRODUCCIÓN Una característica importante de los procesos de diseño curricular por competencias es situar al estudiante como eje principal del proceso de formación. Por esta razón se destacan los mecanismos que permiten conocer de antemano este actor principal, en términos de sus intereses, personalidad, experiencia, competencias previas, expectativas y/o preferencias, género, nivel de conocimiento, entre otras características, proceso en el cual las tecnologías de la información y comunicación tienen un fuerte impacto. En el contexto de e-learning, muchos han sido los desarrollos e investigaciones que se han realizado, en particular en el área de la creación y mejoramiento de los sistemas de gestión de aprendizaje ó LMS (Learning Management Systems en inglés) así como en el proceso de presentación de los contenidos en estos sistemas. En este mismo contexto, el concepto de estándares de e-learning, nace con el propósito de lograr la interoperabilidad requerida entre un número aun creciente de aplicaciones, entre ellas los LMS, facilitando el acceso a diferentes tipos de recursos disponibles en estos sistemas. En particular, con el uso extendido de los LMS en universidades y empresas para soportar la adquisición de competencias, la posibilidad de entregar actividades y recursos didácticos ajustados a las características de los usuarios empieza a ser un problema importante. Para abordar este problema en este trabajo, se desarrolla una propuesta que permite generar adaptaciones al usuario referentes a los tipos de contenidos que son entregados en un LMS. El planteamiento se basa en la identificación de rasgos particulares o características propias de cada individuo [BRU2007] como es el estilo de aprendizaje. Se parte del desarrollo de un modelo de usuario que soporta el proceso de adaptación de los contenidos educativos basado en las preferencias identificadas de los estilos de aprendizaje propuestos por Felder y Silverman en [FEL1988, FEL2001]. Este proceso de modelado de usuario soporta la entrega de los diferentes tipos de recursos propuestos en IEEE-LOM [IEEE-LOM] en un orden específico de acuerdo a la preferencia de cada usuario la cual es modelada por una tarea de clasificación automática [MEJ2008b, MEJ2009, BAL2009]. La adaptación de materiales de enseñanza basado en la identificación previa de los estilos de aprendizaje de los estudiantes contribuye al mejoramiento de la calidad del proceso de formación [MON1995, CAR1999, SAN2007, PEN2008a], ofreciendo al profesor una solución automática para conocer las preferencias en términos de estilos de aprendizaje de sus estudiantes, y soportando el proceso de generación de diseños instruccionales ajustados a las particularidades de cada estudiante. 3

18 CAROLINA MEJÍA CORREDOR 1.1 MOTIVACIÓN Dado el auge que está experimentando hoy en día el uso de Internet en el ámbito de la enseñanza a distancia ó en los procesos duales (parte presencial y parte virtual), cada vez se encuentra un número mayor de sistemas que tratan de favorecer el aprendizaje a través de este medio. Desde la comunidad académica e investigativa surgen día a día numerosas aproximaciones orientadas sobre todo a permitir un mayor grado de personalización en el proceso de formación mediado por las tecnologías de información y comunicación. Sin embargo, el proceso de desarrollo de estas nuevas funcionalidades de personalización suele ser complejo principalmente por los numerosos factores que deben ser cuidadosamente estudiados antes de plantear una posible alternativa de solución al problema. Uno de estos factores es la forma de aprender de un individuo, debido a que cada persona tiene sus rasgos particulares [BRU2007] para adquirir el conocimiento. Estos rasgos son usualmente llamados perfiles o estilos de aprendizaje. El motivo fundamental de este trabajo es plantear una solución al problema de la generación de mecanismos de presentación de la información a un estudiante en un LMS de acuerdo a su estilo de aprendizaje. 1.2 OBJETIVOS Objetivo General Modelar el proceso de adaptación de contenidos educativos en un sistema de gestión de aprendizaje de acuerdo al estilo de aprendizaje de un usuario apoyado en técnicas de clasificación automática Objetivos Específicos Realizar el estado del arte sobre la aplicación de técnicas de machine learning utilizadas para la clasificación de recursos educativos de acuerdo a estilos de aprendizaje. Realizar el estado del arte sobre el uso de agentes inteligentes en sistemas de gestión de aprendizaje que permitan lograr el proceso de adaptación de contenidos educativos. Desarrollar y organizar contenidos educativos que contemplen los diferentes tipos de recursos definidos por el estándar LOM y ubicarlos en un repositorio que permita el manejo de los metadatos asociados a estos recursos. Desarrollar un modelo de usuario basado en la teoría de estilos de aprendizaje de Felder y Silverman que apoye el proceso de adaptación de contenidos educativos en un sistema de gestión de aprendizaje. 4

19 1 INTRODUCCIÓN Desarrollar un modelo de proceso de adaptación de contenidos educativos basado en técnicas de machine learning existentes y en el uso de especificaciones de etiquetado de recursos, que permita resolver el orden de presentación de tipos de recursos de acuerdo a estilos de aprendizaje. Desarrollar un caso de prueba que permita verificar la viabilidad del modelo de adaptación generado utilizando el sistema de gestión de aprendizaje dotlrn. 1.3 ORGANIZACIÓN DEL DOCUMENTO Este documento está estructurado en tres partes. La primera corresponde a la introducción, marco teórico y estado del arte, que se desarrolla en dos capítulos. El capítulo 1, que presenta la introducción del trabajo realizado, incluyendo la motivación y los objetivos trazados. El capítulo 2, que presenta el marco teórico y estado del arte necesario para lleva a cabo la propuesta planteada en este trabajo. La segunda parte corresponde al desarrollo de la propuesta planteada y se estructura en dos capítulos. El capítulo 3, que presenta el modelo de usuario propuesto y el proceso de adaptación de contenidos educativos apoyado en este modelo de usuario. El capítulo 4, que presenta como se ha desarrollado la adaptación de contenidos utilizando técnicas de aprendizaje automático y la tecnología de agentes. La tercera parte correspondiente al caso de prueba se desarrolla en cuatro capítulos. El capítulo 5, que presenta la selección de los contenidos educativos a trabajar, el etiquetado realizado a estos contenidos y su publicación en un repositorio de objetos de aprendizaje. El capítulo 6, que presenta la implementación del proceso de adaptación de contenidos en dotlrn. El capítulo 7, que presenta algunos resultados tanto a nivel de implementación de la propuesta de adaptación como a nivel de pruebas con estudiantes reales. El capítulo 8, que presenta el aporte que ha hecho este trabajo en los proyectos educativos ADAPTAPlan (TIN C06-00) [ADAPTA] y (TIN C04-01/TSI) [A2UNA]. Se finaliza el documento con el planteamiento de los trabajos futuros y las conclusiones obtenidas en este trabajo. 5

20 6 CAROLINA MEJÍA CORREDOR

21 2 MARCO TEÓRICO Y ESTADO DEL ARTE Este capítulo presenta una aproximación general al estado del arte de los campos de investigación vinculados al desarrollo de este trabajo. Se inicia introduciendo el concepto de competencia y la identificación de estilos de aprendizaje como un mecanismo para personalizar los procesos de formación bajo este enfoque. A continuación se introduce el tema de los Sistemas de Gestión de Aprendizaje (Learning Management Systems - LMS) y los Sistemas Hipermedia Adaptativos, profundizando un poco en el concepto de modelado de usuario. Se continúa con un marco conceptual sobre los temas de estándares y especificaciones e-learning, objetos de aprendizaje y repositorios de objetos de aprendizaje, se toca un poco el tema de minería de datos, se profundiza en el tema de las técnicas de aprendizaje automático, los agentes inteligentes y los servicios web. 2.1 LAS COMPETENCIAS EN LA FORMACIÓN El concepto de competencia se ha ido construyendo a través de la historia por la aportación proveniente de diferentes corrientes disciplinares. Como se puede ver resumido en [BAL2007b] son muchos los autores que han incidido en este tema. A partir de este análisis se puede concluir que las competencias: Son atributos y características permanentes de una persona o individuo. Se ponen de manifiesto cuando se ejecuta una tarea o se realiza un trabajo concreto, y está relacionada con la ejecución exitosa o rendimiento de la misma. Pueden ser generalizadas a más de una actividad (de aprendizaje, laboral). Ponen de manifiesto un conjunto de atributos que la persona debe poseer, como su conocimiento, sus habilidades y sus actitudes. Es importante mencionar, que el ser competente debe garantizar la integración de estas características para lograr un desempeño adecuado en el contexto requerido. De esta manera podemos definir la formación basada en competencias como orientadora del desarrollo de las capacidades y destrezas del estudiante, partiendo de la reestructuración del diseño curricular de la profesión en la cual se prepara el estudiante y permitiendo con ello crear un beneficio mutuo entre el ámbito educativo y el ámbito laboral. Desarrolla en el estudiante un ser competitivo con mayores opciones laborales y garantías de tipo económico, de conocimiento y habilidad. Igualmente, mediante este enfoque de formación, el sector educativo mejora la calidad de su proceso de enseñanza aprendizaje debido a las destrezas que logra desarrollar en el estudiante, respondiendo al sector laboral, cuyo beneficio es el aumento de la productividad debido a la idoneidad de sus trabajadores. Una característica importante de los procesos de diseño curricular por competencias es partir del conocimiento del estudiante, toda vez que es este el eje principal del proceso de formación. Por esta razón se destacan los mecanismos que permiten conocer de antemano este actor principal, en términos de sus intereses, competencias previas, expectativas y/o preferencias, entre otras características. 7

22 CAROLINA MEJÍA CORREDOR Indudablemente en la actualidad, las tecnologías de la información y comunicación tienen un fuerte impacto en los procesos de formación, tanto en la gestión del proceso como en el soporte que brindan en la enseñanza y el aprendizaje. En [BAL2007b] se realiza un análisis riguroso de cómo a lo largo del tiempo se han venido desarrollando variadas aproximaciones que intentan direccionar cada una de las etapas del proceso de formación por competencias. En particular se plantea el modelado de usuario como herramienta para contar dentro de un sistema con una representación de las características de los usuarios y el uso de especificaciones y estándares para facilitar el intercambio de esas representaciones. El interés de este proyecto como se menciona en [MEJ2008b] se centra especialmente en brindar mecanismos enmarcados dentro de este proceso de formación por competencias, que permitan entregar diseños de aprendizaje ajustados a las preferencias de los estudiantes, actores principales del proceso, haciendo uso de técnicas de modelado de usuario basado en estereotipos y creando mecanismos de decisión basados en clasificación automática. A continuación se describen que tipos de preferencias de usuario se consideran en esta aproximación y como estas pueden ser inferidas. 2.2 LA ENSEÑANZA CONSIDERANDO ESTILOS DE APRENDIZAJE Las personas perciben y adquieren conocimientos de formas distintas, tienen sus propios métodos o estrategias para aprender, piensan y actúan de distinta manera. Lo que significa, que cada individuo responde ante diversas situaciones y ambientes de aprendizaje, de acuerdo ciertas preferencias, llamadas también estilo de aprendizaje. Se entiende estilo de aprendizaje como la forma, métodos o estrategias que emplea un estudiante para seleccionar, procesar y trabajar la información [KEE1979]. Se han generado varias propuestas para abordar el tema de estilos de aprendizaje, elaborándose diversas clasificaciones para explicar las particularidades que cada individuo tiene y que predisponen su manera de aprender. Algunas de las propuestas más importantes sobre los estilos de aprendizaje son: Modelo de Honey y Mumford (1986) [HON1986]. Modelo de David Kolb, desarrollado a principios de los años 70 s. [KOL1984] Teoría de las inteligencias múltiples, por Howard Gardner (1983) [GAR1983]. Modelo de Robert Sternberg (1985) [STE1985]. Modelo de Grasha-Riechmann (1974) [GRA1974]. Modelo de Dunn y Dunn (1985) [DUN1985]. Modelo Vark, por Neil Fleming y Colleen Mills (1992) [FLE1992]. Modelo de tipos de personalidad por Carl Jung (1923) [JUN1923]. Modelo de Felder y Silverman (1988) [FEL1988]. Estilos cognitivos por Witkin, H. A., y Goodenough, D. R. (1981) [WIT1981]. Para este trabajo se ha tomado el modelo propuesto por Felder y Siverman en 1988 [FEL1988] y reestructurado por Felder y Brent en el 2001 [FEL2001], debido al 8

23 2 MARCO TEÓRICO Y ESTADO DEL ARTE importante impacto que ha tenido este modelo en el campo de las Ciencias de la Educación y al aprendizaje asistido por computador. Este modelo clasifica los estilos de aprendizaje en cuatro dimensiones que son presentados en la tabla 1. Tabla 1. Dimensiones de los estilos de aprendizaje del modelo propuesto por Felder Dimensiones Activo Reflexivo Sensitivo Intuitivo Secuencial Global Visual Verbal Estos niveles provienen de las respuestas dadas por los autores a las preguntas cercanas a los principios del modelo Onion de estilos de aprendizaje propuesto por Curry [CUR1987]: Cómo progresa el estudiante en su aprendizaje? Qué tipo de información perciben preferentemente los estudiantes? Con qué tipo de organización de la información está más cómodo el estudiante a la hora de trabajar? Cómo prefiere el estudiante procesar la información? A través de qué modalidad es la información cognitiva más efectivamente percibida? El índice de Estilos de Aprendizaje (Index of Learning Style - ILS) [FEL2007] es el instrumento usado para evaluar preferencias en cuatro dimensiones (activo / reflexivo, sensitivo / intuitivo, visual / verbal, y secuencial / global) del modelo de estilos de aprendizaje formulado por Richard M. Felder y Linda K. Silverman. Tal como se muestra en [FEL2007], esta prueba consta de 44 preguntas, organizadas en grupos de 11 para evaluar cada una de las cuatro dimensiones descritas en la tabla 2. Cada pregunta plantea dos posibles situaciones como respuesta. Sin embargo, una respuesta no necesariamente excluye la otra, los individuos tienden a preferir una más que otra. La preferencia por un estilo particular de aprendizaje puede variar en una escala de 1-11, puede ser desde muy fuerte a casi inexistente y ser sensitiva al tiempo y a las circunstancias del sujeto que aprende. Algunas de las características de aprendizaje de cada uno de dichos tipos de estudiantes se exponen en la tabla 2. La identificación de los estilos de aprendizaje para cada estudiante contribuye en gran medida al mejoramiento de la calidad del proceso de formación [FEL1989], [FEL1990], [MON1995], [ROS1988], [ROS1996], [ROS1999] y [SAN2007], ya que con esto, se pueden ofrecer materiales de aprendizaje dinámicos adaptados a preferencias particulares de cada individuo. En la tabla 3 se presentan algunos sistemas educativos web donde se han implementado estilos de aprendizaje como herramienta para clasificar a los estudiantes y poderles proveer contenidos adaptados al estilo que posean. 9

24 CAROLINA MEJÍA CORREDOR Tabla 2. Características de aprendizaje de los estudiantes según los estilos de aprendizaje del modelo de Felder Activo Aprende trabajando en grupo, intercambiando opiniones, dudando, explicando, discutiendo, participando en la resolución de problemas. Reflexivo Prefiere escuchar y observar. Aprende analizando datos y trabajando solo. Sensitivo Les gusta resolver problemas siguiendo procedimientos bien establecidos, el trabajo práctico, memorizan hechos con facilidad. Intuitivo Les gusta innovar y odian la repetición, orientados hacia las teorías y significados. Comprenden rápidamente nuevos conceptos, trabajan bien con abstracciones y formulaciones matemáticas. Visual Recuerdan mejor lo que ven: cuadros, diagramas, películas, demostraciones. Verbal Recuerdan mejor lo que oyen, leen y dicen. Aprenden eficazmente explicándoles cosas a otras personas. Secuencial Siguen procesos lineales de razonamiento al solucionar problemas, pueden trabajar con el material cuando lo entienden suficientemente o a medias, aprenden mejor cuando el material es presentado en una constante progresión de complejidad y dificultad. Global Hacen saltos intuitivos y pueden ser incapaces de explicar como llegaron a la solución de un problema, pueden tener gran dificultad de trabajar con el material, algunas veces trabajan mejor lanzándose directamente al material más complejo y difícil. Tabla 3. Modelos de estilos de aprendizaje considerados en sistemas educativos Sistema Modelo Implementado CS-383 [CAR1999], LSAS [BAJ2003] WHURLE-HM [BRO2006] ABITS [CAP2000] Felder y Silverman [FEL1988] TANGOW [PAR2004] TANGOW-WOTAN [PAR2006] SPORAS [SCH2005] AHA! [DEB1998] Honey and Mumford [HON1986] INSPIRE [GRI2001] AES-CS [TRI2002] Witkin and Goodenough [WIT1981] iweaver [WOL2002] Dunn y Dunn [DUN1985]. MOT [STA2004] Kolb [KOL1984] Las consideraciones presentadas nos permiten intuir que ofrecer al docente una solución automatizada para conocer las preferencias en cuanto al estilo de aprendizaje de sus estudiantes podría ser una herramienta útil para generar diseños instruccionales ajustados a las particularidades de cada alumno. Además de ofrecerle un referente validado a nivel internacional, para de antemano conocer a la población a la cual debe guiar en el proceso de formación. Si adicionalmente estas posibilidades se brindan en el contexto de un LMS, la entrega de actividades de aprendizaje y los recursos didácticos ajustados a las características del estudiante es direccionable, como se verá posteriormente. 10

25 2 MARCO TEÓRICO Y ESTADO DEL ARTE 2.3 LEARNING MANAGEMENT SYSTEMS (LMS) Un LMS es una aplicación software que automatiza procesos de la gestión de la formación. Un LMS registra usuarios, organiza los diferentes cursos en un catálogo, almacena datos sobre los usuarios, provee informes para la gestión y suministra al instructor un mecanismo para crear y distribuir contenido, monitorear la participación de los estudiantes y evaluar su desempeño. También suelen ofrecer a los estudiantes el uso de mecanismos de interacción como foros de discusión, videoconferencias o servicios de mensajería instantánea. Algunos LMS más especializados pueden incluir herramientas como: administración de competencias, planificación de sesiones, certificación y alojamiento de recursos tales como salones, documentos, instructores, etc. Los LMS son construidos utilizando una gran variedad de plataformas y generalmente usan bases de datos robustas. Existen muchos sistemas comerciales pero en los últimos años ha habido un incremento sustancial de las alternativas de código abierto, lo cual ha posibilitado un campo de investigación y desarrollo muy atractivo. Algunos LMS comerciales son Blackboard (quien se unió con WebCT en el 2005) [BLACKB], Fronter [FRONTER], Desire2Learn Inc [DESIRE2], Lotus Learning Management System [LOTUS], LearnFlex [LEARNFL], y SumTotal [SUMTOT], entre otros. Sin embargo, nuestro interés se centra en los LMS de código abierto, los cuales se consideran ideales para el desarrollo de investigación en el campo de la educación. Algunos de estos LMS son dotlrn [DOTLRN], Moodle [MOODLE], Claroline [CLAROLI], Sakai [SAKAI] y ATutor[ATUTOR]. En [VEL2007] y [VIL2007] se describen varios de los LMS más conocidas tanto comerciales como de código abierto, además se realizan diferentes comparativas entre ellas. Los ambientes de desarrollo de la propuesta de este proyecto se llevaran a cabo en dotlrn, herramienta seleccionada con base en la evaluación realizada en [VEL2007]..LRN, conocida también como dotlrn, es una herramienta desarrollada inicialmente por el MIT [MIT] y actualmente se encuentra respaldada por un consorcio mundial de instituciones educativas, organizaciones sin ánimo de lucro, empresas y desarrolladores de código abierto. DotLRN se adecua perfectamente a las comunidades de aprendizaje e investigación, pues tiene capacidades de gestión de cursos, comunidades on-line, gestión de contenidos, entre otras. La comunidad de desarrollo de esta solución asegura la calidad del software certificando componentes desarrollados y por medio de planes de desarrollo de software coordinados, además manteniendo los lazos con OpenACS [OPENACS], el Kid de herramientas de código abierto que forman la base de dotlrn. Otras de las razones por la cuales se tomo la decisión de desarrollar el caso de prueba que se planteará más adelante sobre dotlrn, además de las características mencionadas, es que cuenta con la implementación de diferentes paquetes que soportan la propuesta planteada como son: 1) el paquete ILS [PAQ-ILS], a través del cual se cuenta con los resultados de la aplicación del test de Felder a los estudiantes 11

26 CAROLINA MEJÍA CORREDOR inscritos en un curso o comunidad en particular, 2) la implementación del protocolo XML-RPC [XML-RPC] a través del paquete XML-RPC [PAQ-XML] con el cual se logra la integración de la plataforma de agentes que ha sido desarrollada, y 3) la implementación del paquete LD [IMS-LD], que permite ver la el ordenamiento generado de los recursos de aprendizaje en una unidad de aprendizaje definida de acuerdo con estándares de e-learning. Definido el marco de trabajo para la implementación, el próximo paso fue analizar como agregar opciones de personalización basado en estilos de aprendizaje a un LMS, específicamente a dotlrn. Esto nos llevo a analizar las propuestas emanadas desde la línea de los Sistemas Hipermedia Adaptativos. 2.4 SISTEMAS HIPERMEDIA ADAPTATIVOS (SHA) Un Sistema Hipermedia (SH) se basa en presentar al usuario los contenidos en forma de material hipertexto, los cuales pueden ser accedidos interactivamente navegando a través de ellos. Un Sistema Hipermedia Adaptativo (SHA) se define entonces como cualquier sistema hipertexto o hipermedia que refleja algunas características del usuario en un modelo de usuario y que aplica este modelo para adaptar varios aspectos visibles del sistema para el usuario [BRU1996]. Es decir, la idea fundamental en los SHA es la necesidad de conocer las particularidades de quien usa el sistema y de esta manera poder ofrecerle un material acorde a sus características en un dominio específico. Esto implica determinar que características se tendrán en cuenta para el modelo, como se representarán dichas características, como se actualiza el modelo de usuario y que adaptación se aplicará de acuerdo al modelo y al dominio en el que se está trabajando. Por tanto, un SHA conceptualmente tiene los siguientes componentes: el Sistema Hipermedia, el Componente Adaptativo y el Modelo del Usuario. Cada uno cumple una función específica como se expresa en [BRU1996] y [HEN2000]. En la figura 1 se muestra un esquema simple de un SHA. Figura 1. Esquema simple de un Sistema Hipermedia Adaptativo Las características del usuario que pueden ser utilizadas en procesos de adaptación según [MER2004] se dividen en tres dimensiones: Características del usuario, como por ejemplo sus preferencias, background, conocimiento, actividad de navegación, tareas o metas, estilo de aprendizaje, etc. Tecnología, como por ejemplo estado de la red, características del dispositivo de acceso, hardware, software, etc. 12

27 2 MARCO TEÓRICO Y ESTADO DEL ARTE Interacciones del usuario relacionadas con el comportamiento colaborativo que presenta el estudiante. Los SHA para lograr adaptar estas características, deben satisfacer tres criterios, como son: Debe ser un sistema hipermedia o hipertexto, que cuente con una colección de datos del usuario, ya sea suministrada al sistema o inferida por el mismo a partir de la interacción del usuario. Debe disponer de un modelo de usuario, generado a partir de los datos disponibles en la colección de datos, el cual describe el estado actual del usuario en relación con las características establecidas. Debe ser capaz de adaptar la hipermedia usando el modelo de usuario, generando los parámetros que un motor de decisión utilizará para ajustar la presentación de acuerdo a cada perfil de usuario [BRU1996]. La tendencia actual a nivel internacional es la integración de los sistemas hipermedia y los LMS, de tal manera que los procesos y técnicas de personalización estudiadas en el campo de la hipermedia adaptativa aplicadas a los LMS logren que en estos sistemas sea posible ofrecer al usuario un mejor servicio en el proceso de formación. En [PEN2004], [VEL2007], [BAL2007b], [HUE2008], [MAN2008] y [MOR2008], se encuentran proyectos realizados en esta línea de investigación. Finalmente, se define el modelo de usuario en un SHA como el encargado de almacenar la representación con la que cuenta el sistema de un usuario, recopilando las características del usuario que el sistema tiene en cuenta para realizar la adaptación. Por consiguiente, el modelo de usuario junto con un componente que proporcione adaptatividad permitirá que el SHA brinde al usuario la adecuada personalización. En esta propuesta el modelo de usuario se basa fundamentalmente en el uso de los resultados de la aplicación del índice de estilos de aprendizaje (ILS). El modelo representa las preferencias de los usuarios sobre diferentes tipos de recursos de aprendizaje determinadas por su estilo preferido de aprendizaje. La pregunta pertinente llegado a este punto es cuál es el objeto de personalización. La tendencia en este sentido es hacia el ajuste de los objetos de aprendizaje y actividades didácticas disponibles en el espacio de un curso o comunidad. Por esta razón introduciremos posteriormente el tema de los objetos de aprendizaje cuyo ajuste de acuerdo al estilo preferido de aprendizaje de un usuario es el objetivo de este trabajo. 2.5 ESTÁNDARES Y ESPECIFICACIONES E-LEARNING Un estándar es un conjunto de especificaciones técnicas documentadas que regulan la realización de un proceso o la fabricación de un producto [LAN2007]. La elaboración de un estándar es un proceso que conlleva tiempo y en el que intervienen muchas personas y organizaciones diferentes. En primer lugar, la utilización generalizada de un producto hace surgir consorcios y asociaciones de usuarios, que son las primeras organizaciones que tras un periodo de utilización, promueven la normalización 13

28 CAROLINA MEJÍA CORREDOR mediante la elaboración de documentos técnicos cuyo objeto es sistematizar el uso del producto entre sus miembros. Estos documentos, con frecuencia de carácter interno, suelen denominarse especificaciones, y si bien no pueden considerarse estándares, son frecuentemente la fuente primaria para un estándar posterior. A partir de una o más especificaciones sobre el mismo producto, organizaciones de certificación y con la participación de expertos en la materia, mejoran la especificación para cubrir las necesidades de todos los usuarios y fabricantes potenciales del producto, generándose un borrador de estándar que es revisado y ajustado para luego convertirse en un estándar. En el contexto de e-learning, la necesidad de estandarización aparece como consecuencia tanto de la disponibilidad de un mayor número de materiales educativos en formato digital, como del desarrollo de un mercado real para los LMS y contenidos formativos (objetos de aprendizaje). Los estándares permiten crear tecnologías de aprendizaje muy poderosas, y personalizar el aprendizaje basándose en las necesidades individuales del estudiante. Básicamente, la importancia de la aplicación de estándares e-learning está en sus características [MASIE]: Interoperabilidad, posibilitando el intercambio y mezcla de contenidos de múltiples fuentes entre distintos sistemas de forma transparente. Reusabilidad, facilitando que el contenido pueda ser agrupado, desagrupado y reutilizado de forma rápida y sencilla. Que los objetos de contenido puedan ensamblarse y utilizarse en un contexto distinto a aquél para el que fueron inicialmente diseñados. Gestionabilidad, haciendo posible que el sistema pueda obtener y trazar la información adecuada sobre el usuario y el contenido. Accesibilidad, permitiendo que un usuario pueda acceder al contenido apropiado en el momento justo y en el dispositivo correcto. Durabilidad, evitando que los consumidores no queden atrapados en una tecnología propietaria de una determinada empresa. Que no haya que hacer una inversión significativa para lograr la reutilización o la interoperabilidad. Escalabilidad, garantizando que las tecnologías puedan configurarse para aumentar la funcionalidad y que esto no exija un esfuerzo económico desproporcionado. Actualmente, existen especificaciones para metadatos de contenidos, empaquetamiento de contenidos, secuencia de contenidos, interoperabilidad de preguntas y tests, perfil del estudiante, interacción en tiempo de ejecución, etc. Como se puede observar en la figura 2 el carácter de los estándares e-learning se puede clasificar en tres tipos [SCORM]: Contenidos: estructuración lógica (base pedagógica), estructuración gráfica (archivos, animaciones, video, audio, etc.), empaquetamiento y seguimiento de los resultados. Estudiantes: almacenamiento e intercambio de información del estudiante y competencias (habilidades) del estudiante, privacidad y seguridad. Interoperabilidad: Integración de componentes de los LMS e interoperabilidad entre múltiples LMS. 14

29 2 MARCO TEÓRICO Y ESTADO DEL ARTE Figura 2. Estructura de aplicación de las especificaciones de SCORM A continuación se revisan las principales especificaciones que están emergiendo en el ámbito de e-learning y que serán utilizadas para el desarrollo de este trabajo: IMS Learner Information Profile (IMS-LIP) El IMS-LIP [IMS-LIP] es una especificación que permite estandarizar la forma de almacenar y obtener la información y características del usuario, tales como su identificación, metas, certificaciones y licencias, competencias adquiridas, intereses, etc. Se puede utilizar para diferentes aplicaciones como: Mover información de los alumnos entre instituciones cuando se transfiere un estudiante. Producir un registro para toda la vida de los logros de los alumnos. Proveer información relevante a los empleadores (en sustitución de certificados). Utilizar esta información como parte de las bases de un proceso de planificación del desarrollo personal. Almacenar información sobre las preferencias de los alumnos para apoyar la participación de alumnos con discapacidad. El IMS- LIP usa etiquetas de XML para registrar la información del estudiante, cada etiqueta tiene un significado definido en la especificación. Por ejemplo: <Institucion>Universitat de Girona</Institucion> IEEE Learning Object Metadata (IEEE-LOM) Los metadatos son datos que describen otros datos. En e-learning, los metadatos proporcionan descripciones, propiedades e información sobre los OA que permiten caracterizarlos, de forma que se simplifica su uso y gestión. La idea de esta información complementaria es poder saber cuál es el contenido y el propósito de un recurso sin tener que accederlo. Por tanto, los metadatos aportan información orientada a hacer más eficiente la búsqueda y utilización de los recursos. Los metadatos se pueden aplicar tanto a OA concretos como a cursos completos o a partes del curso, dependiendo del grado de granularidad utilizado en el etiquetado. 15

30 CAROLINA MEJÍA CORREDOR El estándar LOM (IEEE ) [IEEE-LOM] especifica la sintaxis y semántica de estos metadatos. Define los atributos requeridos para describir completa y adecuadamente un OA. Esta descripción se encuentra dividida jerárquicamente en nueve apartados principales que agrupan el resto de campos. A continuación describimos cada una de estas categorías: Tabla 4. Categorías de los metadatos propuestas por LOM 1. General <general> Aquí se describe el objeto educativo. Incluye campos como identificador del OA, título, descripción, etc. 2. Lifecycle <lifecycle> Almacena un histórico del objeto y su estado actual. Detalla quiénes han interactuado con este objeto desde que fue creado, y el tipo de interacción que han realizado. 3. Meta- Metadata <metametadata> Agrupa información sobre los metadatos. Esto puede parecer redundante a primera vista pero resulta muy interesante tener información como quién ha contribuido a la creación de los metadatos y el tipo de contribución que ha realizado. 4. Technical <technical> Incluye la información técnica del recurso de aprendizaje, tal como tamaño, ubicación, o formato en el que se encuentra. Además, en este elemento se almacenan los posibles requisitos técnicos necesarios para poder usar el objeto al que se refieren los metadatos. 5. Educational <educational> En este elemento se encuentran las diferentes características pedagógicas del objeto. Típicamente se incluyen campos como tipo de recurso ejercicio, diagrama, figura -, nivel de interactividad entre el usuario y el objeto alta, media, baja-, o el contexto de uso del recurso universidad, enseñanza primaria, doctorado-, entre otros. 6. Rights <rights> Se incluyen los detalles sobre la propiedad intelectual del recurso. También se detallan las condiciones de utilización y el precio en caso de tenerlo. 7. Relation <relation> Explica el tipo de relación que tiene el recurso de aprendizaje con otros OA. Posee un par nombre-valor en el que detalla el nombre del OA relacionado y el tipo de relación es parte de, está basado en, etc Annotation Incluye comentarios sobre la utilización del OA, además de su <annotation> autor y la fecha de creación. 9. Cassification <classification> Informa si el OA está vinculado con algún tipo de categorización en concreto. Por ejemplo, es aquí donde se almacenaría que un OA se refiere a Física o a Historia. Permite tanto detalle cómo se quiera mediante anidamiento. Dentro de estas categorías, IEEE-LOM ha definido un ítem específico para el tipo de recursos de aprendizaje, y planteado 15 tipos diferentes de recurso tratando de abarcar en ellas todas las posibilidades didácticas que pueden ser propuestas a un aprendiz en un proceso formativo. En la tabla 5 se muestran los tipos de recursos propuestos por LOM. 16

31 2 MARCO TEÓRICO Y ESTADO DEL ARTE Tabla 5. Tipos de recursos de aprendizaje propuestos por LOM Ejercicio (exercise) Simulación (simulation) Cuestionario (questionnaire) Diagrama (diagram) Figura (figure) Gráfico (graph) Índice (index) Diapositiva (slide) Tabla (table ) Texto narrativo (narrative text) Examen (exam) Experimento (experiment) Resolución de problema (problem statement ) Autoevaluación (self assessment) Lectura (lecture) La tarea de adaptación que se propone se basa entonces en la utilización de los metadatos asociados a los recursos, así como el modelo de usuario generado para tomar decisiones de adaptación. Estas decisiones se basan adicionalmente en el uso de técnicas de clasificación automática que describiremos más adelante IMS Content Packaging (IMS-CP) Esta especificación provee la funcionalidad para describir y empaquetar material de aprendizaje, ya sea un curso individual o una colección de cursos, en paquetes portables e interoperables. El empaquetamiento de contenidos está vinculado a la descripción, estructura, y ubicación de los materiales de aprendizaje on-line, y a la definición de algunos tipos particulares de contenidos. En la figura 3 se muestra la estructura de un paquete IMS-CP [IMS-CP], compuesta por un documento XML llamado Manifest (imsmanifest.xml) y los archivos físicos. Figura 3. Estructura de un IMS-CP 17

32 CAROLINA MEJÍA CORREDOR El Manifest contiene: 1) un elemento Meta-data, donde se describen metadatos como el autor del paquete, ultimo revisor de un determinado recurso, entre otros, 2) un elemento Organizations, que permite la organización de los recursos para su presentación, se pueden tener una o más organizaciones, 3) un elemento Resources que contiene la descripción de todos los recursos que harán parte del paquete, estos recursos pueden ser tanto internos (archivos digitales que forman parte del paquete) como externos (no forman parte del paquete pero son llamados por una URL) y 4) un paquete puede contener varios subpaquetes (submanifest), con el fin de desagregar contenidos educativos interrelacionados en subconjuntos de contenidos autónomos. Cuando un paquete IMS-CP es construido, utilizando alguna herramienta de creación y edición, este es exportado a un archivo.zip el cual podrá ser interpretado por cualquier LMS que soporten esta especificación IMS Learning Design (IMS-LD) La especificación IMS-LD [IMS-LD] soporta la manera de describir y codificar las diferentes metodologías de aprendizaje en una solución e-learning. Básicamente, es un lenguaje para el modelamiento de unidades de aprendizaje que describe e implementa actividades de aprendizaje basadas en diferentes corrientes pedagógicas, incluyendo trabajo en grupo y aprendizaje colaborativo. Una unidad de aprendizaje (UoL) es la unidad más pequeña que le provee aprendizaje al estudiante, satisfaciendo uno o más objetivos de aprendizaje interrelacionados, una UoL se puede representar como la unión del IMS-CP con el IMS-LD: UoL = IMS-CP + IMS-LD En la figura 4 se representa la estructura del IMS-LD y su integración dentro del IMS- CP para formar una UoL. La idea, es que dentro del elemento Organizations del IMS- CP se ubique el elemento learning-design reemplazando los elementos organization. Figura 4. Estructura de una UoL Algunos de los alcances que tiene el IMS-LD son: 18

33 2 MARCO TEÓRICO Y ESTADO DEL ARTE Coordina las actividades de múltiples estudiantes, facilitadores y en general diferentes roles dentro de una unidad de aprendizaje. Coordina la entrega de contenidos de aprendizaje y actividades de formación. Soporta diferentes modelos pedagógicos y didácticos. Facilita la transferencia de diseños instruccionales entre sistemas, reutilización de diseños instruccionales y materiales, reutilización de partes del diseño instruccional (actividades individuales ó roles), internacionalización, accesibilidad, traceo, reportes y análisis de desempeño. El IMS-LD, tal como se muestra en la figura 5 [GOM2009a, GOM2009b], se basa en una serie de elementos que incluye: roles que las personas desempeñan (quien), las actividades que realizan (hacer) y los entornos donde ellos las hacen (servicios) y con que las hacen (objetos de aprendizaje), todo dentro de una serie de actos que son ejecutados simultáneamente dentro de un determinado escenario definido en el diseño instruccional. Figura 5. Relacionando los principales elementos del IMS-LD Para facilitar la implementación de la especificación, ésta se ha divido en tres partes: nivel A, nivel B y nivel C. Proporcionando esquemas de XML diferentes para cada nivel que pueden ser integrados: Nivel A: contiene el núcleo del LD: personas, actividades y recursos, y su coordinación a través de los elementos method, play, act y role-parts. Provee una serie de actividades de aprendizaje ordenadas para profesores y estudiantes, usando objetos de aprendizaje y servicios. Nivel B: adiciona propiedades y condiciones al nivel A, posibilitando la personalización y secuenciación más elaborada considerando por ejemplo las interacciones de los estudiantes. Las propiedades pueden ser usadas para direccionar las actividades de aprendizaje. 19

34 CAROLINA MEJÍA CORREDOR Nivel C: adiciona notificaciones al nivel B. Mensajes que permiten informar de nuevas actividades o en general para ser entregadas automáticamente como respuesta a eventos en el proceso de aprendizaje. 2.6 OBJETOS DE APRENDIZAJE Y REPOSITORIOS Objeto de aprendizaje Un objeto de aprendizaje es algún recurso reproducible y direccionable digital o no digital usado para el alcance de actividades de aprendizaje o de soporte. Ejemplos de ellos son: páginas web, textos, herramientas, instrumentos, etc. Existen diversos tipos de objetos de aprendizaje. Algunos autores los catalogan como inmateriales y materiales, otros de acuerdo a la estrategia didáctica que utilizan para facilitar los aprendizajes o por el tipo de medio en que es entregado [PEN1999]. Existen dos temas importantes relacionados con los objetos de aprendizaje que son: la autoría y su caracterización. El tema de la autoría de objetos de aprendizaje es un tema costoso, independientemente del ámbito (académico o empresarial) en el cual se mire. Es costoso en cuanto a tiempo de dedicación y por supuesto en cuanto al tema económico. Se han creado metodologías que brindan lineamientos en cuanto al proceso de creación de recursos de aprendizaje y también una gran variedad de herramientas que intentan facilitar esta labor. El tema de la caracterización de recursos de aprendizaje tiene como propósito la creación de esquemas para la agregación de información acerca de los recursos de aprendizaje que pueda ser utilizada con fines de búsqueda, indexación, clasificación y recuperación de estos recursos. Han sido desarrolladas diversas aproximaciones, entre las cuales las más relevantes son: el trabajo del IMS Learning Consortiumn [IMS] en la generación de IMS Metadata [IMS-MD] en el nivel de especificación, el marco de referencia SCORM [SCORM] propuesto por ADL [ADL] en el nivel de validación, y el desarrollo de IEEE LOM [IEEE- LOM] en el nivel de estandarización. IEEE LOM es un esfuerzo por llegar a un acuerdo en cuanto a los metadatos o información sobre recursos educativos que son relevantes a la hora de realizar su caracterización. LOM ha unido los esfuerzos iniciales de ARIADNE [ARIADNE] e IMS METADATA logrando unificar en un único estándar toda la información acerca de los tipos de recursos. IMS METADATA nace como una iniciativa independiente y actualmente es una extracción de los metadatos definidos en LOM y también considera el esquema planteado por Dublin Core [DUBLIN]. En este sentido el propósito de IMS es flexibilizar el esquema de LOM reduciendo el número de elementos definidos de tal manera que se reduzcan los esfuerzos de implementación del estándar. 20

35 2 MARCO TEÓRICO Y ESTADO DEL ARTE El proceso de caracterización de recursos de aprendizaje y en especial el uso de especificaciones y estándares para realizar esta tarea nos permite contar con información relevante acerca de cualquier recurso, facilitando la realización de búsquedas y clasificaciones para efectos de personalización del proceso de formación. En la figura 6 se muestra un ejemplo de objeto aprendizaje, donde es definido como la unidad digital mínima recurso, debido a que así se utiliza para el desarrollo de este trabajo. Figura 6. Esquema de un objeto de aprendizaje Repositorio de objetos de aprendizaje Un repositorio de objetos de aprendizaje es un sistema software creado principalmente para almacenar recursos educativos y/o metadatos de estos recursos. Es posible que implemente mecanismos de búsqueda a través de interfaces interactivas a través de las cuales otros sistemas software como agentes inteligentes, los cuales a través de servicios web u otro tipo de tecnología de interfaz pueden acceder a los recursos del repositorio [ENO2006]. Una de las principales razones para la creación de estos repositorios es la necesidad de disponer de una colección de recursos de aprendizaje que facilite las búsquedas (en dominios de conocimiento muy variados) a las personas interesadas en desarrollar un proceso de aprendizaje continuo [VER2004]. Es común en este sentido encontrarse con la dificultad para encontrar el material educativo adecuado ante la inmensidad de recursos de todo tipo disponibles en la red. En la figura 7 se presenta el proceso para el logro de un repositorio de objetos de aprendizaje. Existen dos clasificaciones para los repositorios de objetos de aprendizaje: repositorios que contienen el objeto de aprendizaje (Learning Object Repository LOR) para bajar e incorporar en un LMS ó plataforma de aprendizaje, y repositorios de metadatos (Learning Object Metadata Repository LOMR), los cuales no enlazan un recurso específico, sino únicamente a la información sobre el recurso (metadato) y un enlace a su ubicación en internet. 21

36 CAROLINA MEJÍA CORREDOR Figura 7. Obtención de un repositorio de objetos de aprendizaje La tendencia en el área de repositorios ya sea de recursos o de metadatos es la creación de infraestructuras basadas en servicios web, creadas a partir de la selección y adaptación de herramientas existentes Open Source. El propósito de estas arquitecturas es facilitar el manejo y compartición de toda clase de recursos de conocimiento para potenciar espacios de desarrollo de competencias durante toda la vida. Estas infraestructuras están basadas en la utilización de especificaciones para garantizar la interoperabilidad entre los repositorios generados. Están orientadas realmente a generar redes de repositorios, punto a punto (peer to peer) por lo general, que aprovechen los esfuerzos individuales realizados hasta el momento. Algunos de los repositorios de código abierto más comunes son: Dspace[DSPACE], Fedora Commons [FEDORA], E-prints [EPRINT] y Archimede[ARCHI]. Para el desarrollo de este trabajo se ha seleccionado el repositorio de objetos de aprendizaje Fedora Commons. Fedora (Flexible Extensible Digital Object Repository Architecture) es un software de gestión de contenidos que corre como un servicio web dentro del un servidor web Apache Tomcat [APACHE]. Fedora provee herramientas e interfaces para crear, gestionar y difundir los contenidos almacenados dentro del repositorio. En este repositorio se han almacenado e identificado todos los recursos que hacen parte del curso con el cual se va a desarrollar el caso de prueba en dotlrn. Algunas características de Fedora Commons son: Soporta la creación y administración de objetos de contenido digital de múltiples fuentes (tiff, pdf, doc, avi, etc.). Soporta servicios web con objetos digitales. Estos servicios pueden acceder a los datos del objeto digital para producir dinámicamente alguna entrega del objeto. Provee acceso desde web a los objetos digitales. Presenta una poderosa interfaz basada en SOAP (Simple Object Access Protocol) para la comunicación e intercambio de datos. Incluye un framework para guardar diferentes versiones de los objetos digitales, de manera que estas se conserven. Soporta importar y exportar los objetos digitales en formatos XML, lo que permite el intercambio entre repositorios y también entre estos y otras aplicaciones XML. 22

37 2 MARCO TEÓRICO Y ESTADO DEL ARTE 2.7 MINERÍA DE DATOS La Minería de Datos comprende un conjunto de técnicas, algoritmos y métodos cuyo fin es la explotación de grandes volúmenes de datos con vistas al descubrimiento de información previamente desconocida y que pueda servir de ayuda en el proceso de toma de decisiones. Forma parte del conjunto de tecnologías de la inteligencia de negocios, que permiten una realización eficiente de las actividades de generación, extracción, organización, análisis, compartición y distribución del conocimiento en una organización. Grandes empresas e instituciones han creado y alimentan bases de datos especialmente diseñadas para proyectos de minería de datos, en las que centralizan información potencialmente útil de todas sus áreas de negocio, estrategias de marketing, etc. Las fases de un trabajo que implica minería de datos son: Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea. Pre-procesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Es la etapa que consume más de la mitad del tiempo del proyecto. Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial. Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. En la gráfica 8 se presenta el proceso general que sigue la minería de datos. Figura 8. Proceso de minería de datos Es importante resaltar, que la Minería de Datos y el Aprendizaje automático que se explica en la siguiente sección, son dos áreas diferentes que tienen un solapamiento 23

38 CAROLINA MEJÍA CORREDOR en cuanto a los problemas que tratan y a los algoritmos que utilizan, sin embargo, la Minería de datos tiene un mayor enfoque en el conocimiento comprensible a partir de grandes cantidades de información, mientras que el aprendizaje automático se orienta más a la tarea del aprendizaje propiamente, buscando en algunos casos estrategias o heurísticas, más que el propio conocimiento comprensible. 2.8 APRENDIZAJE AUTOMÁTICO El Aprendizaje Automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que agreguen inteligencia a los sistemas computacionales, dotando a estos sistemas con la capacidad de aprender. De forma más concreta, se trata de crear programas capaces de asumir comportamientos a partir de una información no estructurada suministrada en forma de ejemplos de entrenamiento. Básicamente, esta rama de la inteligencia artificial realiza estudios para saber cómo construir programas que puedan aprender por si solos conforme vayan adquiriendo experiencia, similar a como lo hace el ser humano. La idea es generar un proceso de inducción del conocimiento (tarea de aprendizaje) a través de diferentes datos (ejemplos de entrenamiento). Aunque esto no se ha logrado de manera total puesto que existen varios factores a tener en cuenta como son: 1) las tareas se deben ir mejorando conforme sean realizadas, 2) las tareas, ejemplos de entrenamiento y algoritmo de aprendizaje no deben necesitar de supervisión, 3) los algoritmos deben utilizar su experiencia para mejorar, existe una amplia gama de aplicaciones que día a día van mejorando estos factores. El aprendizaje automático tiene diversas utilidades en la solución de tareas muy complejas de reconocimiento de patrones, en problemas de adaptatividad ó en el análisis de un alto número de información. Existe una gran gama de aplicaciones que hacen uso de motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica, entre otros. En el área de los sistemas hipermedia adaptativos, se han implementado diversas adaptaciones que involucran técnicas de aprendizaje automático, algunos de ellos se muestran en la tabla 6. En el primer caso esta ACE [SPE2000], que es un sistema de tutorial basado en web que combina métodos de representación del conocimiento, planeación instruccional y generación de medios adaptativos para entregar cursos individualizados, el sistema se va modificando de acuerdo a lo que el estudiante va trabajando. En el segundo caso, MANIC utiliza técnicas de clasificación para determinar el nivel de dificultad apropiado del usuario, además considera estilos de aprendizaje, logrando de esta manera la adaptación de contenidos en un sistema de cursos online. Bunt y Conati en [BUN2003] direccionan el problema del estilo de aprendizaje construyendo una red neuronal capaz de monitorear las interacciones del usuario en un LMS para proveer tipos de evaluaciones que permitan orientar y mejorar la exploración de los materiales por parte del estudiante. 24

39 2 MARCO TEÓRICO Y ESTADO DEL ARTE Tabla 6. Sistemas hipermedia que utilizan técnicas de aprendizaje automático Sistema hipermedia Estilo de aprendizaje Adaptación de contenidos Especificaciones e-learning Técnica de aprendizaje automático Adaptive Courseware No Si No Algoritmos de Environment (ACE) secuenciación. [SPE2000] MANIC [STE2000] Si Si Clasificador de Naive Bayes Sistema para No Si No Redes Bayesianas monitorear las interacciones del usuario en un LMS. [BUN2003] Sistema Hipermedia Si (Kolb) Si No Mapa Cognitivo de Educacional para el Fuzzy reconocimiento del perfil. [GEO2004] Plataforma educativa Si (Felder) Si No Técnicas de USD [PEN2004] razonamiento basado en casos y reglas de lógica difusa. Artificial Si (Felder) Si No Redes Bayesianas Intelligence course [GEO2004] Sistema Si (Felder) Si No Reglas de TANGOW/WOTAN [PAR2006, TANGOW] agrupamiento automático Repositorio de objetos Si (Felder) Si No Redes Bayesianas de la Universidad de Málaga [CAR2008] El sistema Hipermedia Educacional para el reconocimiento del perfil [GEO2004] es una herramienta que identifica el estilo de aprendizaje de un estudiante y utilizando la técnica de mapa cognitivo de fuzzy define los recursos tolerables para cada perfil de aprendizaje. En la plataforma educativa USD [PEN2004] se plantea una arquitectura multiagente llamada MASPLANG que ofrece características de adaptatividad con base en el estilo de aprendizaje, características que son soportadas por técnicas de razonamiento basado en casos y lógica difusa. El Artificial Intelligence Course [GEO2004] es una aplicación que caracteriza a los estudiantes en su estilo de aprendizaje, y luego lo evalúa utilizando redes bayesianas de acuerdo a las interacciones que realice con el sistema, ajustando este estilo si es necesario. TANGOW/WOTAN [PAR2006, TANGOW] es un sistema de cursos hipermedia adaptativos muy potente, que utiliza técnicas de activación de condiciones por medio de reglas descritas en XML sobre las características del usuario, de manera que pueda brindarle las actividades adecuadas a estas características. El repositorio de objetos de la Universidad de Málaga [CAR2008] presenta mecanismos como la obtención del estilo de aprendizaje y la aplicación de redes bayesianas dinámicas para proporcionar objetos de aprendizaje adecuados a las características de los usuarios que acceden el repositorio. 25

40 CAROLINA MEJÍA CORREDOR El interés en este trabajo, es agregar comportamientos de adaptación a un LMS, específicamente dotlrn, a través de su integración con algoritmos de clasificación. Por esta razón a continuación se abordan algunos conceptos importante asociados al aprendizaje automático finalizando con la descripción de lo que son los árboles de decisión que son una herramienta fundamental en esta propuesta y la definición de los algoritmos de aprendizaje que han sido evaluados Tarea de aprendizaje Una tarea de aprendizaje es aquello que se persigue con el aprendizaje automático, por consiguiente, si recurrimos al lenguaje de las competencias para proponer una definición de tarea de aprendizaje podríamos decir en primer lugar que una tarea es la caracterización de una labor a cargo de un sistema, y en segundo lugar que la realización de esta labor puede mejorar con la experiencia, ante lo cual se dirá que el sistema ha aprendido. El concepto de tarea es un concepto común a todas las técnicas de aprendizaje automático. Y en general, existen dos tipos de categorizaciones para las tareas de aprendizaje: tareas descriptivas y tareas predictivas [LIDIC]. Las tareas descriptivas son aquellas que describen propiedades generales de los datos existentes, es decir, son las tareas que permite caracterizar los datos descripción de conceptos- (ej.: caracterizar a los estudiantes de Ingeniería de Informática) y discriminarlos comparación de conceptos- (ej.: comparar los estudiantes de Ingeniería de Informática con los de profesores de Historia). Se dividen en dos tipos: Tareas de asociación: estudia la frecuencia de ocurrencia de elementos que aparecen juntos en la base de conocimiento dada. Ej. compra(x, leche) se podría asociar con compra(x, pan). Tareas de agrupamiento (clustering): organiza los datos en grupos basándose en sus atributos. Los agrupamientos tienden a maximizar la similitud entre los elementos de un grupo minimizando la similitud entre los distintos grupos. Ej. agrupar lugares donde se producen crímenes para encontrar patrones de distribución, identificar grupos de clientes en una librería en base a sus preferencias de compras ó identificar grupos de personas con los mismos gustos para una agencia de viaje. Las tareas predictivas son aquellas que hacen predicciones basándose en inferencias a partir de los datos disponibles (predice algún atributo desconocido o faltante basándose en otra información, ej. predecir el valor de venta para la próxima semana de un cereal basándose en datos actuales). Se dividen en dos tipos: Tareas de clasificación: la clasificación es una tarea básica en el análisis de datos y en el reconocimiento de patrones. Organiza los datos en clases dadas basándose en los atributos de los objetos a clasificar. Ej: predecir el clima de acuerdo con datos previamente tomados, clasificar a los alumnos según su estilo de aprendizaje. 26

41 2 MARCO TEÓRICO Y ESTADO DEL ARTE Tareas de regresión: en este modelo se intenta aproximar una función a partir de un conjunto de datos de entrenamiento, es similar a la tarea de clasificación, con la diferencia de que las clases son atributos numéricos, y en consecuencia la tarea consiste en predecir un valor entero o real. Ej. Estimar las ventas del año 2009, predecir el número de unidades defectuosas de una partida de productos. En este trabajo se aplica una tarea predictiva de clasificación, con el fin de obtener la clase (preferencia indiferente, preferencia buena ó preferencia muy buena) que define la preferencia del usuario hacia un tipo de recurso de aprendizaje Ejemplos de entrenamiento Son los datos que se utilizan como fuente de análisis en el aprendizaje y constituyen el conjunto total de entradas al sistema de aprendizaje automático. Los ejemplos de entrenamiento además de incluir cada observación deben tener definidos todos los elementos necesarios para poder ejecutar el algoritmo de aprendizaje. Estos elementos son: Clases: es el concepto que se quiere aprender junto con los posibles valores que tendrá. Ejemplo: Clase: Fruta, Valores: manzana, naranja. Atributos: son las características de los ejemplos de entrenamiento. Ejemplo: tamaño. Valores de los atributos: es la descripción de los atributos. Ejemplo: pequeño, mediano, grande. Matemáticamente, se puede ver un ejemplo de entrenamiento como un vector de características (ó atributos) X = x de alguna población P, tal que x Є P, donde P es el espacio muestral. La pertenencia de clase verdadera es w Є Ω = {ω 1, ω 2,, ω M }, siendo M el número total de clases, para el caso de este trabajo, M = 3 (preferencia indiferente, preferencia buena, preferencia muy buena). Se obtienen las parejas independientes (X, ω). Dada una observación (vector de atributos), X = x, se quiere tomar la decisión sobre la verdadera clase de la instancia. Este es el problema de una tarea de clasificación, el cual se abordará en este trabajo, predecir la verdadera clase ω para una instancia X = x. Existen varias técnicas para la solución de problemas de clasificación, como son reglas de producción, árboles de decisión, redes neuronales, reglas de asociación, entre otras. Para el caso se utilizarán árboles de decisión, uno de los métodos de mayor uso en aprendizaje automático para solucionar problemas de este tipo Árboles de decisión Un árbol de decisión es un modelo de predicción muy utilizado en el ámbito de la inteligencia artificial y del aprendizaje automático. El cual dada una base de datos se elaboran diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de forma sucesiva, para la resolución de un problema. 27

42 CAROLINA MEJÍA CORREDOR Básicamente, un árbol de decisión lleva a cabo una prueba a medida que este se recorre hacia las hojas para alcanzar así una decisión. El árbol de decisión suele contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un nodo interno contiene una prueba sobre algún valor de una de las propiedades. Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los demás son cuadrados. Un nodo hoja representa el valor que devolverá el árbol de decisión, y finalmente las ramas brindan los posibles caminos que se tienen de acuerdo a la decisión tomada. En los términos estudiados de aprendizaje automático, los elementos de un árbol de decisión, como se muestra en la figura 9 serían: Nodos: contienen los diferentes atributos. Nodos hojas: clasifican el ejemplo de entrenamiento. Arcos: contienen los posibles valores de nodo padre (que contiene algún atributo). Figura 9. Ejemplo de un árbol de decisión Existen muchos algoritmos de aprendizaje para implementar árboles de decisión y básicamente las diferencias entre ellos están en la estrategia de podar los arboles, las reglas para particionar los árboles y el tratamiento de valores perdidos. Entre los principales algoritmos utilizados están, ID3, C4.5 y Cart, así como los métodos de combinación bagging, boosting y stacking, temas que se abordaran en las siguientes secciones Algoritmos de aprendizaje Un algoritmo de aprendizaje es un conjunto de instrucciones definidas, ordenadas y finitas, que permiten hallar la solución de un problema de aprendizaje. Tal como se muestra en la figura 10, dado un estado inicial y una entrada (ejemplos de entrenamiento), a través de pasos sucesivos y bien definidos se llega a un estado final, obteniéndose una solución (modelo). 28

43 2 MARCO TEÓRICO Y ESTADO DEL ARTE Figura 10. Esquema general de un algoritmo de aprendizaje Los diferentes autores de la teoría de algoritmos de aprendizaje han planteado diferentes agrupaciones para ellos. De acuerdo con [BOT2006], se agrupan con respecto a la técnica de aprendizaje, con el fin de dar un marco general de los posibles algoritmos existentes. En la tabla 7 se muestra este agrupamiento. Tabla 7. Algoritmos de aprendizaje Aprendizaje Aprendizaje inductivo Algoritmo EV. puramente supervisado Algoritmo Aq. simbólico Aprendizaje deductivo Algoritmo Strips. Algoritmo EBG. Algoritmo Prodigy/EBG. Enfoques mixtos puramente Algoritmo de analogía por simbólicos transformación. Algoritmo de analogía guiada por derivación. Algoritmo Foil. Aprendizaje mixto Técnicas inductivas mixtas Algoritmo ID3 C4.5 Algoritmo M5. Algoritmo de los clasificadores bayesianos. Enfoques genéticos. Algoritmos genéticos. Algoritmos de estrategia evolutiva. Algoritmo de programación genética. Aprendizaje puramente simbólico no Técnicas de aprendizaje por agrupación no supervisada Redes supervisadas. neuronales Aprendizaje por refuerzo. De forma más generalizada en la literatura, son clasificados como: Algoritmo de la estrategia aglomerativa. Algoritmo de la técnica de partición. Algoritmo COBWEB. Algoritmo de aprendizaje supervisado. Algoritmo de mapas Kohonen. Algoritmo de la teoría de resonancia adaptativa. Algoritmo Q-learning. Aprendizaje supervisado. Los ejemplos de entrenamiento son proporcionados al sistema por un sujeto externo. El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo 29

44 CAROLINA MEJÍA CORREDOR de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Aprendizaje no supervisado. Los ejemplos de entrenamiento son creados por el propio sistema. Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Aprendizaje por refuerzo. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Resultados experimentales muestran que no existe un único algoritmo bueno para todas las tareas, se pueden elegirse varios algoritmos para la extracción de patrones. También es importante resaltar que existen esquemas que permiten la combinación de algoritmos (métodos de ensamble) con el fin de obtener un modelo compuesto mejorado. Los más predominantes son: Bagging: es uno de los métodos de ensamble más simple, consiste en crear diferentes clasificadores con el mismo algoritmo pero con diferentes conjuntos de entrenamiento. La idea es seleccionar el clasificador que presente el mejor comportamiento. Boosting: se basa en la ponderación de los ejemplos. De forma iterativa se van construyendo modelos que minimicen los errores de los construidos previamente mediante la asignación de pesos mayores a los clasificados incorrectamente en la iteración anterior. Stacking: es un método híbrido que genera diferentes clasificadores con diferentes algoritmos de aprendizaje. Existen dos opciones, seleccionar el clasificador que presente el mejor comportamiento como en Bagging ó se puede utilizar un procedimiento de meta-aprendizaje que consiste en crear un nuevo modelo que establezca la forma de combinar los modelos inducidos previamente similar a como se hace en Boosting. A continuación se detallan los algoritmos ID3, C4.5 y Cart, algoritmos que fueron estudiados y evaluados en este trabajo para seleccionar él que se implementaría en el caso de prueba Algoritmo ID3 Este algoritmo fue introducido por Ross Quinlan (1986) [QUI1986], y es uno de los algoritmos de inducción de árboles de clasificación más populares. ID3, o Iterative Dichotomizer (30ersión) 3 trabaja con datos simbólicos, en contraposición a los datos numéricos, y se basa en la obtención de un árbol de decisión, a partir del cual se obtienen una serie de reglas de producción, capaces de representar un dominio y generar conocimiento independiente de dicho dominio (el sistema de aprendizaje parte 30

45 2 MARCO TEÓRICO Y ESTADO DEL ARTE de un estado inicial del dominio escogido en el que no existe conocimiento de partida, extrayendo patrones comunes de entre los ejemplos utilizados, a partir de los cuales genera una base de conocimientos de aplicación a dicho dominio), de esta forma, el árbol de decisión clasificará los datos que se proporcionen de entrada Algoritmo C4.5 (J48) El algoritmo J48 es la implementación en WEKA [WEKA] del algoritmo C4.5. Este algoritmo, al igual que el ID3 fue desarrollado por Ross Quinlan en 1993 [ROS1993], con el fin de extender y mejorar el algoritmo ID3. Este algoritmo genera un árbol de decisión a partir de los datos mediante particiones realizadas recursivamente. El árbol se construye utilizando la estrategia de profundidad-primero (depth-first). El algoritmo considera todas las pruebas posibles que pueden dividir el conjunto de datos y selecciona la prueba que resulta en la mayor ganancia de información. Se utiliza para tratar de enfocarse explícitamente hacia los atributos relevantes e ignorar los irrelevantes, además es relativamente rápido, y representa uno de los algoritmos de aprendizaje más comúnmente usados en aplicaciones de minería de datos Algoritmo Cart (SimpleCart) El SimpleCart es una implementación en WEKA del algoritmo CART. Este algoritmo utiliza el criterio basado en Índice Gini 1 para el caso de la clasificación. Cuando se pretende construir un árbol de regresión, los criterios se basan en la mínima suma de las desviaciones cuadráticas. Para realizar la post-poda (sobreajuste de los datos) realiza una estimación del error, bien mediante un conjunto de datos diferente del que se ha utilizado para construir el árbol, ó bien aplicando una metodología de validación cruzada Procesamiento de los datos en los algoritmos de aprendizaje El procesamiento de los datos en los algoritmos de aprendizaje automático es realizado por fases, las cuales se presentan a continuación: Fase de preparación de los datos. Consiste en la recopilación e integración de los datos. En este ítem, se determinan las fuentes de información útiles y donde se conseguirá. Por Ejemplo, si la información se toma de bases de datos heterogéneas se deben integrar a un único repositorio con un esquema unificado (almacén de datos o data warehouse). Fase de pre-procesamiento de los datos. Esta etapa consiste en la selección, limpieza y transformación de los datos. Al seleccionar los datos, se debe detectar 1 Índice Gini: es la medida para elegir la variable y el punto exacto donde más discrimina el valor de la variable objetivo. 31

46 CAROLINA MEJÍA CORREDOR valores anómalos, datos faltantes, determinar cuáles son los atributos relevantes, cuál será la muestra de datos con la cual se trabajará, construir nuevos atributos si es necesario. Algunos métodos son: agrupamiento, numerización, discretización, etc. Fase de selección y evaluación del algoritmo. En esta fase se selecciona el algoritmo de aprendizaje y se escogen los mecanismos de evaluación que serán utilizados para verificar su óptimo desempeño. Existen técnicas para la evaluación de los modelos como son: - Training y test (validación simple): consisten en disponer de un conjunto de casos de memoria y un conjunto de casos de test (conjuntos diferentes, uno que entrena y otro que prueba el CBR). - Cross-validation (validación cruzada): se divide el conjunto de casos disponibles en M subconjuntos. Se utilizará un de los subconjuntos como un conjunto de test, y los otros M-1 para hacer el entrenamiento del sistema. Se repite el proceso utilizando cada uno de los conjuntos como un conjunto de test y el resto para entrenar. - Matriz de confusión. Es una herramienta de visualización que se emplea en aprendizaje supervisado. Cada columna de la matriz representa el número de predicciones de cada clase, mientras que cada fila representa a las instancias en la clase real. Uno de los beneficios de las matrices de confusión es que facilitan ver si el sistema está confundiendo dos clases. - Análisis ROC ((Receiver Operating Characteristics). Representa de forma gráfica la relación entre TP (número de casos de la clase A acertados correctamente) y FP (número de casos de la clase A no acertados) de un sistema de diagnosis en función de un parámetro de decisión. Además, existen otras medidas de desempeño generadas con las que también se pueden evaluar los modelos como son: la precisión, la confianza y cobertura, el error cuadrático medio, la cohesión y separación. Fase de interpretación y visualización. La interpretación consiste en evaluar el contexto donde se va a usar el modelo: distribuciones de clases no balanceadas, tipo de errores y costo asociado, situaciones extraordinarias del mundo real (uso de conocimiento previo). En este ítem se considera, 1) el conocimiento puede ser resumido, documentado, visualizado o modificado de manera de tornarlo comprensible para el usuario, 2) el conocimiento se puede documentar o modificar, posibilitando su uso en sistemas de soporte a la toma de decisiones, y 3) el conocimiento puede ser comparado con conocimiento pre-existente para verificar conflictos y conformidades. El interés en este trabajo consiste en agregar esta capacidad de decisión que se obtiene a partir de una técnica de aprendizaje automático a una entidad software autónoma, como un agente inteligente, con el propósito de que realice la tarea de adaptación que se desea. A continuación se realiza una introducción general al tema de los agentes inteligentes. 32

47 2 MARCO TEÓRICO Y ESTADO DEL ARTE 2.9 AGENTES INTELIGENTES En este capítulo se presenta el concepto de agentes inteligentes basados en el documento [UHI2007] y su utilización en ambientes virtuales de aprendizaje Definición de agente Según [JUL2000], un agente es cualquier entidad que percibe su entorno a través de sensores y actúa sobre ese entorno mediante efectores. Un agente es racional cuando realiza la mejor acción posible a partir de los datos percibidos (Ver figura 11). Figura 11. Visión esquemática de un agente Los seres humanos, los robots y el software pueden ser considerados como agentes. A continuación se define cada uno de estos agentes: Agentes humanos: estos poseen ojos, oídos y otros órganos que les sirven de sensores, así como: piernas, manos, boca y otras partes del cuerpo que le sirven de efectores, los cuales utiliza para alcanzar algún objetivo en particular en un ambiente dado. Agentes Robóticos: los sensores son sustituidos por cámaras de vídeo y los efectores son reemplazados mediante servomecanismos 2. Agentes de software: son programas de computación que se ejecutan en un ambiente, y que son capaces de realizar acciones dentro de este, con el fin de alcanzar objetivos particulares para los cuales fue diseñado. Para un agente de software, sus percepciones y acciones vienen dadas por instrucciones de programas en algún lenguaje en particular. 2 Sistema electromecánico que se regula por sí mismo al detectar el error o la diferencia entre su propia actuación real y la deseada. 33

48 CAROLINA MEJÍA CORREDOR Definición de inteligencia Según [JUL2000] es el grado de razonamiento y capacidad de aprendizaje. La habilidad del agente para aceptar las instrucciones de las metas del usuario y llevar a cabo la tarea delegada en él. Al menos deben existir algunas instrucciones de preferencias tal vez en forma de reglas con un motor de inferencia o algún otro mecanismo que actúe sobre estas preferencias. Altos niveles de inteligencia incluyen un modelo de usuario o alguna otra forma de entender y razonar acerca de lo que el usuario quiere hacer Definición de agente inteligente Según [HAY1995] un agente inteligente es aquel que puede realizar tres funciones: percibir condiciones dinámicas en el entorno, actuar afectando a las condiciones del entorno, y razonar para interpretar lo percibido; resuelven problemas, muestran interfaces y determinan acciones. Un agente lo podemos representar como se muestra a continuación: Donde: Agente = Arquitectura + Programa Arquitectura: define el entorno en el que se moverá el agente (la estructura de su ambiente computacional) que le permitirá definir la forma de recibir las percepciones, realizar los diferentes análisis con la información recibida y producir las determinadas acciones para solucionar un problema específico. Programa: solución software que implementará la transformación de secuencias de percepciones en acciones Características de los agentes Un agente está caracterizado por una serie de calificativos que denotan algunas propiedades que deben ser cumplidas por el mismo. Según la definición de [WOO1995] son: Reactivo, el agente es capaz de responder a cambios en el entorno en que se encuentra situado. Pro-activo, el agente debe ser capaz de intentar cumplir sus propios planes u objetivos. Social, debe ser capaz de comunicarse con otros agentes mediante algún tipo de lenguaje de comunicación de agentes. Otras características importantes que plantean los autores de [FRA1996] y [NWA1996] son: Continuidad Temporal: se considera a un agente como un proceso sin fin, ejecutándose continuamente y desarrollando su función. 34

49 2 MARCO TEÓRICO Y ESTADO DEL ARTE Autonomía: un agente es completamente autónomo si es capaz de actuar basándose en su experiencia. El agente puede adaptarse aunque el entorno cambie severamente. Sociabilidad: este atributo permite a un agente comunicarse con otros agentes o incluso con otras entidades. Racionalidad: el agente siempre realiza lo correcto a partir de los datos que percibe del entorno. Reactividad: un agente actúa como resultado de cambios en su entorno. En este caso, un agente percibe el entorno y esos cambios dirigen el comportamiento del agente. Pro-actividad: un agente es pro-activo cuando es capaz de controlar sus propios objetivos a pesar de cambios en el entorno. Adaptatividad: está relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basándose en ese aprendizaje. Movilidad: capacidad de un agente de trasladarse a través de una red telemática. Veracidad: asunción de que un agente no comunica información falsa a propósito. Benevolencia: asunción de que un agente está dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos. Es importante aclarar que un agente no necesariamente debe poseer todas las características mencionadas anteriormente Tipos de agentes Los agentes inteligentes se pueden clasificar en dos grupos como se puede ver en la tabla 8. 35

50 CAROLINA MEJÍA CORREDOR Tabla 8. Tipos de agentes inteligentes Basados en el mapeo de las percepciones a las acciones Basados en el tipo de aplicación Agentes de reflejo simple Agentes informados de lo que pasa Agentes basados en metas Agentes basados en utilidad Agentes para aplicaciones industriales Agentes para aplicaciones comerciales Agentes en Aplicaciones Médicas Aplicaciones para el entretenimiento Operan siguiendo las instrucciones que le proporcionan un conjunto de reglas del tipo condición-acción, las cuales le permiten al agente establecer las conexiones entre las percepciones y las acciones. El agente tiene la capacidad de decidir la acción a ejecutar considerando y evaluando acciones y/o percepciones anteriores en función de una visión global del ambiente. Para que el agente pueda discernir no es suficiente tener información acerca del estado que prevalece en el ambiente, es necesario también disponer de datos acerca de las metas que se pretendan alcanzar. Al tener esta información, se pueden combinar con el resultado que producirán las posibles acciones que se emprendan y así elegir aquellas que permitan alcanzar las metas de una manera eficiente y eficaz. Las metas por sí solas no garantizan la obtención de una conducta de alta calidad, es por ello que el agente basado en la utilidad usa un criterio para estimar el grado de satisfacción de un estado con el objeto que le sirva para escoger entre distintas acciones válidas. Agentes para el control de procesos, manufacturación y control de tráfico aéreo. Agentes de administración de información, comercio electrónico, correo electrónico y de equipo de trabajo. Agentes para la monitorización de pacientes. Juegos, teatro y cine interactivo, Sistema Multiagente (MAS) Un MAS es un sistema que contiene algunos agentes software que se comunican entre sí [PEN2004]. Cada agente tiene control sobre ciertas partes del entorno y han sido diseñados e implementados como una colección de agentes individuales que interactúan. Un MAS, es quizás el planteamiento más interesante desde el punto de vista de la ingeniería de software, debido a que además de las ventajas de la programación 36

51 2 MARCO TEÓRICO Y ESTADO DEL ARTE distribuida y concurrente, permite la definición de patrones de interacción muy sofisticados tales como: Cooperación: trabajar juntos hacia un objetivo común. Coordinación: organizar las actividades necesarias para resolver un problema, previniendo interacciones dañinas y/o explotando interacciones beneficiosas. Negociación: llegar a un acuerdo con todas las partes involucradas. Por sus características los sistemas multiagentes pueden ser utilizados para representar problemas que son resueltos utilizando una gran variedad de métodos, problemas con múltiples perspectivas y/o aquellos problemas en los cuales intervienen múltiples entidades para resolverlos. Algunos trabajos que han considerado la tecnología de agentes para solucionar problemas de adaptatividad son [SUN2005c], [PEN2002], [SCH2005], [ALV2003], [ALV2004], [JUL2000] y [CAS2006] entre otros Sistemas multiagentes en ambientes educativos A continuación se presentan algunos sistemas multiagentes en ambientes educativos [VEL2007]: En [SHI2000] se muestra un MAS que soporta el aprendizaje en ciencias de la computación, creando un ambiente centrado en el estudiante, altamente interactivo y que permite que el estudiante lo siga a su propio ritmo. El sistema está basado en un modelo hibrido de aprendizaje basado en problemas y basado en casos. Fue diseñado utilizando tecnologías de Internet, Web y librerías digitales. El sistema adopta un diseño de arquitectura abierta y de sistemas distribuidos a gran escala. En [BAL2002] se describe un sistema de tutoría inteligente adaptativo, el cual se construyó con una arquitectura de un MAS (Wlog). El kernel del sistema es un agente racional, cuyo comportamiento es programado con el lenguaje de programación lógica DyLOG. En el prototipo que fue implementado las capacidades de razonamiento del agente son exploradas mediante la generación de planes dinámicos y a través de la verificación del plan de estudio, el cual es generado considerando las competencias que el usuario quiere adquirir. En [ALV2003] se presenta un sistema educativo basado en la Web, el cual se adapta de manera automática en tiempo de ejecución a cualquier tema o estudiante. Adicionalmente reduce el tiempo de trabajo extra de los profesores a través de la restricción de aspectos que deben ser considerados para la descripción de los temas. En este sistema profesores, estudiantes y expertos pueden interactuar a través de diferentes espacios de trabajo. En [ESM2004] se describe un MAS para la entrega adaptativa de servicios de aprendizaje móviles M-learning. El objetivo del proyecto fue la disminución de la distancia entre las modernas aproximaciones de educación basada en la Web (basada en dispositivos móviles, redes inalámbricas, y repositorios de objetos de aprendizaje) y las poderosas pero subutilizada tecnologías de ITS (Intelligent Tutoring Systems) y AHS. 37

52 CAROLINA MEJÍA CORREDOR En [ALV2004] se presenta Magadi, un ambiente educativo adaptativo basado en agentes y multidominio. Fue desarrollado sobre la base conceptual de los resultados obtenidos en el sistema IRIS [ARR1997]. En este artículo se propone la extensión de Magadi incluyendo un modelo de profesor y la posibilidad de usar diferentes vistas de dominios y estudiantes. Además un mecanismo para que de manera adaptativa se seleccionen las reglas de planeación para ser usadas en la generación de las rutas de aprendizaje que son provistas al estudiante. En [CHE2006] se presenta ABALS un sistema de aprendizaje basado en agentes. Plantea que el uso de la tecnología de agentes permite la construcción de ambientes de e-learning mas colaborativos e inteligentes. Además afirma que la tecnología de agentes puede ayudar a recuperar y filtrar información desde la base de conocimientos o Internet de manera fácil y rápida de acuerdo a las necesidades de los estudiantes. Utiliza un modelo de estudiante que considera entre otras cosas los estilos de aprendizaje. Teniendo en cuenta las consideraciones de este trabajo, a continuación se presentan algunos sistemas multiagente que tienen en cuenta los estilos de aprendizaje: En [PEN2004] se propone una arquitectura llamada MASPLANG para la presentación adaptativa de contenidos y para la navegación en un ambiente inteligente. Posteriormente se presenta una revisión más detallada. En [PEN2007, PEN2008b] se presenta un plataforma educativa multiagente que facilita la creación, adopción y distribución de recursos de aprendizaje y la adaptación de estos a un estilo de aprendizaje por medio de la disposición de herramientas de soporte y de retroalimentación para su utilización en cualquier momento y lugar. En [SUN2005c], [SUN2005a] y [SUN2005b] se presenta un Sistema Pedagógico integrado que se basa en una arquitectura multiagente la cual es centrada en el estudiante, adaptativa, hábil para aprender y dinámica. La solución planteada combina la teoría de aprendizaje con los sistemas basados en agentes. De esta manera, a nivel conceptual la adaptación es alcanzada a través del uso de un esquema de estilos de aprendizaje para adaptar la presentación del objeto de aprendizaje a un estudiante particular. De manera contraria, la adaptación a nivel práctico es alcanzada a través de un conjunto de agentes que usan una combinación de conocimiento previo y adquirido para determinar el estilo de aprendizaje y el objeto de aprendizaje apropiado para un estudiante. En [CAP2005] se presenta una arquitectura para los STI (Sistemas Tutores Inteligentes) que integra los aspectos más significativos de la tecnología de agentes. La arquitectura considera la incorporación de agentes en los módulos del tutor y del estudiante a fin de poder integrarlos al modelado considerando la base teoría uno de Perkins los estilos de aprendizaje de Felder y las inteligencias múltiples de Gardner. En [SCH2005] se presenta SPORAS un sistema el cual ha sido implementado para adaptar secuencias de material hipermedia de cursos basados en la Web, considerando el modelo de estilos de aprendizaje Felder y el nivel de conocimiento 38

53 2 MARCO TEÓRICO Y ESTADO DEL ARTE del estudiante. Incorpora mecanismos para seguir el progreso del estudiante y sus experiencias a través de un MAS. Utilizan Ontologías para permitir que se comparta los contenidos almacenados entre SPORAS y sistemas análogos. En [CAP2005] se presenta un sistema basado en computación para generación automática y personalizada de cursos. Se utiliza un test para obtener información sobre los conocimientos del estudiante en el dominio específico y sus preferencias de aprendizaje. Utiliza el modelo de Felder para categorizar el material de aprendizaje de acuerdo al estilo de enseñanza y para categorizar a los estudiantes de acuerdo a su estilo de aprendizaje. Luego se verifica el material de tal manera que coincida con el estilo de aprendizaje del estudiante SERVICIOS WEB Los servicios web permiten que las aplicaciones compartan información y además, que invoquen funciones de otras aplicaciones independientemente de la tecnología con la cual hayan sido creadas, del sistema operativo o de la plataforma donde se ejecuten y de cuál sea el dispositivo de donde se acceda a ellas. Los servicios web intercambian datos desde un servidor al cliente, utilizando el formato XML para enviar las peticiones, de modo que tanto el servidor como el cliente puedan entenderse. XML (Extensible Markup Language) es un lenguaje desarrollado por el Word Wide Web Consortium (W3C) con el fin de brindar un estándar para el intercambio de información estructurada entre diferentes plataformas. Para ello se emplea un lenguaje de marcas (ó etiquetas). Los servicios web se comunican basándose en HTTP 3, utilizando los métodos GET y POST, con lo cual se puede acceder a ellos al igual que se hace a una página web. La diferencia entre una página web y un Servicio Web, es que la página la visita cualquier individuo interesado, mientras que el servicio sólo lo visitan programas que lo requieren. Los servicios web se invocan en internet por medio de protocolos basados en XML, existen dos grandes tendencias: XML-RPC [XML-RPC] y SOAP [SOAP], que son lenguajes de mensajería estandarizados por W3C, que especifican todas las reglas necesarias para ubicar servicios web, integrarlos en aplicaciones y establecer comunicación entre ellos. En este trabajo nos enfocaremos en XML-RPC, que es servicio que implementa la plataforma dotlrn a través de uno de sus paquetes. 3 HTTP (HyperText Transfer Protocol): s el protocolo que sirve de base para el intercambio de información en la web. 39

54 CAROLINA MEJÍA CORREDOR XML-RPC XML-RPC (XML-Remote Procedure Call o Llamada a Procedimiento Remoto-XML) [XML-RPC] fue creado en 1998 por Useful Inc [USEFUL] junto con Microsoft [MICROS]. XML-RPC es una especificación y un conjunto de implementaciones que permiten que software que se ejecuta en diferentes sistemas operativos y/o entornos pueda hacer llamadas a procedimientos remotos a través de Internet. Ha sido diseñado con el objetivo de ser lo más simple posible, permitiendo el envío, procesamiento y retorno de estructuras complejas de datos. En la figura 12 se representa el transporte de los datos en una petición XML. Figura 12. Transporte de los datos en una petición XML De acuerdo con [HUE2008], un mensaje XML-RPC es una petición HTTP 4 de tipo POST, la cual contiene información (datos) codificada con XML. Esta petición se envía a un servidor que ejecuta un procedimiento y devuelve una respuesta http, también con información codificada con XML. Tanto los parámetros de las peticiones como los valores de las respuestas pueden ser representadas a través de XML-RPC. La idea es aprovechar que la comunidad científica de OpenACS ha implementado este servicio en uno de los paquetes que tiene disponibles la plataforma dotlrn y hacer la integración de los agentes desarrollados con dotlrn utilizando este protocolo. 40

55 PARTE II: PROCESO DE ADAPTACIÓN

56 CAROLINA MEJÍA CORREDOR En esta parte del documento se describe el proceso de adaptación de contenidos de aprendizaje, el cual contempla aspectos como: El soporte en un modelo de usuario basado en los estilos de aprendizaje de Felder [MEJ2008b]. La aplicación de técnicas de aprendizaje automático para definir las reglas de adaptación [MEJ2008b]. Para esto, se estudian las características de una tarea de aprendizaje, y se evalúan algunos algoritmos de clasificación automática para seleccionar el más adecuado. El uso de la tecnología de agentes [MEJ2009], que permite implementar el algoritmo de clasificación seleccionado para obtener la decisión de adaptación que se entregará en la plataforma dotlrn [dotlrn]. 42

57 3 PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS SOPORTADO EN UN MODELO DE USUARIO BASADO EN ESTILOS DE APRENDIZAJE Partiendo de la necesidad que tienen los LMS en cuanto a la falta de personalización en la presentación de los contenidos, tal como se planteo en [MEJ2008b, BAL2008a] se propone un modelo de adaptación de los tipos de objetos de aprendizaje disponibles en un LMS de acuerdo al estilo de aprendizaje de un usuario que se define conforme al índice de estilos de aprendizaje de Felder [FEL2007]. La figura 13, muestra un esquema general del proceso diseñado. Figura 13. Modelo de adaptación basado en estilos de aprendizaje Este esquema del modelo de adaptación basado en estilos de aprendizaje (figura 13) se construyó partiendo de dos supuestos: En primer lugar, es posible determinar el estilo de aprendizaje de un estudiante, aplicándole el índice de estilos de aprendizaje de Felder. Este instrumento categoriza al aprendiz a lo largo de 4 dimensiones detalladas en la tabla 1 de este documento dando lugar al modelo de usuario del estudiante. Las dimensiones de estilo de aprendizaje que se contemplaron para este trabajo corresponden a los descritos en el modelo de Felder y Silverman [FEL1988]. En segundo lugar, se cuenta con objetos de aprendizaje, etiquetados, y clasificados de acuerdo a los 15 tipos de recursos posibles definidos por el estándar IEEE-LOM [IEEE-LOM], los cuales se aprecian en la tabla 5 de este documento. 43

58 CAROLINA MEJÍA CORREDOR Teniendo definidos los estilos de aprendizaje y los posibles tipos de recursos que se le presentarían al usuario, se debía analizar de qué forma se podrían relacionar, de manera que fuese posible de alguna manera indicarle al usuario las opciones de recursos que más se ajustaran a sus preferencias. Se concluyó entonces que se tenía que elaborar una medida que calificara los diferentes niveles de preferencia de los tipos de recurso por parte de un usuario [BAL2007a]. Para desarrollar este trabajo, se recurrió a dos fuentes de datos diferentes: Población Experta o Facilitadores, los cuales fueron los docentes o expertos temáticos de la Universitat de Girona (UdG) 5. Ellos reunidos y capacitados en cuanto a los conceptos necesarios sobre la teoría de estilos de aprendizaje de Felder y la categorización de los diferentes tipos de recursos de LOM, se les encargo la tarea de elaborar una medida que calificara el nivel de preferencia de los diferentes tipos de recursos de aprendizaje dados unos estilos de aprendizaje. Y posteriormente elaborar una relación entre los tipos de recursos y los estilos de aprendizaje con base en la medida creada. Actores Principales o Estudiantes: con el propósito de obtener datos más aproximados a la realidad, se recurrió a los estudiantes, se elaboro una encuesta (ver ANEXO A) que permitiera identificar, conforme a la medida generada por los docentes, las preferencias de los estudiantes por cada tipo de recurso. El primer resultado, del trabajo con los expertos temáticos, después de una serie de reuniones, fue la obtención de la medida a utilizar, de los valores que tendría y de su descripción. Esta medida describe la preferencia de la dimensión de un estilo de aprendizaje con base en una clasificación de tres posibles valores, como se muestra en la tabla 9. Tabla 9. Detalle de las clases que relacionan los tipos de recursos (TR) con los estilos de aprendizaje (LS) Indiferente (I) Bueno (G) Muy bueno (VG) CLASIFICACIÓN El estudiante no valora que el docente disponga de este TR, pues considera que no le hace falta ó no le aporta nada en su proceso de aprendizaje. Al estudiante le gusta este TR tanto como otros TR, valora que el profesor cuente con ellos y le parece que puede alcanzar sus objetivos de aprendizaje. Sin embargo no los prefiere específicamente. Al estudiante le gusta mucho aprender con este TR y lo prefiere con respecto a otros tipos. De hecho, cuando el estudiante estudia le gusta empezar a analizar la temática plateada con recursos de este TR por lo que considera importante que el docente cuente con recursos de este tipo. 5 Universitat de Girona (UdG), 44

59 3 PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS SOPORTADO EN UN MODELO DE USUARIO BASADO EN ESTILOS DE APRENDIZAJE El siguiente resultado que se quería obtener con los docentes era relacionar estas categorías (clases) con los estilos de aprendizaje y tipos de recursos, de acuerdo a la experiencia que ellos habían tenido con los diferentes tipos de estudiantes en el aula. Se obtiene como resultado la tabla 10. Tabla 10. Relación entre los tipos de recursos y los niveles de estilos de aprendizaje TIPO DE RECURSO ESTILO DE APRENDIZAJE Procesamiento Percepción Entendimiento Entrada Activo Reflexivo Intuitivo Sensitivo Secuencial Global Visual Verbal Ejercicio G G VG G G I G VG Simulación VG I I VG I G VG I Cuestionario G I I I G I I I Diagrama I G G G G VG VG I Figura I G G G G VG VG I Gráfico I G G G G VG VG I Índice I I I I G VG I G Diapositiva I G G G G VG VG G Tabla I I I G G G G G Texto narrativo G VG VG I I I I VG Examen G I I I G I I I Experimento VG G G VG G I VG I Resolución de problema VG G G VG I I G VG Autoevaluación G I I I G I I I Lectura I VG VG I I I I VG Con el fin de refinar este modelo y obtener resultados más precisos, se recurrió a los estudiantes, los actores principales del proceso de formación, Para ello se diseño y aplicó una encuesta, la es presentada en el ANEXO A. Este instrumento permitió obtener datos reales acerca de estudiantes sobre sus preferencias con respecto a los tipos de recursos. Las muestras de estudiantes tomadas fueron de cursos de la escuela de Informática de la UdG, a los cuales se le aplicó el test de Felder (ILS) al iniciar el curso, por esta razón se contaba también con los datos sobre el estilo de aprendizaje de cada estudiante. En la tabla 11 se muestra un ejemplo de una encuesta diligenciada. Se elaboraron 9 tablas similares a la presentada en la tabla 11 correspondientes a 9 estudiantes que presentaron la encuesta en el primer curso, y 4 tablas más que se obtuvieron de un segundo curso. 45

60 CAROLINA MEJÍA CORREDOR Tabla 11. Valoración de los tipos de recurso preferidos por un estudiante PERFIL DE APRENDIZAJE: Activo, Sensitivo, Global, Verbal TIPOS DE RECURSOS VALORACIÓN Ejercicio VG Simulación VG Cuestionario I Diagrama G Figura G Gráfico G Índices VG Diapositiva (Slide) VG Tabla G Texto narrativo VG Examen I Experimento G Resolución de problema VG Autoevaluación I Lectura VG De esta manera, se plantea un mecanismo de decisión que permite apoyar el proceso de personalización de contenidos educativos, debido a que se cuenta con información que permite clasificar los recursos que se presentan a un determinado usuario, de acuerdo a su perfil de aprendizaje. 46

61 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA En el capitulo anterior se presenta el proceso de adaptación de contenidos soportado en un modelo de usuario basado en los estilos de aprendizaje. En este capítulo se logrará un mayor nivel de detalle en cuanto al modelo del proceso de adaptación basado en técnicas de aprendizaje automático que se utilizan para tomar la decisión de adaptación. En la figura 14 se presenta un esquema de este proceso, el cual se irá describiendo a lo largo de la sección. Figura 14. Modelo del proceso de adaptación de contenidos educativos 4.1 DEFINICIÓN DE LAS TAREAS DE APRENDIZAJE Algunas premisas que se pueden abstraer de la descripción del proceso de adaptación propuesto son los siguientes: a) Es posible definir el estilo de aprendizaje de un estudiante como un conjunto de cuatro atributos. b) Es posible relacionar cada atributo asociado a este estilo de aprendizaje con el grado de preferencia que el estudiante muestre por los diferentes tipos de recursos. c) Es posible crear un atributo específico para representar una medida cuantitativa de la relación existente entre los atributos. Las premisas descritas anteriormente, se corresponden con las características del modelado de una tarea de clasificación. Que, de acuerdo con la definición dada en el capítulo 2, consiste en buscar los tipos de recursos más adecuados para cada usuario específico. Sin embargo, se ha considerado pertinente, de acuerdo al contexto educativo en que se enmarca el proyecto, no eliminar tipos de recurso a mostrar a un estudiante, sino generar el orden en el cual los recursos deberán ser presentados. Después de definir el tipo de tarea de aprendizaje, se procede a estructurar con que observaciones (ejemplos de entrenamiento) se va a desarrollar esta tarea, es decir, cuales son las entradas que permitirán aprender. 47

62 CAROLINA MEJÍA CORREDOR Una de las cuestiones clave en este punto es la representación de dichas entradas, de acuerdo al mecanismo de representación de WEKA, por esto se procedió de la siguiente manera: Se determinaron las clases. El concepto que se quiere aprender y los valores que puede tener. Se crea por consiguiente el parámetro (Relation_RT_LS) que representa la medida cuantitativa de la relación entre los tipos de recursos y los estilos de aprendizaje, y que fue definida por los expertos temáticos. Los valores de la clase pueden ser: Indifferent (indiferente), Good (Bueno) y Very_Good (Muy bueno). Se determinaron los demás atributos y sus valores; características de los ejemplos de entrenamiento. Se crean 5 atributos: 4 corresponden a cada dimensión de los estilos de aprendizaje, es decir uno por la dimensión de procesamiento (LS- Processing), uno por la dimensión de percepción (LS-Perception), uno por la dimensión de entrada (LS-Input) y uno por la dimensión de entendimiento (LS- Understanding), el quinto atributo corresponde a los tipos de recursos (Resource_Type). En la tabla 12, se relacionan las clases y atributos que representan los diferentes ejemplos de entrenamiento creados. Tabla 12. Clases y atributos de la tarea de aprendizaje de clasificación Dimensión LS-Processing LS-Perception LS-Input LS-Understanding Resource_Type Relation_RT_LS Estilo de aprendizaje 1. Active 2. Reflective 1. Sensory 2. Intuitive 1. Visual 2. Verbal 1. Sequential 2. Global Exercise, Simulation, Questionnaire, Diagram, Figure, Graph, Index, Slide, Table, Narrative_text, Exam, Experiment, Problem_statement, Self_assessment, Lecture. Indiferent, Good, Very_Good Teniendo definidas las clases y los atributos, se procede a generar los ejemplos de entrenamiento, asignando una clase a cada una de las observaciones, partiendo inicialmente de la información suministrada por los expertos temáticos presentada en la tabla 10. Estos datos contenían una valoración de cada recurso de acuerdo a cada parte de una dimensión de estilos de aprendizaje. Por lo cual se hacía necesario llegar a un acuerdo en cuanto a la preferencia del estilo de aprendizaje completo, es decir, considerando todas sus dimensiones asociadas por un tipo de recurso. Por ello, se considero asignar un peso para cada valor de la medida cuantitativa que relaciona los estilos de aprendizaje y los tipos recursos (Ver tabla 10), con el fin de crear todas las 48

63 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA combinaciones posibles de los tipos de recursos y las diferentes dimensiones de los estilos de aprendizaje. Se logró crear con esto 240 observaciones que presentaban la siguiente estructura: Estilo de aprendizaje completo Tipo de recurso Valoración Active, Intuitive, Global, Verbal Simulation Good Se consideraron las siguientes medidas cuantitativas para la escala: Indiferent = 0, para Good = 1 y para Very_Good = 2. La tabla 13 muestra la forma como se crearon las diferentes observaciones. Tabla 13. Ejemplo de cómo construir un ejemplo de entrenamiento Resource Puntaje _Type Lecture 1,75 Relation _RT_LS 2 Very Good De acuerdo a la tabla 13, este ejemplo de entrenamiento corresponde a un usuario con perfil de aprendizaje: Reflexivo, Intuitivo, Global y Verbal, para el tipo de recurso Lectura, tiene un nivel de preferencia Muy Buena. Seguidamente, con la ayuda del software Microsoft Excel, se elaboraron los 240 ejemplos de entrenamiento. En la tabla 14, se extrae una parte de estas observaciones. Tabla 14. Ejemplos de entrenamiento No Processing Perception LE-Input LS- Processing LS- Perception LS- Input LS- Understanding Reflective Intuitive Global Verbal VG VG G VG LE- LE- LE- Understanding Resource _Type 1 Active Sensory Sequential Visual exercise good 2 Active Sensory Global Visual exercise good Relation _RT_LS 3 Reflective Sensory Sequential Verbal simulation indiferent 4 Reflective Sensory Global Visual simulation good Además, de la información proporcionada por los estudiantes (tabla 11) se obtuvieron 195 ejemplos de entrenamiento. Logrando, entre profesores y estudiantes un total de 435 ejemplos de entrenamiento. 4.2 APLICACIÓN DEL ALGORITMO DE CLASIFICACIÓN Llegado este punto se ha definido la tarea de aprendizaje, y los ejemplos de entrenamiento a aplicar a un algoritmo de clasificación automática. Se procede entonces a seleccionar el algoritmo de clasificación más adecuado. 49

64 CAROLINA MEJÍA CORREDOR Selección del algoritmo de clasificación Para la selección del algoritmo de clasificación a utilizar se realizaron pruebas con los algoritmos ID3, C4.5 (J48 en WEKA) y Cart (SimpleCart en WEKA), explicados en la sección 2.8 de este documento. Los algoritmos son evaluados utilizando la herramienta de libre distribución WEKA, debido a que es un software multiplataforma, de fácil uso y de código abierto que permite utilizar diferentes técnicas de aprendizaje automático. Primero que todo, los datos se deben ajustar a la estructura definida por WEKA, para que puedan ser procesados adecuadamente. WEKA exige que los datos se encuentren estructurados como se muestra en la figura 15 y en un formato ARFF (Attribute-Relation File Format), aunque también existe la posibilidad de leerlos desde una base de datos o desde una URL. Para este caso se trabajará con el archivo ARFF. Se toma el archivo construido con Microsoft Excel y se genera el archivo LS-Processing {Active, LS-Perception {Sensory, LS-Understanding {Sequential, LS-Input {Visual, resource_type {exercise, simulation, questionnaire, diagram, figure, graph, index, slide, table, narrative_text, exam, experiment, problem_statement, self_assessment, relation_r_ls {indifferent, good, Active,Intuitive,Sequential,Visual,exercise,good Active,Intuitive,Sequential,Verbal,exercise,very_good Active,Intuitive,Global,Visual,exercise,good Active,Intuitive,Global,Verbal,exercise,good Active,Sensory,Sequential,Visual,exercise,good Active,Sensory,Sequential,Verbal,exercise,good Active,Sensory,Global,Visual,exercise,good Active,Sensory,Global,Verbal,exercise,good Reflective,Intuitive,Sequential,Visual,exercise,good Reflective,Intuitive,Sequential,Verbal,exercise,very_good Figura 15. Estructura del formato ARFF de WEKA Se construyeron varias fuentes de datos con el fin de observar los comportamientos de los algoritmos con cada una y así tomar una mejor decisión en cuanto al algoritmo que se seleccionará. Las fuentes de datos, tal como se muestra en la tabla 15 corresponden a: Fuente 1, información proporcionada por el profesor (tabla 10). Fuente 2, información proporcionada por estudiantes de un primer curso (tabla 11). Fuente 3, información proporcionada por estudiantes de un segundo curso (tabla 11). Fuente 4, la unión de la fuente 1 y la fuente 2. Fuente 5, la unión de las fuentes 1, 2 y 3. 50

65 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA Tabla 15. Fuentes de datos utilizadas para evaluar los algoritmos de aprendizaje Fuente de dados Número de ejemplos 1. Profesores Estudiantes curso Estudiantes curso Estudiantes curso 1 y Profesores + Estudiantes curso Profesores + Estudiantes curso 1 y Después de tener preparadas las fuentes de datos en los archivo ARFF, se procede a pre-procesar estas fuentes de datos utilizando WEKA, la cual se encarga de verificar que los datos este bien estructurados dentro de los archivos y que no existan errores, la falta de datos ó cualquier tipo de problema que no permita aplicar de forma óptima los algoritmos de clasificación que se desean evaluar. Para validar el algoritmo de clasificación se utilizó la técnica de validación cruzada (Cross-validation), variando M entre 5 y 10, con el fin de obtener grupos con un número representativo para el entrenamiento y el testeo del algoritmo. Los resultados obtenidos para las fuente 1, 2 y 3 con un M=10 se presentan en las tabla 16. Tabla 16. % de clasificación correcta (CC), % de precisión (P) y tiempo de procesamiento (t) para las fuentes de datos de profesores y estudiantes Algoritmo Fuente 1 Fuente 2 Fuente 3 %CC %P t %CC %P t %CC %P t ID C Cart Se observa que para el caso de la fuente 1, el algoritmo con el mejor comportamiento es el C4.5, mientras que para el caso de las fuentes 2 y 3 correspondientes a los datos proveídos por los estudiantes, el mejor comportamiento lo ha tenido el algoritmo Cart, pero con un tiempo de procesamiento alto para el número de ejemplos de entrenamiento que se están considerando. También se observa que la precisión en las fuentes 2 y 3 se reduce considerablemente, esto puede deberse a dos razones, primero, se están considerando pocos datos de entrenamiento (Fuente 1 = 135 y Fuente 2 = 60) y segundo, no se cuenta con información de todos los estilos de aprendizaje en los cursos. En la tabla 17 se presentan los resultados para las fuentes 4, 5 y 6, que corresponden a la unión de los cursos 1 y 2 de los estudiantes, y a la unión de los datos de los estudiantes con los datos de los profesores. Con esta unión de los datos se quiere representar un escenario más cercano a la realidad. La idea es que los ejemplos de entrenamiento se vayan incrementando en la medida que los estudiantes interactúen en el LMS, y de esta forma el modelo se vaya mejorando, generándose un perfil más claro de cada preferencia por un tipo de recurso de acuerdo con el estilo de aprendizaje del estudiante que ingrese al LMS. Tabla 17. % de clasificación correcta (CC), % de precisión (P) y tiempo de procesamiento (t) para la unión de las fuentes de datos de profesores y estudiantes 51

66 CAROLINA MEJÍA CORREDOR Algoritmo Fuente 4 Fuente 5 Fuente 6 %CC %P t %CC %P t %CC %P t ID C Cart Con estas fuentes de datos se observa, que el algoritmo que presenta el mejor comportamiento en cuanto al número de ejemplos correctamente clasificados y a la precisión es el algoritmo Cart, seguido muy de cerca por el algoritmo C4.5, con resultados muy similares en estos dos ítems (%CC y %P). La diferencia marcada entre los dos algoritmos se encuentra en el tiempo de procesamiento, el algoritmo Cart en todos los casos (ver tabla 16 y tabla 17) ha mostrado una demora bastante amplia con respecto al algoritmo C4.5. En la figura 16 se presentan las matrices de confusión para las fuentes 1, 5 y 6 junto con el error de clasificación dado al aplicar cada uno de los algoritmos de aprendizaje. Figura 16. Matrices de confusión para los modelos de clasificación c1-indifferent, c2-good, c3-very_good Se observa que los errores de clasificación son altos para las fuentes 5 y 6, se espera que a medida que se obtengan más casos reales y variados que permitan que los algoritmos mejoren su aprendizaje, el error disminuya y por consiguiente se incremente la confiabilidad en los modelos. Es importante resaltar, que los datos también fueron sometidos a métodos combinatorios como bagging, boosting y stacking, pero no se logró obtener un modelo mejorado, además que el tiempo de procesamiento se incrementa mucho en estos 52

67 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA casos. Se considera, que mientras no se tenga un número alto de ejemplos de entrenamiento estos métodos no son muy útiles. En la tabla 18 se presenta una relación de los resultados obtenidos utilizando el método bagging para las fuentes 1, 5 y 6. Tabla 18. % de clasificación correcta (CC), % de precisión (P) y tiempo de procesamiento (t) aplicando el método de ensamble Bagging Bagging + Fuente 1 Fuente 5 Fuente 6 CCI P T CCI P T CCI P T ID C Cart Los resultados obtenidos indican que el modelo de clasificación C4.5 presenta un comportamiento general mucho mejor que los otros dos algoritmos y que los métodos combinados. Las pruebas demostraron, que C4.5 tiene una buena capacidad predictiva y un tiempo de procesamiento de los datos bastante pequeño, por consiguiente se decide utilizar este algoritmo para desarrollar el caso de prueba Aplicación del algoritmo C4.5 Con la implementación del algoritmo C4.5, se quiere obtener un árbol de decisión como el que se muestra en la figura 17, que pueda soportar la tarea de aprendizaje de definir el orden en el cual los tipos de recursos se presentan al estudiante de acuerdo a su perfil de aprendizaje. El orden que se puede generar con este árbol de decisión, es mostrar en primera instancia los recursos de la clase very_good, luego los recursos de la clase good y finalmente los recursos de la clase indifferent. El árbol de decisión (ver figura 17) representa en forma secuencial las condiciones que se consideran, en primer lugar aparece el nodo con el tipo de recurso, luego aparecen los nodos con las dimensiones de los estilos de aprendizaje, y finalmente aparece la clase que permite calificar esa secuencia y tomar una decisión. Por ejemplo: Al considerar el tipo de recurso Index, luego, el estilo de aprendizaje sequential y visual, se obtiene una preferencia del tipo indifferent, que sería la decisión que tomaría el modelo por ese tipo de recurso dado ese estilo de aprendizaje. 53

68 CAROLINA MEJÍA CORREDOR Figura 17. Árbol de decisión resultado de los ejemplos de entrenamiento 54

69 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA 4.3 IMPLEMENTACIÓN DEL PROCESO DE DECISIÓN El proceso de decisión, tal como se presento en [MEJ2009] consiste en recorrer el árbol de decisión presentado en la sección anterior para obtener el resultado deseado, el orden de los recursos de aprendizaje ante un requerimiento de un usuario con un estilo de aprendizaje determinado. En la figura 18 se presenta el modelo elaborado para desarrollar esta tarea. Figura 18. Modelo del proceso de decisión para la resolución del orden de los contenidos Una decisión de implementación tomada fue el uso de la tecnología de agentes para el desarrollo de esta tarea. Especialmente por el desacoplamiento que permiten estas unidades autónomas, requisito para la integración de este trabajo dentro del proyecto ADAPTAPlan [ADAPTA], como se verá más adelante. El desarrollo de los agentes vinculados al proceso fue apoyado por la plataforma de agentes Agent Academy [AGENT-A], un potente framework para desarrollar sistemas multiagente basado en la integración de JADE [JADE] y WEKA [WEKA]. De acuerdo a lo comentado en el capítulo 2, la tecnología de agentes se fundamenta en la definición de los comportamientos que tendrán los agentes. Tal como se muestra en la figura 18, se han implementado dos agentes: El Agente Clasificador, el cual tiene asignado el comportamiento de clasificación, que se encarga de obtener el árbol de decisión al aplicar el algoritmo correspondiente. 55

70 CAROLINA MEJÍA CORREDOR El Agente Solicitante, el cual tiene asignado dos comportamientos, el primero corresponde al comportamiento para la recepción de la solicitud (obtención del estilo de aprendizaje), y segundo comportamiento para la generación de la respuesta (orden de los recursos de aprendizaje). Agent Academy cuenta con importantes herramientas que permiten definir tanto los comportamientos como los agentes, al igual que el escenario multiagente donde actuaran, todo esto respaldado por la tecnología JADE, la cual se encarga de dar vida a los agentes y lograr la comunicación entre ellos a través de mensajes asíncronos que son definidos en los comportamientos de cada agente. La creación de los comportamientos se realizó utilizando la herramienta Behaviour Design de Agent Academy, la cual permite generar comportamientos de los agentes asociados a algoritmos de aprendizaje automático, específicamente los disponibles en WEKA. El primer comportamiento en crearse fue el comportamiento de clasificación, para esto se utilizó como entrada el archivo ARFF con los 435 ejemplos de entrenamiento, y se seleccionó el algoritmo J48 (implementación del C4.5 en WEKA) como el tipo del comportamiento para la generación del árbol de clasificación. La clase creada para este comportamiento se llamó Clasificar. A continuación se muestra una parte del código java desarrollado para este comportamiento. ObjectInputStream ois=new ObjectInputStream(new FileInputStream(WekaService.getModelName("Clasificar"))); J48 classifier_j48=(j48) ois.readobject(); Luego se definen los comportamientos que va a tener el Agente Solicitante; se construye el comportamiento para la recepción de la solicitud, el cual debe obtener los datos del estilo de aprendizaje y enviarlos al Agente Clasificador, esta clase fue llamada EnviarPeticionClasificacion, la cual recibe dos parámetros el nombre del agente y el estilo de aprendizaje. A continuación se muestra parte del código java desarrollado para este comportamiento. public EnviarPeticionClasificacion(Agent a, LinkedList parametros) { super(a); this.parametros = parametros; Iterator it = parametros.iterator(); while(it.hasnext()) { String[][] matriz_rel_lp_tr = new String[15][5]; for (int i=0;i<15;i++) { matriz_rel_lp_tr[i][0] = processing; matriz_rel_lp_tr[i][1] = perception;... ACLMessage msg = new ACLMessage(ACLMessage.ACCEPT_PROPOSAL); AID aid=new AID(); aid.setlocalname("agenteclasificador"); msg.addreceiver(aid); msg.setconversationid("solicitar clasificacion"); this.myagent.send(msg); 56

71 4 SOPORTE DEL PROCESO DE ADAPTACIÓN DE CONTENIDOS EDUCATIVOS USANDO TÉCNICAS DE CLASIFICACIÓN AUTOMATICA Se construye el segundo comportamiento del Agente Solicitante, el comportamiento para la generación de la respuesta. Procesada la solicitud en el Agente Clasificador, este comportamiento se encarga de recibirle la respuesta al Agente Solicitante para pueda ser enviada como resultado del sistema multiagente, esta clase fue llamada RecibirRespuestaClasificacion. A continuación se muestra parte del código java desarrollado para este comportamiento. public class RecibirRespuestaClasificacion extends SimpleBehaviour { private String[][] matriz_orden_tr = new String[15][3]; private String[] vector_tr = new String[15]; AID aid=new AID(); aid.setlocalname("agenteclasificador"); if (answer.equals("very_good")) { System.out.println("Su interpretacion es : VERY GOOD"); Definidos los comportamientos se procede a crear los agentes, para ello se utiliza la herramienta Agent Design de Agent Academy, la creación de los agentes consiste en darle un nombre al agente y asignarle sus comportamientos. A continuación se presenta parte del código java generado del Agente Solicitante. EnviarPeticionClasificacion b_0 = new EnviarPeticionClasificacion(this); addbehaviour(b_0); JadePlatform.registerBehaviour(b_0); RecibirRespuestaClasificacion b_1 = new RecibirRespuestaClasificacion(this); addbehaviour(b_1); JadePlatform.registerBehaviour(b_1); Después de que la creación de los agentes se ha completado, se procede a diseñar el sistema multiagente, para ello se utiliza la herramienta MAS de Agent Academy, se incluyen los dos agentes y se ejecuta el entorno JADE. Se abre la interfaz gráfica de este entorno que permite controlar y depurar los agentes existentes de manera que se compruebe su correcto funcionamiento. El resultado de esto, es la generación del orden de presentación de los recursos. En la figura 19 se muestra el resultado obtenido para un estudiante con perfil de aprendizaje: Activo, Sensitivo, Global, Visual. Posteriormente, esta información es enviada a la plataforma dotlrn de manera que se pueda mostrar al estudiante los recursos de un curso ajustados a su estilo de aprendizaje. 57

72 CAROLINA MEJÍA CORREDOR 1 exercise good 2 simulation good 3 diagram good 4 figure good 5 graph good 6 index good 7 slide good 8 table good 9 narrative_text good 10 experiment good 11 problem_statement good 12 lecture good 13 questionnaire indifferent 14 exam indifferent 15 self_assessment indifferent Figura 19. Orden de los recursos preferidos por un estudiante 58

73 PARTE III: CASO DE PRUEBA 59

74 CAROLINA MEJÍA CORREDOR En esta parte del documento se va a describir como se llevó a cabo la integración de la plataforma de agentes presentada en el capítulo anterior con dotlrn [DOTLRN] y del repositorio de objetos de aprendizaje Fedora Commons [FEDORA]. Para realizar esta integración se llevaron a cabo tres actividades: Puesta a punto del repositorio de los objetos de aprendizaje. Se seleccionaron un conjunto de recursos y se realizó su etiquetado siguiendo el estándar del la IEEE- LOM [IEEE-LOM], luego se agregaron estos recursos en el repositorio de objetos de aprendizaje Fedora Commons. Integración de la plataforma de agentes con la plataforma dotlrn. Se desarrolló del paquete para dotlrn result-ils que implementa esta integración. Integración del repositorio de objetos de aprendizaje Fedora Commons con la plataforma dotlrn. Se generaron tres unidades de aprendizaje utilizando la especificación IMS-LD [IMS-LD]. 60

75 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE 5.1 SELECCIÓN DE LOS RECURSOS Los recursos seleccionados para este caso de prueba corresponden a tres cursos: Conceptos Básicos de Programación Orientada a Objetos, desarrollado en [MOR2003]. Clases y Objetos: Diseño y Programación, desarrollado en [MAR2008]. Investigación Educativa, asignatura de la escuela de Educación de la UdG. La selección de estos cursos se dio debido a que ya se contaban con estos materiales en el grupo de investigación y además tienen una gran variedad de recursos, correspondientes a los tipos definidos por la IEEE-LOM. El curso de Conceptos Básicos de Programación Orientada a Objetos está compuesto por cinco temáticas como se puede ver en la figura 20, y cuenta con recursos de 6 tipos definidos por la IEEE-LOM. Figura 20. Curso de Conceptos Básicos de Programación Orientada a Objetos Con el fin de abarcar un buen número de tipos de recursos definidos por la IEEE-LOM, en este trabajo se utilizaron todos los recursos que fueron elaborados en [MOR2003], con el propósito de contar con la cantidad suficiente de tipos de objetos de aprendizaje para ofrecer un resultado representativo del ordenamiento de la preferencia de aprendizaje. Tal como se menciona en [MEJ2008a], en total se lograron reunir 144 recursos entre ejercicios, simulaciones, gráficos, diapositivas, textos, lecturas, exámenes y resolución de problemas. En la tabla 19 se puede ver el número de recursos por temática en cada uno de los tipos. 61

76 CAROLINA MEJÍA CORREDOR Tabla 19. Tipos de recursos elaborados para del curso Conceptos Básicos de Programación Orientada a Objetos. TIPO DE RECURSO TEMÁTICAS Introducción Objeto Clase Encapsulamiento Herencia Polimorfismo TOTAL Ejercicio Simulación Gráfico Diapositiva Texto narrativo Examen Resolución de problema Lectura La estructura del curso se ha organizado por tipos de recursos, es decir, se tiene una carpeta por cada tipo existente en el curso, y dentro de ella se colocaron los contenidos correspondientes a cada una de las temáticas. En la figura 21 se puede ver esta estructura. Figura 21. Estructura del curso de Conceptos Básicos de Programación Orientada a Objetos El curso de Clases y Objetos: Diseño y Programación fue elaborado con base en [LAB2007] que describe una metodología para la construcción de diseños instruccionales en la Universidad Industrial de Santander (UIS) 6, documento que fue desarrollado dentro del marco del proyecto ProSPETIC [PEN2008c], estos materiales se diseñaron, desarrollaron y revisaron por expertos temáticos, metodólogos, diseñadores y coordinadores tecnológicos, garantizando una alta calidad del material. Actualmente este material está siendo utilizado y probado en cursos de Ingeniería de Sistemas de esta universidad. De acuerdo con la figura 22, el curso está compuesto por tres elementos de aprendizaje (objetos, clases y relaciones entre objetos), los cuales son desagregados en 7 contenidos (ó temáticas) como se puede ver en la figura Universidad Industrial de Santander (UIS), 62

77 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE Figura 22. Curso de Clases y Objetos: Diseño y Programación Figura 23. Contenidos del curso de Clases y Objetos: Diseño y Programación El curso tiene 46 recursos de aprendizaje, entre los cuales se cuenta con: índices, lecturas, audios (texto narrativo), diapositivas, simulaciones, tablas y gráficos. El curso también con recursos como ejercicios, foros de discusión y chats que no se incluyen para el caso de prueba. En la tabla 20 se puede ver el número de recursos por temática en cada uno de los tipos. 63

78 CAROLINA MEJÍA CORREDOR Tabla 20. Tipos de recursos elaborados para del curso Clases y Objetos: Diseño y Programación TIPO DE RECURSO Introducción Clases y Objetos TEMÁTICAS Métodos Visibilidad Paso Eventos Diseño y Programación TOTAL Índices Lecturas Diapositivas Simulaciones Texto narrativo Gráficos Tablas La estructura del curso se presenta en la figura 24. Dentro del servidor de la universidad se ha creado una carpeta llamada objetos y dentro de esta se han incluido los diferentes cursos que se han elaborado organizados por el área de conocimiento e idioma en el cual se encuentra el material. Figura 24. Estructura del curso de Clases y Objetos: Diseño y Programación Finalmente, el curso de Investigación Educativa, cuenta con 5 unidades formativas como se muestra en la tabla

79 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE Tabla 21. Contenidos del curso del Investigación Educativa Asignatura: Investigación Educativa Unidad formativa 1 Evolución, concepto y fundamentos de la Investigación Educativa. Unidad formativa 2 El proceso general de investigación. Unidad formativa 3 Metodologías de investigación educativa de orientación cualitativa orientadas a la interpretación y a la comprensión. Unidad formativa 4 La estadística aplicada a la educación. Unidad formativa 5 Rigor Científico de una investigación educativa. El curso tiene 68 recursos de aprendizaje, entre los cuales se cuenta con: ejercicios, simulaciones, cuestionarios, índices, diapositivas, textos, experimentos y resolución de problemas. En la tabla 22 se puede ver el número de recursos por unidad formativa en cada uno de los tipos. Tabla 22. Tipos de recursos elaborados para del curso Investigación Educativa TIPO DE RECURSO Unidad formativa 1 Unidad formativa 2 TEMÁTICAS Unidad formativa 3 Unidad formativa 4 Unidad formativa 5 TOTAL Ejercicios Simulaciones Cuestionarios Índices Diapositivas Texto narrativo Experimentos Resolución de problemas La estructura del curso se ha organizado por unidad formativa, es decir, se tiene una carpeta por cada una de las 5 unidades formativas que forman el curso, y dentro de ellas se colocaron los tipos de recursos correspondientes. En la figura 25 se puede ver esta estructura. Figura 25. Estructura del curso Investigación Educativa 5.2 ETIQUETADO DE LOS RECURSOS Con los cursos ya organizados, en esta sección se desarrolla el etiquetado de cada uno de los recursos elaborados de acuerdo al estándar de la IEEE-LOM. 65

80 CAROLINA MEJÍA CORREDOR El proceso de etiquetado consiste en crear los metadatos para cada recurso, de esta manera se hacen interoperables preparándolos para que puedan ser accedidos por cualquier repositorio o herramienta que soporte estándares e-learning. No todos los metadatos fueron incluidos, solo aquellos más generales y los que se evaluaron que se podrían necesitar en el presente trabajo y en el contexto del proyecto ADAPTAPlan [ADAPTA]. En la tabla 23 se describen los metadatos que se han decidido utilizar para este caso de prueba. Tabla 23. Metadatos utilizados para el etiquetado de los cursos Categoría LOM Atributo Valor 1. General Identifier Title Language es, en Description Keyword Coverage Optional,Mandatory 4. Technical Format text (text); image (graphics); audio (sound); video (movies); application (multimedia) Other Platform Requirements multimedia, NoOne 5. Educational Learning Resource Type Resource Type, Exercise, Simulation, Questionnaire, Diagram, Figure, Graph, Index, Slide, Table, Narrative text, Exam, Experiment, Problem statement, Self assessment, Lecture. Semantic Density very low, low, medium, high, very high Difficulty very easy, easy, medium, difficult, very difficult Typical Learning Time minutes (solo el numero. i.e. 12, 60, 77, etc.) 7. Relations kind IsPartOf,IsBasedOn,Requires Resource 9. Classification Purpose Taxon Path Source Taxon Id Entry La definición de los metadatos consiste en elaborar un archivo XML por cada recurso elaborado, este archivo tiene unas etiquetas especiales de acuerdo al estándar. Elaborar y llenar estas etiquetas manualmente implica mucho tiempo y posibles errores humanos. Por consiguiente se decidió utilizar la herramienta Reload Editor [RELOED], la cual ofrece una interfaz gráfica que permite incluir todos los metadatos definidos en la tabla 23 rápidamente. En la figura 26 se presenta la interfaz gráfica del Reload Editor donde se ven los metadatos definidos para un tipo de recurso ejercicio del curso Conceptos Básicos de Programación Orientada a Objetos. 66

81 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE Figura 26. Metadato de un recurso ejercicio visto desde el Reload Editor 5.3 PUBLICACIÓN DE LOS RECURSOS Etiquetados los recursos, se procede a publicarlos en un repositorio de objetos de aprendizaje, para ello se seleccionó el software Fedora Commons, una herramienta de libre distribución, código abierto e interoperable, de potentes funcionalidades que permite la creación y manipulación de diferentes cursos. La selección de este software se hizo con base en el análisis y evaluación desarrollada en [LOP2006]. Después de instalada y configurada la herramienta cliente de Fedora Commons llamada fedoraadmin mostrada en la figura 27, se procede a crear cada uno de los recursos en el repositorio, generándose un objeto de aprendizaje por cada recurso. 67

82 CAROLINA MEJÍA CORREDOR Figura 27. Aplicación cliente del Repositorio de Objetos Fedora: fedoraadmin. En Fedora cada objeto puede tener asociados varios datastream que corresponden por lo general al metadato del objeto y a los archivos asociados a cada una de las versiones del recurso con que se desee contar. La metodología utilizada para la creación de cada uno de los objetos de aprendizaje fue la siguiente: 1. Se crea el objeto de aprendizaje: se crea un nuevo objeto de aprendizaje al que se le da un nombre y un identificador. 2. Datastream DC, un objeto de aprendizaje se crea con un Datastream por defecto, el DC, que corresponde al metadata. Se edita este Datastream para darle un nombre, definirle el tipo MIME, que será un text/xml e importarle el archivo xml que se creó en la sección anterior correspondiente al etiquetado. 3. Se crean los Datastream de cada versión del recurso: se crea un nuevo Datastream, se le da un identificador, un nombre, un grupo (metadata, contenido, contenido externo), una política de versionado y un tipo MIME. Finalmente se importa el recurso correspondiente al metadato definido en el ítem Se prueba la publicación del recurso y el metadato: se ingresa a la interfaz web que proporciona Fedora y se consulta el recurso con los identificadores del Datastream del recurso y del Datastream del metadato. En la figura 28 se presenta la interfaz web de Fedora Commons y en la figura 29 objetos de aprendizaje vistos desde esta interfaz web. 68

83 5 SELECCIÓN, PUBLICACIÓN Y ETIQUETADO DE LOS OBJETOS DE APRENDIZAJE Figura 28. Interfaz web del Repositorio de Objetos Fedora Figura 29. Curso de Clases y Objetos: Diseño y Programación en el Repositorio de Objetos Fedora 69

84 70 CAROLINA MEJÍA CORREDOR

85 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN En este capítulo se describe cómo se desarrolla el proceso de adaptación de contenidos en dotlrn [DOTLRN], es decir como la plataforma de agentes desarrollada con la ayuda de Agent Academy [AGENT-A] y los recursos disponibles en el repositorio de objetos de aprendizaje Fedora Commons [FEDORA] se incorporan dentro de un curso en este LMS. Es importante resaltar que las tecnologías y herramientas mencionadas en este capítulo, utilizadas para la implementación son descritas en el ANEXO C de este documento. 6.1 INTEGRACIÓN DE LA PLATAFORMA DE AGENTES Y DOTLRN Para describir el trabajo de integración entre la plataforma de agentes y dotlrn, se partirá del modelo mostrado en la figura 30. Figura 30. Modelo de integración de la plataforma de agentes y dotlrn El modelo de trabajo está conformado por dos grandes grupos de elementos, el primero (izquierda) que hace referencia a los componentes e interacción con la plataforma dotlrn y el segundo (derecha) a los componentes externos que serán integrados con dotlrn utilizando el servidor web Apache Tomcat [APACHE]. 6.2 CAPTURA DEL ESTILO DE APRENDIZAJE PAQUETE ILS En el grupo de elementos de la izquierda, correspondiente a dotlrn, se define el estilo de aprendizaje de un estudiante, para ello, se debe instalar en dotlrn el 71

86 CAROLINA MEJÍA CORREDOR paquete ILS [PAQ-ILS] que viene dentro de los paquetes de dotlrn. Este paquete crea un módulo dentro de dotlrn llamado Index of Learning Style, que presenta un formulario con las preguntas correspondientes para calcular el estilo de aprendizaje. En la figura 31 se presenta la interfaz gráfica de este formulario en dotlrn. Figura 31. Interfaz gráfica del paquete ILS en dotlrn Una vez completado este cuestionario, automáticamente se calcula el estilo de aprendizaje y se almacena en la base de datos de dotlrn, tal como se muestra en la figura 30, dando paso a la ejecución de los procedimientos creados que permiten entregar este estilo de aprendizaje a la plataforma de agentes para obtener el orden de preferencia de los recursos de aprendizaje, estos procedimientos fueron implementados dentro del paquete result-ils, que será presentado en la siguiente sección. 6.3 ENVÍO DEL ESTILO DE APRENDIZAJE A LA PLATAFORMA DE AGENTES PAQUETE RESULT-ILS Para crear el paquete result-ils (figura 33), se utilizó un asistente para el desarrollo de paquetes que trae incluido dotlrn, de manera que se logrará tener instalado y configurado el paquete a medida que se iba desarrollando, con el fin de ver el avance de la implementación del paquete. El producto de este asistente es la creación de una nueva carpeta dentro de la estructura de paquetes de dotlrn con el nombre que se le 72

87 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN haya especificado para identificar este nuevo paquete. La creación de esta carpeta, como se muestra en la figura 32, incluye también, la creación automática de una estructura de carpetas internas definida y de archivos de configuración necesarios. Figura 32. Estructura de carpetas del paquete result-ils El funcionamiento del paquete result-ils se muestra en la figura 33, este paquete obtiene el estilo de aprendizaje del usuario que completo el test de Felder usando el paquete ILS de dotlrn, para luego enviarlo a la plataforma de agentes por medio de una solicitud XML-RPC [XML-RPC], y obtener de la plataforma de agentes una respuesta XML-RPC con el orden de preferencia adecuado a ese estilo de aprendizaje. Este orden, tal como se muestra en la figura 33 es almacenado en la base de datos de dotlrn, de manera que quede disponible siempre que el usuario ingrese a la plataforma dotlrn. Figura 33. Paquete result-ils creado en la plataforma dotlrn Para la realización de la solicitud y recepción de la respuesta como se mencionó previamente, se utiliza el protocolo XML-RPC, el cual, permite el intercambio de mensajes entre diferentes tipos de sistemas, para este caso, lograr la comunicación entre dos sistemas con diferentes tecnologías, la plataforma dotlrn implementada con código TCL (Tool Command Language) y HTML, con la plataforma de agentes JADE implementada con JAVA. DotLRN tiene incluido dentro de sus paquetes, al igual que el paquete ILS, el paquete XML-RPC, el cual debe ser instalado en la plataforma. Este paquete es necesario para 73

88 CAROLINA MEJÍA CORREDOR el correcto funcionamiento de los procesos desarrollados en el paquete result-ils. La idea del paquete XML-RPC es implementar un cliente y un servidor del protocolo XML- RPC en dotlrn, con lo cual se logrará la comunicación de esta plataforma en TCL con la plataforma de agentes en JAVA. Para llevar a cabo las llamadas remotas se utiliza el procedimiento tcl remote_call del paquete XML-RPC, como se muestra en el ejemplo a continuación: set servicio servicio-clasificacion set lista [list $processing $perception $understanding $input] set respuesta [xmlrpc::remote_call AtenderPeticion.procesarPeticion string servicio=$servicio array $lista] En este ejemplo se define una variable llamada servicio que tendrá el valor de servicio-clasificacion, correspondiente al servicio que se quiere invocar para este caso. Tendrá una variable lista, la cual corresponde al estilo de aprendizaje que se ha obtenido y finalmente una variable llamada respuesta, la cual hace el llamado XML-RPC con los parámetros de: La dirección URL del sitio donde se encuentra la plataforma agentes (http://pack.udg.edu:8080/publicarservicios/publi). El método que necesita invocar en la plataforma de agentes (procesarpeticion de la clase AtenderPeticion). El servicio requerido. La lista con el estilo de aprendizaje. En la plataforma de agentes al igual que en la plataforma dotlrn, se debe implementar un cliente y un servidor del protocolo XML-RPC, para ello se deben incluir las librerías ya desarrolladas del XML-RPC en el servidor web Apache Tomcat y se crea un servlet 7 que permite ejecutarlas, logrando de esta manera la comunicación entre las dos plataformas. 6.4 RECEPCIÓN DE LAS SOLICITUDES Y RESPUESTAS DE LA PLATAFORMA DE AGENTES Esta sección concierne al grupo de elementos de la derecha de la figura 30, correspondiente a la plataforma de agentes y su integración en el servidor web Apache Tomcat. Inicialmente, la plataforma de agentes, como se describió en el capítulo 4 (figura 18) se creó funcionando únicamente bajo el entorno JADE, con dos agentes implementados: el Agente Solicitante y el Agente Clasificador, y tres comportamientos para estos agentes: el Comportamiento para la recepción de la solicitud, el Comportamiento para la generación de la respuesta y el 7 Servlet: es un pequeño programa JAVA del lado del servidor que ofrece funciones suplementarias al servidor. 74

89 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Comportamiento de clasificación, tal como se muestra en la figura 34, donde también se puede ver el nombre que se le dio a cada una de las clases implementadas. Figura 34. Agentes y comportamientos de la plataforma de agentes Para integrar esta plataforma de agentes (Figura 34) con Apache Tomcat y posteriormente con dotlrn, fue necesario implementar otras clases (agentes y comportamientos), tal como se muestra en la figura 35. Figura 35. Agentes y comportamientos de la plataforma de agentes integrada en el servidor web Apache Tomcat La clase Publicar Servicios hace referencia al servlet que implementa el protocolo XML-RPC en el servidor web Apache Tomcat. Esta clase permite configurar la plataforma de agentes para que atienda las solicitudes de elementos externos a ella, como es la plataforma dotlrn. Esta clase también se encarga de activar el Agente Comunicador dentro de la plataforma de agentes para que se responsabilice de recibir las peticiones que se le sean enviadas y responderlas comunicándose con el 75

90 CAROLINA MEJÍA CORREDOR agente respectivo (Agente Solicitante). A continuación se presenta parte del código java desarrollado para la clase Publicar Servicios : ObjectInputStream ois=new ObjectInputStream(new FileInputStream(WekaService.getModelName("Clasificar"))); J48 classifier_j48=(j48) ois.readobject(); protected Object getrequestprocessor(class pclass, XmlRpcRequest prequest) { Object result = null; try{ result = super.getrequestprocessor(pclass, prequest); ((AtenderPeticion)result).setAgenteComunicador(agenteComunicador); El Agente Comunicador se encarga de activar la comunicación de los agentes de la plataforma de agentes con los elementos externos. El objetivo de este agente es comunicarse con el Agente Solicitante para obtener la respuesta que se va a enviar a Publicar Servicios. Para el funcionamiento de este agente fue necesario implementar la clase Atender Petición, que se encarga de procesar las peticiones recibidas por el Agente Comunicador desde Publicar Servicios, para que puedan ser enviadas al Agente Solicitante y obtener una respuesta. El objetivo básicos de esta clase es preparar las solicitudes y respuestas para clase Publicar servicios que implementa el protocolo XML-RPC. A continuación se muestra parte del código java desarrollado para la clase Atender Petición. public List procesarpeticion(string servicio, List parametros) { Peticion p = new Peticion(servicio, new LinkedList (parametros)); Iterator it = parametros.iterator(); Finalmente, se creó un nuevo comportamiento para el agente solicitante al que se llamó Enviar respuesta de clasificación, este comportamiento se encarga de enviar la respuesta proporcionada por el Agente Clasificador al Agente Solicitante a la clase Atender Petición. La idea de este nuevo comportamiento es para no tener que modificar nada en la estructura de la plataforma de agentes creada inicialmente. A continuación se presenta parte del código java desarrollado para este comportamiento: ACLMessage respuesta = msg.createreply(); try{ respuesta.setcontentobject(((agentesolicitante)myagent).getrespuesta()); 6.5 INICIACIÓN DE LA PLATAFORMA DE AGENTES La plataforma de agentes inicia su ejecución cuando se arranca JADE junto con los agentes creados. Esto se hace por medio de unos scripts Shell8 8 Script Shell: son programas escritos con comandos UNIX, son equivalentes a los batch de DOS. 76

91 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN (ejecutar_plataforma.sh y runjade.sh) desarrollados para el sistema operativo Linux, que es el sistema que se utiliza en la implementación de este trabajo. A continuación se presenta la línea de código que permite arrancar la plataforma de agentes, implementada en el script runjade.sh: java -classpath $PATH_CLASSES jade.boot $1 $2 $3 $4 $5 $6 $7 $8 $9 La variable PATH_CLASSES, hace referencia a las clases y librerías que deben ser cargadas y las variables 1, 2, hasta 9 hacen referencia a los diferentes agentes que serán cargados, entre estos el Agente Solicitante, que al iniciarse la plataforma de agentes se registra con el Agente Páginas Amarillas, que es el agente encargado de identificar los diferentes servicios que proveerá el Agente Comunicador. El servicio que registra el Agente Solicitante es el servicio de clasificación. En la figura 36 se presentan estos elementos y su interacción. Figura 36. Registro del servicio de clasificación con el Agente Páginas Amarillas Estos scripts fueron incluidos en el arranque de la plataforma dotlrn, con el fin automatizar este proceso y no tener que arrancarlos de forma independiente. 6.6 CREACIÓN DE UN LEARNING DESIGN (LD) E INTEGRACIÓN CON LOS OBJETOS DE APRENDIZAJE Teniendo los recursos de aprendizaje etiquetados y publicados en el repositorio de objetos de aprendizaje Fedora Commons, se procede a elaborar el LD [IMS-LD] respectivo del curso, para ello se utiliza el software Reload LD editor [RELOLD], herramienta de código libre que permite crear el curso de acuerdo con la especificación del IMS-LD [IMS-LD]. En la figura 37, se presenta la interfaz gráfica del Reload LD Editor en el momento en el cual se va a crear un Learning Design (LD) para un curso determinado. 77

92 CAROLINA MEJÍA CORREDOR Figura 37. Interfaz gráfica del Reload LD Editor al crearse un nuevo LD Al crearse el LD, el experto temático (o quien genere el LD), puede definir el título del curso, el nivel del LD con el cual trabajará (A, B ó C), los objetivos del curso, prerrequisitos, los roles que intervendrán (estudiante, profesor, tutor, etc.), las actividades de aprendizaje, los recursos relacionados con estas actividades, entre otros. Es decir puede simular y diseñar un entorno muy parecido al que se vive en el aula de clase. Para este trabajo, como se mencionó anteriormente, se han elaborado LDs para dos cursos de la asignatura Programación Orientada a Objetos: Conceptos Básicos de Programación Orientada a Objetos y Clases y Objetos: Diseño y Programación, y un LD para la asignatura Investigación Educativa. En la figura 38 se muestra la zona del Reload LD Editor donde se crean las actividades de aprendizaje, las actividades de soporte y las estructuras de actividades. Definidas las actividades de aprendizaje se procede a definir los entornos de aprendizaje (environments), junto con los objetos de aprendizaje correspondientes a cada uno de estos entornos de aprendizaje. Es aquí donde se realiza la comunicación con el Repositorio de Objetos de Aprendizaje Fedora Commons. Los objetos de aprendizaje definidos en el LD son enlazados con los objetos de aprendizaje del repositorio Fedora, tal como se muestra en la figura

93 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Figura 38. Interfaz gráfica del Reload LD Editor donde se crean las actividades de aprendizaje para el LD Figura 39. Interfaz gráfica del Reload LD Editor donde se enlazan los objetos de aprendizaje del repositorio Fedora en el LD En la figura 40 se muestran partes del archivo XML obtenido, señalando las secciones que se definieron: 79

94 CAROLINA MEJÍA CORREDOR Los roles participantes, estudiante y profesor. Las actividades de aprendizaje. Las estructuras de actividades. Los entornos y objetos de aprendizaje. El método, play y actos que se ejecutarán. Los recursos de aprendizaje. Figura 40. Estructura del archivo XML que representa el LD del curso Clases y Objetos: Diseño y Programación 80

95 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN 6.7 GENERACIÓN DE LAS CONDICIONES DE LAS PREFERENCIAS DE APRENDIZAJE EN EL LD Después de que se han creado los cursos utilizando el Reload LD Editor, se procede a implementar dentro del archivo XML las condiciones que permiten personalizar el LD de acuerdo con las preferencias por los tipos de recursos de aprendizaje. Para lograr esto, tal como se explicó en [MEJ2009] el archivo XML es sometido a un Agente Adaptador que se encarga de preparar el LD para que soporte los 16 tipos posibles de preferencias de aprendizaje. Los 16 tipos de preferencias se dan por las diferentes combinaciones que se pueden hacer de los estilos de aprendizaje. Como se explicó en el capítulo 2, la especificación IMS-LD nivel B permite crear diferentes tipos de condiciones en el LD con el fin de ofrecer características de personalización en los LMSs. En la figura 41 se presenta el modelo de implementación realizado para generar las condiciones necesarias en el LD con el fin de lograr la adaptación de los recursos de aprendizaje de acuerdo con las preferencias de los estudiantes. Figura 41. Modelo de implementación del Agente Adaptador de la preferencia En el modelo de la figura 41 se presenta el Agente Adaptador, que tiene como entrada el LD generado por el Reload LD Editor, y como salida un LD adaptado a las diferentes preferencias de aprendizaje. El Agente Adaptador presenta tres comportamientos: El comportamiento para recepción del LD, el cual se encarga de leer el LD que se va a adaptar desde la ruta que se le especifique. El comportamiento para la adaptación de LD, el cual se encarga de identificar los diferentes entornos (environment en el archivo XML) y de generar y organizar los demás entornos (environment), actividades de aprendizaje y estructuras de actividades de acuerdo con las diferentes preferencias definidas. 81

96 CAROLINA MEJÍA CORREDOR El comportamiento para la entrega del LD adaptado, el cual se encarga de reemplazar el LD inicial en la ruta especificada por este nuevo LD adaptado, generando una copia de respaldo del anterior LD. El Agente Adaptador realiza el ordenamiento de los recursos basándose en la generación de nuevos entornos de aprendizaje y estructuras de actividades que se implementan para cada preferencia de aprendizaje. Esto se debe a que en el entorno es donde se encuentran los objetos de aprendizaje que se necesitan ordenar y las estructuras de actividades permiten organizar en grupos por preferencia de aprendizaje los entornos creados, facilitando la entrega a los estudiantes. Cuando el LD es capturado por el Agente Adaptador, lo primero que se hace es crear una propiedad personal llamada preferencia con un valor inicial de 1, correspondiente a la preferencia 1 de aprendizaje. Este valor de la preferencia cambiará por el valor que tenga el usuario en sesión en la base de datos de la plataforma dotlrn cuando ingrese al LD. En la figura 42 se presenta la estructura XML que se adiciona para esto. Figura 42. Estructura XML que implementa la propiedad preferencia en el LD Después de creada la propiedad, el Agente Adaptador genera los diferentes entornos de aprendizaje de acuerdo con los 16 tipos de preferencia de aprendizaje, al igual que las respectivas estructuras de actividades. En la figura 43 se presenta parte del archivo XML donde se generan los entornos. 82

97 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Figura 43. Estructura XML que implementa los entornos para cada preferencia de aprendizaje en el LD Con las estructuras de actividades ya definidas, el Agente Adaptador crea las condiciones. En la figura 44 se presenta parte del código XML generado. 83

98 CAROLINA MEJÍA CORREDOR Figura 44. Estructura XML que implementa las condiciones para cada preferencia de aprendizaje en el LD Finalmente el Agente Adaptador entrega el LD adaptado. En la figura 45 se puede observar como lucen los diferentes entornos de aprendizaje en el Reload LD editor después de que el LD es sometido al Agente Adaptador. Después de que el LD ha sido adaptado, se genera el empaquetamiento de contenidos (CP) [IMS-CP] que será llevado a la plataforma dotlrn. En la figura 46 se observa la interfaz gráfica ofrecida por el Reload LD Editor para generar este empaquetamiento de contenidos. 84

99 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Figura 45. Interfaz gráfica del Reload LD Editor donde se enlazan los objetos de aprendizaje del repositorio Fedora en el LD Figura 46. Interfaz gráfica del Reload LD Editor donde se crea el paquete de contenidos 85

100 CAROLINA MEJÍA CORREDOR 6.8 INTEGRACIÓN DEL LD ADAPTADO EN LA PLATAFORMA DOTLRN El empaquetamiento de contenidos [IMS-CP] como se mencionó en el capítulo 2 se encarga de describir y empaquetar el material de aprendizaje para que pueda ser llevado a un LMS que soporte estándares de e-learning. Este empaquetamiento se realiza en un archivo con extensión.zip, este archivo contiene el archivo imsmanifest.xml con la estructura del curso y el LD que se ha desarrollado incluido. Para incluir este empaquetamiento de contenidos en dotlrn y generar el curso, es necesario instalar el paquete IMS LD [PAQ-LD] para dotlrn, que permite utilizar unidades de aprendizaje IMS Learning Design conforme a los niveles A y B de la especificación. Después de que el paquete ha sido instalado y configurado en la plataforma dotlrn, se presenta una interfaz al profesor que le permite cargar el empaquetamiento de contenidos, en la figura 47 se presenta esta interfaz gráfica. Figura 47. Interfaz gráfica de dotlrn donde se importa un curso bajo la especificación IMS-LD Cuando el curso ha sido cargado en la plataforma dotlrn, queda a disposición de los estudiantes que han sido registrados en ese curso. Entonces, en el momento en el que el estudiante ingresa a la plataforma, y selecciona el curso (parte superior del la figura 48), se le presenta la interfaz que permite seleccionar la unidad de aprendizaje cargada (parte inferior de la figura 48). Es entonces cuando se puede ver la unidad de aprendizaje implementada con el proceso de adaptación de contenidos propuesto, donde se muestran los recursos ordenados de acuerdo a la preferencia del usuario. En la figura 49 se presenta la interfaz gráfica del curso en la plataforma dotlrn. 86

101 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Figura 48. Interfaz gráfica de dotlrn donde se presenta a los estudiantes el curso generado bajo la especificación IMS-LD Figura 49. Interfaz gráfica de dotlrn donde se presenta a los estudiantes el curso generado bajo la especificación IMS-LD 87

102 CAROLINA MEJÍA CORREDOR 6.9 INTEGRACIÓN DEL LIP DEL USUARIO EN EL PROCESO DE ADAPTACIÓN Finalmente, en esta sección se describe la manera como se integran el LIP del usuario en el proceso de adaptación de contenidos propuesto [MEJ2009]. Actualmente, el modelo de usuario que se ha venido generando en trabajos como [VEL2007], [BAL2007b], [MAN2008] y [HUE2008], está siendo almacenado y mantenido en el servidor de LIPs desarrollado en [CUA2008]. Servidor que es accedido por medio de servicios web, específicamente el protocolo SOAP [SOAP]. La idea de este servidor, es poder mantener la información del usuario según la especificación IMS-LIP en archivos XML que puedan ser intercambiados entre diferentes LMS. Por consiguiente la información del usuario se mantiene en dos sitios, en la base de datos de dotlrn y en archivos XML en el servidor de LIPs. De acuerdo con [CUA2008], cuando un usuario es registrado en la plataforma dotlrn, inmediatamente, también es creado en el servidor de LIPs. Para establecer esta comunicación entre dotlrn y el servidor de LIPs es necesario instalar el paquete oxsoap para dotlrn desarrollado en [SOB2006] que implementa el protocolo SOAP en esta plataforma. Cuando se obtienen los resultados del test de Felder, estos son almacenados en la base de datos de dotlrn como se mencionó anteriormente y en el servidor de LIPs como una actualización al archivo XML que ha sido creado previamente en el registro del usuario. En la figura 50 se presenta un esquema del modelo de usuario desarrollado en este trabajo integrado con el servidor de LIPs. Figura 50. Modelo de usuario integrado con el servidor de LIPs En el servidor de LIPs, cada estudiante tiene su propio archivo XML almancenado. En la tabla 24 se muestra como el estilo de aprendizaje de un estudiante Reflexivo, Sensitivo, Visual y Secuencial es almacenado de acuerdo con la especificación IMS- LIP. En esta tabla también se presenta como sería almacenada la preferencia de aprendizaje para este estudiante. El IMS-LIP cuenta dentro de su estructura con una etiqueta llamada preference, es aquí donde se propone sea almacenado el estilo de aprendizaje y el valor de la preferencia del estudiante. 88

103 6 PROCESO DE ADAPTACIÓN DE CONTENIDOS EN DOTLRN Tabla 24. Estilo de aprendizaje en la especificación IMS-LIP IMS-LIP <accessibility> <preference> <typename> <tyvalue> Learner_Style_Processing </tyvalue> </typename> <prefcode>reflective</prefcode> </preference> <preference> <typename> <tyvalue>learner_style_perception</tyvalue> </typename> <prefcode>sensitive</prefcode> </preference> <preference> <typename> <tyvalue>learner_style_input</tyvalue> </typename> <prefcode>visual</prefcode> </preference> <preference> <typename> <tyvalue>learner_style_understanding</tyvalue> </typename> <prefcode>sequential</prefcode> </preference> <preference> <typename> <tyvalue>learning_preference</tyvalue> </typename> <prefcode>7</prefcode> </preference> </accessibility> 89

104 90 CAROLINA MEJÍA CORREDOR

105 7 RESULTADOS En esta parte del documento se presentan los resultados logrados en este trabajo tanto en el proceso de implementación de la propuesta de adaptación planteada como a nivel de pruebas realizadas con estudiantes reales. 7.1 RESULTADOS A NIVEL DE ADAPTACIÓN Los resultados de adaptación consisten en la generación de IMS-LD ajustados a las características de usuario. Esta adaptación, como se mencionó previamente es desarrollada por medio de un agente adaptador, que consiste en un sistema que genera las reglas de adaptación usando mecanismos de condicionamiento de la especificación IMS-LD para mostrar u ocultar los contenidos dados dependiendo de los valores establecidos en las propiedades globales del usuario. Se lograron tres escenarios funcionando en dotlrn correspondientes a los cursos de Conceptos Básicos de Programación Orientada a Objetos [MOR2003], Clases y Objetos: Diseño y Programación [MAR2008] e Investigación Educativa asignatura de la escuela de educación de la UdG. En la figura 51 se presentan algunas interfaces gráficas correspondientes al curso de Conceptos Básicos de Programación Orientada a Objetos para un estudiante con las características mostradas en la tabla 25, correspondiente a una preferencia de aprendizaje 1. Tabla 25. Preferencia de aprendizaje de un estudiante con estilo de aprendizaje Activo, Intuitivo, Secuencial y Visual Estilo de aprendizaje Preferencia de aprendizaje Activo, Intuitivo, Secuencial, Visual Muy buena = Experimento Buena = Ejercicios, Simulaciones, Cuestionarios, Diagramas, Figuras, Gráficos, Diapositivas, Tablas, Texto Narrativo, Exámenes, Resolución de problemas, Autoevaluaciones, Lecturas. Indiferente = Índices. 91

106 CAROLINA MEJÍA CORREDOR Figura 51. Escenario del curso de Conceptos Básicos de Programación Orientada a Objetos En la figura 52 se presentan algunas interfaces gráficas correspondientes al curso de Clases y Objetos: Diseño y Programación para un estudiante con las características mostradas en la tabla 26, correspondiente a una preferencia de aprendizaje 3. Tabla 26. Preferencia de aprendizaje de un estudiante con estilo de aprendizaje Activo, Intuitivo, Global y Visual Estilo de aprendizaje Preferencia de aprendizaje Activo, Intuitivo, Global y Visual Muy buena = Experimento. Buena = Ejercicios, Simulaciones, Diagramas, Figuras, Gráficos, Índices, Diapositivas, Tablas, Texto Narrativo, Resolución de problemas, Lecturas. Indiferente = Cuestionarios, Exámenes, Autoevaluaciones 92

107 7 RESULTADOS Figura 52. Escenario del curso de Clases y Objetos: Diseño y Programación En la figura 53 se presentan algunas interfaces gráficas correspondientes al curso de Investigación Educativa para un estudiante con las características mostradas en la tabla 27, correspondiente a una preferencia de aprendizaje 5. Tabla 27. Preferencia de aprendizaje de un estudiante con estilo de aprendizaje Reflexivo, Intuitivo, Secuencial y Visual Estilo de aprendizaje Reflexivo, Intuitivo, Secuencial y Visual Preferencia de aprendizaje Buena = Ejercicios, Simulaciones, Diagramas, Figuras, Gráficos, Diapositivas, Tablas, Texto Narrativo, Experimento, Resolución de problemas, Lecturas Indiferente = Cuestionarios, Índices, Exámenes, Autoevaluaciones 93

108 CAROLINA MEJÍA CORREDOR Figura 53. Escenario del curso de Investigación Educativa La unidad de aprendizaje lograda para el curso Investigación Educativa ha sido incluida dentro del curso para la asignatura de Investigación Educativa de la Escuela de Educación de la UdG, los estudiantes han estado utilizándola, y se esperan obtener algunos resultados de su uso finalizando el periodo académico. Por otro lado, se espera que la unidad de aprendizaje para el curso Clases y Objetos: Diseño y Programación sea incluida en la plataforma e-learning de la UIS dentro de la asignatura Programación Orientada a Objetos del programa de Ingeniería de Sistemas de esta universidad. 7.2 RESULTADOS A NIVEL DE PRUEBAS Para validar el alcance de este trabajo y otros como [BAL2007b], [MAN2008] y [HUE2008] se realizó un experimento en la UdG. Este experimento empezó en el periodo académico y está dividido en tres periodos, cada uno correspondiendo a un año académico en la UdG. Los contenidos, las competencias y las evaluaciones fueron las mismas en los tres años consecutivos. Sin embargo, en cada año, se adhirieron algunos soportes tecnológicos e investigativos para el curso, como es el caso de este trabajo el cual se consideró en el periodo En el primer año ( ) el curso era totalmente presencial, en el segundo año ( ) el curso fue soportado por un LMS, la plataforma dotlrn [DOTLRN] y en este año ( ) se han introducido diferentes procesos de adaptación, entre 94

109 7 RESULTADOS ellos la adaptación de la preferencia de los tipos de recursos basada en el estilo de aprendizaje del estudiante. El experimento se realizó dentro de la asignatura Investigación Educativa, asignatura de pregrado con 6 créditos (3 teóricos y 3 prácticos). La tabla 28 muestra información relevante sobre los cursos durante los tres años. Tabla 28. Información de los cursos para cada año académico N de estudiantes N responsables 1 profesor 1 profesor y 1 tutor 1 profesor y 1 tutor Duración del curso 4 meses 4 meses 4 meses Tipo Presencial Mixto (85% presencial) Mixto (70% presencial) Como se observa en la tabla 28, en el primer año las clases eran todas presenciales, en el segundo año el tiempo de las clases presenciales fue reducido en un 15% y se tenía un tutor para soportar y guiar el trabajo del LMS que se incluyó, y en el año actual, las clases presenciales fueron reducidas en un 30% con respecto al primer año, también soportadas tecnológicamente por un tutor. Además, los tipos de formato en los cuales han sido presentados los contenidos también se han cambiado de un año a otro (aunque el contenido sigue siendo el mismo), en la tabla 26 se resumen los cambios realizados. Tabla 29. Estrategias didácticas en los periodos comprendidos entre el 2006 al Contenidos 7 contenidos 7 archivos PDF 7 archivos PDF elaborados en papel almacenados en almacenados en el a mano. dotlrn. repositorio de objetos Fedora [FEDORA], caracterizados y enlazados a un IMS- LD [IMS-LD]. Autoevaluaciones Ninguna. 3 autoevaluaciones Los mismas 3 en IMS-QTI [IMS-QTI] autoevaluaciones en que evalúan los IMS-QTI, pero contenidos anteriores. enlazadas al IMS-LD. Actividades En un laboratorio de 8 videos que simulan Los mismos 8 videos prácticas la UdG. las prácticas a pero enlazados en el realizar. IMS.LD. Soporte de trabajo Ninguno. Foros de discusión y Los mismos, pero el colaborativo almacenamiento de profesor puede archivos que permite ofrecer compartir contribuciones entre estudiantes y profesores. Análisis de la interacciones y el nivel del trabajo colaborativo utilizando técnicas de aprendizaje recomendaciones a los estudiantes de acuerdo a su nivel de colaboración [MAN2008]. 95

110 CAROLINA MEJÍA CORREDOR autormático [MAN2008]. Modelo de usuario Ninguno. Los usuarios llenan el Los usuarios llenan el Adaptación dispositivo Orientación del cuestionario de cuestionario de estilos de estilos de aprendizaje aprendizaje, pero no se ofrecen materiales de acuerdo al estilo y sus preferencias se tienen en cuenta para ofrecer el formato de particular de contenido adecuado aprendizaje. [MEJ2009]. Ninguna. Ninguna. Se tienen en cuenta las capacidades del dispositivo para ofrecer el formato de contenido adecuado o modificarlo de Por el profesor en las sesiones presenciales. Por el profesor en las sesiones presenciales. acuerdo con el dispositivo de acceso [HUE2008]. Por un sistema recomendador que considera estilos de aprendizaje, nivel de competencia, preferencias de accesibilidad y capacidades del dispositivo [SAN2009] Para evaluar los resultados, se combinan diferentes métodos como son: cuestionarios, entrevistas y datos históricos (logs que genera el sistema) generándose de esta forma información cualitativa y cuantitativa. Según [VAN2008], estos métodos son considerados como buenas prácticas para la evaluación de sistemas adaptativos. Al evaluar los resultados de la aplicación del ILS, se encontró: De los estudiantes del primer año ( ) no se tiene información debido a que no llenaron el cuestionario ILS. De los estudiantes del segundo año ( ) se obtuvieron resultados de 15 de los 19 estudiantes matriculados, utilizando el paquete ILS de dotlrn, los resultados se presentan en la tabla 30. Estos resultados sugieren que los estudiantes son en general sensitivos, visuales, globales y activos. De los estudiantes del año actual ( ) se obtuvieron resultados de 17 de los 19 estudiantes matriculados, los resultados se presentan en la tabla 31. En este caso, se encuentra nuevamente que los estudiantes son en general sensitivos, visuales, globales y activos. 96

111 7 RESULTADOS Tabla 30. Resultados del cuestionario ILS para el periodo DESCRIPCIÓN DE LAS DIMENSIONES DE FELDER Percepción 77,8% sensitivos 22,2% intuitivos Entrada 72,2% visuales 27,8% verbales Entendimiento 67,7% globales 33,3% secuenciales Procesamiento 88,9% activos 11,1% reflexivos Tabla 31. Resultados del cuestionario ILS para el periodo DESCRIPCIÓN DE LAS DIMENSIONES DE FELDER Percepción 88,2% sensitivos 11,8% intuitivos Entrada 58,8 visuales 41,2 verbales Entendimiento 52,9 globales 47,1 secuenciales Procesamiento 82,3 activos 17,7% reflexivos Dados estos resultados, se sugiere al profesor hacer más énfasis en el diseño y creación de materiales con base en este tipo de estudiantes, debido a que se encontró durante los dos periodos estudiantes con estilos de aprendizaje similares, dando a pensar que son los estilos de aprendizaje promedio de los estudiantes que se matriculan en esta asignatura. Aparte de los datos cuantitativos presentados en las tablas anteriores, también se reunieron algunos comentarios, tanto de los estudiantes como del profesor y tutor del curso. Estos comentarios se obtuvieron mediante entrevistas y cuestionarios de satisfacción para validar la calidad del proceso de aprendizaje y el impacto a los usuarios. El profesor encontró útil la posibilidad de conocer el estilo de aprendizaje de sus estudiantes, porque de esta forma puede proporcionar recursos de aprendizaje adaptados a esos estilos de aprendizaje. Además considera que se puede aumentar la autonomía del estudiante. Sin embargo, encontró incómoda la producción de los recursos de aprendizaje al tener que hacerle la caracterización con los metadatos a cada recurso, debido a que tomaba mucho esfuerzo adicional. Pero está de acuerdo en que este esfuerzo puede aumentar la reutilización del material. El tutor del curso expresó algunas dificultades en el uso de la plataforma de aprendizaje, especialmente cuando los estudiantes estaban interactuando con algunos paquetes de dotlrn. En ocasiones los estudiantes no encontraron enlaces de interés en la plataforma, sin embargo, demostraron interés al encontrar diferentes tipos de recursos disponibles. 97

112 98 CAROLINA MEJÍA CORREDOR

113 8 COLABORACIÓN CON EL DESARROLLO DEL PROYECTO ADAPTAPLAN Y EL PROYECTO En este capítulo se presenta como este trabajo aportó en el desarrollo del proyecto ADAPTAPlan [ADAPTA] y cómo podría aportar en el proyecto [A2UNA], presentándose como un valor agregado importante en este trabajo de investigación. 8.1 PROYECTO ADAPTAPLAN (TIN C06-03) Uno de los principales problemas a la hora de desarrollar cursos adaptados basados en estándares educativos es la dificultad que conlleva su diseño. Esta complejidad se acentúa al construir escenarios de aprendizaje con diferentes capacidades de adaptación, ya que hay que incluir en el diseño del curso los enganches necesarios para el modelado dinámico. De esta forma, se puede abordar el proceso de aprendizaje en todo su ciclo de vida: diseño, publicación, uso y realimentación [ROS2004]. Este enfoque se llevó a cabo en el proyecto alfanet [ALFANET, BOT2007b], en donde se construyó una plataforma abierta basada en estándares educativos. Concretamente, integrando los siguientes estándares de la familia IMS [IMS]: IMS Learning Design (IMS-LD) [IMS-LD], IMS Content Packaging (IMS-CP) [IMS-CP], IMS Question and Test Interoperability (IMS-QTI) [IMS-QTI], IMS Learning Information Package (IMS-LIP) [IMS-LIP] e IMS Metadata (IMS-MD) [IMS-MD]. Las evaluaciones realizadas en alfanet con diversos tipos de estudiantes resaltaron que el cuello de botella estaba en la fase de autoría, es decir, en el diseño del curso. Los autores de los cursos perciben el diseño basado en IMS-LD como una tarea compleja debido principalmente a dos razones [BOT2007a]: La dificultad de controlar las interacciones para poder montar el flujo del curso condicionado a las diferentes opciones de adaptación. El estado de desarrollo de las herramientas de autor, muy cercanas aún a las especificaciones que implementan. Por esta razón, teniendo en cuenta la experiencia de alfanet, se trabajó en un nuevo enfoque dentro del proyecto ADAPTAPlan. Este enfoque se centró en generar dinámicamente, con ayuda de técnicas de modelado de estudiante, planificación y aprendizaje automático, plantillas con diseños instruccionales. En ADAPTAPlan se ha relajado la carga de trabajo del autor del curso mediante la definición de un conjunto reducido de información que el autor debe proporcionar de cara a construir el diseño del curso de forma automática con ayuda de planificadores como los descritos en [CAT2007]. Así, el autor no necesita pensar en todas las posibles rutas de aprendizaje para cada estudiante, que pueden variar bastante en función de sus interacciones y características, con lo que esto supone en cuanto a su variedad y posible evolución en el tiempo. El docente puede centrarse en proporcionar información sobre la estructura del curso y la caracterización de los materiales, lo cual está dentro del ámbito asumido de sus competencias. 99

114 CAROLINA MEJÍA CORREDOR Para realizar esta tarea de adaptación se diseñó un modelo de usuario basado en tres características de usuario, como son sus competencias (colaborativas y específicas), el estilo de aprendizaje y el contexto de interacción del usuario con el sistema. Un esquema general del modelo se muestra en la figura 54. Figura 54. Modelo de usuario del ADAPTAPlan El enfoque del ADAPTAPlan se basó principalmente en las siguientes consideraciones: La integración de estándares y especificaciones tecnológicas para facilitar la interoperabilidad entre plataformas. Especialmente se usó la familia IMS, IMS Learning Design (IMS-LD), IMS Content Packaging (IMS-CP), IMS Question and Test Interoperability (IMS-QTI), IMS Learning Information Profile (IMS-LIP) e IMS Metadata (IMS-MD), IMS Reusable definition of Competences. El uso de técnicas de aprendizaje automático para actualizar la representación que el sistema tiene en cada momento del usuario o el modelo de usuario. El uso de técnicas de planificación automática que permite generar un plan o diseño instruccional (IMS Learning Design) ajustado a las características de usuarios particulares representadas en el modelo de usuario. La implementación de los procesos de adaptación como agentes inteligentes que colaboran en el desarrollo de la tarea de adaptación. Teniendo en cuenta estas consideraciones se realizó el planteamiento presentado en la figura

115 8 COLABORACIÓN CON EL DESARROLLO DEL PROYECTO ADAPTAPLAN Y EL PROYECTO Figura 55. Esquema general del proyecto ADAPTAPlan En este planteamiento se pueden identificar tres elementos principalmente: Las fuentes de datos a partir de las cuales se infiere o recupera la información necesaria para realizar la tarea de adaptación. Estas fuentes de datos pueden ser de dos tipos, acerca del usuario, y acerca de los elementos vinculados al proceso educativo. Los procesos llamados adaptadores, que pueden ser de dos tipos, Adaptadores Secundarios (Adaptador del contexto, Adaptador del estilo de aprendizaje, etc.) que colaboran en la obtención de atributos particulares del modelo de usuario y en la recuperación e inferencia de información adicional que conjuntamente serán el insumo del proceso de Adaptador Principal. Este último es quien genera el diseño instruccional ajustado a un usuario particular. Y la entrega del diseño generado, la cual se realiza a través de un player especifico de IMS-LD implementado en la plataforma dotlrn. En la siguiente sección se define como se integran en ADAPTAPlan los diferentes componentes software que conforman el esquema presentado en la figura

116 CAROLINA MEJÍA CORREDOR 8.2 INTEGRACIÓN DEL PROCESO DE ADAPTACIÓN EN EL ADAPTAPLAN Algunos de los componentes software vinculados en el esquema de la figura 51 incluido este trabajo corresponden a piezas software desarrollados en el leguaje java, otros son paquetes de la plataforma dotlrn desarrollados en tcl, entre otros. Por lo cual se ha diseñado un mecanismo de comunicación basado en servicios web que garantice la comunicación entre los diferentes elementos del esquema que ameriten ser comunicados. En particular, la figura 52 permite comprender como es el mecanismo de comunicación entre los procesos de los adaptadores secundarios y el adaptador principal u otras plataformas como la plataforma dotlrn. Figura 56. Mecanismo de comunicación utilizado en el proyecto el ADAPTAPlan El mecanismo planteado en la figura 52 funciona de la siguiente manera: Los agentes adaptadores secundarios (entre ellos el Agente Solicitante de este trabajo), se comunican con un agente llamado Agente Páginas Amarillas, el cual contiene todas las especificaciones de cada agente (directorio de agentes), conoce exactamente lo que hace ese agente y que debe hacer con él (que mensajes enviar). El Agente Páginas Amarillas, cuando descubre qué agente se está comunicando con él y conoce su información, le envía un mensaje al Agente Comunicador, este agente a su vez se encarga de iniciar la comunicación por medio del servidor web Apache Tomcat con el Adaptador Principal ó con la plataforma dotlrn, utilizando para ello el protocolo XML-RPC. 102

117 8 COLABORACIÓN CON EL DESARROLLO DEL PROYECTO ADAPTAPLAN Y EL PROYECTO Para el caso específico de este trabajo, se generan dos resultados para el ADAPTAPlan: 1. El orden de los recursos preferidos por un estudiante, con base en un determinado perfil de aprendizaje, en este caso como se ve en la figura 57, la comunicación sería con el Adaptador Principal, el cual utiliza esta información para generar el IMS-LD. 2. Unos casos de prueba en la plataforma dotlrn que pueden ser utilizados en el contexto de este proyecto, que permiten mostrar cursos con todos los recursos ordenados de acuerdo al perfil de aprendizaje del usuario que ingresa a la plataforma. Dentro del desarrollo del ADAPTAPlan este trabajo es presentado como se muestra en la figura 53, donde se plantea únicamente la comunicación con el Adaptador Principal [HUE2009]. Figura 57. Estructura del proceso de adaptatividad en el proyecto ADAPTAPlan 8.3 PROYECTO (TIN C04-02/TSI) El proyecto (Accessibility and Adaptation for ALL in Higher Education), tiene como objetivo general el aprendizaje personalizado, la adaptación de procesos y la especificación de las necesidades debido al incremento del número de aprendices adultos dentro del paradigma LLL (Life Long Learning). busca dar soporte a campos de investigación que se han venido trabajando en los últimos años (accesibilidad y adaptación de contenidos, estándares de accesibilidad del software, 103

Estándares y especificaciones de e-learning. Centro Internacional de Tecnologías Avanzadas Fundación Germán Sánchez Ruipérez

Estándares y especificaciones de e-learning. Centro Internacional de Tecnologías Avanzadas Fundación Germán Sánchez Ruipérez Estándares y especificaciones de e-learning. Centro Internacional de Tecnologías Avanzadas Fundación Germán Sánchez Ruipérez 1. Título Estándares y especificaciones de e-learning Este curso está reconocido

Más detalles

ESTÁNDARES Y ESPECIFICACIONES DE E-LEARNING

ESTÁNDARES Y ESPECIFICACIONES DE E-LEARNING ESTÁNDARES Y ESPECIFICACIONES DE E-LEARNING Autor/Tutor: Miguel Ángel Conde González 1. Título: Estándares y especificaciones de e-learning 2. Descripción: Las aplicaciones educativas han evolucionado

Más detalles

O jeto de apre r ndizaje

O jeto de apre r ndizaje Herramientas de Gestión para Objetos de Aprendizaje. Plataforma AGORA Victor Hugo Menéndez Domínguez Universidad Autónoma de Yucatán, México :: mdoming@uady.mx Manuel Emilio Prieto Méndez Universidad de

Más detalles

Evaluación Plataforma Educativa. Por. Ángela Maria Valderrama David Herney Bernal. Universidad de Antioquia. Julio - Octubre de 2004

Evaluación Plataforma Educativa. Por. Ángela Maria Valderrama David Herney Bernal. Universidad de Antioquia. Julio - Octubre de 2004 Evaluación Plataforma Educativa Por Ángela Maria Valderrama David Herney Bernal Julio - Octubre de 2004 Página 1 de 24 Introducción Somos conscientes de que parte de las exigencias de la sociedad actual

Más detalles

Ayuntamiento. contenidos y. II Simposio itest, Aranjuez, 6/4/2011

Ayuntamiento. contenidos y. II Simposio itest, Aranjuez, 6/4/2011 Ayuntamiento de Aranjuez educativas, estandarización y licencias de contenidos y herramientas Departamento de Ingeniería del Software e Inteligencia Artificial Universidad Complutense de Madrid Iván Martínez

Más detalles

T7 E-LEARNING y B-LEARNING

T7 E-LEARNING y B-LEARNING LECTURAS OBLIGATORIAS Pérez, A. (2006). Internet aplicado a la educación: aspectos técnicos y comunicativos. Las plataformas. En Cabero, J. (2006). Nuevos tecnologías aplicadas a la educación. Madrid.

Más detalles

Objetos de aprendizaje, introducción y características.

Objetos de aprendizaje, introducción y características. Objetos de aprendizaje, introducción y características. Contenido CONTENIDO... 1 INTRODUCCIÓN... 2 QUÉ ES UN OBJETO DE APRENDIZAJE?... 3 ESTRUCTURA DE LOS OA... 4 FUNCIONAMIENTO DE LOS OA... 6 BENEFICIOS

Más detalles

Objetos de Aprendizaje

Objetos de Aprendizaje e Objetos de Aprendizaje María de los Ángeles Serrano Islas Instituto Latinoamericano de la Comunicación Educativa Red Escolar tayassu@hotmail.com Resumen: Se efectuará una breve aproximación acerca de

Más detalles

Implementación de un Estudio de Caso usando Objetos de Aprendizaje (OA) para determinar la interoperabilidad entre diferentes plataformas E-Learning

Implementación de un Estudio de Caso usando Objetos de Aprendizaje (OA) para determinar la interoperabilidad entre diferentes plataformas E-Learning Implementación de un Estudio de Caso usando Objetos de Aprendizaje (OA) para determinar la interoperabilidad entre diferentes plataformas E-Learning Iva Angelina Stephens, Natalia Foronda, John Trujillo

Más detalles

Madrid, 20 de Noviembre de 2007. Las TIC en el futuro de la Educación: una visión de la industria

Madrid, 20 de Noviembre de 2007. Las TIC en el futuro de la Educación: una visión de la industria Madrid, 20 de Noviembre de 2007 Las TIC en el futuro de la Educación: una visión de la industria Índice 01 Situación actual 02 La estandarización como factor clave de éxito 03 Estrategias y prioridades

Más detalles

Un prototipo de sistema administrador de aprendizaje en línea

Un prototipo de sistema administrador de aprendizaje en línea Un prototipo de sistema administrador de aprendizaje en línea Área de Conocimiento: Educación a Distancia Alma Rosa García Gaona 1 y Patricia de la Luz Carrión Méndez 2 1 y 2 Universidad Veracruzana -

Más detalles

Creación de objetos de aprendizaje y construcción de secuencias didácticas

Creación de objetos de aprendizaje y construcción de secuencias didácticas Creación de objetos de aprendizaje y construcción de secuencias didácticas Autores y Tutores: Miguel Ángel Conde González 1. Título: Creación de objetos de aprendizaje y construcción de secuencias didácticas

Más detalles

Diseño de contenidos educativos con exe Learning

Diseño de contenidos educativos con exe Learning Diseño de contenidos educativos con exe Learning 1. Título: Diseño de contenidos educativos con exe Learning. 2. Descripción: En la sociedad actual, en la que cada vez se genera y difunde la información

Más detalles

RESUMEN. (Palabras clave: soporte a la decisión, virtual, educación, cognitivo)

RESUMEN. (Palabras clave: soporte a la decisión, virtual, educación, cognitivo) RESUMEN Lo que se platea en la presente tesis es el desarrollo y aplicación de un sistema para soporte a la decisión (DSS) que determine el estilo sensorial perceptivo de aprendizaje de los alumnos, según

Más detalles

Creación de objetos de aprendizaje y construcción de secuencias didácticas.

Creación de objetos de aprendizaje y construcción de secuencias didácticas. Creación de objetos de aprendizaje y construcción de secuencias didácticas. Centro Internacional de Tecnologías Avanzadas Fundación Germán Sánchez Ruipérez 1. Título Creación de objetos de aprendizaje

Más detalles

1) Título: E-learning y Estilos de Aprendizaje

1) Título: E-learning y Estilos de Aprendizaje 1) Título: E-learning y Estilos de Aprendizaje Autor: Javier Enrique Rojas Moreno Institución: Institut National des Télécommunications, 9 Rue Charles Fourier; Evry; Francia; 0033160764040; javier.rojas@int-evry,fr.

Más detalles

TALLERES DE CAPACITACIÓN A LOS PROFESORES PARA EL REDISEÑO DE LAS ASIGNATURAS EN ENTORNOS VIRTUALES DE APRENDIZAJE (EVA).

TALLERES DE CAPACITACIÓN A LOS PROFESORES PARA EL REDISEÑO DE LAS ASIGNATURAS EN ENTORNOS VIRTUALES DE APRENDIZAJE (EVA). TALLERES DE CAPACITACIÓN A LOS PROFESORES PARA EL REDISEÑO DE LAS ASIGNATURAS EN ENTORNOS VIRTUALES DE APRENDIZAJE (EVA). MSc. Niurka palmarola Gómez 1, MSc. Lázaro Tió Torriente 2 1. Profesora de Filosofía

Más detalles

REQUISITOS PARA LA SOLICITUD DE EVALUACIÓN DE RECURSOS DIGITALES CON FINES DE APRENDIZAJE Y PROMOCIÓN DE LA ORIGINALIDAD DEL MATERIAL EDUCATIVO

REQUISITOS PARA LA SOLICITUD DE EVALUACIÓN DE RECURSOS DIGITALES CON FINES DE APRENDIZAJE Y PROMOCIÓN DE LA ORIGINALIDAD DEL MATERIAL EDUCATIVO REQUISITOS PARA LA SOLICITUD DE EVALUACIÓN DE RECURSOS DIGITALES CON FINES DE APRENDIZAJE Y PROMOCIÓN DE LA ORIGINALIDAD DEL MATERIAL EDUCATIVO El Sistema de Universidad Virtual (SUV) se ha enfocado en

Más detalles

UNA PLATAFORMA DE TELEEDUCACIÓN DE CÓDIGO LIBRE

UNA PLATAFORMA DE TELEEDUCACIÓN DE CÓDIGO LIBRE UNA PLATAFORMA DE TELEEDUCACIÓN DE CÓDIGO LIBRE Israel Gutiérrez Rojas NIA: 100025221 israel.gutierrez@alumnos.uc3m.es 5º Ing. de Telecomunicación Introducción.LRN ("dotlrn") es una plataforma de software

Más detalles

GENERACIÓN DE RECURSOS DIDÁCTICOS PARA SISTEMAS DE GESTIÓN DE APRENDIZAJE

GENERACIÓN DE RECURSOS DIDÁCTICOS PARA SISTEMAS DE GESTIÓN DE APRENDIZAJE GENERACIÓN DE RECURSOS DIDÁCTICOS PARA SISTEMAS DE GESTIÓN DE APRENDIZAJE AUTORÍA MARÍA DE LOS ANGELES SÁEZ BLÁZQUEZ TEMÁTICA E-LEARNING, TICs ETAPA ESO, BACHILLERATO, CICLOS FORMATIVOS Resumen En este

Más detalles

Objetos educativos y estandarización en e-learning: Experiencias en el sistema

Objetos educativos y estandarización en e-learning: Experiencias en el sistema <e-aula> Objetos educativos y estandarización en e-learning: Experiencias en el sistema Fernández-Manjón, B.1, López Moratalla, J.2 Martínez Ortiz, I. 2, Moreno Ger, P. 2 Universidad Complutense de Madrid,

Más detalles

ESTADO DEL ARTE DE LA VIRTUALIZACIÓN EN LA EDUCACIÓN

ESTADO DEL ARTE DE LA VIRTUALIZACIÓN EN LA EDUCACIÓN ESTADO DEL ARTE DE LA VIRTUALIZACIÓN EN LA EDUCACIÓN Trabajo de Grado de Gina Paola Arévalo Mendoza para optar al título de Ingeniera de Sistemas y Computación OBJETIVOS OBJETIVO GENERAL: Construir el

Más detalles

Aplicación de un Estándar de contenidos de aprendizaje en plataformas virtuales de código abierto

Aplicación de un Estándar de contenidos de aprendizaje en plataformas virtuales de código abierto Aplicación de un Estándar de contenidos de aprendizaje en plataformas virtuales de código abierto Prof. Berta Elena García, Lic. Irma Guadalupe Pianucci Mg. Margarita Lucero, Lic. Guillermo Leguizamon

Más detalles

Panorámica de los estándares tecnológicos en el ámbito del e-learning

Panorámica de los estándares tecnológicos en el ámbito del e-learning Panorámica de los estándares tecnológicos en el ámbito del e-learning Objetivo 1 Objetivo El objetivo de la conferencia es presentar las instituciones internacionales más importantes además de los estándares

Más detalles

FICHA DE PRODUCTO ÁGORA LMS

FICHA DE PRODUCTO ÁGORA LMS FICHA DE PRODUCTO ÁGORA LMS La plataforma ÁGORA LMS permite administrar cursos en diversas modalidades didácticas, ya sean autoinstruccionales, o cursos con soporte de tutor. De tal manera que los desarrolladores

Más detalles

Sistema Multiagente como apoyo a la educación a distancia sobre una plataforma Sakai

Sistema Multiagente como apoyo a la educación a distancia sobre una plataforma Sakai Sistema Multiagente como apoyo a la educación a distancia sobre una plataforma Sakai Resumen Fernando Olivares Fernández Facultad de Informática Inteligencia Artificial Universidad Politécnica de Valencia

Más detalles

CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL. Nivel 2. Versión 5 Situación RD 1201/2007 Actualización

CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL. Nivel 2. Versión 5 Situación RD 1201/2007 Actualización Página 1 de 18 CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL Familia Profesional Informática y Comunicaciones Nivel 2 Código IFC297_2 Versión 5 Situación RD 1201/2007 Actualización

Más detalles

AMBIENTES VIRTUALES DE APRENDIZAJE INTEGRANDO MOODLE CON SECOND LIFE A TRAVÉS DE LA PLATAFORMA AVATAR CLASSROOM PARA EL DISEÑO DE CURSOS EN LÍNEA

AMBIENTES VIRTUALES DE APRENDIZAJE INTEGRANDO MOODLE CON SECOND LIFE A TRAVÉS DE LA PLATAFORMA AVATAR CLASSROOM PARA EL DISEÑO DE CURSOS EN LÍNEA 01/12/2014 1 AMBIENTES VIRTUALES DE APRENDIZAJE INTEGRANDO MOODLE CON SECOND LIFE A TRAVÉS DE LA PLATAFORMA AVATAR CLASSROOM PARA EL DISEÑO DE CURSOS EN LÍNEA Margarita Zambrano, Walter Fuertes, César

Más detalles

Proyecto Aula Virtual gvsig

Proyecto Aula Virtual gvsig Resumen: Proyecto Aula Virtual gvsig Miguel Angel Bernabé Poveda Maria Ester Gonzalez Letizia Jiménez Angulo Laboratorio de Tecnologías de la Información Geográfica (LatinGEO) Universidad Politécnica de

Más detalles

COMPETENCIAS TIC PARA EL DESARROLLO PROFESIONAL DOCENTE

COMPETENCIAS TIC PARA EL DESARROLLO PROFESIONAL DOCENTE COMPETENCIAS TIC PARA EL DESARROLLO PROFESIONAL DOCENTE Uno de los propósitos de la educación del siglo XXI, es la formación de personas inteligentes a nivel cognitivo, afectivo y práxico, para lo cual

Más detalles

Plataformas Elearning. Recursos y funcionalidades 1 PLATAFORMAS E-LEARNING. Ruth Martínez ( ruth.martinez@emascaro.com)

Plataformas Elearning. Recursos y funcionalidades 1 PLATAFORMAS E-LEARNING. Ruth Martínez ( ruth.martinez@emascaro.com) Plataformas Elearning. Recursos y funcionalidades 1 PLATAFORMAS E-LEARNING Ruth Martínez ( ruth.martinez@emascaro.com) Identificaremos los recursos que se incluyen en las plataformas y, en función de las

Más detalles

Curso de Diseño de Páginas Web

Curso de Diseño de Páginas Web Curso de Diseño de Páginas Web (90 horas) 1 Curso de Diseño de Páginas Web En Vértice Institute, conscientes de la necesidad de progreso y evolución de la sociedad actual, hemos desarrollado unos programas

Más detalles

TIC Y AMBIENTES DE APRENDIZAJE UNIDAD 5: OBJETOS VIRTUALES DE APRENDIZAJE (OVAS) Y PROPIEDAD INTELECTUAL.

TIC Y AMBIENTES DE APRENDIZAJE UNIDAD 5: OBJETOS VIRTUALES DE APRENDIZAJE (OVAS) Y PROPIEDAD INTELECTUAL. TIC Y AMBIENTES DE APRENDIZAJE UNIDAD 5: OBJETOS VIRTUALES DE APRENDIZAJE (OVAS) Y PROPIEDAD INTELECTUAL. Contenido INTRODUCCIÓN... 2 COMPETENCIAS... 2 1. OBJETOS DE APRENDIZAJE - DEFINICIÓN... 2 1.1 Qué

Más detalles

Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar

Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar Titulación acredidatada por la Comisión Internacional de Formación de la UNESCO Postgrado en Adobe Captivate CS6 y su Integración

Más detalles

Detalle de nuestra Oferta de Servicios

Detalle de nuestra Oferta de Servicios Detalle de nuestra Oferta de Servicios Oferta de Servicios 2007 La experiencia acumulada por el equipo de AulaGlobal nos permite ofrecer una más amplia gama de servicios relacionados con la capacitación

Más detalles

Curso Tutor de Moodle

Curso Tutor de Moodle Curso Tutor de Moodle Informaciones Human Business Fonos: (02) 2698 9790 / (02) 2671 3567 E-mail: informaciones@hbusiness.cl Web: www.hbusiness.cl tip ddy Web Ap p s Marketing CURSO: Curso Tutor de Moodle

Más detalles

INSTITUTO TECNOLOGICO SUPERIOR LICEO CRISTIANO DE GUAYAQUIL

INSTITUTO TECNOLOGICO SUPERIOR LICEO CRISTIANO DE GUAYAQUIL INSTITUTO TECNOLOGICO SUPERIOR LICEO CRISTIANO DE GUAYAQUIL "- ". PROPUESTA DE IMPLEMENTACION DE UNA PLATAFORMA VIRTUAL DE APRENDIZAJE PARA LA UNIDAD EDUCATIVA LICEO CRISTIANO DE GUAYAQUIL ELABORADO POR:

Más detalles

Arquitectura del CourseWare. M. Ed. Fredys Simanca Herrera

Arquitectura del CourseWare. M. Ed. Fredys Simanca Herrera Arquitectura del CourseWare M. Ed. Fredys Simanca Herrera Contenido 1. Equipo de desarrollo 2. Población objetivo 3. Contenido del curso 4. Organización del curso 5. Del Conductismo Al Constructivismo

Más detalles

ESPECIFICACIÓN REQUERIMIENTOS. Ejemplo. Arquitectura Multiagente para Sistemas E-Learning centrados en la enseñanza de Idiomas (SE-MAS)

ESPECIFICACIÓN REQUERIMIENTOS. Ejemplo. Arquitectura Multiagente para Sistemas E-Learning centrados en la enseñanza de Idiomas (SE-MAS) Ejemplo ESPECIFICACIÓN DE REQUERIMIENTOS Arquitectura Multiagente para Sistemas E-Learning centrados en la enseñanza de Idiomas (SE-MAS) Liliana Esther Machuca Villegas Universidad del Valle Escuela de

Más detalles

Capítulo V. Pruebas de Software

Capítulo V. Pruebas de Software Capítulo V. Pruebas de Software Este capítulo es un reporte de las pruebas realizadas al software de este proyecto de tesis. En primer lugar se presenta un reporte de las pruebas formativas de usabilidad

Más detalles

PLATAFORMAS VIRTUALES

PLATAFORMAS VIRTUALES AREA : TECNOLOGIA E INFORMATICA DOCENTE : BLANCA FLOR MORA RAMIREZ PERIODO : 3 I. HORARIA : 2H GRADO : 11 FECHA NOMBRE DEL ALUMNO(A) TEMA: PLATAFORMAS VIRTUALES LOGRO: Reconoce la importancia de la formación

Más detalles

Ponencia TIC, Cognición, Aprendizaje y Currículo. ALBERTO ELOY CARRILLO VARGAS, Ing. ALEXANDER RODRÍGUEZ SUÁREZ, Mg. ESPERANZA AGUILAR DE FLÓREZ

Ponencia TIC, Cognición, Aprendizaje y Currículo. ALBERTO ELOY CARRILLO VARGAS, Ing. ALEXANDER RODRÍGUEZ SUÁREZ, Mg. ESPERANZA AGUILAR DE FLÓREZ HERRAMIENTAS SOFTWARE PARA EL USO DE PORTAFOLIOS DE EVIDENCIAS Y EL DIAGNÓSTICO Y CLASIFICACIÓN DE ESTILOS DE APRENDIZAJE COMO APOYO A LOS PROCESOS DE ENSEÑANZA CONTEXTUALIZADOS EN AMBIENTES VIRTUALES

Más detalles

LEARNING MANAGEMENT SYSTEM 2011

LEARNING MANAGEMENT SYSTEM 2011 LEARNING MANAGEMENT SYSTEM 2011 1 La Ágora LMS es una herramienta para provocar cambios. información está por todos lados; concéntrela en un solo punto; distribúyala entre sus empleados, clientes, y colegas;

Más detalles

CAPÍTULO 3. AMBIENTES DE ENSEÑANZA ASISTIDOS POR COMPUTADORA

CAPÍTULO 3. AMBIENTES DE ENSEÑANZA ASISTIDOS POR COMPUTADORA CAPÍTULO 3. AMBIENTES DE ENSEÑANZA ASISTIDOS POR COMPUTADORA 3.1 CAI (Computer Assisted Instruction). La enseñanza asistida por computadora consiste en tecnologías de la información que permiten al estudiante

Más detalles

En este artículo se describe el sistema Aprend-e, como una aplicación

En este artículo se describe el sistema Aprend-e, como una aplicación Sistema Aprend-e para la gestión de Objetos de Aprendizaje de apoyo a la operación de la CFE Liliana Paz Argotte Ramos 1, Guillermo Rodríguez Ortiz 1, Jaime Israel Paredes Rivera 2 Resumen En este artículo

Más detalles

Un Repositorio basado en Servicios Web para el Sistema Generador de Ambientes de Aprendizaje AMBAR

Un Repositorio basado en Servicios Web para el Sistema Generador de Ambientes de Aprendizaje AMBAR Un Repositorio basado en Servicios Web para el Sistema Generador de Ambientes de Aprendizaje AMBAR María Gertrudis López 1, Yosly Hernández 1, Cira Beleño 1, Doris Pernalete 2, Vanessa Miguel 3, Nora Montaño

Más detalles

Técnica 2(Instrumental)

Técnica 2(Instrumental) Competencias y Estándares TIC en la profesión docente ESTÁNDARES DE COMPETENCIAS TIC EN LA PROFESIÓN DOCENTE Dimensión Técnica 2(Instrumental) 43 2 Dimensión Técnica La incorporación de TIC en la educación

Más detalles

DESARROLLO DE CONTENIDOS A MEDIDA E-DUCATIVA

DESARROLLO DE CONTENIDOS A MEDIDA E-DUCATIVA DESARROLLO DE CONTENIDOS A MEDIDA E-DUCATIVA 1 Adaptación y conversión Muchas empresas disponen de contenidos muy completos en formato papel, utilizados en educación presencial o bien en formación a distancia

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com AVANZAMOS A TRAVÉS DEL CONOCIMIENTO www.bvbusiness-school.com CREACIÓN DE CONTENIDOS EN E-LEARNING Actualmente la gran mayoría de los contenidos formativos se desarrollan para ser visualizados en un entorno

Más detalles

DESARROLLO DE APLICACIONES CON TECNOLOGÍAS WEB PROFESIONAL

DESARROLLO DE APLICACIONES CON TECNOLOGÍAS WEB PROFESIONAL Página 1 de 21 CUALIFICACIÓN DESARROLLO DE APLICACIONES CON TECNOLOGÍAS WEB PROFESIONAL Familia Profesional Informática y Comunicaciones Nivel 3 Código IFC154_3 Versión 5 Situación RD 1087/2005 Actualización

Más detalles

Sistema de Asesorías en Línea AL-UNAM

Sistema de Asesorías en Línea AL-UNAM Sistema de Asesorías en Línea AL-UNAM Act. Mario García Burgos Ing. Luz María Castañeda de León DGSCA, UNAM Resumen En este trabajo se describe el sistema denominado Asesorías en Línea AL-UNAM y las consideraciones

Más detalles

La búsqueda del Santo Grial en el e-learning Los estándares.

La búsqueda del Santo Grial en el e-learning Los estándares. La búsqueda del Santo Grial en el e-learning Los estándares. Leonardo Rodríguez Director I+D e-abc La búsqueda del Santo Grial en el e-learning: Los estándares. Pág 1 El Santo Grial Por que esta referencia

Más detalles

Lección 1 Módulo III

Lección 1 Módulo III Lección 1 Módulo III E-actividades para el E-learning Lección 1 E-actividades para el E-learning La enseñanza en el e-learning requiere cambios en el planteamiento y el desarrollo de las prácticas de aprendizaje

Más detalles

Diplomatura en Diseño y Gestión de Aulas Digitales

Diplomatura en Diseño y Gestión de Aulas Digitales Diplomatura en Diseño y Gestión de Aulas Digitales Resumen La diplomatura en Diseño y Gestión de Aulas Digitales es un espacio de formación compuesto por diferentes módulos que pretende dar respuesta teórica

Más detalles

La Plataforma e-learning del Servicio de Cooperación. Forinnova y Máster en Gestión de la Innovación

La Plataforma e-learning del Servicio de Cooperación. Forinnova y Máster en Gestión de la Innovación La Plataforma e-learning del Servicio de Cooperación. Forinnova y Máster en Gestión de la Innovación Lola Lozano Gascón Jefe del Departamento de Formación del ITA Reyes Zamanillo Calzada Técnico de Formación

Más detalles

Proyecto educativo. Lineamientos Pedagógicos

Proyecto educativo. Lineamientos Pedagógicos Proyecto educativo Lineamientos Pedagógicos Cuando se habla de educación por Internet, o de educación virtual siendo muy simplistas y sin entrar a definir en profundidad lo que esto puede significar, se

Más detalles

Análisis Comparativo de las Plataformas Educativas Virtuales Moodle y Dokeos

Análisis Comparativo de las Plataformas Educativas Virtuales Moodle y Dokeos Análisis Comparativo de las Plataformas Educativas Virtuales Moodle y Dokeos Rogelio Estrada Lizárraga Universidad Autónoma de Sinaloa restrada@maz.uasnet.mx Aníbal Zaldívar Colado Universidad Autónoma

Más detalles

Guía de Moodle para Estudiantes

Guía de Moodle para Estudiantes Guía de Moodle para Estudiantes 1. Introducción En este tutorial se asume que: 1. Usted tiene al menos el conocimiento básico del uso de una computadora, incluyendo el ratón y el teclado, y está familiarizado

Más detalles

TIPO DE TRABAJO: PONENCIA EJE TEMÁTICO: EDUCACIÓN VIRTUAL EVALUACIÓN

TIPO DE TRABAJO: PONENCIA EJE TEMÁTICO: EDUCACIÓN VIRTUAL EVALUACIÓN Pag. 1 de 8 SOFTWARE DE APOYO AL DIAGNÓSTICO Y CLASIFICACIÓN DE ESTUDIANTES POR ESTILO DE APRENDIZAJE PARA SOPORTAR ACTIVIDADES DE UN PROCESO FORMATIVO EN UN AMBIENTE VIRTUAL DE APRENDIZAJE TIPO DE TRABAJO:

Más detalles

Desarrollo profesional para docentes universitarios en la era tecnológica. Propuesta de Taller de Formación en el uso de las TIC.

Desarrollo profesional para docentes universitarios en la era tecnológica. Propuesta de Taller de Formación en el uso de las TIC. Desarrollo profesional para docentes universitarios en la era tecnológica. Propuesta de Taller de Formación en el uso de las TIC. Autora: Gisselle Gómez Avalos Resumen El presente trabajo tiene como objetivo

Más detalles

Recursos digitales para la educación superior en la unidad académica virtual y a distancia UNIVIDA: experiencias, retos y proyectos

Recursos digitales para la educación superior en la unidad académica virtual y a distancia UNIVIDA: experiencias, retos y proyectos Recursos digitales para la educación superior en la unidad académica virtual y a distancia UNIVIDA: experiencias, retos y proyectos Información del autor(es): Nombres y apellidos: Mario Roberto Eljach

Más detalles

Internet Aula Abierta 2.0. Plataformas de aprendizaje en red. Ministerio de Educación. ITE Internet Aula Abierta 2.0.

Internet Aula Abierta 2.0. Plataformas de aprendizaje en red. Ministerio de Educación. ITE Internet Aula Abierta 2.0. Internet Aula Abierta 2.0. Plataformas de aprendizaje en red Ministerio de Educación. ITE Internet Aula Abierta 2.0. Índice Plataformas de aprendizaje en red.. 1 Conceptos generales... 3 Funcionalidades

Más detalles

CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL. Nivel 2. Versión 6. Actualización

CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL. Nivel 2. Versión 6. Actualización Página 1 de 19 CUALIFICACIÓN CONFECCIÓN Y PUBLICACIÓN DE PÁGINAS WEB PROFESIONAL Familia Profesional Informática y Comunicaciones Nivel 2 Código IFC297_2 Versión 6 Situación Contraste externo Actualización

Más detalles

MANUAL INICIAL PARA LA GESTIÓN DE CURSOS ONLINE

MANUAL INICIAL PARA LA GESTIÓN DE CURSOS ONLINE MANUAL INICIAL PARA LA GESTIÓN DE CURSOS ONLINE MEDIANTE LA PLATAFORMA WEB MOODLE INSTALADA EN LOS CENTROS EDUCATIVOS DE LA XUNTA DE GALICIA Moodle es un sistema de gestión de cursos de distribución libre

Más detalles

COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES

COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES UNIVERSIDAD DE CALDAS FACULTAD DE INGENIERIA DEPARTAMENTO DE SISTEMAS E INFORMATICA COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES COORDINACION

Más detalles

Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar (Online)

Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar (Online) Postgrado en Adobe Captivate CS6 y su Integración con Moodle + Webinar (Online) TITULACIÓN DE FORMACIÓN CONTINUA BONIFICADA EXPEDIDA POR EL INSTITUTO EUROPEO DE ESTUDIOS EMPRESARIALES Postgrado en Adobe

Más detalles

Confección y publicación de páginas Web

Confección y publicación de páginas Web 2014 Confección y publicación de páginas Web Docente: Manuel Fernández Catalán 0 ÍNDICE 1 Presentación... 2 2 Objetivos... 2 3 Tecnología... 2 4 Metodología y evaluación... 3 5 Material didáctico... 3

Más detalles

Visualizar y descargar contenidos

Visualizar y descargar contenidos Visualizar y descargar contenidos Agrega 2.0 En este apartado veremos cómo visualizar los contenidos directamente en línea, conectados a la red Internet, y cómo descargarlos a nuestro ordenador para su

Más detalles

UNIVERSIDAD VERACRUZANA Facultad de Ingeniería en Electrónica y Comunicaciones Región Poza Rica - Tuxpan

UNIVERSIDAD VERACRUZANA Facultad de Ingeniería en Electrónica y Comunicaciones Región Poza Rica - Tuxpan Reporte de evaluación de la aplicación de la Experiencia Educativa en el marco del Proyecto Aula. El presente reporte de evaluación, se presenta con el fin de documentar los resultados obtenidos en la

Más detalles

FORMADOR DE FORMADORES

FORMADOR DE FORMADORES FORMADOR DE FORMADORES REF: K087 OBJETIVOS Elaborar la programación didáctica de una hipotética acción formativa, teniendo en cuenta las características del grupo al que va dirigida y definiendo los objetivos,

Más detalles

Análisis del Sistema de Información

Análisis del Sistema de Información Análisis del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 2 ACTIVIDAD ASI 1: DEFINICIÓN DEL SISTEMA... 6 Tarea ASI 1.1: Determinación del Alcance del Sistema... 6 Tarea ASI 1.2: Identificación

Más detalles

IFCD0210 Desarrollo de Aplicaciones con Tecnologías Web (Dirigida a la Acreditación de las Comptencias Profesionales R.D.

IFCD0210 Desarrollo de Aplicaciones con Tecnologías Web (Dirigida a la Acreditación de las Comptencias Profesionales R.D. IFCD0210 Desarrollo de Aplicaciones con Tecnologías Web (Dirigida a la Acreditación de las Comptencias Profesionales R.D. 1224/2009) IFCD0210 Desarrollo de Aplicaciones con Tecnologías Web (Dirigida a

Más detalles

ENTORNO DE UN CURSO. Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos:

ENTORNO DE UN CURSO. Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos: ENTORNO DE UN CURSO Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos: Cursos Categorías Cuentas de usuario y roles Perfil de usuario En Moodle,

Más detalles

[ reload ] Estándares elearning Introducción a RELOAD. Capítulo I. Juan Egea García www.juanegea.com. 1ª Edición, Noviembre 2005

[ reload ] Estándares elearning Introducción a RELOAD. Capítulo I. Juan Egea García www.juanegea.com. 1ª Edición, Noviembre 2005 [ reload ] Capítulo I Estándares elearning Introducción a RELOAD Juan Egea García www.juanegea.com 1ª Edición, Noviembre 2005 2005, JUAN EGEA GARCÍA 1 INDICE indice Introducción Visión global de los estándares.

Más detalles

Convocatorias de Innovación Docente 2008 2009 11 de Marzo de 2009

Convocatorias de Innovación Docente 2008 2009 11 de Marzo de 2009 Convocatorias de Innovación Docente 2008 2009 11 de Marzo de 2009 » Diversidad de aplicaciones» Contenidos dispersos e inaccesibles» Aislamiento de los materiales» Imposibilidad de importar/exportar los

Más detalles

Educación Virtual. Prof. Aida Ocasio Pérez

Educación Virtual. Prof. Aida Ocasio Pérez Educación Virtual Prof. Aida Ocasio Pérez Introducción Las leyes y las instituciones deben ir de la mano con el progreso de la mente humana. En la medida en que ésta se desarrolle, se ilustra; conforme

Más detalles

JUAN RAMÓN OLAGUE SÁNCHEZ / SÓCRATES TORRES OVALLE

JUAN RAMÓN OLAGUE SÁNCHEZ / SÓCRATES TORRES OVALLE APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Y SISTEMAS DE GESTIÓN DE CONTENIDOS DE APRENDIZAJE PARA EL DESARROLLO DE UN SISTEMA INFORMÁTICO DE APRENDIZAJE DE PROGRAMACIÓN DE COMPUTADORAS JUAN RAMÓN OLAGUE

Más detalles

Apertura ISSN: 1665-6180 apertura@udgvirtual.udg.mx Universidad de Guadalajara México

Apertura ISSN: 1665-6180 apertura@udgvirtual.udg.mx Universidad de Guadalajara México Apertura ISSN: 1665-6180 apertura@udgvirtual.udg.mx Universidad de Guadalajara México Muñoz Arteaga, Jaime; Álvarez Rodrìguez, Francisco Javier; Osorio Urrutia, Beatriz; Cardona Salas, Juan Pedro Objetos

Más detalles

Máster Universitario en Formación del Profesorado de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional y Enseñanza de Idiomas

Máster Universitario en Formación del Profesorado de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional y Enseñanza de Idiomas Máster Universitario en Formación del Profesorado de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional y Enseñanza de Idiomas CÓDIGO ASIGNATURA: DIDÁCTICA DE LA EDUCACIÓN FÍSICA Asignatura:

Más detalles

GUÍA DE EVIDENCIA DE LA UNIDAD DE COMPETENCIA

GUÍA DE EVIDENCIA DE LA UNIDAD DE COMPETENCIA MINISTERIO DE EDUCACIÓN, CULTURA Y DEPORTE SECRETARÍA DE ESTADO DE EDUCACIÓN, FORMACIÓN PROFESIONAL Y UNIVERSIDADES DIRECCIÓN GENERAL DE FORMACIÓN PROFESIONAL INSTITUTO NACIONAL DE LAS CUALIFICACIONES

Más detalles

Desarrollo de Aplicaciones con Tecnologías Web (Online) (Dirigida a la Acreditación de las Competencias Profesionales R.D.

Desarrollo de Aplicaciones con Tecnologías Web (Online) (Dirigida a la Acreditación de las Competencias Profesionales R.D. Desarrollo de Aplicaciones con Tecnologías Web (Online) (Dirigida a la Acreditación de las Competencias Profesionales R.D. 1224/2009) Titulación certificada por EUROINNOVA BUSINESS SCHOOL Desarrollo de

Más detalles

INNOVACIÓN PEDAGÓGICA. DIPLOMA SUPERIOR EN Implementación de proyectos de e-learning

INNOVACIÓN PEDAGÓGICA. DIPLOMA SUPERIOR EN Implementación de proyectos de e-learning INNOVACIÓN PEDAGÓGICA DIPLOMA SUPERIOR EN Implementación de proyectos de e-learning FUNDAMENTOS E l presente Diploma tiene como propósito desarrollar competencias, en docentes de Educación Superior, para

Más detalles

Educación Continua y a Distancia. Alberto Moreno Bonett. Universidad Nacional Autónoma de México (UNAM), México

Educación Continua y a Distancia. Alberto Moreno Bonett. Universidad Nacional Autónoma de México (UNAM), México Educación Continua y a Distancia Alberto Moreno Bonett Universidad Nacional Autónoma de México (UNAM), México CUAED México D.F. Noviembre 2012 DIVISIÓN DE EDUCACIÓN CONTINUA Ø UNAM 1551 o La universidad

Más detalles

E-LEARNING CON SIMULACIONES Zayra Madrigal Alfaro Tutora: Angélica de Antonio Jiménez

E-LEARNING CON SIMULACIONES Zayra Madrigal Alfaro Tutora: Angélica de Antonio Jiménez Universidad Politécnica de Madrid Facultad de Informática Doctorado en Lenguajes y Sistemas Informáticos e Ingeniería del Software Trabajo de investigación: E-LEARNING CON SIMULACIONES Zayra Madrigal Alfaro

Más detalles

3.4. Reload Editor ( Guía de Uso).

3.4. Reload Editor ( Guía de Uso). 3.4. Reload Editor ( Guía de Uso). Anterior 3. Lors Management Siguiente 3.4. Reload Editor ( Guía de Uso). 3.4.1. Preguntas básicas sobre Reload Editor. - Qué hace el programa Reload Editor? RELOAD Editor

Más detalles

El Contexto. Las Nuevas Tecnologías

El Contexto. Las Nuevas Tecnologías Introducción Hablaremos aquí de las Nuevas Tecnologías de la Información y su impacto en la educación, del e-learning y los Entornos Virtuales de Aprendizaje, de cómo se conforma el triángulo de del e-learning,

Más detalles

UNIDAD DE DESARROLLO Y PERFECCIONAMIENTO DOCENTE

UNIDAD DE DESARROLLO Y PERFECCIONAMIENTO DOCENTE UNIDAD DE DESARROLLO Y PERFECCIONAMIENTO DOCENTE VICERRECTORÍA DE ASUNTOS ACADEMICOS DIPLOMA EN DOCENCIA UNIVERSITARIA CON USO DE TIC S Este Diploma en la actualidad se propone en base a requerimientos

Más detalles

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA PROGRAMACIÓN DIDACTICA ANUAL Parte específica del módulo: 0485. Programación Departamento de Familia Profesional de Informática Curso: 2014-15

Más detalles

Capítulo 6: Instrumentación: Diseño del Sistema de H2O

Capítulo 6: Instrumentación: Diseño del Sistema de H2O Capítulo 6: Instrumentación: Diseño del Sistema de H2O Digital Media Server El video en demanda a través del web aún está restringido a las grandes empresas que pueden pagar por contar por un servicio

Más detalles

CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL. Nivel 3. Versión 5 Situación RD 1201/2007 Actualización

CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL. Nivel 3. Versión 5 Situación RD 1201/2007 Actualización Página 1 de 16 CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL Familia Profesional Informática y Comunicaciones Nivel 3 Código IFC304_3 Versión 5 Situación RD 1201/2007 Actualización Competencia

Más detalles

Curso de Diseño de Páginas Web (80 horas - 8semanas)

Curso de Diseño de Páginas Web (80 horas - 8semanas) Curso de Diseño de Páginas Web (80 horas - 8semanas) Curso de Diseño de Páginas Web En Vértice Training, conscientes de la continua necesidad de formación tanto del tejido empresarial actual como de la

Más detalles

LOS OBJETOS DE APRENDIZAJE COMO RECURSO PARA LA RECUPERACIÓN DE INFORMACIÓN

LOS OBJETOS DE APRENDIZAJE COMO RECURSO PARA LA RECUPERACIÓN DE INFORMACIÓN LOS OBJETOS DE APRENDIZAJE COMO RECURSO PARA LA RECUPERACIÓN DE INFORMACIÓN Ingrid Gómez Suárez Estudiante VII Semestre Sistemas de Información y Documentación Universidad de La Salle ingonata@yahoo.com

Más detalles

PROCEDIMIENTO ESPECÍFICO. Código G083-01 Edición 0

PROCEDIMIENTO ESPECÍFICO. Código G083-01 Edición 0 Índice 1. TABLA RESUMEN... 2 2. OBJETO... 2 3. ALCANCE... 2 4. RESPONSABILIDADES... 3 5. ENTRADAS... 3 6. SALIDAS... 3 7. PROCESOS RELACIONADOS... 3 8. DIAGRAMA DE FLUJO... 4 9. DESARROLLO... 5 9.1. DEFINICIÓN...

Más detalles

Content Management System

Content Management System Content Management System Maestría en Ingeniería de Software ICC. Claudio Norberto Martínez Martínez Bases de Datos Otoño 2012 Contenido del Tema Introducción Antecedentes Desarrollo del tema Conceptos

Más detalles

Orientaciones para realización del curso

Orientaciones para realización del curso Introducción El Centro de Educación y Tecnología Enlaces tiene como misión contribuir al mejoramiento de la calidad de la educación mediante la informática educativa y el desarrollo de una cultura digital

Más detalles

Grado en Fundamentos de la Arquitectura Modalidad Semipresencial. Organización operativa del programa.

Grado en Fundamentos de la Arquitectura Modalidad Semipresencial. Organización operativa del programa. Grado en Fundamentos de la Arquitectura Modalidad Semipresencial Organización operativa del programa. Duración: Tiene una duración de 300 ECTS, donde se incluye un Trabajo Fin de Grado de 18 ECTS. Este

Más detalles

Los Estándares de e-learning

Los Estándares de e-learning Los Estándares de e-learning Mirada tecnológica del e-learning Universidad del CEMA Revista LEARNING REVIEW www.learningreview.com Objetivos Comprender la importancia y los beneficios de los estándares

Más detalles

PROGRAMA DE ESTUDIOS PROGRAMACIÓN EN INTERNET II

PROGRAMA DE ESTUDIOS PROGRAMACIÓN EN INTERNET II PROGRAMA DE ESTUDIOS PROGRAMACIÓN EN INTERNET II IDENTIFICACIÓN DEL CURSO Ubicación HCA HTI Total de horas Valor en créditos 6 semestre 1 3 4 4 Tipo de curso Obligatorio Matemáticas VI Física IV Inglés

Más detalles

CONSEJERIA DE EDUCACIÓN, FORMACIÓN Y EMPLEO

CONSEJERIA DE EDUCACIÓN, FORMACIÓN Y EMPLEO CONSEJERIA DE EDUCACIÓN, FORMACIÓN Y EMPLEO RESOLUCIÓN DE 23 DE MARZO DE 2010, DE LA DIRECCIÓN GENERAL DE PROMOCIÓN, ORDENACIÓN E INNOVACIÓN EDUCATIVA, POR LA QUE SE DICTAN INSTRUCCIONES PARA LA GESTIÓN

Más detalles