instituto tecnolÓgico de sonora guillermo salazar.pdfde ritmos y estilos de aprendizaje de cada...

INSTITUTO TECNOLÓGICO DE SONORA DEPARTAMENTO DE EDUCACIÓN

“MODELO PARA LA IDENTIFICACIÓN

AUTOMÁTICA DE ESTILOS DE APRENDIZAJE EN

UNA PLATAFORMA TECNOLÓGICA DE

APRENDIZAJE”

TESIS

QUE PARA OBTENER EL GRADO DE

DOCTOR EN SISTEMAS Y AMBIENTES

EDUCATIVOS

PRESENTA

GUILLERMO MARIO ARTURO SALAZAR LUGO

CD. OBREGÓN, SONORA, NOVIEMBRE 2017

iii

Índice

Capítulo I. Introducción ...................................................................................................... 1

Antecedentes ................................................................................................................... 1

Trabajos relacionados ...................................................................................................... 5

Problema de investigación ............................................................................................... 8

Objetivos ....................................................................................................................... 12

Preguntas de Investigación ............................................................................................ 12

Justificación ................................................................................................................... 13

Hipótesis ........................................................................................................................ 14

Delimitaciones ............................................................................................................... 14

Capítulo II. Marco teórico ................................................................................................. 16

Teorías de estilos de aprendizaje ................................................................................... 16

Estilos de aprendizaje en la identificación automática .................................................. 17

Ritha y Kenneth Dunn ................................................................................................... 19

Anthony Gregorc ........................................................................................................... 20

Plataformas tecnológicas de aprendizaje ....................................................................... 21

Modelo de estudiante ..................................................................................................... 25

Minería de datos ............................................................................................................ 28

Técnicas de clasificación automática ............................................................................ 28

Articulación teórico-conceptual .................................................................................... 32

iv

Capítulo III. Diseño metodológico .................................................................................... 33

Tipo de estudio .............................................................................................................. 33

Participantes .................................................................................................................. 34

Instrumentos .................................................................................................................. 35

Procedimiento ................................................................................................................ 45

Procesamiento de Datos ................................................................................................ 47

Capítulo IV. Resultados .................................................................................................... 49

Pregunta de investigación 1 ........................................................................................... 49



Capítulo V. Conclusiones y recomendaciones .................................................................. 64

Discusión ....................................................................................................................... 64

Conclusiones ................................................................................................................. 65

Recomendaciones .......................................................................................................... 67

ANEXOS .......................................................................................................................... 79

Anexo 1 ......................................................................................................................... 79

v

Índice de figuras

Figura 1. Adaptación del proceso de detección automática de estilos de aprendizaje. .................... 7

Figura 2. Elementos y estímulos del modelo Dunn y Dunn (1999)................................................ 20

Figura 3. Variables de un modelo de estudiante. ............................................................................ 26

Figura 4. Proceso de aprendizaje supervisado. ............................................................................... 31

Figura 5. Articulación Teórico-Conceptual. ................................................................................... 32

Figura 6. Calificación del instrumento ILS..................................................................................... 39

Figura 7. Procedimiento. ................................................................................................................. 45

Figura 8. Plataforma tecnológica de aprendizaje. ........................................................................... 46

Figura 9. Consulta SQL para generación de dataset. ...................................................................... 53

Figura 10. Proceso de análisis RapidMiner. ................................................................................... 58

Figura 11. Bloque de validación. .................................................................................................... 58

Figura 12. Árbol de decisión con todas las categorías de estilos. ................................................... 59

Figura 13. Validación de la precisión del modelo inicial. .............................................................. 60

Figura 14. Árbol de decisión autogenerado: Reglas de clasificación. ............................................ 61

Figura 15. Evaluación de la precisión del árbol de decisión. .......................................................... 62

vi

Índice de tablas

Tabla 1. Principales trabajos relacionados a la identificación automática de estilos de aprendizaje 6

Tabla 2. Operacionalización del instrumento ILS (Index of Learning Styles) versión en español 35

Tabla 3. Coeficientes de correlación Test-Retest ........................................................................... 40

Tabla 4. Coeficientes Alfa de Cronbach ILS versión inglés ........................................................... 41

Tabla 5. Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson 41

Tabla 6. Operacionalización de variables monitoreadas por software ........................................... 43

Tabla 7. Variables de comportamiento seleccionadas .................................................................... 50

Tabla 8. Materiales disponibles en Moodle .................................................................................... 51

Tabla 9. Descripción de los datos almacenados en la tabla usr_estilos .......................................... 52

Tabla 10. Valoración de la distribución de las variables de comportamiento monitoreadas en

Moodle ............................................................................................................................................ 54

Tabla 11. Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la

aplicación del instrumento ILS ....................................................................................................... 56

Tabla 12. Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y

las variables de comportamiento monitoreadas en Moodle ............................................................ 57

Tabla 13. Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las

variables de comportamiento monitoreadas en Moodle ................................................................. 57

1

Capítulo I. Introducción

En este capítulo se presenta una contextualización general del objeto de estudio y se describen

investigaciones relacionadas con la identificación automática de estilos de aprendizaje en

plataformas tecnológicas de aprendizaje. Se presenta además el problema que se aborda en el

estudio, objetivo general, objetivos específicos, justificación, supuestos preliminares y finalmente

las delimitaciones espaciales y temporales.

Antecedentes

La educación es un factor fundamental para el desarrollo de una nación. El conocimiento que

adquiere el individuo a través del proceso de enseñanza-aprendizaje en todos los niveles se refleja

directamente en la capacidad de un país para desarrollar la investigación, innovación y tecnología

(Spring, 1998). Por lo tanto, la norma general en el planteamiento de los sistemas educativos es

que estos sean diseñados para que todo individuo -sin distinción alguna- tenga acceso a la

educación y pueda adquirir habilidades y conocimientos que contribuyan a su desarrollo personal

y académico, así como al progreso nacional (Arnove, 2009). Una preocupación de la sociedad

contemporánea ha sido el tema de la calidad en la educación, lo que ha demandado esfuerzos de

los gobiernos para lograr que sus sistemas educativos sean capaces de ofrecer programas y

ambientes que permitan a los estudiantes recibir una educación de calidad e integral (Stephenson

& Yorke, 2013). Sin embargo, existe una diversidad de retos y problemas a considerar para lograr

este objetivo como el modelo educativo imperante, las oportunidades de accesibilidad y cobertura,

la infraestructura de soporte, tanto académica como administrativa, la formación profesional de

los docentes y directivos, entre otros.

Enfocándose al modelo escolar como elemento principal para medir la calidad educativa

puede comentarse que prevalece en la mayoría de los sistemas educativos una visión tradicional,

2

en los cuales el proceso de enseñanza-aprendizaje concibe como principal actor al docente

minimizando el rol del estudiante a un sujeto receptor de información (Narro, Martuscelli &

Jaime, 2012). El profesor es el encargado de organizar el conocimiento y generar un plan de

trabajo para que el alumno consiga sus objetivos académicos. Una característica propia de este

modelo es que el método de enseñanza implementado es el mismo para todos sin hacer distinción

de ritmos y estilos de aprendizaje de cada estudiante (Darling-Hammond, 2008).

Aunque el modelo tradicional garantiza y facilita el acceso a la educación, descuida

aspectos cruciales que fundamentan una educación de calidad. Uno de estos aspectos es concebir

al estudiante como eje primordial del proceso de enseñanza-aprendizaje, considerando a este no

solo como un receptor de información, sino como un colaborador en la organización de

conocimiento y la generación de estrategias que apoyan la enseñanza (Hannafin, Hill & Land,

1997). En este sentido las innovaciones educativas deben fortalecer el aprendizaje de cada

estudiante reconociendo diferentes contextos, intereses, características y gustos, de tal manera que

cada uno de ellos desarrolle su máximo potencial. Lo anterior contribuye al logro de una

educación de calidad y una formación integral (Organización de las Naciones Unidas para la

Educación, la Ciencia y la Cultura, 2014).

La generación de ambientes de aprendizaje centrados en el estudiante permiten abordar

algunas de las deficiencias de los modelos de educación tradicional, cuya visión es un mismo

modelo de educación sirve para todos (Hannafin et al., 1997). En ese sentido un ambiente

personalizado está diseñado para adaptarse a las necesidades, intereses, ritmos y estilos de

aprendizaje del estudiante; esto a partir de las estrategias didácticas que se implementan para que

los alumnos reciban instrucción orientada a explotar sus habilidades y conocimientos previos, así

como para identificar y atender sus debilidades (Dabbagh & Kitsantas, 2012).

3

Para llevar a cabo lo anterior es necesario la implementación de dos mecanismos:

1. Un primer mecanismo que permita entender la situación del estudiante en términos de su

estado afectivo y cognitivo, conocimientos previos, habilidades, intereses particulares,

comportamiento ante situaciones relacionadas al proceso de enseñanza-aprendizaje, ritmo y estilo

de aprendizaje;

2. y un segundo mecanismo que -una vez que se conoce al estudiante- permita generar

ambientes de aprendizaje personalizados que se adapten a las características propias de cada uno.

Aunque los ambientes de aprendizaje personalizados contribuyen a lograr una educación

integral y de calidad, establecer uno como parte del modelo de educación tradicional es complejo

debido a los retos y problemas que esto conlleva, ya que implica que los profesores orienten sus

esfuerzos a conocer a cada uno de sus estudiantes y propicien el aprovechamiento optimizando el

aprendizaje con base en las fortalezas y debilidades de cada uno de ellos.

Identificar y analizar aspectos que permitan conocer características del estudiante, como su

estilo de aprendizaje, requiere que los profesores adquieran conocimientos relacionados con las

teorías y modelos que los sustentan. Una estrategia para abordar este reto ha sido la incorporación

al proceso de enseñanza-aprendizaje de herramientas tecnológicas capaces de generar un modelo

de usuario a partir de monitorear su comportamiento, así como de crear ambientes de aprendizaje

personalizados a partir de este (Corbett, Koedinger, & Anderson, 1997; Graesser, Conley, &

Olney, 2012). Sin embargo el desarrollo de una plataforma de aprendizaje personalizado requiere

incorporar mecanismos que son diseñados en base a: 1) el tópico particular que se pretende

enseñar; 2) los conocimientos (nivel actual y debilidades), progreso en la adquisición del

conocimiento (ritmo y estilo de aprendizaje) y motivación e intereses que requiere o usualmente

4

presenta el estudiante de dicho tópico; y 3) las estrategias y componentes didácticos que facilitan

su enseñanza y aprendizaje (Lerís & Sein-Echaluce, 2011).

Una solución para crear ambientes de aprendizaje personalizados es mediante la

construcción de un Sistema Tutor Inteligente (ITS por sus siglas en inglés, Intelligent Tutoring

System). En este sentido incluir un mecanismo para la identificación del estilo de aprendizaje de

los usuarios de un ITS es crucial para que dicha plataforma sea capaz de entender y adaptarse a la

forma en que los usuarios logran sus objetivos de aprendizaje.

En particular la identificación del estilo de aprendizaje permitirá al ITS determinar los

elementos que deben conformar un ambiente de aprendizaje personalizado, ya que éste puede

incluir una variedad de:

Estrategias didácticas.

Contenidos de aprendizaje.

Actividades de aprendizaje.

Estrategias de retroalimentación.

Herramientas tecnológicas de soporte para la enseñanza.

Estrategias para la comunicación efectiva.

Estrategias para motivar a los alumnos.

Así mismo las estrategias basadas en el modelo educativo tradicional pueden ser

complementadas con este tipo de herramientas tecnológicas, las cuales proveen al estudiante de un

ambiente de aprendizaje personalizado y se adaptan a sus estilos de aprendizaje, así como a otros

aspectos complementarios, tales como la motivación, desempeño y conocimiento previo.

5

Trabajos relacionados

En los trabajos relacionados con la identificación automática de estilos de aprendizaje el modelo

Felder es el más referenciado y su cuestionario para medir estilos (Índice de Estilos de

Aprendizaje [ILS]) es el más usado. Este modelo considera cuatro dimensiones que se describen a

detalle en el marco teórico y en el uso del instrumento. A saber: procesamiento, percepción,

entrada y entendimiento.

El 70% de los 27 trabajos revisados en Feldman, Monteserin y Amandi (2014) tomaron

como base cuando menos una de las cuatro dimensiones de este modelo. Una razón puede ser el

hecho que el instrumento utilizado en este modelo cuenta con estudios de validez y consistencia

interna con resultados aceptables (estos indicadores se reportan en la sección de instrumentos en

la metodología). Adicionalmente es un modelo que es computable, es decir, procesable por una

aplicación computacional. Esto permite automatizar el proceso de identificación de estilos con

base en el modelo teórico.

Sin embargo no todas las dimensiones fueron consideradas en algunos trabajos. Por

ejemplo, en Crockett Latham, Mclean, Bandar y The (2011) solo consideran las dimensiones de

percepción y entendimiento; en Carver, Howard y Lane (1999), Zatarain-Cabada, Barron-Estrada,

Angulo, García & García (2010a,b) la dimensión de procesamiento no fue considerada; y

finalmente, en García, Amandi, Schiaffino y Campo (2007), García, Schiaffino y Amandi (2008),

Villaverde, Godoy y Amandi (2006) y Yannibelli, Godoy y Amandi (2006), la dimensión de

entrada no fue detectada (Feldman et al., 2014).

Con relación al instrumento ILS, Felder et al. (2014), encontraron que se ha utilizado en la

identificación automática de estilos de aprendizaje con dos objetivos diferentes: 1) para iniciar el

modelo de usuario, lo cual permite que el entorno inteligente de aprendizaje adapte la instrucción

6

desde el principio de la sesión de aprendizaje; y 2) para evaluar el desempeño del mecanismo para

la identificación automática de estilos de aprendizaje.

Finalmente la literatura sobre Sistemas Tutores Inteligentes (ITS, por sus siglas en inglés)

reporta pocos esfuerzos respecto a fusionar la información obtenida a partir de comportamientos y

reacciones emocionales del usuario con otros factores como su rendimiento y capacidad de

evolución para entender su forma de aprender y lograr sus objetivos de aprendizaje (Mora-Torres,

Laureano-Cruces, & Velasco-Santos, 2011).

En la tabla 1 se listan los trabajos de mayor relevancia relacionados a este proyecto de

investigación, ya que representan el estado del arte en el campo de la identificación automática de

estilos de aprendizaje.

Tabla 1. Principales trabajos relacionados a la identificación automática de estilos de aprendizaje

Principales trabajos relacionados a la identificación automática de estilos de aprendizaje

Cita Título Comentarios

Dung, P. & Florea, A.

(2012)

An approach for detecting

learning styles in learning

management systems based

on learners’ behaviors

Utilizaron una estrategia basada en la

literatura. Para evaluar la precisión del método,

usaron las mediciones propuestas por García et

al. (2007)

Feldman, J.,

Monteserin, A. &

Amandi, A. (2015)

Automatic detection of

learning styles: state of the

art.

Se analizaron 27 trabajos basados en diferentes

enfoques para la detección automática de

estilos. Los resultados se pretenden sean

utilizados como un revisión del rendimiento de

la detección automática de estilos de aprendizaje.

Graf, S., Kinshuk, &

Liu T. (2008)

Identifying Learning Styles

in Learning Management

Systems by Using

Indications from Students’

Behaviour

Proponen algunos indicadores para la

identificación automática de estilos de

aprendizaje basada en el modelo Felder-

Silverman

Zatarain-Cabada, R.,

Barrón-Estrada, M.,

Angulo, V., García, A.

& García, C. (2010)

Identification of Felder-

Silverman Learning Styles

with a Supervised Neural

Network

La identificación de los estilos de aprendizaje es

llevada a cabo usando mapas auto organizados

7

La identificación automática de estilos de aprendizaje y el estado del arte de la misma se

representa en la figura 1 con el propósito de visualizar claramente los elementos y pasos que la

componen. Este proceso consiste en construir el modelo de usuario que describe las preferencias

de aprendizaje de los estudiantes mediante el uso de una plataforma tecnológica. Esto significa

que el comportamiento de los estudiantes es monitoreado por la plataforma y recopilado en el

modelo de usuario. Posteriormente una técnica de detección automática es aplicada al modelo de

usuario. Esta técnica es inicialmente entrenada usando el modelo de usuario y los resultados del

instrumento de identificación de estilos de aprendizaje (LSII por sus siglas en inglés, Learning

Style Identification Instrument) obtenidos de un grupo inicial de estudiantes. Después del

entrenamiento la técnica de detección automática está habilitada para clasificar nuevos estudiantes

usando su modelo de usuario (Feldman et al., 2014).

Sistema

Educacional

Variables del

modelo de usuarioMonitorea

Modelo de usuario

Genera

Técnica de

detección

automática

AlimentaClasificación de

estudiantesDetecta

Resultados de

LSIIEntrena

Figura 1. Adaptación del proceso de detección automática de estilos de aprendizaje.

Fuente: (Feldman, Monteserin, & Amandi, 2014).

En ese sentido un enfoque para la detección de estilos de aprendizaje de forma automática

que considere la integración con diferentes plataformas educacionales sería muy valioso, ya que

una característica común de los enfoques utilizados por los investigadores es que el modelo de

8

usuario y la técnica de detección automática están altamente acoplados a la plataforma

educacional (Coffield, Moseley, Hall y Ecclestone, 2004).

La detección automática de los estilos de aprendizaje aborda varias cuestiones relacionadas

con la aplicación de cuestionarios como la falta de motivación en los estudiantes, la elección

arbitraria de respuestas, los estudiantes influenciados por preguntas y la falta de conciencia sobre

sus propias preferencias. La detección automática parece ser una alternativa apropiada a los

cuestionarios, ya que además de abordar las cuestiones antes mencionadas han demostrado una

precisión de entre casi el 70% a más del 90%. Sin embargo, utilizar un cuestionario es una

práctica educativa común, ya que es una manera más simple para que un sistema educacional

pueda proveer adaptación de contenidos inmediatamente después de que este es contestado. En

contraste un enfoque basado en la detección automática requiere que el estudiante utilice el

sistema por un tiempo con el fin de detectar automáticamente las preferencias de estilo de

aprendizaje para luego adaptar el material (Feldman et al., 2014).

Problema de investigación

El Instituto Tecnológico de Sonora (ITSON), con el fin de mantener actualizados sus programas

educativos en relación con las necesidades actuales de la sociedad, realiza una reestructuración

curricular cada siete años a sus programas de licenciatura e ingeniería. En la reestructuración del

2002 la institución decidió adoptar el Enfoque Basado en Competencias (EBC) y se establecieron

cuatro tipos de cursos que formarían parte de todos los programas de estudio (Del Hierro &

Torres, 2004):

Formación general. Centrado en dotar al estudiante de las competencias básicas y

genéricas para desempeñarse como miembro de la sociedad, considerando aspectos

socioeconómicos, políticos y culturales.

9

Formación especializada básica. Se enfoca en habilitar a los alumnos en las competencias

genéricas propias de la profesión que eligieron.

Formación especializada aplicada. Dirigida a la formación de competencias específicas,

con lo que se prepara al futuro profesionista para su integración en el ámbito laboral.

Práctica profesional. Durante esta etapa el universitario debería responder a una necesidad

o problemática de índole profesional a través del desarrollo de proyectos en empresas,

organizaciones o instituciones.

Posteriormente se llevó a cabo la reestructuración para el plan 2009, el cual también fue

diseñado bajo el enfoque de la EBC (ITSON, 2009) en donde sigue vigente la clasificación de los

cursos en formación general, especialidad básica, especializada aplicada y práctica profesional.

Una de las asignaturas que cursan los alumnos del programa de Ingeniería en software en la

categoría especialidad básica es Algoritmos Computacionales. Este se imparte durante el primer

semestre en modalidad presencial apoyada con TIC (virtual-presencial).

Una de las dificultades a las que se enfrentan los estudiantes de educación superior en las

carreras asociadas a las ciencias de la computación e informática es el aprendizaje de Algoritmos

Computacionales (Gomes & Mendes, 2007; Figueroa et al., 2005; Jenkins, 2002; Moroni &

Señas, 2005). El curso de Algoritmos Computacionales tiene el objetivo de desarrollar en los

estudiantes universitarios habilidades fundamentales para el análisis, formulación y solución de

problemas. Estos cursos son de importancia ya que representan el primer contacto de los

estudiantes con la programación de computadoras con un paradigma distinto a la programación

secuencial. Así mismo proveen los fundamentos necesarios para que el estudiante sea capaz de

diseñar y construir programas computacionales más complejos usando diferentes lenguajes de

programación.

10

Una evidencia de la dificultad que representa dicha área para los estudiantes en el ITSON

es el índice de reprobación, que en los últimos cuatro años promedia un 50%, es decir, la mitad de

los estudiantes reprueba. De igual forma en el mismo período de tiempo el índice de deserción

(baja voluntaria del curso) está alrededor de un 21%. Al respecto, en las entrevistas con los

estudiantes que deciden dar de baja el curso, evidencian una percepción de insatisfacción hacia los

materiales, así como la dinámica de la clase cuando esta consiste en leer material teórico en PDF.

En particular, con base en la experiencia de los profesores que imparten Algoritmos

Computacionales en la carrera de Ingeniero en Software en el Instituto Tecnológico de Sonora, se

estima que algunas de las causas que dificultan el aprendizaje de Algoritmos Computacionales son

derivadas del modelo de educación tradicional implementado en las instituciones de educación

superior, en el cual, como se explicó anteriormente, el proceso de enseñanza-aprendizaje concibe

como principal actor al docente minimizando el rol del alumno a un sujeto receptor de

información. Además no toma en cuenta las diferencias de cada estudiante reconociendo sus

diversos contextos, intereses, maneras de aprender y gustos que permitan desarrollar en cada uno

de ellos su máximo potencial (Unesco, 2014).

El aprendizaje de Algoritmos Computacionales implica el desarrollo de la capacidad de

análisis, comprensión y resolución de problemas, aparte de la necesidad del estudiante de aprender

conceptos relacionados al desarrollo de algoritmos. Esto demanda un proceso de enseñanza-

aprendizaje que provea una atención personalizada al estudiante debido a que: 1) usualmente este

curso se imparte en los primeros semestres de la carrera; 2) los estudiantes ingresan con perfiles

diferentes (algunos tienen estudios de nivel medio superior en contabilidad o administración); y 3)

cada estudiante tiene un ritmo y estilo de aprendizaje diferente. Sin embargo, debido a

restricciones presupuestales, de infraestructura y recursos humanos, los grupos que se forman son

11

numerosos, lo que hace complejo generar ambientes de aprendizaje centrados en el estudiante que

permitan desarrollar las habilidades necesarias para el estudio de Algoritmos Computacionales.

Las características propias del modelo curricular por competencias en ITSON no

representa un obstáculo para implementar un modelo de educación centrado en el estudiante, sin

embargo los grupos numerosos y la diversidad de alumnos en los cursos sí representan un reto.

Una de las estrategias más comunes en la caracterización de estudiantes con el fin de

generar entornos centrados en el estudiante, es el uso de cuestionarios para la identificación de los

estilos de aprendizaje. Sin embargo este método ha sido sujeto de algunas críticas (Feldman et. al,

2014). Llenar un cuestionario es una tarea aburrida que requiere trabajo adicional de los

estudiantes, dado que algunos tienen más de 100 preguntas; los alumnos tienden a elegir

respuestas arbitrariamente si no están conscientes de la importancia o los usos futuros del

cuestionario; los respondientes pueden ser influenciados por la forma en que los cuestionarios son

formulados, lo que puede llevarlos a dar respuestas percibidas como más apropiadas; los

cuestionarios asumen que los estudiantes están conscientes de sus preferencias de aprendizaje,

pero este no es siempre el caso; y finalmente los estilos de aprendizaje pueden variar a lo largo del

tiempo.

En este sentido se plantea la necesidad de generar un entorno de aprendizaje centrado en el

estudiante mediante la integración de herramientas tecnológicas al proceso de enseñanza-

aprendizaje de algoritmos computacionales mediante un mecanismo que permita caracterizar a los

estudiantes a partir de sus estilos de aprendizaje. Por lo anterior se plantea la siguiente pregunta:

¿cómo identificar los estilos de aprendizaje de estudiantes a través del análisis de la navegación y

uso de una plataforma tecnológica?

12

Objetivos

General

Desarrollar un modelo de identificación de estilos de aprendizaje en estudiantes de educación

superior mediante el análisis, la navegación y uso de una plataforma tecnológica con el fin de

contribuir en el desarrollo de plataformas de aprendizaje centradas en el estudiante.

Específicos

Generar un modelo de estudiante para plataforma tecnológica abierta basado en

comportamiento y estilos de aprendizaje.

Identificar la relación entre el comportamiento de estudiantes mientras usan una

plataforma tecnológica abierta y su estilo de aprendizaje.

Validar el modelo propuesto para la identificación automática de estilos de aprendizaje a

partir de su contrastación con la identificación a través de cuestionarios de auto-reporte

Preguntas de Investigación

La presente investigación pretende responder las siguientes interrogantes:

¿De qué manera una plataforma tecnológica de acceso libre ayudaría a identificar el estilo

de aprendizaje del estudiante?

¿Cuál es la relación entre el comportamiento de estudiantes mientras usan una plataforma

tecnológica de acceso libre y su estilo de aprendizaje identificado previamente a través de

un instrumento de auto reporte para ese propósito?

¿Cuál es el grado de coincidencia entre los estilos de aprendizaje identificados por el

modelo propuesto y los identificados por el instrumento de auto reporte?

13

Justificación

El diseño, implementación y validación de un mecanismo para la identificación automática de

estilos de aprendizaje representa el primer paso hacia el desarrollo de una plataforma tecnológica

de aprendizaje personalizado. Esta plataforma ofrecerá una alternativa para abordar algunos de los

problemas relacionados al aprendizaje de Algoritmos Computacionales en sistemas de educación

superior, particularmente en el curso de Algoritmos Computacionales de la carrera de Ingeniero

en Software del Instituto Tecnológico de Sonora. Así mismo el desarrollo de esta plataforma de

aprendizaje personalizado permitirá la exploración de metodologías de implementación

generalizables para su aplicación en otros niveles de la educación y en otros dominios de

aplicación.

En particular -con la realización del presente proyecto- se espera obtener los siguientes

beneficios:

Aportaciones empíricas en la generación de modelos para la identificación automática de

estilos de aprendizaje basada en datos (data driven aproach).

Generación de conocimiento y tecnologías que impacten de manera positiva y directa en la

sociedad en general debido a sus aplicaciones en las diferentes áreas de la educación y el

entrenamiento atribuyendo relevancia social y científica a este proyecto.

Desarrollo tecnológico basado en fundamentos científicos de distintas áreas del

conocimiento fortaleciendo los aspectos metodológicos del diseño y desarrollo de

tecnología educativa.

Entorno de aprendizaje que ofrece a los investigadores de áreas, como la educación y la

pedagogía, una herramienta útil para la investigación, desarrollo y evaluación de

estrategias de aprendizaje personalizado.

14

Hipótesis

Por la naturaleza de la primera pregunta de investigación no es necesario plantear una hipótesis.

Para responder esta pregunta se hará una revisión de los almacenes de datos y estructuras de la

plataforma tecnológica con el fin de identificar como detectar el comportamiento del estudiante

relacionado con la navegación y uso. Finalmente se responde a esta pregunta mediante la

generación de un modelo de usuario, el cual contiene los mecanismos de extracción de la

información de la plataforma, los valores de cada variable de comportamiento para cada

estudiante y su estilo de aprendizaje.

Para dar respuesta a la pregunta de investigación 2 (¿existe relación entre el

comportamiento de estudiantes mientras usan una plataforma de aprendizaje de abierta y su estilo

de aprendizaje?), se plantean las siguientes hipótesis:

H0: La relación entre el comportamiento de estudiantes mientras usan una plataforma

tecnológica abierta y su estilo de aprendizaje es inexistente.

H1: Existe relación entre el comportamiento de estudiantes mientras usan una plataforma

tecnológica abierta y su estilo de aprendizaje.

Para dar respuesta a la pregunta de investigación 3 (¿cuál es el grado de coincidencia entre

los estilos de aprendizaje identificados mediante un cuestionario y los identificados por el modelo

propuesto?) se plantean las siguientes hipótesis:

H1: El grado de coincidencia entre las clasificaciones obtenidas por el modelo propuesto y

el cuestionario es mayor o igual al 80%

H0: El grado de coincidencia entre las clasificaciones obtenidas por el modelo propuesto y

el cuestionario es menor al 80%

Delimitaciones

15

El presente estudio se realizó en el Instituto Tecnológico de Sonora Campus Náinari,

ubicado en Ciudad Obregón, Sonora. El estudio fue realizado en el período comprendido entre

enero del 2015 y mayo 2017. Los estudiantes participantes estuvieron inscritos en la carrera de

Ingeniero en Software en el período enero-mayo 2016.

La aplicación de los instrumentos se realizó durante dos semanas en los laboratorios de

cómputo donde se llevan a cabo las clases. Cada laboratorio cuenta con 28 equipos. El monitoreo

del comportamiento de los estudiantes se realizó de enero a mayo del 2016 durante el semestre

regular de clases. Durante la aplicación de instrumentos y el monitoreo de comportamientos no se

presentaron saturaciones ni problemas técnicos en la plataforma. Si alguna computadora no tenía

acceso a internet ya sea para ingresar a la plataforma o al instrumento en su versión electrónica, se

solicitaba en cada caso que el estudiante se cambiara de equipo de cómputo.

16

Capítulo II. Marco teórico

Este capítulo presenta el marco teórico formado por constructos, conceptos, teorías y trabajos

empíricos que aportan los fundamentos relacionados al objeto de estudio tomando en cuenta cinco

elementos: las plataformas tecnológicas de aprendizaje, el comportamiento de los estudiantes

dentro de las plataformas, el modelo de usuario, las técnicas de clasificación automática y los

estilos de aprendizaje.

Teorías de estilos de aprendizaje

Keefe (1979) define los estilos de aprendizaje (EA) como comportamientos cognitivos, afectivos

y psicológicos característicos que sirven como indicadores relativamente estables de cómo los

estudiantes perciben, interactúan con y responden al ambiente de aprendizaje. Los modelos de

estilo de aprendizaje permiten clasificar a los estudiantes en una serie de escalas relativas a las

formas que perciben y procesan la información (Felder & Silverman, 1988) y especifican un

número de dimensiones que proporcionan colectivamente una buena base para diseñar una

instrucción efectiva (Felder, 2010). Además, cada uno de ellos está asociado con un instrumento

que permite a los profesionales de la educación identificar las preferencias de los estudiantes

(Feldman et. al., 2014).

En Coffield et al. (2004) se identificaron 71 modelos de estilos de aprendizaje de los

cuales se seleccionaron 13 como los más relevantes con base en uno o más de los siguientes

criterios: su importancia teórica en el campo de estilos de aprendizaje, su uso generalizado, ya sea

comercialmente o académicamente, y finalmente su influencia en otros modelos. Algunos de

ellos son el de Dunn y Dunn, Myers-Briggs y Honey y Mumford. Debido a que este trabajo

pretende la identificación automática de estilos de aprendizaje, solamente se describen a detalle

los más utilizados en ese contexto.

17

Estilos de aprendizaje en la identificación automática

En este apartado se describen los modelos de estilos de aprendizaje más utilizados en los trabajos

relacionados con la identificación automática de los mismos, según Feldman et al. (2004) y que

han sido ampliamente aceptados por profesionistas en el campo de la computación.

David Kolb.

El Modelo de estilos de aprendizaje de David Kolb está basado en la teoría del aprendizaje

experiencial (Kolb, 1984). Esta teoría describe un proceso de cuatro fases: experiencia concreta,

observación reflexiva, formulación de conceptos, generalizaciones abstractas y experimentación

activa. Lo anterior es la base del modelo a partir de lo cual se definen los siguientes estilos de

aprendizaje:

Acomodador. Describe a los estudiantes que les gusta hacer cosas de manera activa,

aprenden haciendo por ensayo y error; llevan a cabo planes, experimentos y se involucran

en nuevas experiencias. Los estudiantes acomodadores incluso disfrutan trabajar con otros.

Divergente. A los estudiantes les gusta ver situaciones concretas desde perspectivas

diferentes. Se interesan en las personas y tienden a estar orientados por los sentimientos.

Convergentes. Los estudiantes gustan de encontrar aplicaciones prácticas a las ideas, la

solución de problemas y la toma de decisiones. Prefieren lidiar con problemas técnicos que

con cuestiones interpersonales.

Asimilador. A los alumnos les gusta el razonamiento inductivo y asimilar observaciones

dispersas en una explicación integral. Gustan de los conceptos e ideas abstractas así como

de crear modelos teóricos. Están interesados en las teorías más que en las personas.

18

Cinco versiones de un instrumento para su medición han sido diseñados en los últimos 35

años (Feldman, 2014). El Inventario de Estilos de Aprendizaje (LSI, por sus siglas en inglés) está

compuesto por 12 ítems donde se solicita a los respondientes asignar un rango de valores a las

terminaciones de cuatro enunciados correspondientes a cada una de las dimensiones del modelo.

Felder-Silverman.

1. El modelo Felder-Silverman está basado en las ideas de David Kolb y Myers-Briggs y es

identificado por Jegatha Deborah (2014) como el modelo adecuado para el e-learning.

Felder establece que el proceso de aprendizaje puede mejorar empatando el estilo del

educador con el del estudiante (Felder & Silverman, 1988). En este modelo los estudiantes

son caracterizados por valores en cuatro dimensiones cada una en donde se definen dos

estilos de aprendizaje opuestos. Procesamiento: describe la forma en que la información

percibida se convierte en conocimiento. Los estilos de aprendizaje de esta dimensión son:

• Activo: los aprendices no aprenden mucho en situaciones donde se requiere que

sean pasivos. Trabajan mejor en grupos y tienden a ser experimentales.

• Reflexivo: los estudiantes no aprenden mucho en situaciones donde no se les

presenta oportunidad para reflexionar/pensar sobre la información presentada.

Trabajan mejor solos. Tienden a ser teóricos.

2. Percepción: está relacionada con el tipo de información que un estudiante prefiere percibir.

Los estilos asociados son:

• Sensitivo: se enfocan en los hechos, datos y experimentación. Les gusta resolver

problemas con métodos estándares y les disgustan las sorpresas. Son pacientes con

los detalles pero no con las complicaciones. Son buenos memorizando hechos. Son

cuidadosos pero podrían ser lentos.

19

• Intuitivo: prefieren teorías y principios, les gusta la innovación y desagrada la

repetición, se aburren con los detalles y gustan de las complicaciones. Son buenos

para entender nuevos conceptos, son rápidos pero pueden ser descuidados.

3. Entrada: considera la manera en que los estudiantes prefieren recibir información externa.

Los estilos de aprendizaje son:

• Visual: recuerdan mejor lo que ven: imágenes, diagramas, diagramas de flujo,

filminas, demostraciones.

• Verbal: recuerdan mucho más lo que escuchan y después dicen.

4. Entendimiento: describe la forma en que el estudiante progresa hacia el entendimiento.

Sus estilos son:

• Secuencial: siguen un proceso de razonamiento lineal cuando resuelven problemas.

Pueden trabajar con material cuando lo comprenden parcial o superficialmente.

• Global: pueden dar saltos intuitivos y podrían no poder explicar cómo llegaron a

una solución. Tendrían incluso grandes dificultades en entender información

parcial.

Este modelo mide los estilos de aprendizaje mediante el cuestionario ILS (Índice de Estilos de

Aprendizaje, por sus siglas en inglés). Está compuesto por 44 preguntas (11 para cada dimensión

del modelo) y cada pregunta tiene dos opciones mutuamente exclusivas.

Ritha y Kenneth Dunn

Dunn y Dunn (1975) describen el estilo de aprendizaje como “la manera en la que 18 elementos

diferentes, que proceden de 4 estímulos básicos, afectan la habilidad de una persona para absorber

y retener información, valores, hechos y conceptos”. (Guild y Garger, 1998, pp. 100). Lozano

20

(2000) ejemplifica la forma como esos elementos se agrupan (ver Figura 2) considerando que

dichos elementos eran 18 en un inicio y posteriormente se agregaron 6 haciendo un total de 24.

Figura 2. Elementos y estímulos del modelo Dunn y Dunn (1999).

Fuente: Lozano (2000).

Dunn y Dunn propusieron un cuestionario al que llamaron Inventario de Estilos de

Aprendizaje (LSI) compuesto de 100 ítems y requiere de aproximadamente 30 minutos para

aplicarlo. El instrumento está enfocado para alumnos de tercer al décimo segundo grado del

sistema educativo de EEUU (García, Santizo y Alonso, 2009).

Anthony Gregorc

El modelo de estilos mentales provee una manera organizada de considerar como la mente trabaja.

Es una versión modificada de las dimensiones de Kolb enfocándose en el procesamiento aleatorio

y secuencial de la información. Gregorc identifico cuatro distintos tipos de estilos a los que

denominó: Concreto secuencial (CS), Abstracto secuencial (AS), Abstracto aleatorio (AR), y

Concreto aleatorio (CR). Cada uno de estos cuatro tipos de estilo tiene distintas preferencias y

maneras de aprender mejor (Gregorc, 2002):

CS. Prefieren las cosas ordenadas, la secuencia lógica, seguir instrucciones, las cosas predecibles

y hechos concretos. Aprenden mejor cuando tienen un entorno estructurado de aprendizaje,

21

pueden contar con otros para completar la tarea, son enfrentados a situaciones predecibles, pueden

aplicar ideas de manera pragmática.

AS. Le gusta que sean escuchados sus puntos, analizar la situación antes de tomar una decisión o

actuar, aplicar lógica en resolver o encontrar soluciones a los problemas. Aprenden mejor cuando

tienen acceso a expertos o referencias, en entornos estimulantes y cuando se les permite trabajar

solos.

CR. Les gusta experimentar para encontrar respuestas, tomar riesgos, usar su intuición, resolver

problemas de manera independiente. Apenden mejor cuando pueden aplicar estrategias de prueba

y error, pueden competir con otros, se les permite trabajar en los problemas por ellos mismos.

AR. Les gusta escuchar a los demás, traer armonía a las situaciones de grupo, establecer

relaciones saludables, enfocarse en los asuntos a la mano. Aprenden mejor cuando se encuentran

en entornos personalizados, se les brinda lineamientos generales, se les permite participar en

actividades grupales, se les permite mantener relaciones de amistad.

El instrumento que se utiliza para medir estos estilos de aprendizaje es el Delineador de Estilos de

Gregorc (GSD) que se basa en la priorización de 10 series de palabras, que revelan las

preferencias del aprendizaje. El test tiene una duración de cinco minutos y es reforzado mediante

la observación directa y las entrevistas (García, Santizo y Alonso, 2009).

Plataformas tecnológicas de aprendizaje

En la literatura se utilizan diferentes términos para referirse a las plataformas tecnológicas con

fines educativos, por ejemplo: Sistema de Gestión de Contenido (SGC), Sistema de Gestión del

Aprendizaje (SGA), Entornos Virtuales de Aprendizaje (EVA), Sistemas Educativos Hipermedia

(SEH), Sistemas Educativos Basados en Web (SEBW), Sistemas Tutores Inteligentes (STI),

Sistemas de Aprendizaje Adaptativo (SAA), Plataformas e-learning, entre otros (Osuna & De La

22

Cruz, 2010; Muñoz, 2006; Pampillón, 2009; Feldman et al., 2014; Juan & Franci, 2011). En los

siguientes apartados se describe a detalle las características que distinguen a distintos tipos de

plataformas tecnológicas de aprendizaje considerados como los más relevantes desde la

perspectiva de este trabajo.

Sistemas de Gestión del Aprendizaje o Plataformas Tecnológicas (LMS).

Los sistemas de gestión del aprendizaje o plataformas tecnológicas son herramientas que se han

beneficiado en gran medida de los avances tecnológicos y se han convertido en un mecanismo

para mejorar y ampliar los sistemas educativos tradicionales (Zoube, 2009; Watson & Watson,

2007; Yueh, & Hsu, 2008). Las plataformas tecnológicas son herramientas que permiten la

creación de entornos de aprendizaje virtuales que incluyen componentes para agregar y mostrar

material académico (por ejemplo, lecturas, ejercicios y pruebas), comunicación, definir secuencias

de actividades, entre otras cosas. Las plataformas tecnológicas también incluyen mecanismos

para monitorear el comportamiento académico de los estudiantes y poner estos datos a disposición

de los maestros para mediar en el proceso de aprendizaje.

Aunque las plataformas tecnológicas han aprovechado la tecnología para gestionar

diversos tipos de contenidos (por ejemplo multimedia) para ofrecer una diversidad de mecanismos

de comunicación, gráficos complejos y mecanismos eficaces de seguimiento del comportamiento

del usuario, las plataformas tecnológicas todavía necesitan mecanismos para proporcionar

entornos educativos virtuales en que los estudiantes sean considerados los principales actores en el

diseño de su proceso de aprendizaje contribuyendo así a aumentar la calidad de los sistemas

educativos [Graf, Shuk, & Liu (2008); Watson & Watson, 2007). Esta preocupación es crucial en

el desarrollo académico del individuo, ya que se ha reconocido que los estudiantes tienen

diferencias en la forma de adquirir y procesar la información (Felder & Silverman, 1988; Kolb &

23

Kolb, 2005). Hay varias maneras de involucrar a los estudiantes en el diseño de su proceso de

aprendizaje. Por ejemplo la supervisión del desempeño académico y las emociones de los alumnos

puede informar cómo los estudiantes perciben su proceso de aprendizaje y ayudan a inferir sus

intereses académicos. En última instancia esta información se vuelve útil para personalizar el

entorno de aprendizaje del usuario en una plataforma tecnológica. Aunque varios esfuerzos han

sido reportados en la literatura, estas propuestas suelen ser diseñadas y desarrolladas para

propósitos académicos muy específicos y validados en ambientes muy controlados (Feldman et

al., 2014; Latham, Crockett, McLean & Edmonds, 2012).

Sistemas Tutores Inteligentes

Las plataformas tecnológicas de aprendizaje personalizado o Sistemas Tutores Inteligentes (ITS

por sus siglas en inglés, Intelligent Tutoring System) surgen a partir de la necesidad de atender los

problemas y debilidades del modelo educativo tradicional. Un ITS es diseñado para guiar al

estudiante en el proceso de aprendizaje emulando el comportamiento de un tutor (Corbett, 1997;

Graesser, 2012). Proveen ambientes educativos en los que el estudiante participa como

colaborador en el proceso de enseñanza-aprendizaje. En particular Giraffa, Nunes, y Viccari,

(1997) lo definen como un sistema de software que utiliza técnicas de la inteligencia artificial para

crear ambientes de aprendizaje que consideren los diversos estilos cognitivos de los alumnos que

utilizan el programa.

Las plataformas tecnológicas de aprendizaje personalizado incorporan mecanismos que

permiten identificar diversos aspectos relacionados al aprendizaje, tales como conocimientos

previos, intereses, evolución a través de las actividades de aprendizaje, el tipo de elementos

didácticos que favorecen el aprendizaje del estudiante, así como su estado afectivo y cognitivo al

momento de realizar actividades particulares (Graesser et al., 2012). Mediante el monitoreo y

24

análisis de este tipo de características los ITS son capaces de generar ambientes de aprendizaje

personalizados que se adaptan al estilo de aprendizaje del usuario y que proveen retroalimentación

cuando este lo requiere (Corbett, 1997; Graesser, 2012). Estos ambientes personalizados incluyen

estrategias didácticas, actividades de aprendizaje, herramientas de comunicación, componentes

pedagógicos y otros elementos educativos que se adaptan al estilo de aprendizaje particular de un

estudiante. Para esto las plataformas de aprendizaje personalizado implementan técnicas de

inteligencia artificial que permiten (Corbett et al., 1997):

• Monitorear el desempeño académico del estudiante y su capacidad de evolución.

• Determinar intereses particulares del estudiante.

• Identificar estados cognitivos y afectivos en tiempo real.

• Identificar la forma en que resuelve problemas.

• Generar un diagnóstico del estilo de aprendizaje del usuario (modelo de usuario).

• Seleccionar medios y recursos adecuados al estilo de aprendizaje del usuario.

• Definir los objetivos a lograr por el estudiante.

• Definir planes y organizar el proceso de aprendizaje.

• Determinar estrategias para mejorar la comunicación con el estudiante.

• Determinar estrategias para motivar a los alumnos en sus actividades

• Proveer retroalimentación pertinente al estudiante.

• Adaptarse al estilo de aprendizaje del estudiante definiendo y aplicando estrategias

pedagógicas de enseñanza apropiadas.

Los ITS varían respecto al nivel de inteligencia que incorporan para asistir y guiar al

estudiante en su proceso de aprendizaje. Algunos de los beneficios que ofrecen este tipo de

plataformas tecnológicas son las siguientes (Graesser et al., 2012):

25

• Permiten desarrollar y explotar las habilidades y competencias propias del estudiante.

• Generan ambientes en base en los intereses y estilos de aprendizaje del estudiante.

• Permiten la participación activa del estudiante dentro del proceso de enseñanza-

aprendizaje.

• Generan planes de trabajo adecuados a la capacidad de evolución del estudiante para lograr

sus objetivos de manera exitosa.

• Permiten lograr ambientes de aprendizaje flexibles donde el usuario decide dónde, cuándo,

qué y cómo aprender.

Modelo de estudiante

En el contexto de las plataformas tecnológicas de aprendizaje al modelo de usuario se le conoce

como modelo de estudiante (Chrysafiadi & Virvou, 2013). Un modelo de usuario es la parte de un

sistema que almacena información relacionada con las características relevantes de dicho usuario.

Estas varían dependiendo del tipo y objetivo de la aplicación para la que fueron diseñadas y por lo

tanto el modelo de usuario es diferente en cada plataforma de aprendizaje. Por ejemplo, las

cadenas comerciales están interesadas en conocer sobre una persona, cuáles son los tipo de

producto que compra, con qué frecuencia, el código postal de su domicilio, nivel socioeconómico,

estado civil, entre otros (Rodríguez, 2011).

Un modelo de usuario es la base para la personalización en plataformas tecnológicas de

aprendizaje y en este contexto se mencionan en la literatura como modelo de estudiante

(Chrysafiadi & Virvou, 2013). Un modelo de estudiante como la parte del sistema que almacenan

los datos iniciales, como su perfil cognitivo, conocimientos, calificaciones previas y objetivos de

aprendizaje. Además esta información se completa con los datos que genera el estudiante en el

26

proceso formativo: actividades realizadas, pruebas realizadas, resultados, etc. Las funciones del

modelo de estudiante son: asistir al usuario durante el aprendizaje de una materia, ofrecer

información ajustada al usuario, adaptar la interfaz, ayudar el usuario a encontrar información, dar

feedback sobre sus conocimientos, facilitar el trabajo colaborativo y dar asistencia sobre el uso del

propio sistema (UNIR,2013).

La figura 3 representa algunas de las variables que un modelo de estudiante puede incluir,

especificando si dependen del dominio de conocimiento o son independientes del dominio, si se

refieren a aspectos que cambian a través del tiempo o son aspectos estáticos, entre otros.

Figura 3. Variables de un modelo de estudiante.

Tipos de modelo de estudiante para almacenar conocimiento

Los modelos de usuario se clasifican según la forma en la que se almacenan el conocimiento del

estudiante en una plataforma de aprendizaje. UNIR (2013) señala los siguientes modelos:

Modelo escalar (scalar). El nivel de conocimiento de un estudiante relacionado con un

tópico en particular (dominio de conocimiento) se almacena como un valor numérico. Es

27

el dato más sencillo y no da información sobre qué conocimientos concretos tiene el

estudiante dentro de una lección.

Modelo de estereotipo (stereotype). Los estereotipos se definen como un conjunto de las

características del usuario (ejemplo: principiante, intermedio, avanzado). Asignando un

nivel a un estudiante se puede extraer mucha más información.

Modelo de superposición (overlay): Si el conocimiento completo es el dominio, lo que el

estudiante sabe es un subconjunto de ese dominio. El dominio es un conjunto de conceptos

o lecciones. Si se superponen los dos modelos se puede dar un valor numérico (un

porcentaje) que represente lo que sabe el estudiante de cada concepto; así se conoce

exactamente qué partes faltan por aprender y dónde se requiere un esfuerzo mayor o

menor y además ver exactamente qué partes faltan.

Modelo de perturbación (perturbation). El modelo de superposición no permite almacenar

los errores que comete el estudiante durante el aprendizaje. Con este modelo se tiene en

cuenta el conocimiento del alumno como un subconjunto del dominio como ocurre en el

de superposición y al mismo tiempo como un subconjunto de la lista de los posibles

errores sobre un conocimiento. De este modo se pueden seguir los errores, descubrir sus

motivos y actuar en consecuencia.

Modelo plan. Este tipo de modelo es capaz de almacenar la forma en que los contenidos de

un curso se relacionan entre sí y la secuencia adecuada para alcanzar un objetivo. Por

ejemplo: el estudiante aprende primero a sumar, a restar y solo después a multiplicar, y

estos conocimientos a su vez le permiten aprender a hacer divisiones. El modelo contiene

una lista de planes posibles. La actividad del estudiante se compara con estos planes y se

determina cuál es el más adecuado para él.

28

Minería de datos

Generalmente el proceso en la minería de datos consiste en la transformación de información de

bajo nivel en conocimiento de alto nivel donde se siguen los siguientes pasos (Pérez, 2014):

1. Extraer datos objetivos: recolección de datos necesarios para la investigación, evaluar su

calidad y realizar análisis exploratorios de los mismos para familiarizarse con ellos.

2. Preparación de los datos: Incluye la limpieza, transformación, integración y reducción de

datos con la que se intenta mejorar su calidad a la vez que disminuir los tiempos

requeridos por los algoritmos de minería de datos a utilizar posteriormente.

3. Minería de datos: este es el paso más importante del proceso donde se aplican los

algoritmos seleccionados por el investigador con herramientas de software.

4. Interpretación: en este paso se generan conclusiones donde se explica el resultado de la

investigación.

Técnicas de clasificación automática

En minería de datos la clasificación es también descrita como aprendizaje supervisado (Pérez,

2014). Suponiendo que tenemos una base de datos donde a cada registro se le asigna una etiqueta

de clase el objetivo es desarrollar un modelo o perfil para cada clase; por ejemplo, un perfil de

buen crédito es 25 ≤ edad ≤ 40 & ingreso > 40K OR casado = “si”. Los ejemplos de la aplicación

de la clasificación incluyen:

Identificación de huella digital en aplicaciones de seguridad (match, no match).

29

Ubicación de un banco considerando la calidad de los clientes y las posibilidades de

negocio (buena, media, pobre).

Identificación de tanques en un conjunto de imágenes (amigable, enemigo).

El objetivo es predecir la clase Ci = f (x1,…,xn), donde x1,…,xn son los atributos de entrada.

La entrada al algoritmo de clasificación es de manera típica, un conjunto de registros de

entrenamiento con varios atributos independientes y un atributo dependiente. El resto (los

atributos predictores) pueden ser numéricos o categóricos. Si el atributo dependiente es categórico

el problema es llamado clasificación y el atributo dependiente es conocido como etiqueta de clase.

Por otra parte, si el atributo dependiente es numérico el problema es denominado regresión. El

objetivo de la clasificación y regresión es construir un modelo de distribución conciso del atributo

dependiente en función de los atributos predictores. El modelo resultante es usado para asignar

valores a una base de datos con registros de prueba donde los valores de los atributos predictores

son conocidos, pero el atributo dependiente será determinado. Los métodos de clasificación

pueden ser categorizados de la siguiente manera (Witten, Frank & Hall, 2011):

1. Árboles de decisión, el cual divide una decisión en condiciones secuenciales.

2. Modelos probabilísticos, que calculan probabilidades para hipótesis basadas en el teorema

de Bayes.

3. Clasificadores vecino más cercano. Se utilizan para computar la distancia mínima entre

instancias o prototipos.

4. Regresión. Las cuales pueden ser lineales o polinomiales de la forma ax1 + bx2 + c = Ci.

30

5. Redes neuronales. Estas incorporan aprendizaje en un entorno rico en datos, de tal manera

que toda la información es codificada en una moda distribuida entre los pesos de las

conexiones (o enlaces).

Árbol de decisión autogenerados.

Según Barrientos (2009), un árbol de decisión es un modelo de predicción cuyo objetivo principal

es el aprendizaje inductivo a partir de observaciones y construcciones lógicas. Son muy similares

a los sistemas de predicción basados en reglas que sirven para representar y categorizar una serie

de condiciones que se presentan en forma sucesiva para la solución de un problema. Constituyen

probablemente el modelo de clasificación más utilizado y popular.

El conocimiento obtenido durante el proceso de aprendizaje inductivo se representa

gráficamente mediante un árbol que se constituye por un conjunto de nodos, hojas y ramas. El

nodo principal, o raíz, es el atributo a partir del cual se inicia el proceso de clasificación. Los

nodos internos corresponden a cada una de las preguntas acerca del atributo en particular del

problema. Cada posible respuesta a los cuestionamientos se representa mediante un nodo hijo.

Las ramas que salen de cada uno de estos nodos se encuentran etiquetadas con los posibles

valores del atributo. Los nodos finales o nodos hoja corresponden a una decisión, la cual coincide

con una de las variables clase del problema a resolver. Este modelo se construye a partir de la

descripción narrativa de un problema, ya que provee una visión gráfica de la toma de decisión

especificando las variables que son evaluadas, las acciones que deben ser tomadas y el orden en el

que la decisión será efectuada.

31

Cada vez que se ejecuta este tipo de modelo solo se seguirá un camino dependiendo del

valor actual de la variable evaluada; dichos valores pueden ser discretos o continuos. El proceso

de aprendizaje supervisado que se sigue en la generación de los árboles de decisión consta de dos

pasos: entrenamiento y prueba (ver figura 4).

Figura 4. Proceso de aprendizaje supervisado.

Learning Analytics

No existe una definición aceptada de manera universal para el término Learning Analytics

(analítica de aprendizaje). Una definición popular establece que es “la medición, colección,

análisis y reporteo de datos sobre estudiantes y sus contextos con el propósito de entender y

optimizar el aprendizaje y los entornos donde este ocurre” (Siemens, 2011).

Duval (2012) señala que “Learning Analytics se refiere a recoger las huellas que los

estudiantes dejan atrás y de usar esas huellas para mejorar el aprendizaje”. Finalmente NMS

(Horizon Report [2013]) sugiere que Learning Analytics es Big Data aplicado a la educación. El

término debe sus inicios a los esfuerzos de minería de datos en el sector comercial que utiliza el

análisis de las actividades de los consumidores para identificar las tendencias de consumo.

En esta área existen dos enfoques principales: la minería de datos educacional, con la cual

se pueden usar indicadores aunados a algoritmos computacionales para señalar patrones de

comportamiento; y la visualización de información con la que los maestros y/o alumnos pueden

tener un apoyo en la toma de decisiones relacionadas al proceso de aprendizaje. Las técnicas de

32

visualización ayudan a incrementar el entendimiento y la confianza en la minería de datos

educacional y los algoritmos utilizados en ella (LACE, 2016).

Articulación teórico-conceptual

En la Figura 5 se presenta la articulación teórico-conceptual en la que se describe gráficamente la

relación entre los diferentes modelos, teorías y principios conceptualizados en el marco teórico.

Las plataformas tecnológicas de aprendizaje monitorean los comportamientos (uso y navegación)

de los estudiantes y generan un modelo de estudiante. A su vez el modelo de estudiante alimenta a

las técnicas de clasificación automática basadas en Learning Analytics, las cuales permiten medir

estilos de aprendizaje para cada uno de los alumnos.

Plataforma de

aprendizaje

Comportamientos

relevantes en

estilos de

aprendizaje

Monitorea

Modelo de usuario

Genera

Técnica de

clasificación

automática

AlimentaEstilos de

aprendizajeDetecta

Felder-

Biggs-

Kolb-

LMS-

ITS-

AEHS-

CMS-

-Árboles de decisión

autogenerados

-Lógica difusa

-Redes neuronales

-Learning Analytics

-Preferencias

-Conocimiento previo

-Motivación

-Velocidad de avance

-Uso

-Navegación

-Grupos semánticos y palabras

clave estilo/comportamiento

Figura 5. Articulación Teórico-Conceptual.

33

Capítulo III. Diseño metodológico

Tipo de estudio

El diseño del modelo para la identificación automática de estilos de aprendizaje requirió la

identificación de variables de comportamiento que pudieran ser monitoreadas mientras los

estudiantes usan una plataforma tecnológica y que además fueran informativas para inferir estilos

de aprendizaje. En ese sentido las variables de estudio son el estilo de aprendizaje como variable

dependiente con un nivel de medición nominal (activo, reflexivo, sensitivo, intuitivo, visual

verbal, secuencial y global) y 15 comportamientos de los estudiantes mientras usan una

plataforma tecnológica como variables independientes con un nivel de medición intervalar

(ejemplos vistos, materiales de texto vistos, foros vistos, foros participados, ejercicios visitados,

ejercicios entregados, entre otros (se describen a detalle en la tabla 3 del procedimiento). Por ello

por el tipo de variable y su forma de medición es un estudio de enfoque cuantitativo.

Tomando como base el objetivo de investigación se plantea un estudio correlacional para

dar respuesta a la segunda pregunta de investigación. Con el diseño correlacional se identificó la

existencia y magnitud de las asociaciones entre las variables independientes y la dependiente.

Para responder la tercera pregunta de investigación, se definió el grado de precisión con el

que el modelo de clasificación es capaz de identificar de estilos de aprendizaje, con base en el

comportamiento de los usuarios mientras usan una plataforma tecnológica. Para esto, se hizo una

comparación entre los resultados arrojados por un cuestionario para identificar estilos de

aprendizaje (ILS) y los estilos de aprendizaje identificados por el modelo.

Adicional a lo anterior el estudio es de tipo pre experimental, el cual consiste en

administrar un estímulo o tratamiento a un grupo y después aplicar una medición de una o más

variables para observar cuál es el nivel del grupo en estas, según Kerlinger y Lee (2002) y

34

Hernández, Fernández y Baptista (2014). No hay manipulación de la variable independiente

(niveles) o grupos de contraste (ni siquiera el mínimo de presencia o ausencia). Tampoco hay una

referencia previa de cuál era el nivel que tenía el grupo en la o las variables dependientes antes del

estímulo. No es posible establecer causalidad con certeza ni se controlan las fuentes de

invalidación interna, no se realiza una intervención a los participantes y los resultados servirán de

insumo para estudios posteriores. Además es transversal ya que la recolección de datos se realizó

en un solo momento (Liu, 2008 & Tucker, 2004 citados en Hernández et al., 2014; Kerlinger &

Lee 2002).

Con base en lo anterior se concluye que la investigación se desarrolló con un diseño

cuantitativo pre experimental transversal con dos estudios correlacionales. Este diseño podría

diagramarse de la siguiente manera: G X O, que Kerlinger y Lee (2002) llaman estudio de caso

con una sola medición.

Participantes

La población estuvo representada por 130 estudiantes de educación superior de las licenciaturas

asociadas a las Ciencias de la Computación e Informática del Instituto Tecnológico de Sonora.

Específicamente estos estudiantes estaban inscritos en segundo semestre de la licenciatura

Ingeniero en Software. La elección de la muestra se realizó de manera no probabilística por

conveniencia debido al acceso que se tenía a los grupos de la carrera de Ingeniero en Software.

Para la selección de la muestra se definieron los siguientes criterios de inclusión: ser estudiantes

inscritos en el curso de Programación Orientada a Objetos de la carrera de Ingeniero en Software.

La muestra fue de 64 estudiantes, de los cuales se logró monitorear de manera exitosa 15 variables

de comportamiento durante un semestre mientras usaban una plataforma tecnológica.

35

Instrumentos

Con el fin de medir la variable dependiente (estilos de aprendizaje) y las variables independientes

(comportamiento del usuario en una plataforma tecnológica) se utilizaron dos instrumentos: el

cuestionario Índice de Estilos de Aprendizajes (ILS, por sus siglas en inglés), que mide estilos de

aprendizajes, y la plataforma de aprendizaje Moodle, en donde se monitorearon las variables

independientes relacionadas al comportamiento de los estudiantes mientras usaban el entorno de

aprendizaje.

Cuestionario ILS.

El cuestionario desarrollado por Felder y Soloman (1997) consta de 44 preguntas; 11 para

cada una de las cuatro dimensiones (activo-reflexivo, sensitivo-intuitivo, visual-verbal,

secuencial-global) del modelo de estilos de aprendizaje Felder (ver cuestionario completo en

Anexo 1). Cada una de los reactivos tiene dos opciones de respuesta mutuamente excluyentes (ver

tabla 2).

Tabla 2. Operacionalización del instrumento ILS (Index of Learning Styles) versión en español

Operacionalización del instrumento ILS (Index of Learning Styles) versión en español

DIMENSIONES INDICADORES CATEGORÍAS REACTIVOS

Procesamiento

Activo-

Reflexivo:

describe la

forma en que la

información

percibida se

convierte en

conocimiento

Preferencia al

aprendizaje activo o

pasivo.

Probarlas Pensar en ellas 1. Entiendo las cosas

mejor después de:

Preferencia al


pasivo.

Hablar del tema Pensar en el tema 5. Cuando estoy

aprendiendo algo

nuevo me ayuda

Preferencia al


pasivo.

Participar

contribuyendo

con ideas.

Sentarme y

escuchar

9. Cuando trabajo en

un grupo de estudio

con materias difíciles,

prefiero

Preferencia a trabajar en

equipo o solos.

Llegué a conocer

a muchos de los

estudiantes.

Raramente llegué

a conocer a

muchos de los

estudiantes.

13. En las clases que

he recibido

Preferencia a lo

experimental o lo

teórico.

Empezar

inmediatamente a

trabajar en la

solución.

Tratar primero de

entender

totalmente el

problema

17. Cuando abordo un

problema prefiero

36


equipo o solos.

En un grupo Solo 21. Prefiero estudiar

Preferencia a lo

experimental o lo

teórico.

Probar las cosas Pensar sobre

cómo voy a

hacerlas

25. Prefiero primero

Preferencia a lo

experimental o lo

teórico.

Algo que he

hecho.

Algo sobre lo que

he pensado

mucho.

29. Recuerdo más

fácilmente


equipo o solos.

Tratar de pensar

en él con los

demás miembros

del grupo

aportando ideas

Tratar de pensar

en él

individualmente y

luego reunirme

con el resto

del grupo para

comparar ideas

33. Cuando tengo que

trabajar en un

proyecto en grupo,

primero quiero

Preferencia al


pasivo.

Extrovertido. Reservado 37. Prefiero que me

consideren


equipo o solos.

Me parece buena No me parece

buena

41. La idea de hacer

trabajo en grupo, con

una calificación única

para todo el grupo

Percepción

Sensitivo-

Intuitivo: está

relacionada con

el tipo de

información que

un estudiante

prefiere percibir

Preferencia de

información concreta,

abstracta.

Realista Innovador/a 2. Me gustaría que me

consideraran

Preferencia de


abstracta.

Hechos y

situaciones de la

vida real.

Ideas y teorías 6. Si fuera profesor,

preferiría enseñar un

curso sobre:

Preferencia de


abstracta.

Aprender hechos. Aprender

conceptos.

10. Encuentro más

fácil

Preferencia de


abstracta.

Algo que me

enseñe nuevos

hechos o me diga

cómo hacer algo.

Algo que me

proporcione

nuevas ideas sobre

las que pensar.

14. Cuando no leo

ciencia¬ficción,

prefiero

Preferencia de


abstracta.

Certeza Teoría 18. Prefiero la idea de

Preferencia de


abstracta.

Cuidadoso con

los detalles de mi

trabajo.

Creativo respecto

a la manera de

hacer mi trabajo.

22. Me gustaría más

que me consideraran

Preferencia de


abstracta.

Dicen claramente

lo que quieren

decir.

Dicen las cosas de

forma interesante

y creativa.

26. Cuando leo por

entretenimiento, me

gustan los escritores

que

Preferencia a lo

establecido.

Dominar una

forma de hacerla.

Proponer nuevas

formas de hacerla.

30. Cuando tengo que

realizar una tarea,

prefiero

Preferencia de


abstracta.

Sensitivo Imaginativo 34. Considero un gran

cumplido llamar a

alguien

Preferencia de


abstracta.

Material concreto

(hechos, datos).

Material abstracto

(conceptos,

teorías).

38. Prefiero cursos

que enfatizan

37

Cuidadoso con los

detalles.

Suelo repetir

todos los pasos

que he dado y

revisar mi trabajo

con

mucho cuidado.

Encuentro

cansado tener que

revisar mi trabajo,

he de esforzarme

para hacerlo.

42. Cuando estoy

haciendo cálculos

largos:

Entrada Visual-

Verbal:

considera la

manera en que

los estudiantes

prefieren recibir

información

externa

Preferencia a lo visual o

verbal.

Una foto. Palabras. 3. Cuando pienso en

lo que hice antes de

ayer, suelo hacerlo

como si viera


verbal.

Fotografías,

diagramas,

gráficas o mapas

Instrucciones

escritas o

información

verbal.

7. Prefiero obtener

información nueva a

partir de:


verbal.

Mirar las fotos y

los mapas

detenidamente

Centrarme en el

texto escrito

11. De un libro con

muchas fotos y

mapas, prefiero


verbal.

Usan muchos

diagramas en la

pizarra

Pasan mucho

tiempo explicando

15. Me gustan los

profesores que


verbal.

Lo que veo Lo que oigo 19. Recuerdo mejor


verbal.

Un mapa Instrucciones

escritas

23. Cuando me

indican cómo llegar a

un nuevo lugar,

prefiero


verbal.

El dibujo Lo que dijo el

profesor sobre él

27. Cuando veo un

diagrama o dibujo, en

clase, suelo recordar

mejor


verbal.

Mapas o gráficos Texto resumiendo

los resultados

31. Cuando me

muestran datos,

prefiero


verbal.

A quién se

parecían

Lo que decían de

ellos mismos

35. Cuando conozco

gente en una fiesta,

suelo recordar mejor


verbal.

Ver televisión Leer un libro 39. Para

entretenerme, prefiero


verbal.

Con facilidad y

con bastante

precisión

Con dificultad y

sin mucho detalle

43. Suelo dibujar

lugares que he visto

Entendimiento

Secuencial-

Global: describe

la forma en que

el estudiante

progresa hacia

el

entendimiento.

Preferencia a lo

secuencial o global.

Entender la

estructura global,

pero me pierdo

en los detalles

Entender la

estructura global,

pero me pierdo en

los detalles

4. Tengo tendencia a:

Preferencia a lo


Todas las partes,

entiendo el

conjunto

El conjunto,

entiendo cómo

encajan las partes

8. Una vez entiendo

Preferencia a lo


Suelo trabajar a

mi aire hasta

obtener la

solución paso a

paso

Con frecuencia

suelo mirar las

soluciones y luego

ensayar para

comprender los

pasos para llegar a

ella.

12. Cuando resuelvo

problemas de

matemáticas

38

Preferencia a lo


Pienso en los

incidentes y trato

de

interconectarlos

para comprender

los temas

Solo se cuáles son

los temas cuando

termino de leer y,

entonces,

tengo que

retroceder y

encontrar los

incidentes que los

demuestran

16. Cuando analizo

una historia o una

novela

Preferencia a lo


Distribuya el

material en

etapas

secuencialmente

claras

Me proporcione

una imagen

general y

relacione el

material con otros

temas

20. Para mi es más

importanete que un

instructor

Preferencia a lo


A velocidad casi

regular. Si

estudio mucho,

lo conseguiré

A saltos.estoy

totalmente

confuso/a y de

repente se

enciende la luz

24. Aprendo

Preferencia a lo


Centrarme en los

detalles y perder

el esquema total.

Tratar de entender

el esquema total

antes de entrar en

los detalles

28. Cuando se

considera un cuerpo

de información,

prefiero

Preferencia a lo


Trabajar (pensar

o escribir sobre

el inicio) en el

comienzo del

trabajo

y continuar hacia

adelante

progresivamente

Trabajar (pensar o

escribir sobre las

diferentes partes)

en las

diferentes partes

del trabajo y

después

ordenarlas

32. Cuando escribo

un trabajo, me gusta

más

Preferencia a lo


Centrarme en

dicho tema,

aprender sobre él

todo lo que

pueda

Tratar de realizar

conexiones entre

este tema y otros

temas

relacionados.

36. Cuando aprendo

un nuevo tema,

prefiero

Preferencia a lo


A veces útiles

para mi

Muy útiles para

mi

40. Algunos

profesores comienzan

sus clases con un

esquema de lo que se

dará.

Preferencia a lo


Pensar en los

pasos del proceso

de solución

Pensar en las

posibles

consecuencias o

aplicaciones de la

solución en

un rango grande

de áreas

44. Cuando estoy

resolviendo

problemas en grupo,

me gustaría más

Para calificar el instrumento se suma una unidad por cada respuesta que favorece a un

estilo y se resta una unidad por cada respuesta que favorece el otro dentro de cada dimensión. Al

39

final se obtiene un puntaje entre -11 y +11 para cada dimensión (los reactivos que pertenecen a

cada estilo dentro de las cuatro dimensiones se muestran en la tabla 2). Al final se tiene un

puntaje para cada dimensión (ver figura 6).

Figura 6. Calificación del instrumento ILS.

A partir de esto se obtiene un valor que se interpreta de la siguiente manera: Si se obtiene

un valor entre 1 y 3, el estilo del estudiante es equilibrado en los dos estilos de la dimensión. Si se

obtiene un puntaje entre 5 y 7, el estudiante tiene una preferencia moderada hacia un estilo de esa

dimensión y aprenderá más fácilmente en un entorno que favorezca ese estilo. Si el estudiante

obtiene un puntaje entre 9 y 11, el estudiante tiene una fuerte preferencia por un estilo de esa

dimensión, el estudiante podría tener dificultades en un entorno que no favorezca ese estilo.

Confiabilidad y validez.

Para la validación del cuestionario se utilizó el mètodo Kuder Richardson, lo que permite validar la

consistencia de los ítems (o variables) del instrumento. El método de consistencia interna en base al

alfa de Cronbach permite estimar la fiabilidad de un instrumento de medida a través de un conjunto de

ítems que se espera que midan el mismo constructo o dimensión teórica en una escala de ítems

continuos.

Sin embargo la medida de la fiabilidad mediante el alfa de Cronbach asume que los ítems

(medidos en escala tipo Likert) miden un mismo constructo y que están altamente correlacionados

40

(Welch & Comer, 1988). Kuder Richardson, se trata de la misma fórmula que el Alfa de Cronbach

solo que esta última es expresada para ítems continuos y Kuder Richardson para ítems dicotómicos. Es

por esto que se utilizó el método de Kuder Richardson para escalas dicotómicas. Cuanto más cerca se

encuentre el valor de alfa a 1 mayor es la consistencia interna de los ítems analizados. La fiabilidad de

la escala debe obtenerse siempre con los datos de cada muestra para garantizar la medida fiable del

constructo en la muestra concreta de la investigación.

Confiabilidad ILS, versión en inglés publicada por Felder y Spurlin (2005).

La confiabilidad del ILS se calculó a través de coeficientes de correlación por test-retest para las

cuatro escalas del instrumento. Como se puede apreciar en la Tabla 3 se encontró que varía entre

0.7 y 0.9 para un intervalo de cuatro semanas entre la administración del primer test y el otro; y

entre 0.5 y 0.8 para intervalos de siete y ocho meses. Todos los coeficientes fueron significativos

en el nivel de .5 y mejor en muchos casos. El coeficiente de alfa de Cronbach fue mayor que el

valor de .5, y fue mucho mayor el valor para casi toda la dimensión global/secuencial en el cuarto

estudio como se muestra en la tabla 4.

Tabla 3. Coeficientes de correlación Test-Retest

Coeficientes de correlación Test-Retest

▲t A-R S-N Vs-Vb Sq-G N Reference

4 wk 0.804** 0.787** 0.870** 0.725** 46 Seery et al.

7mo. 0.73* 0.78* 0.68* 0.60* 24 Livesay et al.

8mo. 0.683** 0.678** 0.511** 0.505** 124 Zywno

*p<.05 **p<.01

Fuente: Tomado de Felder y Spurlin (2005)

41

Tabla 4. Coeficientes Alfa de Cronbach ILS versión inglés

Coeficientes Alfa de Cronbach ILS versión inglés

A-R S-N Vs-Vb Sq-G N Source

0.56 0.72 0.60 0.54 242 Livesay et al.

0.62 0.76 0.69 0.55 584 Supurlin

0.51 0.65 0.56 0.41 284 Van Zwanenberg et al

0.60 0.70 0.63 0.53 557 Zywno

Fuente: Tomado de Felder y Spurlin (2005)

Confiabilidad ILS versión en español de Felder y Soloman

Para el análisis de confiabilidad utilizando la versión en español se utilizó una muestra de 163

estudiantes de la carrera de Ingeniero en Software en el Instituto Tecnológico de Sonora. Los

estudiantes tienen entre 18 y 22 años. Como criterio de inclusión se consideró que estuvieran

inscritos en al menos una materia de la carrera. Se utilizó el mètodo Kuder Richardson obteniendo

los resultados que se muestran en la tabla 6 para cada una de las dimensiones del modelo de

estilos de aprendizaje Felder.

Tabla 5. Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson

Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson

Dimensión modelo Felder Alpha de Cronbach

Activo-Reflexivo .540

Visual-Verbal .562

Sensitivo-Intuitivo .446

Secuencial-Global .172

Los resultados son consistentes con los reportados en Felder y Spurlin (2005) (ver tabla 4) donde

el Alpha de Cronbach de las categorías activo-reflexivo, visual-verbal y sensitivo-intuitivo se

42

encuentra muy cerca del .5. Además coincide con que el valor de la dimensión secuencial-global

es el más bajo de las cuatro dimensiones. Adicionalmente los resultados son congruentes con la

teoría del modelo de estilos de aprendizaje de Felder. En este modelo se espera que las respuestas

a las preguntas que miden la misma dimensión o variable se contesten de manera equilibrada. Esto

en otro tipo de instrumentos denota incongruencia en las respuestas; sin embargo, en el caso del

modelo Felder para estilos de aprendizaje es lo contrario, debido a que es raro encontrar personas

que estén polarizadas totalmente hacia un estilo específico de alguna de las dimensiones (por ej.

que en la dimensión de percepción se tenga una preferencia al 100% de gráficos e imágenes y un

0% de preferencia por textos, diálogos o narraciones).

Plataforma de Aprendizaje Moodle como instrumento de medición.

A partir de esto se obtiene un valor que se interpreta de la siguiente manera: Si se obtiene un valor

entre 1 y 3, el estilo del estudiante es equilibrado en los dos estilos de la dimensión. Si se obtiene

un puntaje entre 5 y 7, el estudiante tiene una preferencia moderada hacia un estilo de esa

dimensión y aprenderá más fácilmente en un entorno que favorezca ese estilo. Si el estudiante

obtiene un puntaje entre 9 y 11, el estudiante tiene una fuerte preferencia por un estilo de esa

dimensión, el estudiante podría tener dificultades en un entorno que no favorezca ese estilo.

Para la recolección de datos relacionados con las variables rendimiento académico, estilo

de aprendizaje y estado afectivo, se utilizó un mecanismo electrónico (un software) de monitoreo

y medición de los indicadores relacionados con dichas variables incluido en la plataforma

tecnológica de aprendizaje. Esta medición consiste en registrar datos relacionados al

comportamiento (p. ej. cuánto tiempo dura el estudiante en una sección del curso, o cuántas veces

visitó las instrucciones de un ejercicio), datos relacionados al estado afectivo (p. ej. si un material

43

le pareció favorable o no para el logro de su objetivo de aprendizaje, así como las calificaciones

obtenidas en exámenes y/o evaluaciones cortas.

La Tabla 6 muestra la operación de las variables que fueron medidas a través del

mecanismo de monitoreo por el software descrito previamente.

Tabla 6. Operacionalización de variables monitoreadas por software

Operacionalización de variables monitoreadas por software

Variable Dimensiones Indicadores Categorías Reactivos

Variable 1

Desempeño

Académico: nivel

de conocimientos

demostrado en un

área o materia

comparado con la

norma de edad y

nivel académico

(Jiménez, 2000).

Efectividad:

capacidad de

lograr un

objetivo

Calificaciones

ejercicios

Calificación entre

0 y 10

Promedio de

calificaciones de los

ejercicios

Calificaciones

de exámenes

Calificación entre

0 y 10

Promedio de

calificaciones de los

exámenes

Productividad:

Capacidad de

producción por

unidad de

medida

Tiempo

invertido en

plataforma y

cantidad de

ejercicios

entregados

Tiempo en

minutos

Tiempo invertido en

plataforma/cantidad de

ejercicios entregados

Variable 2

Estilo de

Aprendizaje:

Conjunto de

factores cognitivos,

afectivos y

psicológicos que

sirven como

indicadores

relativamente

estables de cómo un

aprendiz percibe,

interactúa con y

responde a un

ambiente de

aprendizaje (Felder

and Silverman

1988)

Procesamiento:

describe la

forma en que la

información

percibida se

convierte en

conocimiento.

Comporta-

miento en

EVA

Activo Reflexivo Número de preguntas

contestadas

Número de veces que

contesta mal dos veces

la misma pregunta

Número de ejercicios

resueltos


se visitó contenido de

aprendizaje

Tiempo invertido en el

contenido de

aprendizaje

Número de visitas a

foros

Percepción: está

relacionada con

el tipo de

información que

un estudiante

prefiere percibir

Comporta-

miento en

EVA

Sensi

tivo

Intuitivo Numero de respuestas

correctas después de

ver un ejemplo

Número de respuestas

correctas acerca de los

detalles


revisó las respuestas

44

Variable Dimensiones Indicadores Categorías Reactivos

antes de enviarlas.



una explicación teórica

Numero de respuestas

correctas acerca de

conceptos.


correctas acerca de

proponer nuevas

soluciones.

Entrada:

considera la

manera en que

los estudiantes

prefieren recibir

información

externa

Comporta-

miento en

EVA

Visua

l

Verbal Número de respuestas


ver una imagen.

Número de clics sobre

imágenes.

Tiempo invertido

viendo videos



leer un texto.

Número de visitas en

foros.

Tiempo invertido en

foros.

Entendimiento:

describe la

forma en que el

estudiante

progresa hacia el

entendimiento.

Comporta-

miento en

EVA

Secu

encia

l

Global Número de veces que el

estudiante eligió ser

guiado a través de los

pasos para resolver un

problema.


correctas acerca de los

detalles.


un estudiante decidió

resolver un problema

Inmediatamente.

Número de outlines

visitados.

Tiempo invertido en

outlines.

45

Procedimiento

La investigación tiene como fin último diseñar, desarrollar y validar un modelo que mida de

manera automática los estilos de aprendizaje del estudiante mientras usa una plataforma

tecnológica. En ese sentido en la figura 7 se muestra el procedimiento distinguiendo las

actividades realizadas en función de las preguntas de investigación a la que se busca dar respuesta.

Figura 7. Procedimiento.

Para dar respuesta a la primera pregunta de investigación se configuró un servidor de

aplicaciones con la plataforma Moodle en la que se creó un curso con los contenidos de la materia

de Algoritmos Computacionales, la cual se imparte en la licenciatura Ingeniero en Software. Se

crearon siete módulos diferentes (cinco que corresponden a cada una de las unidades de

competencia y dos generales). Cada módulo de unidad de competencia consta de cuatro secciones:

textos (incluye documentos en formato PDF y Word; gráficos (incluye videos, esquemas, mapas

conceptuales y figuras), ejemplos (incluye documentos con problemas resueltos) y ejercicios

(incluye documentos con problemas para resolver). Los módulos generales son “generalidades”

donde se incluye el programa del curso y el calendario de actividades y “tutoriales” donde

aparecen tutoriales que aplican para las cinco unidades de competencia en general.

46

El curso en Moodle se replicó para cada uno de los grupos que se impartieron en el período

enero-mayo, seis grupos en total y 130 estudiantes, los cuales cumplían los requisitos de estar

inscritos en el curso de algoritmos computacionales. Se registró a los estudiantes y profesores en

los grupos correspondientes. Adicionalmente se configuraron las opciones que permitieron el

monitoreo de comportamientos, tal como la asignación de etiquetas por tipo de recurso didáctico.

Estas etiquetas permitieron distinguir cuáles recursos didácticos consumía el alumno en tiempo

real. Todos los elementos anteriores en su conjunto formaron parte del curso en la plataforma de

aprendizaje (ver figura 8).

Figura 8. Plataforma tecnológica de aprendizaje.

Posteriormente se realizó una exploración exhaustiva de las bases de datos de la

plataforma de aprendizaje con el fin de identificar las tablas y campos relevantes para detectar el

comportamiento de los estudiantes en el uso de la plataforma. Finalmente se generó un modelo de

estudiante utilizando SQL (Secuential Query Languaje, por sus siglas en inglés). Este modelo de

47

estudiante permite la obtención y organización de los valores de cada una de las variables de

comportamiento monitoreadas en cada uno de los estudiantes participantes.

Para dar respuesta a la segunda pregunta de investigación se monitoreó el comportamiento

de los estudiantes durante el período del 11 de enero al 06 de mayo del 2016 mientras estudiantes

y profesores estuvieron utilizando la plataforma y se registraron las interacciones en las bases de

datos que Moodle genera por defecto. Esto con el fin de conservar un mecanismo con la menor

intervención posible en las funcionalidades que Moodle maneja por defecto y trabajar con las

opciones a las que cualquier profesor o diseñador de cursos tiene acceso de manera estándar en

Moodle. Adicionalmente, con base en el modelo de estudiante diseñado en la fase anterior, se

generó un conjunto de datos para poder hacer análisis de los mismos, en el cual se concentraron

los datos de comportamiento y estilo de aprendizaje de cada estudiante (ver tabla 3).

Se realizaron pruebas estadísticas para determinar si las variables mostraban un

comportamiento normal. Finalmente, se utilizó la técnica de árboles de decisión para generar un

modelo de identificación automática de estilos de aprendizaje. Finalmente se utilizó la técnica de

árboles de decisión para generar un modelo de identificación automática de estilos de aprendizaje.

Para dar respuesta a la tercera pregunta de investigación se realizó una evaluación de la

precisión del modelo utilizando una tabla de contingencia con el fin de contrastar la cantidad de

casos clasificados correctamente y la cantidad de casos clasificados de manera errónea; es decir, el

número de veces en donde coincidió el estilo de aprendizaje detectado por el modelo de

clasificación automática propuesto y el estilo identificado por el cuestionario ILS.

Procesamiento de Datos

Fase 1

48

Para la recolección de datos se aplicó el instrumento ILS de Felder y Soloman, así como el

monitoreo de variables de comportamiento mediante la plataforma tecnológica de aprendizaje

Moodle. Para procesar los datos se utilizaron tres herramientas de software: SPSS versión 22,

Rapid Miner Studio Basic 7.1 y Weka 3.6.

Se depuraron errores de captura (datos faltantes e incongruentes), se utilizó la prueba de

bondad de ajuste Shapiro-Wilk para evaluar si las variables presentaban una distribución normal

(muestras pequeñas, n<200).

Fase 2

Se realizaron pruebas no paramétricas de correlación de Spearman para conocer si existía

relación entre el comportamiento del estudiante mientras usaba la plataforma y su estilo de

aprendizaje. Finalmente, se utilizó la técnica de árboles de decisión autogenerados para obtener un

modelo de clasificación automática.

Fase 3

Usando tabla de contingencia, se definió el grado de precisión con el que el modelo de

clasificación es capaz de identificar estilos de aprendizaje, con base en el comportamiento de los

usuarios mientras usan una plataforma tecnológica. Para esto, se hizo una comparación entre los

resultados arrojados por un cuestionario para identificar estilos de aprendizaje y los estilos de

aprendizaje identificados por el modelo.

La técnica de árboles de decisiones es utilizada frecuentemente en problemas de clasificación.

Una de las razones es su simplicidad; las reglas resultantes son visibles y fáciles de entender, y es

apropiada cuando varios atributos son relevantes. Los árboles de decisión han sido utilizados en

los trabajos de Cha et al. (2006 a,b), Crockett et al. (2011), Ahmad y Shamsuddin (2010) y

Özpolat y Akar (2009).

49

Capítulo IV. Resultados

En el presente capítulo se analiza y discute los resultados obtenidos de las pruebas de medición

llevadas a cabo, con lo cual se busca responder a las interrogantes del estudio que son: ¿De qué

manera una plataforma tecnológica de acceso libre ayudaría a identificar el estilo de aprendizaje

del estudiante?, ¿cuál es la relación entre el comportamiento de estudiantes mientras usan una

plataforma tecnológica de acceso libre y su estilo de aprendizaje identificado previamente a través

de un instrumento de autoreporte para ese propósito?, ¿cuál es el grado de coincidencia entre los

estilos de aprendizaje identificados por el modelo propuesto y los identificados por el instrumento

de autoreporte?

Pregunta de investigación 1

Para la primera pregunta se llevó a cabo un análisis exhaustivo de las bases de datos de una

plataforma tecnológica de acceso abierto (Moodle). Lo anterior con la intención de identificar

aquellas variables que la plataforma podría almacenar de manera automática en lo relacionado con

los patrones de comportamiento de los usuarios a la hora de navegar dentro de la misma.

Las visitas que los estudiantes podrían hacer dentro de la plataforma permitieron

diferenciar distintos comportamientos entre los mismos usuarios. Algunos podrían privilegiar las

visitas a ejemplos que ilustraban los contenidos del curso, otros a foros que permitían la

interacción en función de preguntas suscitadas o dudas respondidas; unos más a materiales y así

sucesivamente.

Se crearon seis secciones para organizar los recursos didácticos y de soporte al curso de

algoritmos computacionales: generalidades del curso, qué contiene el programa y el calendario del

curso; tutoriales, los cuales consideran tópicos de cursos previos que son requisito para poder

trabajar con los tópicos de este curso; sesión, en esta sección se describen las instrucciones para

50

cada uno de los ejercicios de una clase presencial, así como las asignaciones para trabajar en casa

y finalmente, chat, foro, gráficos, textos, videos y ejemplos que se describen por sí mismos.

Las variables de comportamiento que la plataforma tecnológica era capaz de monitorear y

almacenar a partir de los elementos del curso sin intervención técnica por parte del profesor se

enlistan en la tabla 7. Estas variables representan los datos del comportamiento del estudiante que

posteriormente permitieron generar el conjunto de datos para integrar comportamiento y estilos de

aprendizaje.

Tabla 7. Variables de comportamiento seleccionadas

Variables de comportamiento en plataforma seleccionadas

Indicador Descripción

Ejemplos vistos Número de ocasiones en las que el usuario consultó un ejemplo.

Ejercicios visitados

Ejercicios enviados

Número de ocasiones en las que el usuario consultó o envió un

ejercicio.

Materiales vistos Número de ocasiones en las que el usuario consultó un material de

cualquier tipo.

Materiales texto Número de ocasiones en las que el usuario consultó un material de

texto.

Materiales gráficos Número de ocasiones en las que el usuario consultó un material

gráfico.

Outlines vistos Número de ocasiones en las que el usuario consultó las generalidades

del curso.

Nuúmero logins Número de ocasiones en las que el usuario accedió a la plataforma.

Logins mañana

Logins tarde

Logins noche

Número de ocasiones en las que el usuario accedió a la plataforma por

las mañanas, tardes y noches respectivamente.

Chat participación Número de ocasiones en las que el usuario participó en un chat en la

plataforma.

Chat visto Número de ocasiones en las que el usuario consultó un chat en la

plataforma.

Visitas foro Número de ocasiones en las que el usuario realizó una visita a

cualquier foro.

Participación foro Número de ocasiones en las que el usuario participó en cualquier foro.

De enero a mayo del 2016 se implementó un curso de Algoritmos Computacionales en la

plataforma tecnológica Moodle con una población de 130 estudiantes repartidos en 6 grupos. Para

51

la estructura del curso virtual se utilizó el calendario de clases propuesto por la academia. Se crearon seis

secciones en el tablero principal de actividades del usuario donde se proporcionó acceso a los estudiantes a

los diferentes tipos de contenido que eran necesarios en cada una de las unidades de competencia del curso

(ver tabla 8).

Tabla 8. Materiales disponibles en Moodle

Materiales disponibles en Moodle

Materiales Descripción

Programa de curso Documento proporcionado por el cuerpo académico donde se

describen los temas del curso.

Calendario de clases Documento donde se especifican las fechas y tiempos del curso.

Tutorial Material de ayuda para los estudiantes que pueden consultar para

diferentes temas que son requisitos previos para el curso.

Sesión Descripción de las asignaciones y ejercicios vistos en una clase

presencial.

Chat Herramienta proporcionada por la plataforma que le permite

comunicarse a los estudiantes.

Foro Herramienta que le permite al docente y sus estudiantes discutir/debatir

sobre un tema de la clase.

Gráfico Material de aprendizaje en formato gráfico como esquemas, mapas

conceptuales, imágenes, mapas, entre otros.

Texto Material de aprendizaje donde el contenido es principalmente texto.

Video Videos de consulta de temas relacionados al curso.

Ejercicio Material de clase que funciona como asignación en clase presencial.

Asignación Material de clase que el docente asigna a sus estudiantes como tarea.

Ejemplo Material de apoyo para que los estudiantes puedan consultar en caso de

que necesiten ayuda en algún tema.

Se realizó una exploración dentro de la base de datos de la plataforma Moodle para ubicar

dónde se almacena la información requerida para el desarrollo de la investigación. Se ubicaron las

tablas de mayor interés dentro de la base de datos como “mdl_logstore_standard_log”, donde se

encuentran almacenados los registros de cualquier actividad dentro de la plataforma por parte de

todos los usuarios; “mdl_users”, con información personal de los usuarios de la plataforma;

52

“mdl_assign” y “mdl_pages”, donde se almacena la información referente a las asignaciones y

páginas creadas por el administrador/profesor de la plataforma.

Posteriormente se creó una tabla en la base de datos de Moodle llamada “usr_estilos”,

donde se almacenaron los datos de los estilos de aprendizaje de cada alumno, la cual se compuso

de un ID (número de identificación) de registro, el ID del estudiante, las respuestas de cada

pregunta del instrumento ILS (Índice de Estilos de Aprendizaje, por sus siglas en inglés), cuatro

variables que representan los resultados, cuatro variables de etiquetado, el estilo de aprendizaje

del alumno y el número de iteración, que indica en cuál de las aplicaciones del ILS se obtuvo la

información de cada estudiante (ver tabla 9).

Tabla 9. Descripción de los datos almacenados en la tabla usr_estilos

Descripción de los datos almacenados en la tabla usr_estilos

Nombre Descripción

IDRegistro Identificador único de cada registro que se agrega a la tabla.

IDEstudiante Identificador del alumno basado en la matrícula escolar.

P1, P2, P3…P44 Respuestas otorgadas por cada alumno en el instrumento ILS.

ACT_REF Resultado del alumno para la dimensión “Activo-Reflexivo” en la escala

de -11 a 11.

SEN_INT Resultado del alumno para la dimensión “Sensitivo-Intuitivo” en la escala

de -11 a 11.

VIS_VRB Resultado del alumno para la dimensión “Visual-Verbal” en la escala de -

11 a 11.

SEQ_GLO Resultado del alumno para la dimensión “Secuencial-Global” en la escala

de -11 a 11.

Preferencia1 Etiqueta de la preferencia del alumno en la dimensión “Activo-Reflexivo”.

Para cada dimensión puede resultar “Equilibrado”, “Moderado” y “Fuerte”.

Preferencia2 Etiqueta de la preferencia del alumno en la dimensión “Sensitivo-

Intuitivo”. Para cada dimensión puede resultar “Equilibrado”, “Moderado”

y “Fuerte”.

Preferencia3 Etiqueta de la preferencia del alumno en la dimensión “Visual-Verbal”.

Para cada dimensión puede resultar “Equilibrado”, “Moderado” y “Fuerte”.

Preferencia4 Etiqueta de la preferencia del alumno en la dimensión “Secuencial-

Global”. Para cada dimensión puede resultar “Equilibrado”, “Moderado” y

“Fuerte”.

Estilo Estilo de aprendizaje que tiene más ponderación en los resultados.

Iteración Número de iteración en la que se obtuvo el estilo; es decir, en cuál de las

ocasiones en que se hizo la aplicación del instrumento se obtuvo el registro

actual.

53

Una vez obtenidos los resultados del instrumento ILS aplicado se capturaron los resultados

en Microsoft Excel para posteriormente integrarlos en la tabla “usr_estilos” en la base de datos de

Moodle.

Con la información reunida se obtuvo un conjunto de datos formado por 15 variables

asociadas a cada uno de los 130 estudiantes inscritos en los cursos. Posteriormente se generó un

modelo de estudiante genérico que se refiere a la combinación de patrones identificados en el

comportamiento del usuario y el estilo de aprendizaje que se obtuvo a partir de la aplicación del

ILS dentro de la plataforma. Este modelo de estudiante se implementó en lenguaje SQL (ver

figura 9).

Figura 9. Consulta SQL para generación de dataset.

54


En respuesta a la pregunta ¿cuál es la relación entre el comportamiento de los estudiantes mientras

usan una plataforma tecnológica de acceso libre y su estilo de aprendizaje identificado

previamente a través de un instrumento de auto reporte para ese propósito?, se llevó a cabo la

conformación de un modelo de clasificación basado en árboles de decisión con la finalidad de

identificar estilos de aprendizaje con base en sus comportamientos dentro de la plataforma.

En ese sentido se condujo un análisis exploratorio de los datos para valorar la distribución

de las variables de comportamiento monitoreadas (ver tabla 11), así como de los estilos de

aprendizaje obtenidos de la aplicación del ILS (ver tabla 12).

Valoración de la distribución de las variables de comportamiento.

Las variables de comportamiento monitoreadas en Moodle que presentaron normalidad utilizando

como criterio el sesgo y curtosis de -2 a 2 fueron: EjerciciosVisitados, EjerciciosEnviados,

MaterialesGraficos, NumeroLogins, LoginsNoche (ver tabla 10). También se realizaron pruebas

de normalidad sobre las variables independientes y la dependiente usando la prueba de bondad de

ajuste Shapiro Wilk recomendada para muestras pequeñas. En el caso de las variables

independientes ninguna presentó un comportamiento normal. Caso contrario para la variable

dependiente (estilo de aprendizaje).

Tabla 10. Valoración de la distribución de las variables de comportamiento monitoreadas en Moodle

Valoración de la distribución de las variables de comportamiento monitoreadas en Moodle

55

Variables de

comportamiento

monitoreadas en

Moodle Mínimo Máximo Media

Desviación

estándar Asimetría Curtosis

EjemplosVistos 0 14 1.52 2.852 3.136 10.528

EjerciciosVisitados 0 395 111.19 109.037 .78 -.434

EjerciciosEnviados 0 47 10.85 10.901 .837 .076

MaterialesVistos 0 94 15.21 19.710 2.16 5.27

MaterialesTexto 0 83 12.33 17.048 2.17 5.28

MaterialesGrafico 0 15 2.88 3.728 1.51 1.85

OutlinesVistos 0 38 3.69 7.556 2.85 8.60

NumeroLogins

11 145 44.01 32.841 1.2

85

1.15

LoginsMañana

1 46 9.40 7.009

2.3

94

10.18

LoginsTarde

0 116 26.60 24.538

1.5

32

2.87

LoginsNoche

0 25 8.01 6.671 1.1

91

.601

VisitasForo

0 15 1.58 3.354

2.2

07

4.190

ParticipacionForo

0 1 .16 .373 1.8

55

1.484

56

Por otra parte se utilizó el mismo criterio para determinar si los datos se distribuían

normalmente en los puntajes de estilos de aprendizaje obtenidos de la aplicación del instrumento

ILS. Como se puede ver en la tabla 11 las cuatro variables de estilos de aprendizaje mostraron una

distribución normal.

Tabla 11. Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la aplicación del instrumento ILS

Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la aplicación del

instrumento ILS

Variables de comportamiento

monitoreadas en Moodle Mínimo

Máxim

o

Medi

a

Desviación

estándar

A

simetría Curtosis

Act-Ref -9 9 -.88 4.669 .265 -.668

Sen-Int -11 11 -1.90 4.380 .168 -.108

Vis_Verb -11 9 -3.39 4.764 .487 -.311

Sec-Glo -9 9 -.52 3.323 .240 .300

Nota: Act-Ref = activo-reflexico; Sen-Int = sensitivo-intuitivo; Vis-Verb = visual-verbal; Sec-Glo

= secuencial-global.

Correlaciones.

Para efectos de identificar posibles relaciones entre los datos obtenidos del instrumento ILS y el

rango de variables observadas en el uso de la plataforma, se procedió a realizar una serie de

cálculos estadísticos que por la naturaleza de las variables al no presentar un comportamiento

normal se realizó a través del coeficiente de correlación de la rho de Spearman.

El análisis muestra una correlación con un nivel de significancia al .05 entre el estilo

secuencial-global y las variables de comportamiento materiales vistos y materiales de texto vistos.

Para el resto de las variables las correlaciones no alcanzaron una significancia mínima del .05 (ver

tablas 12 y 13).

57

Tabla 12. Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables de comportamiento monitoreadas en Moodle

Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y las

variables de comportamiento monitoreadas en Moodle.

Estilos

Variables de comportamiento monitoreadas en Moodle

EjemplosV EjerciciosV EjerciciosE MaterialesV MaterialesTV MaterialesGV Outlines

Act-Ref .059 .068 .047 .041 .015 .147 .201

Sen-Int .016 -.076 -.078 .040 .026 .097 .206

Vis_Verb .040 .080 .112 -.008 -.025 .076 -.040

Sec-Glo -.283* -.214 -.106 -.278* -.280* -.189 -.104

Nota: EjemplosV = ejemplos vistos; EjerciciosV = ejercicios vistos; EjerciciosE = ejercicios

entregados; MaterialesV = materiales vistos; MaterialesTV = materiales de texto vistos;

MaterialesGV = materiales gráficos vistos; OutlinesV = generalidades del curso visitados;

* p > .05

Tabla 13. Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables de comportamiento monitoreadas en Moodle

Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables

de comportamiento monitoreadas en Moodle

Variables de comportamiento monitoreadas en Moodle

Estilos Logins LoginsM LoginsT LoginsN ForoV ForoP

Act-Ref .122 .088 .150 -.044 .108 .180

Sen-Int -.057 -.008 -.066 -.028 .127 .147

Vis_Verb .114 .104 .089 .127 -.056 -.066

Sec-Glo -.142 -.037 -.164 -.056 -.091 -.162

Nota: Logins = accesos a la plataforma; LoginsM = accesos a la plataforma por la mañana;

LoginsT = accesos a la plataforma por la tarde; LoginsN = accesos a la plataforma por la noche;

ForoV = visitas al foro; ForoP = participaciones en foro.

* p > .05

58

Árbol de decisión autogenerado

Con la intención de identificar reglas de clasificación de estilos de aprendizaje, a partir del

comportamiento de los estudiantes en el uso de la plataforma, se eligió la técnica de árboles de

decisión autogenerados.

En primera instancia se generó un proceso de análisis utilizando rapidMiner 7.1 (ver figura

10), que implica la recuperación del conjunto de datos, la asignación del estilo de aprendizaje

como variable dependiente, la selección de las variables de comportamiento como variables de

análisis o independientes, y un bloque de validación con partición aleatoria de los datos para que

una proporción sea usada para crear el árbol y la otra sea usada para validar el modelo (ver figura

11).

Figura 10. Proceso de análisis RapidMiner.

Figura 11. Bloque de validación.

A partir del proceso de análisis anterior se generó un primer árbol (ver figura 12). En este

árbol se puede observar que el número de reglas es considerablemente amplio si se toma en cuenta

que mientras más compacto el árbol (menor cantidad decisiones) este es más sencillo de

interpretar. Además, en la evaluación de la precisión (ver figura 13), se observa que la categoría

en la que se clasificaron los estilos de manera correcta en mayor cantidad es en visual con un 60%

59

de precisión. Por otra parte, para cinco de las nueve categorías consideradas para la creación del

árbol, a saber: intuitivo, reflexivo, verbal, secuencial, global, la precisión de la predicción fue de

0%. Esto es congruente con la literatura que dice que a mayor grado de categorías en la variable

dependiente, los árboles de decisión tienden a perder precisión, a menos que se cuente con una

gran cantidad de casos de prueba, lo cual no es el caso de este proyecto.

Figura 12. Árbol de decisión con todas las categorías de estilos.

60

Figura 13. Validación de la precisión del modelo inicial.

A partir del resultado anterior se generaron diferentes modelos (árboles) equilibrando la

cantidad de casos para cada dimensión, utilizando tres diferentes herramientas de software (Weka

3.6 y SPSS 22) y combinando diferentes configuraciones para el método de crecimiento del árbol

(CHAID, CRT, QUEST) y los algoritmos J-48, c4.5. En todos los casos se obtuvieron árboles con

una precisión menor al 70% de casos clasificados correctamente para cada categoría de la variable

dependiente estilos de aprendizaje.

Finalmente la figura 14 muestra un modelo obtenido a partir de un árbol de decisión

autogenerado en el que se excluyeron seis categorías de estilos y se dejaron solamente las tres

categorías que contaban con mayor cantidad de miembros. En este se consideran los estilos visual,

equilibrado y sensitivo. Este árbol representa el modelo más preciso que se consiguió a partir del

conjunto de datos recabados.

61

Figura 14. Árbol de decisión autogenerado: Reglas de clasificación.


Con respecto a la tercera pregunta: ¿cuál es el grado de coincidencia entre los estilos de

aprendizaje identificados por el modelo propuesto y los identificados por el instrumento de auto

reporte?, se encontró que para las categorías visual, equilibrado y sensitivo, el modelo clasifica

correctamente los estilos de los alumnos en un 72%, 81% y 77% de los casos respectivamente. La

precisión del árbol para clasificar alumnos respecto a su estilo de aprendizaje se describe en la

Figura 15.

62

Figura 15. Evaluación de la precisión del árbol de decisión.

Con base en lo anterior se puede decir que los resultados muestran que solamente tres de

los ocho estilos identificados por el ILS pueden ser detectados a través del modelo de

identificación automática propuesto en esta investigación.

Lo anterior puede tener varias interpretaciones, a saber: a) el ILS es un instrumento

pensado para ambientes presenciales y diseñado para estudiantes de preparatoria; b) el modelo

conceptualizado en la presente disertación tomó en cuenta estudiantes de licenciatura en

ambientes de educación a distancia; c) los estilos de aprendizaje del ILS consideran cuatro

dimensiones polarizadas en dos valores cada una; d) las características de exigencia académica en

ambientes a distancia promueven una serie de comportamientos distintos a la presencial; e) las

discusiones en ambientes presenciales permiten delinear estilos de aprendizaje visual-verbal de

acuerdo con el ILS. En el mismo sentido la plataforma tecnológica que el estudiante utiliza para

llevar a cabo foros de discusión pudiera de alguna manera identificar el mismo estilo de

aprendizaje mencionado anteriormente. No obstante, para el resto de los estilos, las características

no son transferibles de la misma manera de una modalidad presencial a una en línea.

La identificación de los estilos de aprendizaje a través del comportamiento de uso de una

plataforma tecnológica amerita una conceptualización distinta a la que se ha usado para definir los

estilos mencionados. Aunque la técnica de los árboles de decisión resultó ser de gran apoyo para

la conformación de un modelo identificador de estilos de aprendizaje, la evidencia recolectada

63

permite sugerir que todavía se requiere refinar los procesos automáticos de la plataforma

tecnológica.

El apoyo que pueden recibir los profesores que imparten cátedra a través de medios

electrónicos de un modelo como el que se propone sienta las bases para conceptualizar de una

manera distinta los estilos de aprendizaje en la educación a distancia.

64

Capítulo V. Conclusiones y recomendaciones

En este capítulo se presentan las conclusiones y recomendaciones derivadas de los principales

resultados de esta investigación. Para ello se ha dividido en tres secciones: discusión, conclusiones

y recomendaciones.

Discusión

Respecto a la precisión del modelo generado en este trabajo: 72% para el estilo visual, 77% para

el estilo sensitivo y 81% para el estilo equilibrado, en contraste con otros trabajos en el campo de

la identificación automática de estilos de aprendizaje se considera que está en un rango aceptable

tomando como referencia otros trabajos basados en el modelo de estilos de Felder-Silverman:

Valleverde (2006) y García et al. (2007), 69% y 61% respectivamente; ambos utilizando redes

neuronales y considerando únicamente los estilos activo y reflexivo; Sanders y Bergasa-Suso

(2010), 40% utilizando modelos probabilísticos y considerando estilos sensitivo e intuitivo;

Özpolat, E. & Akar G. (2009) 53% utilizando árbol de decisión considerando estilos visual y

verbal, además 70% considerando estilos activo y reflexivo; Dung P. & Florea A. (2012) 66%

utilizando reglas y considerando estilos secuencia y global.

En cuanto al tamaño de la muestra en este trabajo participaron 67 estudiantes de educación

superior. Según Coffield et al. (2004), el campo de la identificación automática de estilos de

aprendizaje se caracteriza por un gran número de aplicaciones a pequeña escala, de modelos de

estilos de aprendizaje particulares, a muestras pequeñas de estudiantes en contextos específicos.

En ese sentido el tamaño de la población utilizado para detectar estilos de aprendizaje de manera

automática es significativamente pequeña: 27 en Bousbia et al. (2010); 75 en Crockett et al.

(2011); 44 en Dung y Florea (2012); 27 en García et al. (2007) y 75 en Graf et al. (2009).

65

Finalmente se hace notar que en los trabajos revisados en el campo de la identificación

automática de estilos de aprendizaje los modelos utilizados fueron diseñados para su aplicación en

entornos de aprendizaje presenciales. Además las plataformas tecnológicas de aprendizaje

utilizadas en estos trabajos, si bien se pueden categorizar en LMS, ITS, y AEHS, considerando las

características y funcionalidades que presentan, la mayoría de ellas requieren del pago de licencias

o fueron desarrolladas a la medida.

Conclusiones

En este trabajo se desarrolló un modelo para la identificación de estilos de aprendizaje en

estudiantes de educación superior mediante el análisis de la navegación y uso de una plataforma

tecnológica con el fin de contribuir en el desarrollo de plataformas de aprendizaje centradas en el

estudiante. Para esto se implementó un curso en una plataforma tecnológica abierta que permitió

determinar características relevantes en la identificación de estilos de aprendizaje. A partir de esto

se generó un modelo de estudiante para una plataforma tecnológica abierta basado en

comportamiento y estilos de aprendizaje. Posteriormente se identificó la relación entre el

comportamiento de estudiantes mientras usan la plataforma y su estilo de aprendizaje, para

finalmente validar el modelo propuesto para la identificación automática de estilos de aprendizaje,

contrastando los estilos de aprendizaje identificados mediante la aplicación del cuestionario ILS

con los estilos de aprendizaje detectados por el modelo propuesto. El procedimiento y los

resultados se organizaron en función de las preguntas de investigación con el fin de ir dando

respuesta a cada una de ellas: ¿de qué manera una plataforma tecnológica de acceso libre ayudaría

a identificar el estilo de aprendizaje del estudiante?, ¿cuál es la relación entre el comportamiento

de estudiantes mientras usan una plataforma tecnológica de acceso libre y su estilo de aprendizaje

identificado previamente a través de un instrumento de auto reporte para ese propósito?, ¿cuál es

66

el grado de coincidencia entre los estilos de aprendizaje identificados por el modelo propuesto y

los identificados por el instrumento de auto reporte?

Como respuesta a la primera pregunta se generó un modelo de estudiante basado en SQL

que permite la extracción de la información relacionada al comportamiento de los estudiantes

dentro de la plataforma y que sirve como insumo para el modelo de lo incluye las variables de

comportamiento detectables en la plataforma tecnológica y que sirve de insumo para el modelo de

identificación de estilos de aprendizaje. Este modelo de estudiante consta de 15 variables.

En respuesta a la segunda pregunta de investigación se identificaron correlaciones

significativas entre algunos comportamientos y estilos de aprendizaje. A saber: Materiales de

Texto Vistos y el estilo secuencial-global; Ejemplos Vistos y el estilo secuencial-global;

Materiales Vistos y el estilo secuencial global.

Sin embargo, estas correlaciones desde la perspectiva teórica no tienen sentido por lo que

se les puede considerar relaciones espurias. Esto dado que en la dimensión global del modelo

Felder se describe a los estudiantes secuenciales como aquellos que prefieren una manera lineal,

ordenada y en pasos incrementales a la hora de abordar los contenidos de aprendizaje, mientras

que los estudiantes globales se describen como aquellos que tienen una tendencia a dar saltos en el

orden en el que abordan los contenidos de aprendizaje, es decir, lo contrario a un estudiante

global. En ese sentido la cantidad de materiales vistos en general, materiales de texto vistos y

materiales de texto vistos, no aportan indicadores que permitan conocer si el estudiante abordó los

contenidos de manera secuencial o dando saltos, yendo y viniendo en un orden no lineal.

Finalmente se generó un modelo de clasificación usando árbol de decisión autogenerado

que tiene la capacidad de identificar tres estilos de aprendizaje: visual, sensitivo y equilibrado.

67

Respecto a la precisión del modelo generado en este trabajo: 72% para el estilo visual, 77% para

el estilo sensitivo y 81% para el estilo equilibrado, en contraste con otros trabajos en el campo de

la identificación automática de estilos de aprendizaje se considera que está en un rango aceptable

tomando como referencia otros trabajos basados en el modelo de estilos de Felder-Silverman.

Los resultados arrojan que solamente tres de los ocho estilos identificados por el ILS

pueden ser detectados a través del modelo propuesto en el presente trabajo. Esto puede ser debido

a que el ILS es un instrumento pensado para ambientes presenciales y diseñado para estudiantes

de preparatoria. A pesar de que el modelo Felder-Silverman es ampliamente usado en el campo de

la identificación automática de estilos de aprendizaje, los comportamientos promovidos por una

modalidad en línea y los promovidos por una modalidad presencial son distintos. Es decir, las

características en el comportamiento del estudiante que permiten al ILS medir estilos de

aprendizaje no son transferibles de la modalidad presencial la modalidad en línea.

El apoyo que pueden recibir los profesores que imparten cátedra a través de medios

electrónicos de un modelo como el que se propone sienta las bases para conceptualizar de una

manera distinta los estilos de aprendizaje en la educación a distancia.

Recomendaciones

Es necesario evaluar la posibilidad de incrementar el tamaño de la muestra y en este sentido,

establecer criterios de selección y seguimiento a los grupos participantes en futuros estudios, ya

que la cantidad y calidad de los conjuntos de datos depende de la cantidad y diversidad de

interacciones que los estudiantes tengan con materiales, actividades y otros estudiantes mientras

usan la plataforma tecnológica de aprendizaje.

Inicialmente se tuvo contemplado medir aspectos afectivos del estudiante mientras éste

usaba la plataforma de aprendizaje. Sin embargo, por cuestiones técnicas, esos datos no pudieron

68

utilizarse durante la fase de análisis. Durante los últimos años ha ido incrementando el interés por

incluir algunas técnicas, métodos y tecnologías en el campo de la educación que ya han madurado

en otros campos como el de los negocios, el mercadeo, las finanzas y las ciencias administrativas

en general. Algunas de estas líneas son la adaptación/personalización de contenidos, optimización

de interfaces de usuario para reducir la carga cognitiva en operaciones intelectualmente

demandantes, monitoreo de estados afectivos, inteligencia de negocios, entre otras. En ese sentido

es importante considerar que la madurez que han adquirido algunas de éstas líneas podrían traer

beneficios al campo de la educación y ya se comienza a ver como estos avances permean a las

ciencias de la educación. La recomendación es tener una visión inclusiva que permita integrar de

manera pertinente los avances logrados en otros campos, al campo de la educación.

Adicionalmente, es necesario considerar los comportamientos de manera más

granularizada. Es decir, considerar en futuros estudios el comportamiento desde una perspectiva

diferente a la cantidad de contenidos que el estudiante visita, aun cuando se distingue entre los

diferentes tipos de contenido. Esto implica incluir datos que permitan conocer el orden en el que

los contenidos fueron consultados y además al interior de los mismos como el estudiante navega a

través de cada contenido. Así mismo, se recomienda incluir datos sobre cuáles son aquellos tipos

de contenido que más favorecen en el cumplimiento de los objetivos de aprendizaje, por ejemplo a

la hora de contestar preguntas sobre el contenido o al resolver problemas con base en contenidos

específicos.

Finalmente la identificación de los estilos de aprendizaje a través del comportamiento de

uso de una plataforma tecnológica amerita una conceptualización distinta a la que se ha usado

para definir los estilos mencionados. Aunque la técnica de los árboles de decisión resultó ser de

gran apoyo para la conformación de un modelo identificador de estilos de aprendizaje, la

69

evidencia recolectada permite sugerir que todavía se requiere refinar los procesos automáticos de

la plataforma tecnológica.

70

Referencias

Ahmad, N. & Shamsuddin S. (2010). A comparative analysis of mining techniques for automatic

detection of student’s learning style. In: Proceedings of the 2010 10th international

conference on intelligent systems design and applications, ISDA’10, pp 877–882

Al-Zoube, M. (2009). E-learning on the cloud. Int. Arab J. e-Technol. 1(2), 58-64.

Anderson, E. S., & Keith, T. Z. (1997). A longitudinal test of a model of academic success for at-

risk high school students. Journal of Educational Research, 90, 259–266.

Arnove, R. (2009). World-Systems Analysis and Comparative Education in the Age of

Globalization. In R. Cowen & A. Kazamias (Eds.), International Handbook of

Comparative Education (22), 101-119: Springer Netherlands.

Baddeley, A. (1992). Working memory. Science, 255(5044), 556-559.

Barrientos, R. (2009). Arboles de decisión como herramienta en el diagnóstico médico. Veracruz,

México: Instituto de Ciencias de la Salud - Universidad Veracruzana.

Belloch, C. (2013). Diseño Instruccional. Recuperado de

http://www.uv.es/bellochc/pedagogia/EVA4.wiki

Berrío, D. (Producer). (2009). La emergente Sociedad del Conocimiento. Recuperado de

https://www.youtube.com/watch?v=chQv6_rQ2fM&feature=related

Boekaerts, M. (1993). Being concerned with well-being and with learning. Educational

psychologist, 28(2), 149-167.

Bousbia N., Rebai I., Labat J. & Balla A. (2010). Analysing the relationship between learning

styles and navigation behaviour in web-based educational system. Knowl Manag E Learn

2(4):400–421

71

Brown, B. & Hedges, D. (2009). Use and misuse of quantitative methods: Data collection,

calculation, and presentation. In D. M. Mertens & P. E. Ginsberg (Eds.),The handbook of

social research ethics (pp. 373–385). Los Angeles, CA: Sage.

Carver CA Jr, Howard R A, Lane WD (1999) Enhancing student learning through hypermedia

courseware and incorporation of student learning styles. IEEE Trans Educ. 42(1):33–38

Cha H., Kim S., Lee J. & Yoon T. (2006a). An adaptive learning system with learning style

diagnosis based on interface behaviors. In: Workshop proceedings of internationl

conference e-learning and games (edutainment).

Cha H., Kim Y., Park S., Yoon T., Jung Y. & Lee J. (2006b). Learning styles diagnosis based on

user interface behaviors for the customization of learning interfaces in an intelligent

tutoring system. In: Ikeda M, Ashley K., Chan T. (eds) Intelligent tutoring systems, lecture

notes in computer science, vol 4053. Springer, New York, pp 513–524

Chadwick, C. B. (1999). La psicología del aprendizaje desde el enfoque constructivista. Rev.

latinoam. psicol, 31(3), 463-475.

Chiu, C., & Moss, C. F. (2007). The rol of the external ear in vertical sound localization in the

free flying bat. Journal of the Acoustical Society of America., 121(4). doi:

10.1121/1.2434760

Chrysafiadi, K., & Virvou, M. (2013). Student modeling approaches: A literature review for the

last decade. Expert Systems with Applications, 40(11), 4715-4729.

Coffield, F., Moseley, D., Hall, E., & Ecclestone, K. (2004). Should we be using learning styles?:

What research has to say to practice.

Corbett, A. T., Koedinger, K. R., & Anderson, J. R. (1997). Intelligent tutoring systems.

Handbook of humancomputer interaction, 849-874.

72

Cowie, R., Douglas-Cowie, E., Tsapatsoulis, N., Votsis, G., Kollias, S., Fellenz, W., & Taylor, J.

G. (2001). Emotion recognition in human-computer interaction. Signal Processing

Magazine, IEEE, 18(1), 32-80.

Crockett, K., Latham, A., Mclean, D., Bandar, Z., & The, J. O. S. (2011). On predicting learning

styles in conversational intelligent tutoring systems using fuzzy classification trees.

In Fuzzy Systems (FUZZ), 2011 IEEE International Conference, 2481-2488: IEEE.

Creswell, J. (2012). Educational research: Planning, conducting, and evaluating quantitative. New

Jersey: Upper Saddle River.

Creswell, J. (2009). Research design: Qualitative, quantitative, and mixed methods approaches:

SAGE Publications, Incorporated.

Dabbagh, N., & Kitsantas, A. (2012). Personal Learning Environments, social media, and self-

regulated learning: A natural formula for connecting formal and informal learning. The

Internet and higher education, 15(1), 3-8.

Darling-Hammond, L. (2008). Teacher learning that supports student learning. Teaching for

intelligence, 2, 91-100.

Del Hierro, P. E., & Torres, A. G. (2004). Modelo curricular ITSON 2002. Recuperado de

http://www.itson.mx/empleados/servicios/innovacion/

Documents/MODELO_CURRICULAR_ITSON_2002.pdf

Dung P. & Florea A. (2012). A literature-based method to automatically detect learning styles in

learning management systems. In: Burdescu DD, Akerkar R, Badica C (eds) WIMS,

ACM, p 46

73

Duval, E. (2012). Learning Analytics and Educational Data Mining. Recuperado de

https://erikduval.wordpress.com/2012/01/30/learning-analytics-and-educational-data-

mining/

Felder, R., & Silverman, L. (1988). Learning and teaching styles in engineering education.

Engineering education, 78(7), 674-681.

Felder, R., & Soloman, B. (s.f.). Index of Learning Styles (ILS). from

http://www4.ncsu.edu/unity/lockers/users/f/felder/public/ILSpage.html

Felder, R. & Spurlin, J. (2005). Applications, reliability and validity of the index of learning

styles. International journal of engineering education, 21(1), 103-112. Recuperado de

https://wss.apan.org/jko/mls/Learning%20Content/ILS_Validation(IJEE).pdf

Feldman, J., Monteserin, A., & Amandi, A. (2014). Automatic detection of learning styles: state

of the art. Artificial Intelligence Review. doi: 10.1007/s10462-014-9422-6

Figueroa, N., Cataldi, Z., Méndez, P., Rendon Z., Costa, G. & Lage, F.(2005). Los estilos de

aprendizaje y las inteligencias múltiples en cursos iniciales de programación. Paper

presented at the VII Workshop de Investigadores en Ciencias de la Computación.

Fox, D. (1981). El proceso de investigación en educación. Pamplona: EUNSA

Gardner, H. (1993). Inteligencias Múltiples. Barcenola, España: Paidós.

García, J., Santizo, J. & Alonso, C. (2009). Instrumentos de Medición de Estilos de Aprendizaje.

Revista Estilos de Aprendizaje, 4(4), 3-21 Recuperado de

http://www2.uned.es/revistaestilosdeaprendizaje/numero_4/Artigos/lsr_4_articulo_1.pdf

García P., Amandi A., Schiaffino S. & Campo M. (2007). Evaluating bayesian networks’

precision for detecting students’ learning styles. Comput Educ 49(3):794–808

74

García P., Schiaffino S. & Amandi A (2008). An enhanced bayesian model to detect students

learning styles in web-based courses. J Comput Assist Learn 24(4):305–315.

doi:10.1111/j.1365-2729.2007.00262.x

Giraffa, L., Nunes, M., & Viccari, R. (1997). Multi-ecological: an learning environment using

multi-agent architecture. Multia-Agent System: Theory and Application Proceedings.

Gomes, A. & Mendes, A. (2007). Learning to program-difficulties and solutions. Paper presented

at the International Conference on Engineering Education–ICEE.

Graesser, A. C., Conley, M. W., & Olney, A. (2012). Intelligent tutoring systems.

Graf, S., Shuk, K., Liu, T. (2008). Identifying learning styles in learning management systems by

using indications from students' behaviour. ICALT'08. Eighth IEEE International

Conference (pp. 482-486): IEEE.

Graf S. & Kinshuk L. (2009). Supporting teachers in identifying students’ learning styles in

learning management systems: an automatic student modelling approach. Educ Technol

Soc 12(4):3–14

Gregorc, A. (2002). Mind Styles - Anthony Gregorc. Recuperado de

http://web.cortland.edu/andersmd/learning/gregorc.htm

Hannafin, M. J., Hill, J. R., & Land, S. M. (1997). Student-Centered Learning and Interactive

Multimedia: Status, Issues, and Implications. Contemporary Education, 68(2), 94-97.

Hernández, R., Fernández, C. & Baptista, P. (2014). Metodología de la investigación. México:

Editorial Mc Graw Hill.

ITSON. (2009). MODELO CURRICULAR ITSON 2009. Recuperado de

http://www.itson.mx/empleados/servicios/innovacion/Documents/MODELO_CURRICUL

AR_ITSON_2009.pdf

75

Jegatha Deborah, L. (2014). Intelligent agent based learning and evaluation system using learning

styles identification.

Jenkins, T. (2002). On the difficulty of learning to program. Paper presented at the Proceedings of

the 3rd Annual Conference of the LTSN Centre for Information and Computer Sciences.

Keefe, J. (1979). Learning style: An overview. In NASSP's Student Learning Styles: Diagnosing

and Proscribing Programs (pp. 1-17). Reston, VA. National Association of Secondary

School Principles

Kerlinger F. & Lee, H. (2002) Investigación del comportamiento. 4a Ed. McGraw Hill. México

Kolb, A., Kolb, D. (2005). Learning styles and learning spaces: Enhancing experiential learning in

higher education. Academy of management learning & education 4(2), 193-212.

Kolb, D. (1984). Experiential learning: Experience as the source of learning and development

(Vol. 1): Prentice-Hall Englewood Cliffs, NJ.

LACE (2014). What are learning analytics. Recuperado de www.laceproject.eu/faqs/learning-

analytics/

Latapie, I. (2007). Acercamiento al aprendizaje multimedia. Investigación Universitaria

Multidisciplinaria: Revista de Investigación de la Universidad Simón Bolívar (6), 7.

Latham, A., Crockett, K., McLean, D. & Edmonds, B. (2012). A conversational intelligent

tutoring system to automatically predict learning styles. Computers & Education, 59(1),

95-109.

Lerís, D., & Sein-Echaluce, M. (2011). La personalización del aprendizaje: un objetivo del

paradigma educativo centrado en el aprendizaje. Arbor, 187(Extra_3): 123-134 doi:

10.3989/arbor.2011.Extra-3n3135

76

Lozano, A. (2000). Estilos de Aprendizaje y Enseñanza. Un panorama de la estilística educativa.

ITESM Universidad Virtual - ILCE. México: Trillas.

Mayer, R. E. (2005). Cognitive theory of multimedia learning. The Cambridge handbook of

multimedia learning, 31-48.

Mayer, R. E., & Moreno, R. (2003). Nine ways to reduce cognitive load in multimedia learning.

Educational psychologist, 38(1), 43-52.

McGuinness, C. (1999). From thinking skills to thinking classrooms.

Merrill, M. D. (1991). Constructivism and Instructional Design. Educational Technology, 31(5),

45-53.

Marquez, M. (2015). Minería de datos : a través de ejemplos. Alfaomega, México.

Mora-Torres, M., Laureano-Cruces, A. L., & Velasco-Santos, P. (2011). Estructura de las

emociones dentro de un proceso de enseñanza-aprendizaje. Perfiles educativos, 33, 64-79.

Moreno, R., & Mayer, R. (2007). Interactive multimodal learning environments. Educational

Psychology Review, 19(3), 309-326.

Moroni, N., & Señas, P. (2005). Estrategias para la enseñanza de la programación. Paper

presented at the I Jornadas de Educación en Informática y TICs en Argentina.

Muñoz, J. (2006). Objetos de aprendizaje integrados a un sistema de gestión de aprendizaje.

Revista Apertura, 109-117.

Narro, J., Martuscelli, Q., & Jaime, E. (2012). Plan de diez años para desarrollar el Sistema

Educativo Nacional. Recuperado de http://www.planeducativonacional.unam.mx

New Media Consortium (2013). NMC Horizon Report 2013 Higher Education Edition.

Recuperado de http://redarchive.nmc.org/publications/2013-horizon-report-higher-ed

77

Osuna, M., & De La Cruz, E. (2010). Los sistemas de gestión de contenidos en información y

documentación. Revista General de Información y Documentación, 67-100.

Pampillón, A. (2009). Las plataformas e-learning para la enseñanza y el aprendizaje

universitario en Internet. Madrid: Universidad Complutense de Madrid.

Pérez, M. (2014). Minería de datos a través de ejemplos. Madrid: RC Libros.

Pintrich, P. (2003). A motivational science perspective on the role of student motivation in

learning and teaching contexts. Journal of educational Psychology, 95(4), 667.

Quinche, J. & González, F. (2011). Entornos Virtuales 3D, Alternativa Pedagógica para el

Fomento del Aprendizaje Colaborativo y Gestión del Conocimiento en Uniminuto.

Formación universitaria, 4(2), 45-54.

Rodríguez, P. (2011). Perfiles de usuario: una herramienta indispensable. Recuperado de

https://sg.com.mx/revista/32/perfiles-usuario-una-herramienta-indispensable#.WUP-

3Gg1_IV

Siemens, G. (2011). Learning and Academic Analytics. Recuperado de

http://www.learninganalytics.net/?p=131

Spring, J. H. (1998). Education and the Rise of the Global Economy: L. Erlbaum Associates.

Stephenson, J., & Yorke, M. (2013). Capability and quality in higher education: Routledge.

Sweller, J. (1999). Instructional Design in Technical Areas. Australian Education Review, No. 43:

ERIC.

Thorndike, R. (1997). Correlational procedures in data analysis. In T. Husen & T. N.

Postlethwaite (Eds.),International encyclopedia of education (2nd ed., pp. 1107–1117).

Oxford and New York: Pergamon and Elsevier Science.

Tulving, E. (1995). Organization of memory: Quo vadis. The cognitive neurosciences, 839-847.

78

UNESCO. (2014). Enfoques Estratégicos sobre las TIC en Educación en América Latina y el

Caribe. Chile.

UNIR. (2013). Tema 4. Diseño y desarrollo de sistemas y redes adaptativos y colaborativos.

Recuperado de https://issuu.com/roblamas/docs/tema3_modelos_de_usuario

Villaverde J., Godoy D. & Amandi A (2006). Learning styles’ recognition in e-learning

environments with feed-forward neural networks. J Comput Assist Learn 22(3):197–206

Watson, W., Watson, S. (2007). What are learning management systems, what are

they not, and what should they become? TechTrends 51(2), 29.

Witten, I., Frank, E. & Hall, M. (2011). Data Mining. Practical Machine Learning Tools and

Techniques. 3d Ed. Morgan Kaufmann Publishers, USA.

Yannibelli V., Godoy D. & Amandi A (2006). A genetic algorithm approach to recognise

students’ learning styles. Interact Learn Environ 14(1):55–78

Yueh, H., Hsu, S. (2008). Designing a learning management system to support instruction.

Communications of the ACM 51(4), 59-63.

Zatarain-Cabada, R., Barrón-Estrada, M., Angulo, V., García, A. & García, C. (2010a).

Identification of Felder-Silverman Learning Styles with a Supervised Neural Network.

ICIC (2) 479-486.

Zatarain-Cabada R, Barrón-Estrada ML, Angulo VP, García AJ, García CAR (2010b) A learning

social networkwith recognition of learning styles using neural networks. In: Trinidad JFM,

Carrasco-Ochoa JA, Kittler J (eds) MCPR, lecture notes in computer science, vol 6256,

Springer, New York, pp 199–209

Özpolat, E. & Akar G. (2009) Automatic detection of learning styles for an e-learning system.

Comput Educ 53(2):355–367. doi:10.1016/j.compedu.2009.02.018

79

ANEXOS

Anexo 1

NC STATE UNIVERSITY

Cuestionario para determinar el Índice de Estilos de Aprendizaje

Barbara A. Soloman FirstYear College

North Carolina State University Raleigh, North Carolina 27695

Richard M. Felder Department of Chemical Engineering

North Carolina State University Raleigh, NC 276957905

Traducido por Rosa Torregrosa Maciá Departamento de Química Inorgánica

Universidad de Alicante. Apartado 9903080 Alicante

Por favor, escribe tu nombre completo. Se imprimirá tu nombre junto con la

información que se te devuelva.

Nombre completo:__________________________________________

Para cada una de las 44 preguntas siguientes, selecciona "a" o "b" para indicar tu

respuesta. Elige solamente una respuesta para cada pregunta. Si tanto "a" como "b" te

parecen respuestas correctas, elige la que se aplicaría más frecuentemente. Cuando

termines de seleccionar las respuestas de cada pregunta, pulsa el botón de enviar que

se encuentra al final del cuestionario.

80

1. Entiendo las cosas mejor después de:

(a) probarlas.

(b) pensar en ellas.

2. Me gustaría que me consideraran

(a) realista.

(b) innovador/a.

3. Cuando pienso en lo que hice antes de ayer, suelo hacerlo como si viera

(a) una foto.

(b) palabras.

4. tengo tendencia a:

(a) entender los detalles de un tema pero me pierdo en la estructura

global.

(b) entender la estructura global, pero me pierdo en los detalles.

5. Cuando estoy aprendiendo algo nuevo, me ayuda:

(a) hablar del tema.

(b) pensar en el tema.

6. Si fuera profesor, preferiría enseñar un curso sobre:

(a) hechos y situaciones de la vida real.

(b) ideas y teorías.

7. Prefiero obtener información nueva a partir de:

(a) fotografías, diagramas, gráficas o mapas.

(b) instrucciones escritas o información verbal.

8. Una vez entiendo

(a) todas las partes, entiendo el conjunto.

(b) el conjunto, entiendo cómo encajan las partes.

9. Cuando trabajo en un grupo de estudio con materias difíciles, prefiero

(a) participar contribuyendo con ideas.

81

(b) sentarme y escuchar.

10. Encuentro más fácil

(a) aprender hechos.

(b) aprender conceptos.

11. De un libro con muchas fotos y mapas, prefiero

(a) mirar las fotos y los mapas detenidamente.

(b) centrarme en el texto escrito.

12. Cuando resuelvo problemas de matemáticas

(a) Suelo trabajar a mi aire hasta obtener la solución paso a paso.

(b) Con frecuencia suelo mirar las soluciones y luego ensayar para

comprender los pasos para llegar a ella.

13. En las clases que he recibido

(a) Normalmente llegué a conocer a muchos de los estudiantes.

(b) Raramente llegué a conocer a muchos de los estudiantes.

14. Cuando no leo ciencia ficción, prefiero

(a) algo que me enseñe nuevos hechos o me diga cómo hacer algo.

(b) algo que me proporcione nuevas ideas sobre las que pensar.

15. Me gustan los profesores que

(a) usan muchos diagramas en la pizarra.

(b) pasan mucho tiempo explicando.

16. Cuando analizo una historia o una novela

(a) Pienso en los incidentes y trato de interconectarlos para comprender

los temas.

(b) Solo sé cuáles son los temas cuando termino de leer y, entonces,

tengo que retroceder y encontrar los incidentes que los demuestran.

17. Cuando abordo un problema prefiero

(a) empezar inmediatamente a trabajar en la solución.

82

(b) tratar primero de entender totalmente el problema.

18. Prefiero la idea de

(a) certeza.

(b) teoría.

19. Recuerdo mejor

(a) lo que veo.

(b) lo que oigo.

20. Para mí es más importante que un instructor

(a) distribuya el material en etapas secuencialmente claras.

(b) me proporcione una imagen general y relacione el material con otros

temas.

21. Prefiero estudiar

(a) en un grupo de estudio.

(b) solo.

22. Me gustaría más que me consideraran

(a) cuidadoso con los detalles de mi trabajo.

(b) creativo respecto a la manera de hacer mi trabajo.

23. Cuando me indican cómo llegar a un nuevo lugar, prefiero

(a) un mapa.

(b) instrucciones escritas.

24. Aprendo

(a) a velocidad casi regular. Si estudio mucho, lo conseguiré.

(b) a saltos. Estoy totalmente confuso/a y de repente se enciende la luz.

25. Prefiero primero

(a) probar las cosas.

(b) pensar sobre cómo voy a hacerlas.

26. Cuando leo por entretenimiento, me gustan los escritores que

83

(a) dicen claramente lo que quieren decir.

(b) dicen las cosas de forma interesante y creativa.

27. Cuando veo un diagrama o dibujo, en clase, suelo recordar mejor

(a) el dibujo.

(b) lo que dijo el profesor sobre él.

28. Cuando se considera un cuerpo de información, prefiero

(a) centrarme en los detalles y perder el esquema total.

(b) tratar de entender el esquema total antes de entrar en los detalles.

29. Recuerdo más fácilmente

(a) algo que he hecho.

(b) algo sobre lo que he pensado mucho.

30. Cuando tengo que realizar una tarea, prefiero

(a) dominar una forma de hacerla.

(b) proponer nuevas formas de hacerla.

31. Cuando me muestran datos, prefiero

(a) mapas o gráficos.

(b) texto resumiendo los resultados.

32. Cuando escribo un trabajo, me gusta más

(a) trabajar (pensar o escribir sobre el inicio) en el comienzo del trabajo

y continuar hacia adelante progresivamente.

(b) trabajar (pensar o escribir sobre las diferentes partes) en las

diferentes partes del trabajo y después ordenarlas.

33. Cuando tengo que trabajar en un proyecto en grupo, primero quiero

(a) tratar de pensar en él con los demás miembros del grupo aportando

ideas.

(b) tratar de pensar en él individualmente y luego reunirme con el resto

del grupo para comparar ideas.

84

34. Considero un gran cumplido llamar a alguien

(a) sensitivo.

(b) imaginativo.

35. Cuando conozco gente en una fiesta, suelo recordar mejor

(a) a quién se parecían.

(b) lo que decían de ellos mismos.

36. Cuando aprendo un nuevo tema, prefiero

(a) centrarme en dicho tema, aprender sobre él todo lo que pueda.

(b) tratar de realizar conexiones entre este tema y otros temas

relacionados.

37. Prefiero que me consideren

(a) extrovertido.

(b) reservado.

38. Prefiero cursos que enfatizan

(a) material concreto (hechos, datos).

(b) material abstracto (conceptos, teorías).

39. Para entretenerme, prefiero

(a) ver televisión.

(b) leer un libro.

40. Algunos profesores comienzan sus clases con un esquema de lo que se dará.

Estos esquemas son

(a) a veces útiles para mí.

(b) muy útiles para mí.

41. La idea de hacer trabajo en grupo, con una calificación única para todo el

grupo

(a) me parece buena.

(b) no me parece buena.

85

42. Cuando estoy haciendo cálculos largos,

(a) suelo repetir todos los pasos que he dado y revisar mi trabajo con

mucho cuidado.

(b) encuentro cansado tener que revisar mi trabajo, he de esforzarme

para hacerlo.

43. Suelo dibujar lugares que he visto

(a) con facilidad y con bastante precisión.

(b) con dificultad y sin mucho detalle.

44. Cuando estoy resolviendo problemas en grupo, me gustaría más

(a) pensar en los pasos del proceso de solución.

(b) pensar en las posibles consecuencias o aplicaciones de la solución en

un rango grande de áreas