Un algoritmo predice el rendimiento académico del alumno de educación a distancia
Un equipo de investigadores de la Universidad de Córdoba ha diseñado un modelo basado en lógica difusa que predice el desempeño del alumnado de educación online, ordenándolo en cuatro categorías (abandono, suspenso, aprobado y distinción) y ayudando al profesorado a dar respuestas más personalizadas a cada alumno según su situación. El modelo se alimenta de los datos que el sistema de enseñanza online genera.
Fuente: UCC+i Universidad de Córdoba
La educación a distancia ha democratizado el acceso al conocimiento, eliminando problemas de tiempo y espacio. La flexibilidad y accesibilidad de este tipo de sistemas ha hecho que se incremente el número de personas que se forman a través de plataformas online. Sin embargo, debido a la gran cantidad de estudiantes y a la falta de la interacción cercana que permite el aula, el profesorado se enfrenta a un gran problema: la dificultad de dar seguimiento y adaptar el aprendizaje al alumnado.
Las herramientas basadas en inteligencia artificial pueden ser aliadas de los docentes ayudando a predecir el rendimiento del alumnado para que así puedan adaptar las estrategias educativas a su situación de aprendizaje.
Para facilitar esa adaptación y mejorar la educación online, un equipo de la Universidad de Córdoba formado por los investigadores Juan Carlos Gámez, Aurora Esteban, Francisco Javier Rodríguez y Amelia Zafra ha desarrollado un algoritmo que realiza una predicción del desempeño del estudiante en 4 clasificaciones distintas. Frente a otros modelos previos que predicen ese desempeño sólo desde la óptica del “aprueba o suspende” o “abandona o continúa” el curso, “este algoritmo basado en clasificación ordinal y lógica difusa permite predecir el desempeño del alumnado manteniendo las relaciones de orden entre las categorías: abandono, suspenso, aprobado y distinción” explica la investigadora del Departamento de Informática y Análisis Numérico de la UCO, Amelia Zafra.
De esta manera, el algoritmo FlexNSLVOrd hace una mejor predicción, pero también permite al profesorado adecuar mejor sus estrategias dependiendo en la clasificación en la que se encuentre el alumnado.
Las dos ventajas que propone este desarrollo son el uso de la clasificación ordinal con una matriz de costo que permite modelar el peso delas clases ordinales en el aprendizaje y, permite hacer ese ranking más específico, y la lógica difusa adaptada que, como señala el investigador del Departamento de Ingeniería Electrónica y de Computadores de la UCO, Juan Carlos Gámez “te permite cierta flexibilidad ya que, por una parte, frente a la lógica estándar que trabaja con valores concretos, la lógica difusa trabaja con un rango de valores, y por otra parte, se adapta automáticamente al problema utilizando un razonamiento más cercano al que hacemos en nuestra vida diaria”.
El modelo se alimenta de los datos que el sistema de enseñanza online genera. Es decir, las características que tiene en cuenta para predecir el rendimiento son, por ejemplo, la realización de tareas específicas y cuestionarios, su nota y los clics que el alumnado hace en los diferentes recursos que hay a disposición en la plataforma.
Para los investigadores, también es destacable la “interpretabilidad”, es decir, la posibilidad de comprender los resultados que arroja. Y es que, tras rastrear este comportamiento del alumnado, el modelo realiza la clasificación, pero también se hace entender, ya que “frente a los algoritmos de caja negra que te dicen si el estudiante aprobará o abandonará, pero no te dicen ni cómo ni por qué”, esta nueva herramienta aporta una serie de reglas para cada categoría que muestran los recursos y las actividades más relevantes que el estudiante debe realizar”, continúa Zafra. Así, el algoritmo podría ayudar al profesorado a identificar a los estudiantes y poder utilizar refuerzos o estrategias que “por ejemplo, rescaten a los estudiantes con problemas”.
De hecho, en este sentido, el algoritmo permite al profesorado incluso saber qué tipo de características son decisivas o no para conocer el desempeño. “Quizás una tarea que el profesor pensaba que era importante para ello, resulta que no es decisiva para saber si va a aprobar o suspender finalmente” amplía Francisco Javier Rodríguez, también investigador del Departamento de Ingeniería Electrónica y de Computadores de la UCO.
El algoritmo se ha comprobado usando un conjunto muy amplio de datos públicos de aprendizaje de Open University (OULAD), disponibles en abierto y que comprende una muestra grande de estudiantes y cursos. El uso a futuro de este algoritmo podría pasar por incluirlo como aplicación en las plataformas de educación online (tipo Moodle) y que, automáticamente, fuese dando retroalimentación del desempeño del alumnado al profesorado.
Referencia:
Gámez-Granados, J.C., Esteban, A., Rodríguez-Lozano, F.J. et al. ‘An algorithm based on fuzzy ordinal classification to predict students’ academic performance’. Appl Intell (2023). https://doi.org/10.1007/s10489-023-04810-2
Últimas publicaciones
El Instituto Químico para la Energía y el Medioambiente (IQUEMA) diseña un nuevo compuesto para eliminar óxidos de nitrógeno, lo que supone un avance hacia el desarrollo de un sistema para purificar el aire en condiciones reales. Se trata de uno de los gases contaminantes más habituales en las ciudades y cuyos efectos a largo plazo pueden originar graves problemas de salud.
Sigue leyendoInvestigadores de China han identificado 13 proteínas relacionadas con el declive de este órgano. El estudio sugiere cómo los cambios en sus concentraciones en sangre tienden a alcanzar un pico a los 57, 70 y 78 años. Este hallazgo abre la puerta a intervenciones personalizadas para retrasar su degeneración.
Sigue leyendoUn equipo de investigación de la Plataforma Solar de Almería (PSA) perteneciente al Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT) ha desarrollado un algoritmo informático basado en redes neuronales que ajusta de forma automática los captadores de radiación solar atendiendo al clima y su posición en el campo. Los resultados de este estudio confirman que esta estrategia es más segura, eficiente y rentable.
Sigue leyendo