Publicación:
Hacia un método de predicción de resultados de evaluación en un contexto de micro aprendizaje

Vista sencilla de ítem
dc.contributor.advisorTabares Betancur, Marta Silvia
dc.contributor.authorSánchez Castrillón, Jose David
dc.contributor.authorVallejo, Paola
dc.contributor.authorTabares Betancur, Marta Silvia
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.emailjsanch81@eafit.edu.cospa
dc.creator.emailmtabares@eafit.edu.cospa
dc.creator.emailpvallej3@eafit.edu.cospa
dc.date.accessioned2021-04-21T15:51:55Z
dc.date.available2021-04-21T15:51:55Z
dc.date.issued2020
dc.descriptionEste artículo presenta un método para predecir los resultados de la evaluación de los alumnos que interactúan con un sistema de microaprendizaje consciente del contexto. Usamos ASUM-DM para guiar diferentes tareas de análisis de datos, incluida la aplicación de un algoritmo genético que selecciona las características de mayor peso de la predicción. Luego, aplicamos modelos de aprendizaje automático como Random Forest, Gradient Boosting Tree, Decision Tree, SVM y Neural Networks para entrenar datos y evaluar los efectos del contexto, ya sea el éxito o el fracaso de la evaluación del alumno. Estamos interesados ​​en encontrar el modelo de influencia significativa del contexto en los resultados de la evaluación del alumno. El modelo Random Forest proporcionó una precisión del 94%, que se calculó con la técnica de validación cruzada. Por tanto, es posible concluir que el modelo puede predecir con precisión el resultado de la evaluación y relacionarlo con el contexto del alumno. El resultado del modelo es una idea útil para enviar notificaciones a los alumnos para mejorar el proceso de aprendizaje. Queremos ofrecer recomendaciones sobre el comportamiento y el contexto del alumno y adaptar el contenido de microaprendizaje en el futuro.spa
dc.description.abstractThis paper presents a method for predicting the evaluation results of learners interacting with a context-aware microlearning system. We use ASUM-DM to guide di erent data analytics tasks, including applying a genetic algorithm that selects the prediction's highest weight features. Then, we apply machine learning models like Random Forest, Gradient Boosting Tree, Decision Tree, SVM, and Neural Networks to train data and evaluate the context's e ects, either success or failure of the learner's evaluation. We are interested in nding the model of signi cant context-in uence to the learner's evaluation results. The Random Forest model provided an accuracy of 94%, which was calculated with the cross-validation technique. Thus, it is possible to conclude that the model can accurately predict the evaluation result and relate it with the learner context. The model result is a useful insight for sending noti cations to the learners to improve the learning process. We want to provide recommendations about learner behavior and context and adapt the microlearning content in the future.spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ciencias de Datos y Analíticaspa
dc.format.mimetypeapplication/pdf
dc.identifier.ddc003.2 S211
dc.identifier.instnameinstname:Universidad EAFIT
dc.identifier.reponamereponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourlrepourl:https://repository.eafit.edu.co
dc.identifier.urihttps://hdl.handle.net/10784/29617
dc.language.isospa
dc.publisherUniversidad EAFITspa
dc.publisher.facultyEscuela de Administraciónspa
dc.publisher.placeMedellínspa
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAcceso abierto
dc.rights.localspa
dc.subjectOmnicanalidadspa
dc.subjectContexto conscientespa
dc.subjectMicro aprendizajespa
dc.subjectPrediccionesspa
dc.subject.keywordContext-awarespa
dc.subject.keywordOmnichannelspa
dc.subject.keywordMicrolearningspa
dc.subject.keywordMachine learningspa
dc.subject.keywordPredictionsspa
dc.subject.lembANÁLISIS DE CONTENIDO (COMUNICACIÓN) - PROCESAMIENTO DE DATOSspa
dc.subject.lembANÁLISIS DE INFORMACIÓNspa
dc.subject.lembMINERÍA DE DATOSspa
dc.subject.lembALGORITMOS (COMPUTADORES)spa
dc.titleHacia un método de predicción de resultados de evaluación en un contexto de micro aprendizaje
dc.typeinfo:eu-repo/semantics/masterThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.localTesis de Maestríaspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
JoseDavid_SanchezCastrillon_Marta_Tabares_Paola_Vallejo.pdf
Tamaño:
348.51 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
108 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario autorización publicación obras
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
946.45 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)