Hacia un método de predicción de resultados de evaluación en un contexto de micro aprendizaje
Fecha
2020
Autores
Sánchez Castrillón, Jose David
Vallejo, Paola
Tabares Betancur, Marta Silvia
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
This 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.
Descripción
Este 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.