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

Tabares Betancur, Marta Silvia2021-04-212020http://hdl.handle.net/10784/29617Este 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.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.spaOmnicanalidadContexto conscienteMicro aprendizajePrediccionesHacia un método de predicción de resultados de evaluación en un contexto de micro aprendizajemasterThesisinfo:eu-repo/semantics/openAccessANÁLISIS DE CONTENIDO (COMUNICACIÓN) - PROCESAMIENTO DE DATOSANÁLISIS DE INFORMACIÓNMINERÍA DE DATOSALGORITMOS (COMPUTADORES)Context-awareOmnichannelMicrolearningMachine learningPredictionsAcceso abierto2021-04-21Sánchez Castrillón, Jose DavidVallejo, PaolaTabares Betancur, Marta Silvia003.2 S211