Personalización de recursos para la enseñanza de matemáticas universitarias usando inteligencia artificial
Personalization of resources for the teaching of university mathematics using artificial intelligence
Personalização de recursos para o ensino de matemática universitária usando inteligência artificial
Resumen (es)
Objetivo: presentar un modelo de personalización de recursos de aprendizaje usando técnicas de inteligencia artificial (IA) para la enseñanza de matemáticas universitarias. Metodología: El modelo se construyó basado en los estilos de aprendizaje de Felder y Silverman y en un cuestionario de saberes previos aplicado a los estudiantes en álgebra, geometría y trigonometría una vez ingresan a carreras profesionales de ingeniería. Resultados: Se analizaron las recomendaciones de recursos de aprendizaje por estilos de aprendizaje y se aplicaron técnicas de IA, para encontrar patrones en siete grupos diferentes de estudiantes. Conclusión: Con este modelo se evaluó la posibilidad de realizar una adecuada recomendación de recursos de aprendizaje, teniendo en cuenta el tipo y el orden de presentación de estos y, además, sobre las áreas que se deben priorizar en el ingreso a la universidad.
Resumen (en)
Objective: to present a model for the personalization of learning resources using artificial intelligence (AI) techniques for the teaching of university mathematics. Methodology: The model was built based on the learning styles of Felder and Silverman and on a prior knowledge questionnaire applied to students in algebra, geometry and trigonometry once they enter professional engineering careers. Results: The recommendations of learning resources by learning styles were analyzed and AI techniques were applied, to find patterns in seven different groups of students. Conclusion: With this model, the possibility of making an adequate recommendation of learning resources was evaluated, considering the type and order of presentation of these and, in addition, on the areas that should be prioritized when entering the university.
Resumen (pt)
Objetivo: apresentar um modelo de personalização de recursos de aprendizagem utilizando técnicas de inteligência artificial (IA) para o ensino de matemática universitária. Metodologia: O modelo foi construído com base nos estilos de aprendizagem de Felder e Silverman e em um questionário de conhecimentos prévios aplicado a alunos de álgebra, geometria e trigonometria ao ingressarem nas carreiras profissionais de engenharia. Resultados: Foram analisadas as recomendações de recursos de aprendizagem por estilos de aprendizagem e aplicadas técnicas de IA, para encontrar padrões em sete grupos diferentes de alunos. Conclusão: Com este modelo, avaliou-se a possibilidade de fazer uma recomendação adequada de recursos de aprendizagem, levando em consideração o tipo e ordem de apresentação destes e, além disso, sobre as áreas que devem ser priorizadas ao ingressar na universidade.
Referencias
Borges, G., y Stiubiener, I. (2014). Recommending Learning Objects Based on Utility and Learning Style. IEEE Frontiers in Education Conference (FIE) Proceedings, 1–9. https://10.1109/FIE.2014.7044245
Bravo, M., y Mejía, A. (2010). Los retos de la educación superior en Colombia: Una reflexión sobre el fenómeno de la deserción universitaria. Revista Educación En Ingeniería, 5(10), 85–98. https://bit.ly/3mYogo8
Camacho, J., Laverde, I., y Clara, I. (2012). Blended Learning y estilos de aprendizaje en estudiantes universitarios del área de la salud Blended learning and learning styles in university students of the health areas. Revista de Educación Médica Superior, 26(1), 27–44. https://bit.ly/3o9lvzp
Carvalho, Z., Ferreira, L., y Pimentel, A. (2017). Adaptation of Learning Object Interface based on Learning Style. ICIES, 3, 119–126. https://doi.org/10.5220/0006319001190126
Castro, B., Manrique, R., González, D., y Segura, A. (2020). Academic trajectory and factors associated with graduation, dropout and graduation delay in undergraduate students at a private university of Medellín (Colombia). Formación Universitaria, 13(1), 43–54. https://doi.org/10.4067/S0718-50062020000100043
Ciloglugil, B., & Inceoglu, M. (2016). A felder and silverman learning styles model based personalization approach to recommend learning objects. Lecture Notes in Computer Science, 9790, 386–397. https://doi.org/10.1007/978-3-319-42092-9_30
Chiliquinga-Campos, F, y Balladares-Burgos, J. (2020). Rutinas de pensamiento: Un proceso innovador en la enseñanza de la Matemática. Revista Andina De Educación, 3(1), 53-63. https://doi.org/10.32719/26312816.2020.3.1.9
Coll, C. (2016). La personalización del aprendizaje escolar El qué, el por qué y el cómo de un reto insoslayable. Universidad de Barcelona. Reptes de I“educació a Catalunya. Anuari d“Educació.
Donoso, S., Iturrieta, T., y Traverso, G. (2018). Sistemas de Alerta Temprana para estudiantes en riesgo de abandono de la Educación Superior. Ensaio: Avaliação e Políticas Públicas Em Educação, 26(100), 944–967. https://doi.org/10.1590/
s0104-40362018002601494
Dorca, F., Araújo, R., de Carvalho, V., Resende, D., y Cattelan, R. (2016). An Automatic and Dynamic Approach for Personalized Recommendation of Learning Objects Considering Students Learning Styles : An Experimental An Automatic and Dynamic Approach for Personalized Recommendation of Learning Objects Considering Students. Learning Informatics in Education, 15(1), 45–62. https://doi.org/10.15388/infedu.2016.03
Duque, N., Tabares, V., y Vicari, R. (2016). Learning Object Metadata Mapping with Learning Styles as a Strategy for Improving Usability of Educational Resource Repositories. Revista Iberoamericana de Tecnologías Del Aprendizaje, 11(2), 101–106. https://doi.org/10.1109/RITA.2016.2554038
Gironés-Roig, J., Casas-Roma, J., Minguillón-Alfonso, J., y Caihuelas-Quiles, R. (2017). Minería de datos: Modelos y Algoritmos. Editorial UOC. https://doi.org/10.1017/CBO9781139058452.002
León, G. de la C., y Viña, S. M. (2017). La inteligencia artificial en la educación superior. Oportunidades y amenazas. INNOVA Research Journal, 2(8.1), 412–422. https://doi.org/10.33890/innova.v2.n8.1.2017.399
Lerís, D., Sein M. L., Hernández, M., y Bueno, C. (2017). Validation of indicators for implementing an adaptive platform for MOOCs. Computers in Human Behavior, 72, 783–795. https://doi.org/10.1016/j.chb.2016.07.054
Mandale, R., Patil, A., y Adamuthe, A. (2021). Improved Undergraduate Software Capstone Project Development with Adoption of Industry Practices. Journal of Engineering Education Transformations ,34(4), 74-89. https://doi.org/10.16920/
jeet/2021/v34i4/153757
Maza, L., Raymundo, C., y Domínguez, F. (2017). Modelo de asociación entre objetos y estilos de aprendizajes para una Plataforma de aprendizaje adaptativo. CICIC 2017, 148–153. https://bit.ly/3bHLB6S
Nafea, S., Siewe, F., y He, Y. (2019). A Novel Algorithm for Course Learning Object Recommendation Based on Student Learning Styles. 2019 International Conference on Innovative Trends in Computer Engineering, 192-201. https://doi.org/10.1109/ITCE.2019.8646355
Pérez, C., Cerón, E., Suárez, R., Mera, M., Briones, N., Zambrano, L., y Barreto, M. (2019). Deserción y repitencia en estudiantes de la carrera de Enfermería matriculados en el período 2010-2015. Universidad Técnica de Manabí. Ecuador. 2017. Educación Médica, 20(2), 84–90. https://doi.org/10.1016/j.edumed.2017.12.013
Ramirez, A., Bory, J., y Hernández, L. M. (2016). Learning Object Assembly Based on Learning Styles. Smart Innovation, Systems and Technologies, 59, 447–462. https://doi.org/10.1007/978-3-319-39690-3
Rincón, E., Mena, J., López, E., y Olmos, O. (2019). Adaptive learning based on AI with predictive algorithms. ACM International Conference Proceeding Series, 607–612. https://doi.org/10.1145/3362789.3362869
Rivero, D., Ulloa, N., Guerra, L., Arellano, B., y Arciniegas, S. (2019). Agente adaptativo para la enseñanza en ambientes inteligentes. RISTI, 694–707.
Rodríguez, R. (2018). Los modelos de aprendizaje de Kolb, Honey y Mumford: implicaciones para la educación en ciencias. Sophia, 14(1), 51–64. https://doi.org/10.18634/sophiaj.14v.1i.698
Rusell, S., y Norvig, P. (2004). Inteligencia Artificial. Un Enfoque Moderno. Pearson Education. Madrid.
Simanca, H., Burgos, D., Crespo, R., y Baena, L. (2018). Automation of the tutoring process in online environments through the analitycs of learning, Iberian
Conference on Information Systems and Technologies, CISTI, 1–5. https://doi.org/10.23919/CISTI.2018.8399403
Soria, K., y Zúñiga, S. (2014). Aspectos determinantes del éxito académico de estudiantes universitarios. Formación Universitaria, 7(5), 41–50. https://doi.org/10.4067/S0718-50062014000500006
Valbuena, S., Jiménez, M. A., y Jiménez, W. (2021). Aportes de los actores de la práctica pedagógica al desarrollo de las competencias específicas en la licenciatura en matemática en formación virtual y presencial. Revista Interamericana De Investigación Educación Y Pedagogía RIIEP, 14(2), 247-275. https://doi.org/10.15332/25005421.6114
Vargas, M., y Montero, E. (2016). Factores que determinan el rendimiento académico en Matemáticas en el contexto de una universidad tecnológica: aplicación de un modelo de ecuaciones estructurales. Universitas Psychologica, 15(4). https://doi.org/10.11144/Javeriana.upsy15-5.eetc
Cómo citar
Licencia
Derechos de autor 2023 Revista Interamericana de Investigación Educación y Pedagogía RIIEP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
RIIEP está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
La Universidad Santo Tomás conserva los derechos patrimoniales de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia anteriormente mencionada.
