Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.yachaytech.edu.ec/handle/123456789/60
Título : Non-predictive and predictive models to recognize the learning style of the students: A case study
Autor : Guachi Guachi, Lorena de los Ángeles
Ortega Zamorano, Francisco
Torres Molina, Richard Andrés
Palabras clave : Learning Style Detection
Automatic Recognition
Artificial Neural Network
Video Games
Detección de estilos de aprendizaje
Reconocimiento Automático
Red Neuronal Artificial
Video Juegos
Fecha de publicación : ago-2019
Editorial : Universidad de Investigación de Tecnología Experimental Yachay
Resumen : Por la falta de personalización en la educación, los estudiantes obtienen un bajo rendimiento en diferentes materias en la escuela, particularmente en matemáticas. Por lo tanto, la identificación del estilo de aprendizaje es una herramienta crucial para mejorar el rendimiento académico. Aunque los métodos tradicionales, como los cuestionarios, se han utilizado ampliamente para la detección de estilos de aprendizaje en jóvenes y adultos por su alta precisión, produce aburrimiento en los niños y no ajusta el aprendizaje automáticamente a las características y preferencias de los estudiantes con el tiempo. En esta investigación, se han utilizado cuatro técnicas, dos modelos no predictivos de estilos de aprendizaje: cuestionario CHAEA-Junior y Mini-Juegos; y dos modelos predictivos de estilos de aprendizaje: Redes Neuronales Artificiales y Redes Bayesianas. En primer lugar, para identificar los porcentajes en los estilos de aprendizaje en cada estudiante, se utilizó el cuestionario CHAEA-Junior y las preguntas matemáticas de los Mini-Juegos (Competidor, Soñador, Lógico, Estratega) basados en la teoría de aprendizaje de Kolb. Luego, los datos recopilados del cuestionario y los Mini- Juegos se usaron en los dos modelos predictivos. Las pruebas experimentales muestran que la herramienta óptima en el reconocimiento general del estilo de aprendizaje para los estudiantes de la escuela “Teodoro Gómez de la Torre” (Imbabura - Ecuador) son los Mini-Juegos basados en estilos de juego ADOPTA, seguidos de Redes Neuronales Artificiales y Redes Bayesianas para el reconocimiento del estilo de aprendizaje, como instrumentos de investigación para brindar un aprendizaje personalizado a los estudiantes ecuatorianos.
Descripción : By the lack of personalization in education, students obtain low performance in different subjects in school, particularly in mathematics. Therefore, learning style identification is a crucial tool to improve academic performance. Although traditional methods such as questionnaires have been extensively used to the learning styles detection in youths and adults by its high precision, it produces boredom in children, and it does not adjust learning automatically to student characteristics and preferences over time. In this research, four techniques have been used, two non-predictive learning styles detecting models: CHAEA- Junior questionnaire and Mini-Games; and two predictive learning styles detecting models: Artificial Neural Networks and Bayesian Networks. Firstly, to identify the percentages in learning styles in each student, it was used CHAEA-Junior questionnaire, and mathematical questions from the Mini-Games (Competitor, Dreamer, Logician, Strategist) based on Kolb's learning theory. Then, the gathering data from the questionnaire and the Mini-Games were used in the two predictive models. The experimental tests show that the optimal tool in the overall learning style recognition for students of the school “Teodoro Gómez de la Torre” (Imbabura - Ecuador) are, the Mini-Games based on ADOPTA playing styles, followed by Artificial Neural Networks and Bayesian Networks for learning style recognition, as research instruments to provide personalized learning to Ecuadorian students.
URI : http://repositorio.yachaytech.edu.ec/handle/123456789/60
Aparece en las colecciones: Tecnologías de la Información

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ECMC0002.pdf3.18 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.