INSTITUTO TECNOLÓGICO DE SONORA DEPARTAMENTO DE EDUCACIÓN
“MODELO PARA LA IDENTIFICACIÓN
AUTOMÁTICA DE ESTILOS DE APRENDIZAJE EN
UNA PLATAFORMA TECNOLÓGICA DE
APRENDIZAJE”
TESIS
QUE PARA OBTENER EL GRADO DE
DOCTOR EN SISTEMAS Y AMBIENTES
EDUCATIVOS
PRESENTA
GUILLERMO MARIO ARTURO SALAZAR LUGO
CD. OBREGÓN, SONORA, NOVIEMBRE 2017
iii
Índice
Capítulo I. Introducción ...................................................................................................... 1
Antecedentes ................................................................................................................... 1
Trabajos relacionados ...................................................................................................... 5
Problema de investigación ............................................................................................... 8
Objetivos ....................................................................................................................... 12
Preguntas de Investigación ............................................................................................ 12
Justificación ................................................................................................................... 13
Hipótesis ........................................................................................................................ 14
Delimitaciones ............................................................................................................... 14
Capítulo II. Marco teórico ................................................................................................. 16
Teorías de estilos de aprendizaje ................................................................................... 16
Estilos de aprendizaje en la identificación automática .................................................. 17
Ritha y Kenneth Dunn ................................................................................................... 19
Anthony Gregorc ........................................................................................................... 20
Plataformas tecnológicas de aprendizaje ....................................................................... 21
Modelo de estudiante ..................................................................................................... 25
Minería de datos ............................................................................................................ 28
Técnicas de clasificación automática ............................................................................ 28
Articulación teórico-conceptual .................................................................................... 32
iv
Capítulo III. Diseño metodológico .................................................................................... 33
Tipo de estudio .............................................................................................................. 33
Participantes .................................................................................................................. 34
Instrumentos .................................................................................................................. 35
Procedimiento ................................................................................................................ 45
Procesamiento de Datos ................................................................................................ 47
Capítulo IV. Resultados .................................................................................................... 49
Pregunta de investigación 1 ........................................................................................... 49
Pregunta de investigación 2 ........................................................................................... 54
Pregunta de investigación 3 ........................................................................................... 61
Capítulo V. Conclusiones y recomendaciones .................................................................. 64
Discusión ....................................................................................................................... 64
Conclusiones ................................................................................................................. 65
Recomendaciones .......................................................................................................... 67
ANEXOS .......................................................................................................................... 79
Anexo 1 ......................................................................................................................... 79
v
Índice de figuras
Figura 1. Adaptación del proceso de detección automática de estilos de aprendizaje. .................... 7
Figura 2. Elementos y estímulos del modelo Dunn y Dunn (1999)................................................ 20
Figura 3. Variables de un modelo de estudiante. ............................................................................ 26
Figura 4. Proceso de aprendizaje supervisado. ............................................................................... 31
Figura 5. Articulación Teórico-Conceptual. ................................................................................... 32
Figura 6. Calificación del instrumento ILS..................................................................................... 39
Figura 7. Procedimiento. ................................................................................................................. 45
Figura 8. Plataforma tecnológica de aprendizaje. ........................................................................... 46
Figura 9. Consulta SQL para generación de dataset. ...................................................................... 53
Figura 10. Proceso de análisis RapidMiner. ................................................................................... 58
Figura 11. Bloque de validación. .................................................................................................... 58
Figura 12. Árbol de decisión con todas las categorías de estilos. ................................................... 59
Figura 13. Validación de la precisión del modelo inicial. .............................................................. 60
Figura 14. Árbol de decisión autogenerado: Reglas de clasificación. ............................................ 61
Figura 15. Evaluación de la precisión del árbol de decisión. .......................................................... 62
vi
Índice de tablas
Tabla 1. Principales trabajos relacionados a la identificación automática de estilos de aprendizaje 6
Tabla 2. Operacionalización del instrumento ILS (Index of Learning Styles) versión en español 35
Tabla 3. Coeficientes de correlación Test-Retest ........................................................................... 40
Tabla 4. Coeficientes Alfa de Cronbach ILS versión inglés ........................................................... 41
Tabla 5. Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson 41
Tabla 6. Operacionalización de variables monitoreadas por software ........................................... 43
Tabla 7. Variables de comportamiento seleccionadas .................................................................... 50
Tabla 8. Materiales disponibles en Moodle .................................................................................... 51
Tabla 9. Descripción de los datos almacenados en la tabla usr_estilos .......................................... 52
Tabla 10. Valoración de la distribución de las variables de comportamiento monitoreadas en
Moodle ............................................................................................................................................ 54
Tabla 11. Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la
aplicación del instrumento ILS ....................................................................................................... 56
Tabla 12. Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y
las variables de comportamiento monitoreadas en Moodle ............................................................ 57
Tabla 13. Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las
variables de comportamiento monitoreadas en Moodle ................................................................. 57
1
Capítulo I. Introducción
En este capítulo se presenta una contextualización general del objeto de estudio y se describen
investigaciones relacionadas con la identificación automática de estilos de aprendizaje en
plataformas tecnológicas de aprendizaje. Se presenta además el problema que se aborda en el
estudio, objetivo general, objetivos específicos, justificación, supuestos preliminares y finalmente
las delimitaciones espaciales y temporales.
Antecedentes
La educación es un factor fundamental para el desarrollo de una nación. El conocimiento que
adquiere el individuo a través del proceso de enseñanza-aprendizaje en todos los niveles se refleja
directamente en la capacidad de un país para desarrollar la investigación, innovación y tecnología
(Spring, 1998). Por lo tanto, la norma general en el planteamiento de los sistemas educativos es
que estos sean diseñados para que todo individuo -sin distinción alguna- tenga acceso a la
educación y pueda adquirir habilidades y conocimientos que contribuyan a su desarrollo personal
y académico, así como al progreso nacional (Arnove, 2009). Una preocupación de la sociedad
contemporánea ha sido el tema de la calidad en la educación, lo que ha demandado esfuerzos de
los gobiernos para lograr que sus sistemas educativos sean capaces de ofrecer programas y
ambientes que permitan a los estudiantes recibir una educación de calidad e integral (Stephenson
& Yorke, 2013). Sin embargo, existe una diversidad de retos y problemas a considerar para lograr
este objetivo como el modelo educativo imperante, las oportunidades de accesibilidad y cobertura,
la infraestructura de soporte, tanto académica como administrativa, la formación profesional de
los docentes y directivos, entre otros.
Enfocándose al modelo escolar como elemento principal para medir la calidad educativa
puede comentarse que prevalece en la mayoría de los sistemas educativos una visión tradicional,
2
en los cuales el proceso de enseñanza-aprendizaje concibe como principal actor al docente
minimizando el rol del estudiante a un sujeto receptor de información (Narro, Martuscelli &
Jaime, 2012). El profesor es el encargado de organizar el conocimiento y generar un plan de
trabajo para que el alumno consiga sus objetivos académicos. Una característica propia de este
modelo es que el método de enseñanza implementado es el mismo para todos sin hacer distinción
de ritmos y estilos de aprendizaje de cada estudiante (Darling-Hammond, 2008).
Aunque el modelo tradicional garantiza y facilita el acceso a la educación, descuida
aspectos cruciales que fundamentan una educación de calidad. Uno de estos aspectos es concebir
al estudiante como eje primordial del proceso de enseñanza-aprendizaje, considerando a este no
solo como un receptor de información, sino como un colaborador en la organización de
conocimiento y la generación de estrategias que apoyan la enseñanza (Hannafin, Hill & Land,
1997). En este sentido las innovaciones educativas deben fortalecer el aprendizaje de cada
estudiante reconociendo diferentes contextos, intereses, características y gustos, de tal manera que
cada uno de ellos desarrolle su máximo potencial. Lo anterior contribuye al logro de una
educación de calidad y una formación integral (Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura, 2014).
La generación de ambientes de aprendizaje centrados en el estudiante permiten abordar
algunas de las deficiencias de los modelos de educación tradicional, cuya visión es un mismo
modelo de educación sirve para todos (Hannafin et al., 1997). En ese sentido un ambiente
personalizado está diseñado para adaptarse a las necesidades, intereses, ritmos y estilos de
aprendizaje del estudiante; esto a partir de las estrategias didácticas que se implementan para que
los alumnos reciban instrucción orientada a explotar sus habilidades y conocimientos previos, así
como para identificar y atender sus debilidades (Dabbagh & Kitsantas, 2012).
3
Para llevar a cabo lo anterior es necesario la implementación de dos mecanismos:
1. Un primer mecanismo que permita entender la situación del estudiante en términos de su
estado afectivo y cognitivo, conocimientos previos, habilidades, intereses particulares,
comportamiento ante situaciones relacionadas al proceso de enseñanza-aprendizaje, ritmo y estilo
de aprendizaje;
2. y un segundo mecanismo que -una vez que se conoce al estudiante- permita generar
ambientes de aprendizaje personalizados que se adapten a las características propias de cada uno.
Aunque los ambientes de aprendizaje personalizados contribuyen a lograr una educación
integral y de calidad, establecer uno como parte del modelo de educación tradicional es complejo
debido a los retos y problemas que esto conlleva, ya que implica que los profesores orienten sus
esfuerzos a conocer a cada uno de sus estudiantes y propicien el aprovechamiento optimizando el
aprendizaje con base en las fortalezas y debilidades de cada uno de ellos.
Identificar y analizar aspectos que permitan conocer características del estudiante, como su
estilo de aprendizaje, requiere que los profesores adquieran conocimientos relacionados con las
teorías y modelos que los sustentan. Una estrategia para abordar este reto ha sido la incorporación
al proceso de enseñanza-aprendizaje de herramientas tecnológicas capaces de generar un modelo
de usuario a partir de monitorear su comportamiento, así como de crear ambientes de aprendizaje
personalizados a partir de este (Corbett, Koedinger, & Anderson, 1997; Graesser, Conley, &
Olney, 2012). Sin embargo el desarrollo de una plataforma de aprendizaje personalizado requiere
incorporar mecanismos que son diseñados en base a: 1) el tópico particular que se pretende
enseñar; 2) los conocimientos (nivel actual y debilidades), progreso en la adquisición del
conocimiento (ritmo y estilo de aprendizaje) y motivación e intereses que requiere o usualmente
4
presenta el estudiante de dicho tópico; y 3) las estrategias y componentes didácticos que facilitan
su enseñanza y aprendizaje (Lerís & Sein-Echaluce, 2011).
Una solución para crear ambientes de aprendizaje personalizados es mediante la
construcción de un Sistema Tutor Inteligente (ITS por sus siglas en inglés, Intelligent Tutoring
System). En este sentido incluir un mecanismo para la identificación del estilo de aprendizaje de
los usuarios de un ITS es crucial para que dicha plataforma sea capaz de entender y adaptarse a la
forma en que los usuarios logran sus objetivos de aprendizaje.
En particular la identificación del estilo de aprendizaje permitirá al ITS determinar los
elementos que deben conformar un ambiente de aprendizaje personalizado, ya que éste puede
incluir una variedad de:
Estrategias didácticas.
Contenidos de aprendizaje.
Actividades de aprendizaje.
Estrategias de retroalimentación.
Herramientas tecnológicas de soporte para la enseñanza.
Estrategias para la comunicación efectiva.
Estrategias para motivar a los alumnos.
Así mismo las estrategias basadas en el modelo educativo tradicional pueden ser
complementadas con este tipo de herramientas tecnológicas, las cuales proveen al estudiante de un
ambiente de aprendizaje personalizado y se adaptan a sus estilos de aprendizaje, así como a otros
aspectos complementarios, tales como la motivación, desempeño y conocimiento previo.
5
Trabajos relacionados
En los trabajos relacionados con la identificación automática de estilos de aprendizaje el modelo
Felder es el más referenciado y su cuestionario para medir estilos (Índice de Estilos de
Aprendizaje [ILS]) es el más usado. Este modelo considera cuatro dimensiones que se describen a
detalle en el marco teórico y en el uso del instrumento. A saber: procesamiento, percepción,
entrada y entendimiento.
El 70% de los 27 trabajos revisados en Feldman, Monteserin y Amandi (2014) tomaron
como base cuando menos una de las cuatro dimensiones de este modelo. Una razón puede ser el
hecho que el instrumento utilizado en este modelo cuenta con estudios de validez y consistencia
interna con resultados aceptables (estos indicadores se reportan en la sección de instrumentos en
la metodología). Adicionalmente es un modelo que es computable, es decir, procesable por una
aplicación computacional. Esto permite automatizar el proceso de identificación de estilos con
base en el modelo teórico.
Sin embargo no todas las dimensiones fueron consideradas en algunos trabajos. Por
ejemplo, en Crockett Latham, Mclean, Bandar y The (2011) solo consideran las dimensiones de
percepción y entendimiento; en Carver, Howard y Lane (1999), Zatarain-Cabada, Barron-Estrada,
Angulo, García & García (2010a,b) la dimensión de procesamiento no fue considerada; y
finalmente, en García, Amandi, Schiaffino y Campo (2007), García, Schiaffino y Amandi (2008),
Villaverde, Godoy y Amandi (2006) y Yannibelli, Godoy y Amandi (2006), la dimensión de
entrada no fue detectada (Feldman et al., 2014).
Con relación al instrumento ILS, Felder et al. (2014), encontraron que se ha utilizado en la
identificación automática de estilos de aprendizaje con dos objetivos diferentes: 1) para iniciar el
modelo de usuario, lo cual permite que el entorno inteligente de aprendizaje adapte la instrucción
6
desde el principio de la sesión de aprendizaje; y 2) para evaluar el desempeño del mecanismo para
la identificación automática de estilos de aprendizaje.
Finalmente la literatura sobre Sistemas Tutores Inteligentes (ITS, por sus siglas en inglés)
reporta pocos esfuerzos respecto a fusionar la información obtenida a partir de comportamientos y
reacciones emocionales del usuario con otros factores como su rendimiento y capacidad de
evolución para entender su forma de aprender y lograr sus objetivos de aprendizaje (Mora-Torres,
Laureano-Cruces, & Velasco-Santos, 2011).
En la tabla 1 se listan los trabajos de mayor relevancia relacionados a este proyecto de
investigación, ya que representan el estado del arte en el campo de la identificación automática de
estilos de aprendizaje.
Tabla 1. Principales trabajos relacionados a la identificación automática de estilos de aprendizaje
Principales trabajos relacionados a la identificación automática de estilos de aprendizaje
Cita Título Comentarios
Dung, P. & Florea, A.
(2012)
An approach for detecting
learning styles in learning
management systems based
on learners’ behaviors
Utilizaron una estrategia basada en la
literatura. Para evaluar la precisión del método,
usaron las mediciones propuestas por García et
al. (2007)
Feldman, J.,
Monteserin, A. &
Amandi, A. (2015)
Automatic detection of
learning styles: state of the
art.
Se analizaron 27 trabajos basados en diferentes
enfoques para la detección automática de
estilos. Los resultados se pretenden sean
utilizados como un revisión del rendimiento de
la detección automática de estilos de aprendizaje.
Graf, S., Kinshuk, &
Liu T. (2008)
Identifying Learning Styles
in Learning Management
Systems by Using
Indications from Students’
Behaviour
Proponen algunos indicadores para la
identificación automática de estilos de
aprendizaje basada en el modelo Felder-
Silverman
Zatarain-Cabada, R.,
Barrón-Estrada, M.,
Angulo, V., García, A.
& García, C. (2010)
Identification of Felder-
Silverman Learning Styles
with a Supervised Neural
Network
La identificación de los estilos de aprendizaje es
llevada a cabo usando mapas auto organizados
7
La identificación automática de estilos de aprendizaje y el estado del arte de la misma se
representa en la figura 1 con el propósito de visualizar claramente los elementos y pasos que la
componen. Este proceso consiste en construir el modelo de usuario que describe las preferencias
de aprendizaje de los estudiantes mediante el uso de una plataforma tecnológica. Esto significa
que el comportamiento de los estudiantes es monitoreado por la plataforma y recopilado en el
modelo de usuario. Posteriormente una técnica de detección automática es aplicada al modelo de
usuario. Esta técnica es inicialmente entrenada usando el modelo de usuario y los resultados del
instrumento de identificación de estilos de aprendizaje (LSII por sus siglas en inglés, Learning
Style Identification Instrument) obtenidos de un grupo inicial de estudiantes. Después del
entrenamiento la técnica de detección automática está habilitada para clasificar nuevos estudiantes
usando su modelo de usuario (Feldman et al., 2014).
Sistema
Educacional
Variables del
modelo de usuarioMonitorea
Modelo de usuario
Genera
Técnica de
detección
automática
AlimentaClasificación de
estudiantesDetecta
Resultados de
LSIIEntrena
Figura 1. Adaptación del proceso de detección automática de estilos de aprendizaje.
Fuente: (Feldman, Monteserin, & Amandi, 2014).
En ese sentido un enfoque para la detección de estilos de aprendizaje de forma automática
que considere la integración con diferentes plataformas educacionales sería muy valioso, ya que
una característica común de los enfoques utilizados por los investigadores es que el modelo de
8
usuario y la técnica de detección automática están altamente acoplados a la plataforma
educacional (Coffield, Moseley, Hall y Ecclestone, 2004).
La detección automática de los estilos de aprendizaje aborda varias cuestiones relacionadas
con la aplicación de cuestionarios como la falta de motivación en los estudiantes, la elección
arbitraria de respuestas, los estudiantes influenciados por preguntas y la falta de conciencia sobre
sus propias preferencias. La detección automática parece ser una alternativa apropiada a los
cuestionarios, ya que además de abordar las cuestiones antes mencionadas han demostrado una
precisión de entre casi el 70% a más del 90%. Sin embargo, utilizar un cuestionario es una
práctica educativa común, ya que es una manera más simple para que un sistema educacional
pueda proveer adaptación de contenidos inmediatamente después de que este es contestado. En
contraste un enfoque basado en la detección automática requiere que el estudiante utilice el
sistema por un tiempo con el fin de detectar automáticamente las preferencias de estilo de
aprendizaje para luego adaptar el material (Feldman et al., 2014).
Problema de investigación
El Instituto Tecnológico de Sonora (ITSON), con el fin de mantener actualizados sus programas
educativos en relación con las necesidades actuales de la sociedad, realiza una reestructuración
curricular cada siete años a sus programas de licenciatura e ingeniería. En la reestructuración del
2002 la institución decidió adoptar el Enfoque Basado en Competencias (EBC) y se establecieron
cuatro tipos de cursos que formarían parte de todos los programas de estudio (Del Hierro &
Torres, 2004):
Formación general. Centrado en dotar al estudiante de las competencias básicas y
genéricas para desempeñarse como miembro de la sociedad, considerando aspectos
socioeconómicos, políticos y culturales.
9
Formación especializada básica. Se enfoca en habilitar a los alumnos en las competencias
genéricas propias de la profesión que eligieron.
Formación especializada aplicada. Dirigida a la formación de competencias específicas,
con lo que se prepara al futuro profesionista para su integración en el ámbito laboral.
Práctica profesional. Durante esta etapa el universitario debería responder a una necesidad
o problemática de índole profesional a través del desarrollo de proyectos en empresas,
organizaciones o instituciones.
Posteriormente se llevó a cabo la reestructuración para el plan 2009, el cual también fue
diseñado bajo el enfoque de la EBC (ITSON, 2009) en donde sigue vigente la clasificación de los
cursos en formación general, especialidad básica, especializada aplicada y práctica profesional.
Una de las asignaturas que cursan los alumnos del programa de Ingeniería en software en la
categoría especialidad básica es Algoritmos Computacionales. Este se imparte durante el primer
semestre en modalidad presencial apoyada con TIC (virtual-presencial).
Una de las dificultades a las que se enfrentan los estudiantes de educación superior en las
carreras asociadas a las ciencias de la computación e informática es el aprendizaje de Algoritmos
Computacionales (Gomes & Mendes, 2007; Figueroa et al., 2005; Jenkins, 2002; Moroni &
Señas, 2005). El curso de Algoritmos Computacionales tiene el objetivo de desarrollar en los
estudiantes universitarios habilidades fundamentales para el análisis, formulación y solución de
problemas. Estos cursos son de importancia ya que representan el primer contacto de los
estudiantes con la programación de computadoras con un paradigma distinto a la programación
secuencial. Así mismo proveen los fundamentos necesarios para que el estudiante sea capaz de
diseñar y construir programas computacionales más complejos usando diferentes lenguajes de
programación.
10
Una evidencia de la dificultad que representa dicha área para los estudiantes en el ITSON
es el índice de reprobación, que en los últimos cuatro años promedia un 50%, es decir, la mitad de
los estudiantes reprueba. De igual forma en el mismo período de tiempo el índice de deserción
(baja voluntaria del curso) está alrededor de un 21%. Al respecto, en las entrevistas con los
estudiantes que deciden dar de baja el curso, evidencian una percepción de insatisfacción hacia los
materiales, así como la dinámica de la clase cuando esta consiste en leer material teórico en PDF.
En particular, con base en la experiencia de los profesores que imparten Algoritmos
Computacionales en la carrera de Ingeniero en Software en el Instituto Tecnológico de Sonora, se
estima que algunas de las causas que dificultan el aprendizaje de Algoritmos Computacionales son
derivadas del modelo de educación tradicional implementado en las instituciones de educación
superior, en el cual, como se explicó anteriormente, el proceso de enseñanza-aprendizaje concibe
como principal actor al docente minimizando el rol del alumno a un sujeto receptor de
información. Además no toma en cuenta las diferencias de cada estudiante reconociendo sus
diversos contextos, intereses, maneras de aprender y gustos que permitan desarrollar en cada uno
de ellos su máximo potencial (Unesco, 2014).
El aprendizaje de Algoritmos Computacionales implica el desarrollo de la capacidad de
análisis, comprensión y resolución de problemas, aparte de la necesidad del estudiante de aprender
conceptos relacionados al desarrollo de algoritmos. Esto demanda un proceso de enseñanza-
aprendizaje que provea una atención personalizada al estudiante debido a que: 1) usualmente este
curso se imparte en los primeros semestres de la carrera; 2) los estudiantes ingresan con perfiles
diferentes (algunos tienen estudios de nivel medio superior en contabilidad o administración); y 3)
cada estudiante tiene un ritmo y estilo de aprendizaje diferente. Sin embargo, debido a
restricciones presupuestales, de infraestructura y recursos humanos, los grupos que se forman son
11
numerosos, lo que hace complejo generar ambientes de aprendizaje centrados en el estudiante que
permitan desarrollar las habilidades necesarias para el estudio de Algoritmos Computacionales.
Las características propias del modelo curricular por competencias en ITSON no
representa un obstáculo para implementar un modelo de educación centrado en el estudiante, sin
embargo los grupos numerosos y la diversidad de alumnos en los cursos sí representan un reto.
Una de las estrategias más comunes en la caracterización de estudiantes con el fin de
generar entornos centrados en el estudiante, es el uso de cuestionarios para la identificación de los
estilos de aprendizaje. Sin embargo este método ha sido sujeto de algunas críticas (Feldman et. al,
2014). Llenar un cuestionario es una tarea aburrida que requiere trabajo adicional de los
estudiantes, dado que algunos tienen más de 100 preguntas; los alumnos tienden a elegir
respuestas arbitrariamente si no están conscientes de la importancia o los usos futuros del
cuestionario; los respondientes pueden ser influenciados por la forma en que los cuestionarios son
formulados, lo que puede llevarlos a dar respuestas percibidas como más apropiadas; los
cuestionarios asumen que los estudiantes están conscientes de sus preferencias de aprendizaje,
pero este no es siempre el caso; y finalmente los estilos de aprendizaje pueden variar a lo largo del
tiempo.
En este sentido se plantea la necesidad de generar un entorno de aprendizaje centrado en el
estudiante mediante la integración de herramientas tecnológicas al proceso de enseñanza-
aprendizaje de algoritmos computacionales mediante un mecanismo que permita caracterizar a los
estudiantes a partir de sus estilos de aprendizaje. Por lo anterior se plantea la siguiente pregunta:
¿cómo identificar los estilos de aprendizaje de estudiantes a través del análisis de la navegación y
uso de una plataforma tecnológica?
12
Objetivos
General
Desarrollar un modelo de identificación de estilos de aprendizaje en estudiantes de educación
superior mediante el análisis, la navegación y uso de una plataforma tecnológica con el fin de
contribuir en el desarrollo de plataformas de aprendizaje centradas en el estudiante.
Específicos
Generar un modelo de estudiante para plataforma tecnológica abierta basado en
comportamiento y estilos de aprendizaje.
Identificar la relación entre el comportamiento de estudiantes mientras usan una
plataforma tecnológica abierta y su estilo de aprendizaje.
Validar el modelo propuesto para la identificación automática de estilos de aprendizaje a
partir de su contrastación con la identificación a través de cuestionarios de auto-reporte
Preguntas de Investigación
La presente investigación pretende responder las siguientes interrogantes:
¿De qué manera una plataforma tecnológica de acceso libre ayudaría a identificar el estilo
de aprendizaje del estudiante?
¿Cuál es la relación entre el comportamiento de estudiantes mientras usan una plataforma
tecnológica de acceso libre y su estilo de aprendizaje identificado previamente a través de
un instrumento de auto reporte para ese propósito?
¿Cuál es el grado de coincidencia entre los estilos de aprendizaje identificados por el
modelo propuesto y los identificados por el instrumento de auto reporte?
13
Justificación
El diseño, implementación y validación de un mecanismo para la identificación automática de
estilos de aprendizaje representa el primer paso hacia el desarrollo de una plataforma tecnológica
de aprendizaje personalizado. Esta plataforma ofrecerá una alternativa para abordar algunos de los
problemas relacionados al aprendizaje de Algoritmos Computacionales en sistemas de educación
superior, particularmente en el curso de Algoritmos Computacionales de la carrera de Ingeniero
en Software del Instituto Tecnológico de Sonora. Así mismo el desarrollo de esta plataforma de
aprendizaje personalizado permitirá la exploración de metodologías de implementación
generalizables para su aplicación en otros niveles de la educación y en otros dominios de
aplicación.
En particular -con la realización del presente proyecto- se espera obtener los siguientes
beneficios:
Aportaciones empíricas en la generación de modelos para la identificación automática de
estilos de aprendizaje basada en datos (data driven aproach).
Generación de conocimiento y tecnologías que impacten de manera positiva y directa en la
sociedad en general debido a sus aplicaciones en las diferentes áreas de la educación y el
entrenamiento atribuyendo relevancia social y científica a este proyecto.
Desarrollo tecnológico basado en fundamentos científicos de distintas áreas del
conocimiento fortaleciendo los aspectos metodológicos del diseño y desarrollo de
tecnología educativa.
Entorno de aprendizaje que ofrece a los investigadores de áreas, como la educación y la
pedagogía, una herramienta útil para la investigación, desarrollo y evaluación de
estrategias de aprendizaje personalizado.
14
Hipótesis
Por la naturaleza de la primera pregunta de investigación no es necesario plantear una hipótesis.
Para responder esta pregunta se hará una revisión de los almacenes de datos y estructuras de la
plataforma tecnológica con el fin de identificar como detectar el comportamiento del estudiante
relacionado con la navegación y uso. Finalmente se responde a esta pregunta mediante la
generación de un modelo de usuario, el cual contiene los mecanismos de extracción de la
información de la plataforma, los valores de cada variable de comportamiento para cada
estudiante y su estilo de aprendizaje.
Para dar respuesta a la pregunta de investigación 2 (¿existe relación entre el
comportamiento de estudiantes mientras usan una plataforma de aprendizaje de abierta y su estilo
de aprendizaje?), se plantean las siguientes hipótesis:
H0: La relación entre el comportamiento de estudiantes mientras usan una plataforma
tecnológica abierta y su estilo de aprendizaje es inexistente.
H1: Existe relación entre el comportamiento de estudiantes mientras usan una plataforma
tecnológica abierta y su estilo de aprendizaje.
Para dar respuesta a la pregunta de investigación 3 (¿cuál es el grado de coincidencia entre
los estilos de aprendizaje identificados mediante un cuestionario y los identificados por el modelo
propuesto?) se plantean las siguientes hipótesis:
H1: El grado de coincidencia entre las clasificaciones obtenidas por el modelo propuesto y
el cuestionario es mayor o igual al 80%
H0: El grado de coincidencia entre las clasificaciones obtenidas por el modelo propuesto y
el cuestionario es menor al 80%
Delimitaciones
15
El presente estudio se realizó en el Instituto Tecnológico de Sonora Campus Náinari,
ubicado en Ciudad Obregón, Sonora. El estudio fue realizado en el período comprendido entre
enero del 2015 y mayo 2017. Los estudiantes participantes estuvieron inscritos en la carrera de
Ingeniero en Software en el período enero-mayo 2016.
La aplicación de los instrumentos se realizó durante dos semanas en los laboratorios de
cómputo donde se llevan a cabo las clases. Cada laboratorio cuenta con 28 equipos. El monitoreo
del comportamiento de los estudiantes se realizó de enero a mayo del 2016 durante el semestre
regular de clases. Durante la aplicación de instrumentos y el monitoreo de comportamientos no se
presentaron saturaciones ni problemas técnicos en la plataforma. Si alguna computadora no tenía
acceso a internet ya sea para ingresar a la plataforma o al instrumento en su versión electrónica, se
solicitaba en cada caso que el estudiante se cambiara de equipo de cómputo.
16
Capítulo II. Marco teórico
Este capítulo presenta el marco teórico formado por constructos, conceptos, teorías y trabajos
empíricos que aportan los fundamentos relacionados al objeto de estudio tomando en cuenta cinco
elementos: las plataformas tecnológicas de aprendizaje, el comportamiento de los estudiantes
dentro de las plataformas, el modelo de usuario, las técnicas de clasificación automática y los
estilos de aprendizaje.
Teorías de estilos de aprendizaje
Keefe (1979) define los estilos de aprendizaje (EA) como comportamientos cognitivos, afectivos
y psicológicos característicos que sirven como indicadores relativamente estables de cómo los
estudiantes perciben, interactúan con y responden al ambiente de aprendizaje. Los modelos de
estilo de aprendizaje permiten clasificar a los estudiantes en una serie de escalas relativas a las
formas que perciben y procesan la información (Felder & Silverman, 1988) y especifican un
número de dimensiones que proporcionan colectivamente una buena base para diseñar una
instrucción efectiva (Felder, 2010). Además, cada uno de ellos está asociado con un instrumento
que permite a los profesionales de la educación identificar las preferencias de los estudiantes
(Feldman et. al., 2014).
En Coffield et al. (2004) se identificaron 71 modelos de estilos de aprendizaje de los
cuales se seleccionaron 13 como los más relevantes con base en uno o más de los siguientes
criterios: su importancia teórica en el campo de estilos de aprendizaje, su uso generalizado, ya sea
comercialmente o académicamente, y finalmente su influencia en otros modelos. Algunos de
ellos son el de Dunn y Dunn, Myers-Briggs y Honey y Mumford. Debido a que este trabajo
pretende la identificación automática de estilos de aprendizaje, solamente se describen a detalle
los más utilizados en ese contexto.
17
Estilos de aprendizaje en la identificación automática
En este apartado se describen los modelos de estilos de aprendizaje más utilizados en los trabajos
relacionados con la identificación automática de los mismos, según Feldman et al. (2004) y que
han sido ampliamente aceptados por profesionistas en el campo de la computación.
David Kolb.
El Modelo de estilos de aprendizaje de David Kolb está basado en la teoría del aprendizaje
experiencial (Kolb, 1984). Esta teoría describe un proceso de cuatro fases: experiencia concreta,
observación reflexiva, formulación de conceptos, generalizaciones abstractas y experimentación
activa. Lo anterior es la base del modelo a partir de lo cual se definen los siguientes estilos de
aprendizaje:
Acomodador. Describe a los estudiantes que les gusta hacer cosas de manera activa,
aprenden haciendo por ensayo y error; llevan a cabo planes, experimentos y se involucran
en nuevas experiencias. Los estudiantes acomodadores incluso disfrutan trabajar con otros.
Divergente. A los estudiantes les gusta ver situaciones concretas desde perspectivas
diferentes. Se interesan en las personas y tienden a estar orientados por los sentimientos.
Convergentes. Los estudiantes gustan de encontrar aplicaciones prácticas a las ideas, la
solución de problemas y la toma de decisiones. Prefieren lidiar con problemas técnicos que
con cuestiones interpersonales.
Asimilador. A los alumnos les gusta el razonamiento inductivo y asimilar observaciones
dispersas en una explicación integral. Gustan de los conceptos e ideas abstractas así como
de crear modelos teóricos. Están interesados en las teorías más que en las personas.
18
Cinco versiones de un instrumento para su medición han sido diseñados en los últimos 35
años (Feldman, 2014). El Inventario de Estilos de Aprendizaje (LSI, por sus siglas en inglés) está
compuesto por 12 ítems donde se solicita a los respondientes asignar un rango de valores a las
terminaciones de cuatro enunciados correspondientes a cada una de las dimensiones del modelo.
Felder-Silverman.
1. El modelo Felder-Silverman está basado en las ideas de David Kolb y Myers-Briggs y es
identificado por Jegatha Deborah (2014) como el modelo adecuado para el e-learning.
Felder establece que el proceso de aprendizaje puede mejorar empatando el estilo del
educador con el del estudiante (Felder & Silverman, 1988). En este modelo los estudiantes
son caracterizados por valores en cuatro dimensiones cada una en donde se definen dos
estilos de aprendizaje opuestos. Procesamiento: describe la forma en que la información
percibida se convierte en conocimiento. Los estilos de aprendizaje de esta dimensión son:
• Activo: los aprendices no aprenden mucho en situaciones donde se requiere que
sean pasivos. Trabajan mejor en grupos y tienden a ser experimentales.
• Reflexivo: los estudiantes no aprenden mucho en situaciones donde no se les
presenta oportunidad para reflexionar/pensar sobre la información presentada.
Trabajan mejor solos. Tienden a ser teóricos.
2. Percepción: está relacionada con el tipo de información que un estudiante prefiere percibir.
Los estilos asociados son:
• Sensitivo: se enfocan en los hechos, datos y experimentación. Les gusta resolver
problemas con métodos estándares y les disgustan las sorpresas. Son pacientes con
los detalles pero no con las complicaciones. Son buenos memorizando hechos. Son
cuidadosos pero podrían ser lentos.
19
• Intuitivo: prefieren teorías y principios, les gusta la innovación y desagrada la
repetición, se aburren con los detalles y gustan de las complicaciones. Son buenos
para entender nuevos conceptos, son rápidos pero pueden ser descuidados.
3. Entrada: considera la manera en que los estudiantes prefieren recibir información externa.
Los estilos de aprendizaje son:
• Visual: recuerdan mejor lo que ven: imágenes, diagramas, diagramas de flujo,
filminas, demostraciones.
• Verbal: recuerdan mucho más lo que escuchan y después dicen.
4. Entendimiento: describe la forma en que el estudiante progresa hacia el entendimiento.
Sus estilos son:
• Secuencial: siguen un proceso de razonamiento lineal cuando resuelven problemas.
Pueden trabajar con material cuando lo comprenden parcial o superficialmente.
• Global: pueden dar saltos intuitivos y podrían no poder explicar cómo llegaron a
una solución. Tendrían incluso grandes dificultades en entender información
parcial.
Este modelo mide los estilos de aprendizaje mediante el cuestionario ILS (Índice de Estilos de
Aprendizaje, por sus siglas en inglés). Está compuesto por 44 preguntas (11 para cada dimensión
del modelo) y cada pregunta tiene dos opciones mutuamente exclusivas.
Ritha y Kenneth Dunn
Dunn y Dunn (1975) describen el estilo de aprendizaje como “la manera en la que 18 elementos
diferentes, que proceden de 4 estímulos básicos, afectan la habilidad de una persona para absorber
y retener información, valores, hechos y conceptos”. (Guild y Garger, 1998, pp. 100). Lozano
20
(2000) ejemplifica la forma como esos elementos se agrupan (ver Figura 2) considerando que
dichos elementos eran 18 en un inicio y posteriormente se agregaron 6 haciendo un total de 24.
Figura 2. Elementos y estímulos del modelo Dunn y Dunn (1999).
Fuente: Lozano (2000).
Dunn y Dunn propusieron un cuestionario al que llamaron Inventario de Estilos de
Aprendizaje (LSI) compuesto de 100 ítems y requiere de aproximadamente 30 minutos para
aplicarlo. El instrumento está enfocado para alumnos de tercer al décimo segundo grado del
sistema educativo de EEUU (García, Santizo y Alonso, 2009).
Anthony Gregorc
El modelo de estilos mentales provee una manera organizada de considerar como la mente trabaja.
Es una versión modificada de las dimensiones de Kolb enfocándose en el procesamiento aleatorio
y secuencial de la información. Gregorc identifico cuatro distintos tipos de estilos a los que
denominó: Concreto secuencial (CS), Abstracto secuencial (AS), Abstracto aleatorio (AR), y
Concreto aleatorio (CR). Cada uno de estos cuatro tipos de estilo tiene distintas preferencias y
maneras de aprender mejor (Gregorc, 2002):
CS. Prefieren las cosas ordenadas, la secuencia lógica, seguir instrucciones, las cosas predecibles
y hechos concretos. Aprenden mejor cuando tienen un entorno estructurado de aprendizaje,
21
pueden contar con otros para completar la tarea, son enfrentados a situaciones predecibles, pueden
aplicar ideas de manera pragmática.
AS. Le gusta que sean escuchados sus puntos, analizar la situación antes de tomar una decisión o
actuar, aplicar lógica en resolver o encontrar soluciones a los problemas. Aprenden mejor cuando
tienen acceso a expertos o referencias, en entornos estimulantes y cuando se les permite trabajar
solos.
CR. Les gusta experimentar para encontrar respuestas, tomar riesgos, usar su intuición, resolver
problemas de manera independiente. Apenden mejor cuando pueden aplicar estrategias de prueba
y error, pueden competir con otros, se les permite trabajar en los problemas por ellos mismos.
AR. Les gusta escuchar a los demás, traer armonía a las situaciones de grupo, establecer
relaciones saludables, enfocarse en los asuntos a la mano. Aprenden mejor cuando se encuentran
en entornos personalizados, se les brinda lineamientos generales, se les permite participar en
actividades grupales, se les permite mantener relaciones de amistad.
El instrumento que se utiliza para medir estos estilos de aprendizaje es el Delineador de Estilos de
Gregorc (GSD) que se basa en la priorización de 10 series de palabras, que revelan las
preferencias del aprendizaje. El test tiene una duración de cinco minutos y es reforzado mediante
la observación directa y las entrevistas (García, Santizo y Alonso, 2009).
Plataformas tecnológicas de aprendizaje
En la literatura se utilizan diferentes términos para referirse a las plataformas tecnológicas con
fines educativos, por ejemplo: Sistema de Gestión de Contenido (SGC), Sistema de Gestión del
Aprendizaje (SGA), Entornos Virtuales de Aprendizaje (EVA), Sistemas Educativos Hipermedia
(SEH), Sistemas Educativos Basados en Web (SEBW), Sistemas Tutores Inteligentes (STI),
Sistemas de Aprendizaje Adaptativo (SAA), Plataformas e-learning, entre otros (Osuna & De La
22
Cruz, 2010; Muñoz, 2006; Pampillón, 2009; Feldman et al., 2014; Juan & Franci, 2011). En los
siguientes apartados se describe a detalle las características que distinguen a distintos tipos de
plataformas tecnológicas de aprendizaje considerados como los más relevantes desde la
perspectiva de este trabajo.
Sistemas de Gestión del Aprendizaje o Plataformas Tecnológicas (LMS).
Los sistemas de gestión del aprendizaje o plataformas tecnológicas son herramientas que se han
beneficiado en gran medida de los avances tecnológicos y se han convertido en un mecanismo
para mejorar y ampliar los sistemas educativos tradicionales (Zoube, 2009; Watson & Watson,
2007; Yueh, & Hsu, 2008). Las plataformas tecnológicas son herramientas que permiten la
creación de entornos de aprendizaje virtuales que incluyen componentes para agregar y mostrar
material académico (por ejemplo, lecturas, ejercicios y pruebas), comunicación, definir secuencias
de actividades, entre otras cosas. Las plataformas tecnológicas también incluyen mecanismos
para monitorear el comportamiento académico de los estudiantes y poner estos datos a disposición
de los maestros para mediar en el proceso de aprendizaje.
Aunque las plataformas tecnológicas han aprovechado la tecnología para gestionar
diversos tipos de contenidos (por ejemplo multimedia) para ofrecer una diversidad de mecanismos
de comunicación, gráficos complejos y mecanismos eficaces de seguimiento del comportamiento
del usuario, las plataformas tecnológicas todavía necesitan mecanismos para proporcionar
entornos educativos virtuales en que los estudiantes sean considerados los principales actores en el
diseño de su proceso de aprendizaje contribuyendo así a aumentar la calidad de los sistemas
educativos [Graf, Shuk, & Liu (2008); Watson & Watson, 2007). Esta preocupación es crucial en
el desarrollo académico del individuo, ya que se ha reconocido que los estudiantes tienen
diferencias en la forma de adquirir y procesar la información (Felder & Silverman, 1988; Kolb &
23
Kolb, 2005). Hay varias maneras de involucrar a los estudiantes en el diseño de su proceso de
aprendizaje. Por ejemplo la supervisión del desempeño académico y las emociones de los alumnos
puede informar cómo los estudiantes perciben su proceso de aprendizaje y ayudan a inferir sus
intereses académicos. En última instancia esta información se vuelve útil para personalizar el
entorno de aprendizaje del usuario en una plataforma tecnológica. Aunque varios esfuerzos han
sido reportados en la literatura, estas propuestas suelen ser diseñadas y desarrolladas para
propósitos académicos muy específicos y validados en ambientes muy controlados (Feldman et
al., 2014; Latham, Crockett, McLean & Edmonds, 2012).
Sistemas Tutores Inteligentes
Las plataformas tecnológicas de aprendizaje personalizado o Sistemas Tutores Inteligentes (ITS
por sus siglas en inglés, Intelligent Tutoring System) surgen a partir de la necesidad de atender los
problemas y debilidades del modelo educativo tradicional. Un ITS es diseñado para guiar al
estudiante en el proceso de aprendizaje emulando el comportamiento de un tutor (Corbett, 1997;
Graesser, 2012). Proveen ambientes educativos en los que el estudiante participa como
colaborador en el proceso de enseñanza-aprendizaje. En particular Giraffa, Nunes, y Viccari,
(1997) lo definen como un sistema de software que utiliza técnicas de la inteligencia artificial para
crear ambientes de aprendizaje que consideren los diversos estilos cognitivos de los alumnos que
utilizan el programa.
Las plataformas tecnológicas de aprendizaje personalizado incorporan mecanismos que
permiten identificar diversos aspectos relacionados al aprendizaje, tales como conocimientos
previos, intereses, evolución a través de las actividades de aprendizaje, el tipo de elementos
didácticos que favorecen el aprendizaje del estudiante, así como su estado afectivo y cognitivo al
momento de realizar actividades particulares (Graesser et al., 2012). Mediante el monitoreo y
24
análisis de este tipo de características los ITS son capaces de generar ambientes de aprendizaje
personalizados que se adaptan al estilo de aprendizaje del usuario y que proveen retroalimentación
cuando este lo requiere (Corbett, 1997; Graesser, 2012). Estos ambientes personalizados incluyen
estrategias didácticas, actividades de aprendizaje, herramientas de comunicación, componentes
pedagógicos y otros elementos educativos que se adaptan al estilo de aprendizaje particular de un
estudiante. Para esto las plataformas de aprendizaje personalizado implementan técnicas de
inteligencia artificial que permiten (Corbett et al., 1997):
• Monitorear el desempeño académico del estudiante y su capacidad de evolución.
• Determinar intereses particulares del estudiante.
• Identificar estados cognitivos y afectivos en tiempo real.
• Identificar la forma en que resuelve problemas.
• Generar un diagnóstico del estilo de aprendizaje del usuario (modelo de usuario).
• Seleccionar medios y recursos adecuados al estilo de aprendizaje del usuario.
• Definir los objetivos a lograr por el estudiante.
• Definir planes y organizar el proceso de aprendizaje.
• Determinar estrategias para mejorar la comunicación con el estudiante.
• Determinar estrategias para motivar a los alumnos en sus actividades
• Proveer retroalimentación pertinente al estudiante.
• Adaptarse al estilo de aprendizaje del estudiante definiendo y aplicando estrategias
pedagógicas de enseñanza apropiadas.
Los ITS varían respecto al nivel de inteligencia que incorporan para asistir y guiar al
estudiante en su proceso de aprendizaje. Algunos de los beneficios que ofrecen este tipo de
plataformas tecnológicas son las siguientes (Graesser et al., 2012):
25
• Permiten desarrollar y explotar las habilidades y competencias propias del estudiante.
• Generan ambientes en base en los intereses y estilos de aprendizaje del estudiante.
• Permiten la participación activa del estudiante dentro del proceso de enseñanza-
aprendizaje.
• Generan planes de trabajo adecuados a la capacidad de evolución del estudiante para lograr
sus objetivos de manera exitosa.
• Permiten lograr ambientes de aprendizaje flexibles donde el usuario decide dónde, cuándo,
qué y cómo aprender.
Modelo de estudiante
En el contexto de las plataformas tecnológicas de aprendizaje al modelo de usuario se le conoce
como modelo de estudiante (Chrysafiadi & Virvou, 2013). Un modelo de usuario es la parte de un
sistema que almacena información relacionada con las características relevantes de dicho usuario.
Estas varían dependiendo del tipo y objetivo de la aplicación para la que fueron diseñadas y por lo
tanto el modelo de usuario es diferente en cada plataforma de aprendizaje. Por ejemplo, las
cadenas comerciales están interesadas en conocer sobre una persona, cuáles son los tipo de
producto que compra, con qué frecuencia, el código postal de su domicilio, nivel socioeconómico,
estado civil, entre otros (Rodríguez, 2011).
Un modelo de usuario es la base para la personalización en plataformas tecnológicas de
aprendizaje y en este contexto se mencionan en la literatura como modelo de estudiante
(Chrysafiadi & Virvou, 2013). Un modelo de estudiante como la parte del sistema que almacenan
los datos iniciales, como su perfil cognitivo, conocimientos, calificaciones previas y objetivos de
aprendizaje. Además esta información se completa con los datos que genera el estudiante en el
26
proceso formativo: actividades realizadas, pruebas realizadas, resultados, etc. Las funciones del
modelo de estudiante son: asistir al usuario durante el aprendizaje de una materia, ofrecer
información ajustada al usuario, adaptar la interfaz, ayudar el usuario a encontrar información, dar
feedback sobre sus conocimientos, facilitar el trabajo colaborativo y dar asistencia sobre el uso del
propio sistema (UNIR,2013).
La figura 3 representa algunas de las variables que un modelo de estudiante puede incluir,
especificando si dependen del dominio de conocimiento o son independientes del dominio, si se
refieren a aspectos que cambian a través del tiempo o son aspectos estáticos, entre otros.
Figura 3. Variables de un modelo de estudiante.
Tipos de modelo de estudiante para almacenar conocimiento
Los modelos de usuario se clasifican según la forma en la que se almacenan el conocimiento del
estudiante en una plataforma de aprendizaje. UNIR (2013) señala los siguientes modelos:
Modelo escalar (scalar). El nivel de conocimiento de un estudiante relacionado con un
tópico en particular (dominio de conocimiento) se almacena como un valor numérico. Es
27
el dato más sencillo y no da información sobre qué conocimientos concretos tiene el
estudiante dentro de una lección.
Modelo de estereotipo (stereotype). Los estereotipos se definen como un conjunto de las
características del usuario (ejemplo: principiante, intermedio, avanzado). Asignando un
nivel a un estudiante se puede extraer mucha más información.
Modelo de superposición (overlay): Si el conocimiento completo es el dominio, lo que el
estudiante sabe es un subconjunto de ese dominio. El dominio es un conjunto de conceptos
o lecciones. Si se superponen los dos modelos se puede dar un valor numérico (un
porcentaje) que represente lo que sabe el estudiante de cada concepto; así se conoce
exactamente qué partes faltan por aprender y dónde se requiere un esfuerzo mayor o
menor y además ver exactamente qué partes faltan.
Modelo de perturbación (perturbation). El modelo de superposición no permite almacenar
los errores que comete el estudiante durante el aprendizaje. Con este modelo se tiene en
cuenta el conocimiento del alumno como un subconjunto del dominio como ocurre en el
de superposición y al mismo tiempo como un subconjunto de la lista de los posibles
errores sobre un conocimiento. De este modo se pueden seguir los errores, descubrir sus
motivos y actuar en consecuencia.
Modelo plan. Este tipo de modelo es capaz de almacenar la forma en que los contenidos de
un curso se relacionan entre sí y la secuencia adecuada para alcanzar un objetivo. Por
ejemplo: el estudiante aprende primero a sumar, a restar y solo después a multiplicar, y
estos conocimientos a su vez le permiten aprender a hacer divisiones. El modelo contiene
una lista de planes posibles. La actividad del estudiante se compara con estos planes y se
determina cuál es el más adecuado para él.
28
Minería de datos
Generalmente el proceso en la minería de datos consiste en la transformación de información de
bajo nivel en conocimiento de alto nivel donde se siguen los siguientes pasos (Pérez, 2014):
1. Extraer datos objetivos: recolección de datos necesarios para la investigación, evaluar su
calidad y realizar análisis exploratorios de los mismos para familiarizarse con ellos.
2. Preparación de los datos: Incluye la limpieza, transformación, integración y reducción de
datos con la que se intenta mejorar su calidad a la vez que disminuir los tiempos
requeridos por los algoritmos de minería de datos a utilizar posteriormente.
3. Minería de datos: este es el paso más importante del proceso donde se aplican los
algoritmos seleccionados por el investigador con herramientas de software.
4. Interpretación: en este paso se generan conclusiones donde se explica el resultado de la
investigación.
Técnicas de clasificación automática
En minería de datos la clasificación es también descrita como aprendizaje supervisado (Pérez,
2014). Suponiendo que tenemos una base de datos donde a cada registro se le asigna una etiqueta
de clase el objetivo es desarrollar un modelo o perfil para cada clase; por ejemplo, un perfil de
buen crédito es 25 ≤ edad ≤ 40 & ingreso > 40K OR casado = “si”. Los ejemplos de la aplicación
de la clasificación incluyen:
Identificación de huella digital en aplicaciones de seguridad (match, no match).
29
Ubicación de un banco considerando la calidad de los clientes y las posibilidades de
negocio (buena, media, pobre).
Identificación de tanques en un conjunto de imágenes (amigable, enemigo).
El objetivo es predecir la clase Ci = f (x1,…,xn), donde x1,…,xn son los atributos de entrada.
La entrada al algoritmo de clasificación es de manera típica, un conjunto de registros de
entrenamiento con varios atributos independientes y un atributo dependiente. El resto (los
atributos predictores) pueden ser numéricos o categóricos. Si el atributo dependiente es categórico
el problema es llamado clasificación y el atributo dependiente es conocido como etiqueta de clase.
Por otra parte, si el atributo dependiente es numérico el problema es denominado regresión. El
objetivo de la clasificación y regresión es construir un modelo de distribución conciso del atributo
dependiente en función de los atributos predictores. El modelo resultante es usado para asignar
valores a una base de datos con registros de prueba donde los valores de los atributos predictores
son conocidos, pero el atributo dependiente será determinado. Los métodos de clasificación
pueden ser categorizados de la siguiente manera (Witten, Frank & Hall, 2011):
1. Árboles de decisión, el cual divide una decisión en condiciones secuenciales.
2. Modelos probabilísticos, que calculan probabilidades para hipótesis basadas en el teorema
de Bayes.
3. Clasificadores vecino más cercano. Se utilizan para computar la distancia mínima entre
instancias o prototipos.
4. Regresión. Las cuales pueden ser lineales o polinomiales de la forma ax1 + bx2 + c = Ci.
30
5. Redes neuronales. Estas incorporan aprendizaje en un entorno rico en datos, de tal manera
que toda la información es codificada en una moda distribuida entre los pesos de las
conexiones (o enlaces).
Árbol de decisión autogenerados.
Según Barrientos (2009), un árbol de decisión es un modelo de predicción cuyo objetivo principal
es el aprendizaje inductivo a partir de observaciones y construcciones lógicas. Son muy similares
a los sistemas de predicción basados en reglas que sirven para representar y categorizar una serie
de condiciones que se presentan en forma sucesiva para la solución de un problema. Constituyen
probablemente el modelo de clasificación más utilizado y popular.
El conocimiento obtenido durante el proceso de aprendizaje inductivo se representa
gráficamente mediante un árbol que se constituye por un conjunto de nodos, hojas y ramas. El
nodo principal, o raíz, es el atributo a partir del cual se inicia el proceso de clasificación. Los
nodos internos corresponden a cada una de las preguntas acerca del atributo en particular del
problema. Cada posible respuesta a los cuestionamientos se representa mediante un nodo hijo.
Las ramas que salen de cada uno de estos nodos se encuentran etiquetadas con los posibles
valores del atributo. Los nodos finales o nodos hoja corresponden a una decisión, la cual coincide
con una de las variables clase del problema a resolver. Este modelo se construye a partir de la
descripción narrativa de un problema, ya que provee una visión gráfica de la toma de decisión
especificando las variables que son evaluadas, las acciones que deben ser tomadas y el orden en el
que la decisión será efectuada.
31
Cada vez que se ejecuta este tipo de modelo solo se seguirá un camino dependiendo del
valor actual de la variable evaluada; dichos valores pueden ser discretos o continuos. El proceso
de aprendizaje supervisado que se sigue en la generación de los árboles de decisión consta de dos
pasos: entrenamiento y prueba (ver figura 4).
Figura 4. Proceso de aprendizaje supervisado.
Learning Analytics
No existe una definición aceptada de manera universal para el término Learning Analytics
(analítica de aprendizaje). Una definición popular establece que es “la medición, colección,
análisis y reporteo de datos sobre estudiantes y sus contextos con el propósito de entender y
optimizar el aprendizaje y los entornos donde este ocurre” (Siemens, 2011).
Duval (2012) señala que “Learning Analytics se refiere a recoger las huellas que los
estudiantes dejan atrás y de usar esas huellas para mejorar el aprendizaje”. Finalmente NMS
(Horizon Report [2013]) sugiere que Learning Analytics es Big Data aplicado a la educación. El
término debe sus inicios a los esfuerzos de minería de datos en el sector comercial que utiliza el
análisis de las actividades de los consumidores para identificar las tendencias de consumo.
En esta área existen dos enfoques principales: la minería de datos educacional, con la cual
se pueden usar indicadores aunados a algoritmos computacionales para señalar patrones de
comportamiento; y la visualización de información con la que los maestros y/o alumnos pueden
tener un apoyo en la toma de decisiones relacionadas al proceso de aprendizaje. Las técnicas de
32
visualización ayudan a incrementar el entendimiento y la confianza en la minería de datos
educacional y los algoritmos utilizados en ella (LACE, 2016).
Articulación teórico-conceptual
En la Figura 5 se presenta la articulación teórico-conceptual en la que se describe gráficamente la
relación entre los diferentes modelos, teorías y principios conceptualizados en el marco teórico.
Las plataformas tecnológicas de aprendizaje monitorean los comportamientos (uso y navegación)
de los estudiantes y generan un modelo de estudiante. A su vez el modelo de estudiante alimenta a
las técnicas de clasificación automática basadas en Learning Analytics, las cuales permiten medir
estilos de aprendizaje para cada uno de los alumnos.
Plataforma de
aprendizaje
Comportamientos
relevantes en
estilos de
aprendizaje
Monitorea
Modelo de usuario
Genera
Técnica de
clasificación
automática
AlimentaEstilos de
aprendizajeDetecta
Felder-
Biggs-
Kolb-
LMS-
ITS-
AEHS-
CMS-
-Árboles de decisión
autogenerados
-Lógica difusa
-Redes neuronales
-Learning Analytics
-Preferencias
-Conocimiento previo
-Motivación
-Velocidad de avance
-Uso
-Navegación
-Grupos semánticos y palabras
clave estilo/comportamiento
Figura 5. Articulación Teórico-Conceptual.
33
Capítulo III. Diseño metodológico
Tipo de estudio
El diseño del modelo para la identificación automática de estilos de aprendizaje requirió la
identificación de variables de comportamiento que pudieran ser monitoreadas mientras los
estudiantes usan una plataforma tecnológica y que además fueran informativas para inferir estilos
de aprendizaje. En ese sentido las variables de estudio son el estilo de aprendizaje como variable
dependiente con un nivel de medición nominal (activo, reflexivo, sensitivo, intuitivo, visual
verbal, secuencial y global) y 15 comportamientos de los estudiantes mientras usan una
plataforma tecnológica como variables independientes con un nivel de medición intervalar
(ejemplos vistos, materiales de texto vistos, foros vistos, foros participados, ejercicios visitados,
ejercicios entregados, entre otros (se describen a detalle en la tabla 3 del procedimiento). Por ello
por el tipo de variable y su forma de medición es un estudio de enfoque cuantitativo.
Tomando como base el objetivo de investigación se plantea un estudio correlacional para
dar respuesta a la segunda pregunta de investigación. Con el diseño correlacional se identificó la
existencia y magnitud de las asociaciones entre las variables independientes y la dependiente.
Para responder la tercera pregunta de investigación, se definió el grado de precisión con el
que el modelo de clasificación es capaz de identificar de estilos de aprendizaje, con base en el
comportamiento de los usuarios mientras usan una plataforma tecnológica. Para esto, se hizo una
comparación entre los resultados arrojados por un cuestionario para identificar estilos de
aprendizaje (ILS) y los estilos de aprendizaje identificados por el modelo.
Adicional a lo anterior el estudio es de tipo pre experimental, el cual consiste en
administrar un estímulo o tratamiento a un grupo y después aplicar una medición de una o más
variables para observar cuál es el nivel del grupo en estas, según Kerlinger y Lee (2002) y
34
Hernández, Fernández y Baptista (2014). No hay manipulación de la variable independiente
(niveles) o grupos de contraste (ni siquiera el mínimo de presencia o ausencia). Tampoco hay una
referencia previa de cuál era el nivel que tenía el grupo en la o las variables dependientes antes del
estímulo. No es posible establecer causalidad con certeza ni se controlan las fuentes de
invalidación interna, no se realiza una intervención a los participantes y los resultados servirán de
insumo para estudios posteriores. Además es transversal ya que la recolección de datos se realizó
en un solo momento (Liu, 2008 & Tucker, 2004 citados en Hernández et al., 2014; Kerlinger &
Lee 2002).
Con base en lo anterior se concluye que la investigación se desarrolló con un diseño
cuantitativo pre experimental transversal con dos estudios correlacionales. Este diseño podría
diagramarse de la siguiente manera: G X O, que Kerlinger y Lee (2002) llaman estudio de caso
con una sola medición.
Participantes
La población estuvo representada por 130 estudiantes de educación superior de las licenciaturas
asociadas a las Ciencias de la Computación e Informática del Instituto Tecnológico de Sonora.
Específicamente estos estudiantes estaban inscritos en segundo semestre de la licenciatura
Ingeniero en Software. La elección de la muestra se realizó de manera no probabilística por
conveniencia debido al acceso que se tenía a los grupos de la carrera de Ingeniero en Software.
Para la selección de la muestra se definieron los siguientes criterios de inclusión: ser estudiantes
inscritos en el curso de Programación Orientada a Objetos de la carrera de Ingeniero en Software.
La muestra fue de 64 estudiantes, de los cuales se logró monitorear de manera exitosa 15 variables
de comportamiento durante un semestre mientras usaban una plataforma tecnológica.
35
Instrumentos
Con el fin de medir la variable dependiente (estilos de aprendizaje) y las variables independientes
(comportamiento del usuario en una plataforma tecnológica) se utilizaron dos instrumentos: el
cuestionario Índice de Estilos de Aprendizajes (ILS, por sus siglas en inglés), que mide estilos de
aprendizajes, y la plataforma de aprendizaje Moodle, en donde se monitorearon las variables
independientes relacionadas al comportamiento de los estudiantes mientras usaban el entorno de
aprendizaje.
Cuestionario ILS.
El cuestionario desarrollado por Felder y Soloman (1997) consta de 44 preguntas; 11 para
cada una de las cuatro dimensiones (activo-reflexivo, sensitivo-intuitivo, visual-verbal,
secuencial-global) del modelo de estilos de aprendizaje Felder (ver cuestionario completo en
Anexo 1). Cada una de los reactivos tiene dos opciones de respuesta mutuamente excluyentes (ver
tabla 2).
Tabla 2. Operacionalización del instrumento ILS (Index of Learning Styles) versión en español
Operacionalización del instrumento ILS (Index of Learning Styles) versión en español
DIMENSIONES INDICADORES CATEGORÍAS REACTIVOS
Procesamiento
Activo-
Reflexivo:
describe la
forma en que la
información
percibida se
convierte en
conocimiento
Preferencia al
aprendizaje activo o
pasivo.
Probarlas Pensar en ellas 1. Entiendo las cosas
mejor después de:
Preferencia al
aprendizaje activo o
pasivo.
Hablar del tema Pensar en el tema 5. Cuando estoy
aprendiendo algo
nuevo me ayuda
Preferencia al
aprendizaje activo o
pasivo.
Participar
contribuyendo
con ideas.
Sentarme y
escuchar
9. Cuando trabajo en
un grupo de estudio
con materias difíciles,
prefiero
Preferencia a trabajar en
equipo o solos.
Llegué a conocer
a muchos de los
estudiantes.
Raramente llegué
a conocer a
muchos de los
estudiantes.
13. En las clases que
he recibido
Preferencia a lo
experimental o lo
teórico.
Empezar
inmediatamente a
trabajar en la
solución.
Tratar primero de
entender
totalmente el
problema
17. Cuando abordo un
problema prefiero
36
Preferencia a trabajar en
equipo o solos.
En un grupo Solo 21. Prefiero estudiar
Preferencia a lo
experimental o lo
teórico.
Probar las cosas Pensar sobre
cómo voy a
hacerlas
25. Prefiero primero
Preferencia a lo
experimental o lo
teórico.
Algo que he
hecho.
Algo sobre lo que
he pensado
mucho.
29. Recuerdo más
fácilmente
Preferencia a trabajar en
equipo o solos.
Tratar de pensar
en él con los
demás miembros
del grupo
aportando ideas
Tratar de pensar
en él
individualmente y
luego reunirme
con el resto
del grupo para
comparar ideas
33. Cuando tengo que
trabajar en un
proyecto en grupo,
primero quiero
Preferencia al
aprendizaje activo o
pasivo.
Extrovertido. Reservado 37. Prefiero que me
consideren
Preferencia a trabajar en
equipo o solos.
Me parece buena No me parece
buena
41. La idea de hacer
trabajo en grupo, con
una calificación única
para todo el grupo
Percepción
Sensitivo-
Intuitivo: está
relacionada con
el tipo de
información que
un estudiante
prefiere percibir
Preferencia de
información concreta,
abstracta.
Realista Innovador/a 2. Me gustaría que me
consideraran
Preferencia de
información concreta,
abstracta.
Hechos y
situaciones de la
vida real.
Ideas y teorías 6. Si fuera profesor,
preferiría enseñar un
curso sobre:
Preferencia de
información concreta,
abstracta.
Aprender hechos. Aprender
conceptos.
10. Encuentro más
fácil
Preferencia de
información concreta,
abstracta.
Algo que me
enseñe nuevos
hechos o me diga
cómo hacer algo.
Algo que me
proporcione
nuevas ideas sobre
las que pensar.
14. Cuando no leo
ciencia¬ficción,
prefiero
Preferencia de
información concreta,
abstracta.
Certeza Teoría 18. Prefiero la idea de
Preferencia de
información concreta,
abstracta.
Cuidadoso con
los detalles de mi
trabajo.
Creativo respecto
a la manera de
hacer mi trabajo.
22. Me gustaría más
que me consideraran
Preferencia de
información concreta,
abstracta.
Dicen claramente
lo que quieren
decir.
Dicen las cosas de
forma interesante
y creativa.
26. Cuando leo por
entretenimiento, me
gustan los escritores
que
Preferencia a lo
establecido.
Dominar una
forma de hacerla.
Proponer nuevas
formas de hacerla.
30. Cuando tengo que
realizar una tarea,
prefiero
Preferencia de
información concreta,
abstracta.
Sensitivo Imaginativo 34. Considero un gran
cumplido llamar a
alguien
Preferencia de
información concreta,
abstracta.
Material concreto
(hechos, datos).
Material abstracto
(conceptos,
teorías).
38. Prefiero cursos
que enfatizan
37
Cuidadoso con los
detalles.
Suelo repetir
todos los pasos
que he dado y
revisar mi trabajo
con
mucho cuidado.
Encuentro
cansado tener que
revisar mi trabajo,
he de esforzarme
para hacerlo.
42. Cuando estoy
haciendo cálculos
largos:
Entrada Visual-
Verbal:
considera la
manera en que
los estudiantes
prefieren recibir
información
externa
Preferencia a lo visual o
verbal.
Una foto. Palabras. 3. Cuando pienso en
lo que hice antes de
ayer, suelo hacerlo
como si viera
Preferencia a lo visual o
verbal.
Fotografías,
diagramas,
gráficas o mapas
Instrucciones
escritas o
información
verbal.
7. Prefiero obtener
información nueva a
partir de:
Preferencia a lo visual o
verbal.
Mirar las fotos y
los mapas
detenidamente
Centrarme en el
texto escrito
11. De un libro con
muchas fotos y
mapas, prefiero
Preferencia a lo visual o
verbal.
Usan muchos
diagramas en la
pizarra
Pasan mucho
tiempo explicando
15. Me gustan los
profesores que
Preferencia a lo visual o
verbal.
Lo que veo Lo que oigo 19. Recuerdo mejor
Preferencia a lo visual o
verbal.
Un mapa Instrucciones
escritas
23. Cuando me
indican cómo llegar a
un nuevo lugar,
prefiero
Preferencia a lo visual o
verbal.
El dibujo Lo que dijo el
profesor sobre él
27. Cuando veo un
diagrama o dibujo, en
clase, suelo recordar
mejor
Preferencia a lo visual o
verbal.
Mapas o gráficos Texto resumiendo
los resultados
31. Cuando me
muestran datos,
prefiero
Preferencia a lo visual o
verbal.
A quién se
parecían
Lo que decían de
ellos mismos
35. Cuando conozco
gente en una fiesta,
suelo recordar mejor
Preferencia a lo visual o
verbal.
Ver televisión Leer un libro 39. Para
entretenerme, prefiero
Preferencia a lo visual o
verbal.
Con facilidad y
con bastante
precisión
Con dificultad y
sin mucho detalle
43. Suelo dibujar
lugares que he visto
Entendimiento
Secuencial-
Global: describe
la forma en que
el estudiante
progresa hacia
el
entendimiento.
Preferencia a lo
secuencial o global.
Entender la
estructura global,
pero me pierdo
en los detalles
Entender la
estructura global,
pero me pierdo en
los detalles
4. Tengo tendencia a:
Preferencia a lo
secuencial o global.
Todas las partes,
entiendo el
conjunto
El conjunto,
entiendo cómo
encajan las partes
8. Una vez entiendo
Preferencia a lo
secuencial o global.
Suelo trabajar a
mi aire hasta
obtener la
solución paso a
paso
Con frecuencia
suelo mirar las
soluciones y luego
ensayar para
comprender los
pasos para llegar a
ella.
12. Cuando resuelvo
problemas de
matemáticas
38
Preferencia a lo
secuencial o global.
Pienso en los
incidentes y trato
de
interconectarlos
para comprender
los temas
Solo se cuáles son
los temas cuando
termino de leer y,
entonces,
tengo que
retroceder y
encontrar los
incidentes que los
demuestran
16. Cuando analizo
una historia o una
novela
Preferencia a lo
secuencial o global.
Distribuya el
material en
etapas
secuencialmente
claras
Me proporcione
una imagen
general y
relacione el
material con otros
temas
20. Para mi es más
importanete que un
instructor
Preferencia a lo
secuencial o global.
A velocidad casi
regular. Si
estudio mucho,
lo conseguiré
A saltos.estoy
totalmente
confuso/a y de
repente se
enciende la luz
24. Aprendo
Preferencia a lo
secuencial o global.
Centrarme en los
detalles y perder
el esquema total.
Tratar de entender
el esquema total
antes de entrar en
los detalles
28. Cuando se
considera un cuerpo
de información,
prefiero
Preferencia a lo
secuencial o global.
Trabajar (pensar
o escribir sobre
el inicio) en el
comienzo del
trabajo
y continuar hacia
adelante
progresivamente
Trabajar (pensar o
escribir sobre las
diferentes partes)
en las
diferentes partes
del trabajo y
después
ordenarlas
32. Cuando escribo
un trabajo, me gusta
más
Preferencia a lo
secuencial o global.
Centrarme en
dicho tema,
aprender sobre él
todo lo que
pueda
Tratar de realizar
conexiones entre
este tema y otros
temas
relacionados.
36. Cuando aprendo
un nuevo tema,
prefiero
Preferencia a lo
secuencial o global.
A veces útiles
para mi
Muy útiles para
mi
40. Algunos
profesores comienzan
sus clases con un
esquema de lo que se
dará.
Preferencia a lo
secuencial o global.
Pensar en los
pasos del proceso
de solución
Pensar en las
posibles
consecuencias o
aplicaciones de la
solución en
un rango grande
de áreas
44. Cuando estoy
resolviendo
problemas en grupo,
me gustaría más
Para calificar el instrumento se suma una unidad por cada respuesta que favorece a un
estilo y se resta una unidad por cada respuesta que favorece el otro dentro de cada dimensión. Al
39
final se obtiene un puntaje entre -11 y +11 para cada dimensión (los reactivos que pertenecen a
cada estilo dentro de las cuatro dimensiones se muestran en la tabla 2). Al final se tiene un
puntaje para cada dimensión (ver figura 6).
Figura 6. Calificación del instrumento ILS.
A partir de esto se obtiene un valor que se interpreta de la siguiente manera: Si se obtiene
un valor entre 1 y 3, el estilo del estudiante es equilibrado en los dos estilos de la dimensión. Si se
obtiene un puntaje entre 5 y 7, el estudiante tiene una preferencia moderada hacia un estilo de esa
dimensión y aprenderá más fácilmente en un entorno que favorezca ese estilo. Si el estudiante
obtiene un puntaje entre 9 y 11, el estudiante tiene una fuerte preferencia por un estilo de esa
dimensión, el estudiante podría tener dificultades en un entorno que no favorezca ese estilo.
Confiabilidad y validez.
Para la validación del cuestionario se utilizó el mètodo Kuder Richardson, lo que permite validar la
consistencia de los ítems (o variables) del instrumento. El método de consistencia interna en base al
alfa de Cronbach permite estimar la fiabilidad de un instrumento de medida a través de un conjunto de
ítems que se espera que midan el mismo constructo o dimensión teórica en una escala de ítems
continuos.
Sin embargo la medida de la fiabilidad mediante el alfa de Cronbach asume que los ítems
(medidos en escala tipo Likert) miden un mismo constructo y que están altamente correlacionados
40
(Welch & Comer, 1988). Kuder Richardson, se trata de la misma fórmula que el Alfa de Cronbach
solo que esta última es expresada para ítems continuos y Kuder Richardson para ítems dicotómicos. Es
por esto que se utilizó el método de Kuder Richardson para escalas dicotómicas. Cuanto más cerca se
encuentre el valor de alfa a 1 mayor es la consistencia interna de los ítems analizados. La fiabilidad de
la escala debe obtenerse siempre con los datos de cada muestra para garantizar la medida fiable del
constructo en la muestra concreta de la investigación.
Confiabilidad ILS, versión en inglés publicada por Felder y Spurlin (2005).
La confiabilidad del ILS se calculó a través de coeficientes de correlación por test-retest para las
cuatro escalas del instrumento. Como se puede apreciar en la Tabla 3 se encontró que varía entre
0.7 y 0.9 para un intervalo de cuatro semanas entre la administración del primer test y el otro; y
entre 0.5 y 0.8 para intervalos de siete y ocho meses. Todos los coeficientes fueron significativos
en el nivel de .5 y mejor en muchos casos. El coeficiente de alfa de Cronbach fue mayor que el
valor de .5, y fue mucho mayor el valor para casi toda la dimensión global/secuencial en el cuarto
estudio como se muestra en la tabla 4.
Tabla 3. Coeficientes de correlación Test-Retest
Coeficientes de correlación Test-Retest
▲t A-R S-N Vs-Vb Sq-G N Reference
4 wk 0.804** 0.787** 0.870** 0.725** 46 Seery et al.
7mo. 0.73* 0.78* 0.68* 0.60* 24 Livesay et al.
8mo. 0.683** 0.678** 0.511** 0.505** 124 Zywno
*p<.05 **p<.01
Fuente: Tomado de Felder y Spurlin (2005)
41
Tabla 4. Coeficientes Alfa de Cronbach ILS versión inglés
Coeficientes Alfa de Cronbach ILS versión inglés
A-R S-N Vs-Vb Sq-G N Source
0.56 0.72 0.60 0.54 242 Livesay et al.
0.62 0.76 0.69 0.55 584 Supurlin
0.51 0.65 0.56 0.41 284 Van Zwanenberg et al
0.60 0.70 0.63 0.53 557 Zywno
Fuente: Tomado de Felder y Spurlin (2005)
Confiabilidad ILS versión en español de Felder y Soloman
Para el análisis de confiabilidad utilizando la versión en español se utilizó una muestra de 163
estudiantes de la carrera de Ingeniero en Software en el Instituto Tecnológico de Sonora. Los
estudiantes tienen entre 18 y 22 años. Como criterio de inclusión se consideró que estuvieran
inscritos en al menos una materia de la carrera. Se utilizó el mètodo Kuder Richardson obteniendo
los resultados que se muestran en la tabla 6 para cada una de las dimensiones del modelo de
estilos de aprendizaje Felder.
Tabla 5. Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson
Coeficientes Alfa de Cronbach ILS versión español usando método Kuder Richardson
Dimensión modelo Felder Alpha de Cronbach
Activo-Reflexivo .540
Visual-Verbal .562
Sensitivo-Intuitivo .446
Secuencial-Global .172
Los resultados son consistentes con los reportados en Felder y Spurlin (2005) (ver tabla 4) donde
el Alpha de Cronbach de las categorías activo-reflexivo, visual-verbal y sensitivo-intuitivo se
42
encuentra muy cerca del .5. Además coincide con que el valor de la dimensión secuencial-global
es el más bajo de las cuatro dimensiones. Adicionalmente los resultados son congruentes con la
teoría del modelo de estilos de aprendizaje de Felder. En este modelo se espera que las respuestas
a las preguntas que miden la misma dimensión o variable se contesten de manera equilibrada. Esto
en otro tipo de instrumentos denota incongruencia en las respuestas; sin embargo, en el caso del
modelo Felder para estilos de aprendizaje es lo contrario, debido a que es raro encontrar personas
que estén polarizadas totalmente hacia un estilo específico de alguna de las dimensiones (por ej.
que en la dimensión de percepción se tenga una preferencia al 100% de gráficos e imágenes y un
0% de preferencia por textos, diálogos o narraciones).
Plataforma de Aprendizaje Moodle como instrumento de medición.
A partir de esto se obtiene un valor que se interpreta de la siguiente manera: Si se obtiene un valor
entre 1 y 3, el estilo del estudiante es equilibrado en los dos estilos de la dimensión. Si se obtiene
un puntaje entre 5 y 7, el estudiante tiene una preferencia moderada hacia un estilo de esa
dimensión y aprenderá más fácilmente en un entorno que favorezca ese estilo. Si el estudiante
obtiene un puntaje entre 9 y 11, el estudiante tiene una fuerte preferencia por un estilo de esa
dimensión, el estudiante podría tener dificultades en un entorno que no favorezca ese estilo.
Para la recolección de datos relacionados con las variables rendimiento académico, estilo
de aprendizaje y estado afectivo, se utilizó un mecanismo electrónico (un software) de monitoreo
y medición de los indicadores relacionados con dichas variables incluido en la plataforma
tecnológica de aprendizaje. Esta medición consiste en registrar datos relacionados al
comportamiento (p. ej. cuánto tiempo dura el estudiante en una sección del curso, o cuántas veces
visitó las instrucciones de un ejercicio), datos relacionados al estado afectivo (p. ej. si un material
43
le pareció favorable o no para el logro de su objetivo de aprendizaje, así como las calificaciones
obtenidas en exámenes y/o evaluaciones cortas.
La Tabla 6 muestra la operación de las variables que fueron medidas a través del
mecanismo de monitoreo por el software descrito previamente.
Tabla 6. Operacionalización de variables monitoreadas por software
Operacionalización de variables monitoreadas por software
Variable Dimensiones Indicadores Categorías Reactivos
Variable 1
Desempeño
Académico: nivel
de conocimientos
demostrado en un
área o materia
comparado con la
norma de edad y
nivel académico
(Jiménez, 2000).
Efectividad:
capacidad de
lograr un
objetivo
Calificaciones
ejercicios
Calificación entre
0 y 10
Promedio de
calificaciones de los
ejercicios
Calificaciones
de exámenes
Calificación entre
0 y 10
Promedio de
calificaciones de los
exámenes
Productividad:
Capacidad de
producción por
unidad de
medida
Tiempo
invertido en
plataforma y
cantidad de
ejercicios
entregados
Tiempo en
minutos
Tiempo invertido en
plataforma/cantidad de
ejercicios entregados
Variable 2
Estilo de
Aprendizaje:
Conjunto de
factores cognitivos,
afectivos y
psicológicos que
sirven como
indicadores
relativamente
estables de cómo un
aprendiz percibe,
interactúa con y
responde a un
ambiente de
aprendizaje (Felder
and Silverman
1988)
Procesamiento:
describe la
forma en que la
información
percibida se
convierte en
conocimiento.
Comporta-
miento en
EVA
Activo Reflexivo Número de preguntas
contestadas
Número de veces que
contesta mal dos veces
la misma pregunta
Número de ejercicios
resueltos
Número de veces que
se visitó contenido de
aprendizaje
Tiempo invertido en el
contenido de
aprendizaje
Número de visitas a
foros
Percepción: está
relacionada con
el tipo de
información que
un estudiante
prefiere percibir
Comporta-
miento en
EVA
Sensi
tivo
Intuitivo Numero de respuestas
correctas después de
ver un ejemplo
Número de respuestas
correctas acerca de los
detalles
Número de veces que
revisó las respuestas
44
Variable Dimensiones Indicadores Categorías Reactivos
antes de enviarlas.
Número de respuestas
correctas después de
una explicación teórica
Numero de respuestas
correctas acerca de
conceptos.
Número de respuestas
correctas acerca de
proponer nuevas
soluciones.
Entrada:
considera la
manera en que
los estudiantes
prefieren recibir
información
externa
Comporta-
miento en
EVA
Visua
l
Verbal Número de respuestas
correctas después de
ver una imagen.
Número de clics sobre
imágenes.
Tiempo invertido
viendo videos
Número de respuestas
correctas después de
leer un texto.
Número de visitas en
foros.
Tiempo invertido en
foros.
Entendimiento:
describe la
forma en que el
estudiante
progresa hacia el
entendimiento.
Comporta-
miento en
EVA
Secu
encia
l
Global Número de veces que el
estudiante eligió ser
guiado a través de los
pasos para resolver un
problema.
Número de respuestas
correctas acerca de los
detalles.
Número de veces que
un estudiante decidió
resolver un problema
Inmediatamente.
Número de outlines
visitados.
Tiempo invertido en
outlines.
45
Procedimiento
La investigación tiene como fin último diseñar, desarrollar y validar un modelo que mida de
manera automática los estilos de aprendizaje del estudiante mientras usa una plataforma
tecnológica. En ese sentido en la figura 7 se muestra el procedimiento distinguiendo las
actividades realizadas en función de las preguntas de investigación a la que se busca dar respuesta.
Figura 7. Procedimiento.
Para dar respuesta a la primera pregunta de investigación se configuró un servidor de
aplicaciones con la plataforma Moodle en la que se creó un curso con los contenidos de la materia
de Algoritmos Computacionales, la cual se imparte en la licenciatura Ingeniero en Software. Se
crearon siete módulos diferentes (cinco que corresponden a cada una de las unidades de
competencia y dos generales). Cada módulo de unidad de competencia consta de cuatro secciones:
textos (incluye documentos en formato PDF y Word; gráficos (incluye videos, esquemas, mapas
conceptuales y figuras), ejemplos (incluye documentos con problemas resueltos) y ejercicios
(incluye documentos con problemas para resolver). Los módulos generales son “generalidades”
donde se incluye el programa del curso y el calendario de actividades y “tutoriales” donde
aparecen tutoriales que aplican para las cinco unidades de competencia en general.
46
El curso en Moodle se replicó para cada uno de los grupos que se impartieron en el período
enero-mayo, seis grupos en total y 130 estudiantes, los cuales cumplían los requisitos de estar
inscritos en el curso de algoritmos computacionales. Se registró a los estudiantes y profesores en
los grupos correspondientes. Adicionalmente se configuraron las opciones que permitieron el
monitoreo de comportamientos, tal como la asignación de etiquetas por tipo de recurso didáctico.
Estas etiquetas permitieron distinguir cuáles recursos didácticos consumía el alumno en tiempo
real. Todos los elementos anteriores en su conjunto formaron parte del curso en la plataforma de
aprendizaje (ver figura 8).
Figura 8. Plataforma tecnológica de aprendizaje.
Posteriormente se realizó una exploración exhaustiva de las bases de datos de la
plataforma de aprendizaje con el fin de identificar las tablas y campos relevantes para detectar el
comportamiento de los estudiantes en el uso de la plataforma. Finalmente se generó un modelo de
estudiante utilizando SQL (Secuential Query Languaje, por sus siglas en inglés). Este modelo de
47
estudiante permite la obtención y organización de los valores de cada una de las variables de
comportamiento monitoreadas en cada uno de los estudiantes participantes.
Para dar respuesta a la segunda pregunta de investigación se monitoreó el comportamiento
de los estudiantes durante el período del 11 de enero al 06 de mayo del 2016 mientras estudiantes
y profesores estuvieron utilizando la plataforma y se registraron las interacciones en las bases de
datos que Moodle genera por defecto. Esto con el fin de conservar un mecanismo con la menor
intervención posible en las funcionalidades que Moodle maneja por defecto y trabajar con las
opciones a las que cualquier profesor o diseñador de cursos tiene acceso de manera estándar en
Moodle. Adicionalmente, con base en el modelo de estudiante diseñado en la fase anterior, se
generó un conjunto de datos para poder hacer análisis de los mismos, en el cual se concentraron
los datos de comportamiento y estilo de aprendizaje de cada estudiante (ver tabla 3).
Se realizaron pruebas estadísticas para determinar si las variables mostraban un
comportamiento normal. Finalmente, se utilizó la técnica de árboles de decisión para generar un
modelo de identificación automática de estilos de aprendizaje. Finalmente se utilizó la técnica de
árboles de decisión para generar un modelo de identificación automática de estilos de aprendizaje.
Para dar respuesta a la tercera pregunta de investigación se realizó una evaluación de la
precisión del modelo utilizando una tabla de contingencia con el fin de contrastar la cantidad de
casos clasificados correctamente y la cantidad de casos clasificados de manera errónea; es decir, el
número de veces en donde coincidió el estilo de aprendizaje detectado por el modelo de
clasificación automática propuesto y el estilo identificado por el cuestionario ILS.
Procesamiento de Datos
Fase 1
48
Para la recolección de datos se aplicó el instrumento ILS de Felder y Soloman, así como el
monitoreo de variables de comportamiento mediante la plataforma tecnológica de aprendizaje
Moodle. Para procesar los datos se utilizaron tres herramientas de software: SPSS versión 22,
Rapid Miner Studio Basic 7.1 y Weka 3.6.
Se depuraron errores de captura (datos faltantes e incongruentes), se utilizó la prueba de
bondad de ajuste Shapiro-Wilk para evaluar si las variables presentaban una distribución normal
(muestras pequeñas, n<200).
Fase 2
Se realizaron pruebas no paramétricas de correlación de Spearman para conocer si existía
relación entre el comportamiento del estudiante mientras usaba la plataforma y su estilo de
aprendizaje. Finalmente, se utilizó la técnica de árboles de decisión autogenerados para obtener un
modelo de clasificación automática.
Fase 3
Usando tabla de contingencia, se definió el grado de precisión con el que el modelo de
clasificación es capaz de identificar estilos de aprendizaje, con base en el comportamiento de los
usuarios mientras usan una plataforma tecnológica. Para esto, se hizo una comparación entre los
resultados arrojados por un cuestionario para identificar estilos de aprendizaje y los estilos de
aprendizaje identificados por el modelo.
La técnica de árboles de decisiones es utilizada frecuentemente en problemas de clasificación.
Una de las razones es su simplicidad; las reglas resultantes son visibles y fáciles de entender, y es
apropiada cuando varios atributos son relevantes. Los árboles de decisión han sido utilizados en
los trabajos de Cha et al. (2006 a,b), Crockett et al. (2011), Ahmad y Shamsuddin (2010) y
Özpolat y Akar (2009).
49
Capítulo IV. Resultados
En el presente capítulo se analiza y discute los resultados obtenidos de las pruebas de medición
llevadas a cabo, con lo cual se busca responder a las interrogantes del estudio que son: ¿De qué
manera una plataforma tecnológica de acceso libre ayudaría a identificar el estilo de aprendizaje
del estudiante?, ¿cuál es la relación entre el comportamiento de estudiantes mientras usan una
plataforma tecnológica de acceso libre y su estilo de aprendizaje identificado previamente a través
de un instrumento de autoreporte para ese propósito?, ¿cuál es el grado de coincidencia entre los
estilos de aprendizaje identificados por el modelo propuesto y los identificados por el instrumento
de autoreporte?
Pregunta de investigación 1
Para la primera pregunta se llevó a cabo un análisis exhaustivo de las bases de datos de una
plataforma tecnológica de acceso abierto (Moodle). Lo anterior con la intención de identificar
aquellas variables que la plataforma podría almacenar de manera automática en lo relacionado con
los patrones de comportamiento de los usuarios a la hora de navegar dentro de la misma.
Las visitas que los estudiantes podrían hacer dentro de la plataforma permitieron
diferenciar distintos comportamientos entre los mismos usuarios. Algunos podrían privilegiar las
visitas a ejemplos que ilustraban los contenidos del curso, otros a foros que permitían la
interacción en función de preguntas suscitadas o dudas respondidas; unos más a materiales y así
sucesivamente.
Se crearon seis secciones para organizar los recursos didácticos y de soporte al curso de
algoritmos computacionales: generalidades del curso, qué contiene el programa y el calendario del
curso; tutoriales, los cuales consideran tópicos de cursos previos que son requisito para poder
trabajar con los tópicos de este curso; sesión, en esta sección se describen las instrucciones para
50
cada uno de los ejercicios de una clase presencial, así como las asignaciones para trabajar en casa
y finalmente, chat, foro, gráficos, textos, videos y ejemplos que se describen por sí mismos.
Las variables de comportamiento que la plataforma tecnológica era capaz de monitorear y
almacenar a partir de los elementos del curso sin intervención técnica por parte del profesor se
enlistan en la tabla 7. Estas variables representan los datos del comportamiento del estudiante que
posteriormente permitieron generar el conjunto de datos para integrar comportamiento y estilos de
aprendizaje.
Tabla 7. Variables de comportamiento seleccionadas
Variables de comportamiento en plataforma seleccionadas
Indicador Descripción
Ejemplos vistos Número de ocasiones en las que el usuario consultó un ejemplo.
Ejercicios visitados
Ejercicios enviados
Número de ocasiones en las que el usuario consultó o envió un
ejercicio.
Materiales vistos Número de ocasiones en las que el usuario consultó un material de
cualquier tipo.
Materiales texto Número de ocasiones en las que el usuario consultó un material de
texto.
Materiales gráficos Número de ocasiones en las que el usuario consultó un material
gráfico.
Outlines vistos Número de ocasiones en las que el usuario consultó las generalidades
del curso.
Nuúmero logins Número de ocasiones en las que el usuario accedió a la plataforma.
Logins mañana
Logins tarde
Logins noche
Número de ocasiones en las que el usuario accedió a la plataforma por
las mañanas, tardes y noches respectivamente.
Chat participación Número de ocasiones en las que el usuario participó en un chat en la
plataforma.
Chat visto Número de ocasiones en las que el usuario consultó un chat en la
plataforma.
Visitas foro Número de ocasiones en las que el usuario realizó una visita a
cualquier foro.
Participación foro Número de ocasiones en las que el usuario participó en cualquier foro.
De enero a mayo del 2016 se implementó un curso de Algoritmos Computacionales en la
plataforma tecnológica Moodle con una población de 130 estudiantes repartidos en 6 grupos. Para
51
la estructura del curso virtual se utilizó el calendario de clases propuesto por la academia. Se crearon seis
secciones en el tablero principal de actividades del usuario donde se proporcionó acceso a los estudiantes a
los diferentes tipos de contenido que eran necesarios en cada una de las unidades de competencia del curso
(ver tabla 8).
Tabla 8. Materiales disponibles en Moodle
Materiales disponibles en Moodle
Materiales Descripción
Programa de curso Documento proporcionado por el cuerpo académico donde se
describen los temas del curso.
Calendario de clases Documento donde se especifican las fechas y tiempos del curso.
Tutorial Material de ayuda para los estudiantes que pueden consultar para
diferentes temas que son requisitos previos para el curso.
Sesión Descripción de las asignaciones y ejercicios vistos en una clase
presencial.
Chat Herramienta proporcionada por la plataforma que le permite
comunicarse a los estudiantes.
Foro Herramienta que le permite al docente y sus estudiantes discutir/debatir
sobre un tema de la clase.
Gráfico Material de aprendizaje en formato gráfico como esquemas, mapas
conceptuales, imágenes, mapas, entre otros.
Texto Material de aprendizaje donde el contenido es principalmente texto.
Video Videos de consulta de temas relacionados al curso.
Ejercicio Material de clase que funciona como asignación en clase presencial.
Asignación Material de clase que el docente asigna a sus estudiantes como tarea.
Ejemplo Material de apoyo para que los estudiantes puedan consultar en caso de
que necesiten ayuda en algún tema.
Se realizó una exploración dentro de la base de datos de la plataforma Moodle para ubicar
dónde se almacena la información requerida para el desarrollo de la investigación. Se ubicaron las
tablas de mayor interés dentro de la base de datos como “mdl_logstore_standard_log”, donde se
encuentran almacenados los registros de cualquier actividad dentro de la plataforma por parte de
todos los usuarios; “mdl_users”, con información personal de los usuarios de la plataforma;
52
“mdl_assign” y “mdl_pages”, donde se almacena la información referente a las asignaciones y
páginas creadas por el administrador/profesor de la plataforma.
Posteriormente se creó una tabla en la base de datos de Moodle llamada “usr_estilos”,
donde se almacenaron los datos de los estilos de aprendizaje de cada alumno, la cual se compuso
de un ID (número de identificación) de registro, el ID del estudiante, las respuestas de cada
pregunta del instrumento ILS (Índice de Estilos de Aprendizaje, por sus siglas en inglés), cuatro
variables que representan los resultados, cuatro variables de etiquetado, el estilo de aprendizaje
del alumno y el número de iteración, que indica en cuál de las aplicaciones del ILS se obtuvo la
información de cada estudiante (ver tabla 9).
Tabla 9. Descripción de los datos almacenados en la tabla usr_estilos
Descripción de los datos almacenados en la tabla usr_estilos
Nombre Descripción
IDRegistro Identificador único de cada registro que se agrega a la tabla.
IDEstudiante Identificador del alumno basado en la matrícula escolar.
P1, P2, P3…P44 Respuestas otorgadas por cada alumno en el instrumento ILS.
ACT_REF Resultado del alumno para la dimensión “Activo-Reflexivo” en la escala
de -11 a 11.
SEN_INT Resultado del alumno para la dimensión “Sensitivo-Intuitivo” en la escala
de -11 a 11.
VIS_VRB Resultado del alumno para la dimensión “Visual-Verbal” en la escala de -
11 a 11.
SEQ_GLO Resultado del alumno para la dimensión “Secuencial-Global” en la escala
de -11 a 11.
Preferencia1 Etiqueta de la preferencia del alumno en la dimensión “Activo-Reflexivo”.
Para cada dimensión puede resultar “Equilibrado”, “Moderado” y “Fuerte”.
Preferencia2 Etiqueta de la preferencia del alumno en la dimensión “Sensitivo-
Intuitivo”. Para cada dimensión puede resultar “Equilibrado”, “Moderado”
y “Fuerte”.
Preferencia3 Etiqueta de la preferencia del alumno en la dimensión “Visual-Verbal”.
Para cada dimensión puede resultar “Equilibrado”, “Moderado” y “Fuerte”.
Preferencia4 Etiqueta de la preferencia del alumno en la dimensión “Secuencial-
Global”. Para cada dimensión puede resultar “Equilibrado”, “Moderado” y
“Fuerte”.
Estilo Estilo de aprendizaje que tiene más ponderación en los resultados.
Iteración Número de iteración en la que se obtuvo el estilo; es decir, en cuál de las
ocasiones en que se hizo la aplicación del instrumento se obtuvo el registro
actual.
53
Una vez obtenidos los resultados del instrumento ILS aplicado se capturaron los resultados
en Microsoft Excel para posteriormente integrarlos en la tabla “usr_estilos” en la base de datos de
Moodle.
Con la información reunida se obtuvo un conjunto de datos formado por 15 variables
asociadas a cada uno de los 130 estudiantes inscritos en los cursos. Posteriormente se generó un
modelo de estudiante genérico que se refiere a la combinación de patrones identificados en el
comportamiento del usuario y el estilo de aprendizaje que se obtuvo a partir de la aplicación del
ILS dentro de la plataforma. Este modelo de estudiante se implementó en lenguaje SQL (ver
figura 9).
Figura 9. Consulta SQL para generación de dataset.
54
Pregunta de investigación 2
En respuesta a la pregunta ¿cuál es la relación entre el comportamiento de los estudiantes mientras
usan una plataforma tecnológica de acceso libre y su estilo de aprendizaje identificado
previamente a través de un instrumento de auto reporte para ese propósito?, se llevó a cabo la
conformación de un modelo de clasificación basado en árboles de decisión con la finalidad de
identificar estilos de aprendizaje con base en sus comportamientos dentro de la plataforma.
En ese sentido se condujo un análisis exploratorio de los datos para valorar la distribución
de las variables de comportamiento monitoreadas (ver tabla 11), así como de los estilos de
aprendizaje obtenidos de la aplicación del ILS (ver tabla 12).
Valoración de la distribución de las variables de comportamiento.
Las variables de comportamiento monitoreadas en Moodle que presentaron normalidad utilizando
como criterio el sesgo y curtosis de -2 a 2 fueron: EjerciciosVisitados, EjerciciosEnviados,
MaterialesGraficos, NumeroLogins, LoginsNoche (ver tabla 10). También se realizaron pruebas
de normalidad sobre las variables independientes y la dependiente usando la prueba de bondad de
ajuste Shapiro Wilk recomendada para muestras pequeñas. En el caso de las variables
independientes ninguna presentó un comportamiento normal. Caso contrario para la variable
dependiente (estilo de aprendizaje).
Tabla 10. Valoración de la distribución de las variables de comportamiento monitoreadas en Moodle
Valoración de la distribución de las variables de comportamiento monitoreadas en Moodle
55
Variables de
comportamiento
monitoreadas en
Moodle Mínimo Máximo Media
Desviación
estándar Asimetría Curtosis
EjemplosVistos 0 14 1.52 2.852 3.136 10.528
EjerciciosVisitados 0 395 111.19 109.037 .78 -.434
EjerciciosEnviados 0 47 10.85 10.901 .837 .076
MaterialesVistos 0 94 15.21 19.710 2.16 5.27
MaterialesTexto 0 83 12.33 17.048 2.17 5.28
MaterialesGrafico 0 15 2.88 3.728 1.51 1.85
OutlinesVistos 0 38 3.69 7.556 2.85 8.60
NumeroLogins
11 145 44.01 32.841 1.2
85
1.15
LoginsMañana
1 46 9.40 7.009
2.3
94
10.18
LoginsTarde
0 116 26.60 24.538
1.5
32
2.87
LoginsNoche
0 25 8.01 6.671 1.1
91
.601
VisitasForo
0 15 1.58 3.354
2.2
07
4.190
ParticipacionForo
0 1 .16 .373 1.8
55
1.484
56
Por otra parte se utilizó el mismo criterio para determinar si los datos se distribuían
normalmente en los puntajes de estilos de aprendizaje obtenidos de la aplicación del instrumento
ILS. Como se puede ver en la tabla 11 las cuatro variables de estilos de aprendizaje mostraron una
distribución normal.
Tabla 11. Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la aplicación del instrumento ILS
Valoración de la distribución de los puntajes de estilos aprendizaje obtenidos de la aplicación del
instrumento ILS
Variables de comportamiento
monitoreadas en Moodle Mínimo
Máxim
o
Medi
a
Desviación
estándar
A
simetría Curtosis
Act-Ref -9 9 -.88 4.669 .265 -.668
Sen-Int -11 11 -1.90 4.380 .168 -.108
Vis_Verb -11 9 -3.39 4.764 .487 -.311
Sec-Glo -9 9 -.52 3.323 .240 .300
Nota: Act-Ref = activo-reflexico; Sen-Int = sensitivo-intuitivo; Vis-Verb = visual-verbal; Sec-Glo
= secuencial-global.
Correlaciones.
Para efectos de identificar posibles relaciones entre los datos obtenidos del instrumento ILS y el
rango de variables observadas en el uso de la plataforma, se procedió a realizar una serie de
cálculos estadísticos que por la naturaleza de las variables al no presentar un comportamiento
normal se realizó a través del coeficiente de correlación de la rho de Spearman.
El análisis muestra una correlación con un nivel de significancia al .05 entre el estilo
secuencial-global y las variables de comportamiento materiales vistos y materiales de texto vistos.
Para el resto de las variables las correlaciones no alcanzaron una significancia mínima del .05 (ver
tablas 12 y 13).
57
Tabla 12. Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables de comportamiento monitoreadas en Moodle
Correlaciones entre estilos de aprendizaje del instrumento ILS de Felder-Silverman y las
variables de comportamiento monitoreadas en Moodle.
Estilos
Variables de comportamiento monitoreadas en Moodle
EjemplosV EjerciciosV EjerciciosE MaterialesV MaterialesTV MaterialesGV Outlines
Act-Ref .059 .068 .047 .041 .015 .147 .201
Sen-Int .016 -.076 -.078 .040 .026 .097 .206
Vis_Verb .040 .080 .112 -.008 -.025 .076 -.040
Sec-Glo -.283* -.214 -.106 -.278* -.280* -.189 -.104
Nota: EjemplosV = ejemplos vistos; EjerciciosV = ejercicios vistos; EjerciciosE = ejercicios
entregados; MaterialesV = materiales vistos; MaterialesTV = materiales de texto vistos;
MaterialesGV = materiales gráficos vistos; OutlinesV = generalidades del curso visitados;
* p > .05
Tabla 13. Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables de comportamiento monitoreadas en Moodle
Correlaciones de estilos de aprendizaje del instrumento ILS de Felder-Silverman y las variables
de comportamiento monitoreadas en Moodle
Variables de comportamiento monitoreadas en Moodle
Estilos Logins LoginsM LoginsT LoginsN ForoV ForoP
Act-Ref .122 .088 .150 -.044 .108 .180
Sen-Int -.057 -.008 -.066 -.028 .127 .147
Vis_Verb .114 .104 .089 .127 -.056 -.066
Sec-Glo -.142 -.037 -.164 -.056 -.091 -.162
Nota: Logins = accesos a la plataforma; LoginsM = accesos a la plataforma por la mañana;
LoginsT = accesos a la plataforma por la tarde; LoginsN = accesos a la plataforma por la noche;
ForoV = visitas al foro; ForoP = participaciones en foro.
* p > .05
58
Árbol de decisión autogenerado
Con la intención de identificar reglas de clasificación de estilos de aprendizaje, a partir del
comportamiento de los estudiantes en el uso de la plataforma, se eligió la técnica de árboles de
decisión autogenerados.
En primera instancia se generó un proceso de análisis utilizando rapidMiner 7.1 (ver figura
10), que implica la recuperación del conjunto de datos, la asignación del estilo de aprendizaje
como variable dependiente, la selección de las variables de comportamiento como variables de
análisis o independientes, y un bloque de validación con partición aleatoria de los datos para que
una proporción sea usada para crear el árbol y la otra sea usada para validar el modelo (ver figura
11).
Figura 10. Proceso de análisis RapidMiner.
Figura 11. Bloque de validación.
A partir del proceso de análisis anterior se generó un primer árbol (ver figura 12). En este
árbol se puede observar que el número de reglas es considerablemente amplio si se toma en cuenta
que mientras más compacto el árbol (menor cantidad decisiones) este es más sencillo de
interpretar. Además, en la evaluación de la precisión (ver figura 13), se observa que la categoría
en la que se clasificaron los estilos de manera correcta en mayor cantidad es en visual con un 60%
59
de precisión. Por otra parte, para cinco de las nueve categorías consideradas para la creación del
árbol, a saber: intuitivo, reflexivo, verbal, secuencial, global, la precisión de la predicción fue de
0%. Esto es congruente con la literatura que dice que a mayor grado de categorías en la variable
dependiente, los árboles de decisión tienden a perder precisión, a menos que se cuente con una
gran cantidad de casos de prueba, lo cual no es el caso de este proyecto.
Figura 12. Árbol de decisión con todas las categorías de estilos.
60
Figura 13. Validación de la precisión del modelo inicial.
A partir del resultado anterior se generaron diferentes modelos (árboles) equilibrando la
cantidad de casos para cada dimensión, utilizando tres diferentes herramientas de software (Weka
3.6 y SPSS 22) y combinando diferentes configuraciones para el método de crecimiento del árbol
(CHAID, CRT, QUEST) y los algoritmos J-48, c4.5. En todos los casos se obtuvieron árboles con
una precisión menor al 70% de casos clasificados correctamente para cada categoría de la variable
dependiente estilos de aprendizaje.
Finalmente la figura 14 muestra un modelo obtenido a partir de un árbol de decisión
autogenerado en el que se excluyeron seis categorías de estilos y se dejaron solamente las tres
categorías que contaban con mayor cantidad de miembros. En este se consideran los estilos visual,
equilibrado y sensitivo. Este árbol representa el modelo más preciso que se consiguió a partir del
conjunto de datos recabados.
61
Figura 14. Árbol de decisión autogenerado: Reglas de clasificación.
Pregunta de investigación 3
Con respecto a la tercera pregunta: ¿cuál es el grado de coincidencia entre los estilos de
aprendizaje identificados por el modelo propuesto y los identificados por el instrumento de auto
reporte?, se encontró que para las categorías visual, equilibrado y sensitivo, el modelo clasifica
correctamente los estilos de los alumnos en un 72%, 81% y 77% de los casos respectivamente. La
precisión del árbol para clasificar alumnos respecto a su estilo de aprendizaje se describe en la
Figura 15.
62
Figura 15. Evaluación de la precisión del árbol de decisión.
Con base en lo anterior se puede decir que los resultados muestran que solamente tres de
los ocho estilos identificados por el ILS pueden ser detectados a través del modelo de
identificación automática propuesto en esta investigación.
Lo anterior puede tener varias interpretaciones, a saber: a) el ILS es un instrumento
pensado para ambientes presenciales y diseñado para estudiantes de preparatoria; b) el modelo
conceptualizado en la presente disertación tomó en cuenta estudiantes de licenciatura en
ambientes de educación a distancia; c) los estilos de aprendizaje del ILS consideran cuatro
dimensiones polarizadas en dos valores cada una; d) las características de exigencia académica en
ambientes a distancia promueven una serie de comportamientos distintos a la presencial; e) las
discusiones en ambientes presenciales permiten delinear estilos de aprendizaje visual-verbal de
acuerdo con el ILS. En el mismo sentido la plataforma tecnológica que el estudiante utiliza para
llevar a cabo foros de discusión pudiera de alguna manera identificar el mismo estilo de
aprendizaje mencionado anteriormente. No obstante, para el resto de los estilos, las características
no son transferibles de la misma manera de una modalidad presencial a una en línea.
La identificación de los estilos de aprendizaje a través del comportamiento de uso de una
plataforma tecnológica amerita una conceptualización distinta a la que se ha usado para definir los
estilos mencionados. Aunque la técnica de los árboles de decisión resultó ser de gran apoyo para
la conformación de un modelo identificador de estilos de aprendizaje, la evidencia recolectada
63
permite sugerir que todavía se requiere refinar los procesos automáticos de la plataforma
tecnológica.
El apoyo que pueden recibir los profesores que imparten cátedra a través de medios
electrónicos de un modelo como el que se propone sienta las bases para conceptualizar de una
manera distinta los estilos de aprendizaje en la educación a distancia.
64
Capítulo V. Conclusiones y recomendaciones
En este capítulo se presentan las conclusiones y recomendaciones derivadas de los principales
resultados de esta investigación. Para ello se ha dividido en tres secciones: discusión, conclusiones
y recomendaciones.
Discusión
Respecto a la precisión del modelo generado en este trabajo: 72% para el estilo visual, 77% para
el estilo sensitivo y 81% para el estilo equilibrado, en contraste con otros trabajos en el campo de
la identificación automática de estilos de aprendizaje se considera que está en un rango aceptable
tomando como referencia otros trabajos basados en el modelo de estilos de Felder-Silverman:
Valleverde (2006) y García et al. (2007), 69% y 61% respectivamente; ambos utilizando redes
neuronales y considerando únicamente los estilos activo y reflexivo; Sanders y Bergasa-Suso
(2010), 40% utilizando modelos probabilísticos y considerando estilos sensitivo e intuitivo;
Özpolat, E. & Akar G. (2009) 53% utilizando árbol de decisión considerando estilos visual y
verbal, además 70% considerando estilos activo y reflexivo; Dung P. & Florea A. (2012) 66%
utilizando reglas y considerando estilos secuencia y global.
En cuanto al tamaño de la muestra en este trabajo participaron 67 estudiantes de educación
superior. Según Coffield et al. (2004), el campo de la identificación automática de estilos de
aprendizaje se caracteriza por un gran número de aplicaciones a pequeña escala, de modelos de
estilos de aprendizaje particulares, a muestras pequeñas de estudiantes en contextos específicos.
En ese sentido el tamaño de la población utilizado para detectar estilos de aprendizaje de manera
automática es significativamente pequeña: 27 en Bousbia et al. (2010); 75 en Crockett et al.
(2011); 44 en Dung y Florea (2012); 27 en García et al. (2007) y 75 en Graf et al. (2009).
65
Finalmente se hace notar que en los trabajos revisados en el campo de la identificación
automática de estilos de aprendizaje los modelos utilizados fueron diseñados para su aplicación en
entornos de aprendizaje presenciales. Además las plataformas tecnológicas de aprendizaje
utilizadas en estos trabajos, si bien se pueden categorizar en LMS, ITS, y AEHS, considerando las
características y funcionalidades que presentan, la mayoría de ellas requieren del pago de licencias
o fueron desarrolladas a la medida.
Conclusiones
En este trabajo se desarrolló un modelo para la identificación de estilos de aprendizaje en
estudiantes de educación superior mediante el análisis de la navegación y uso de una plataforma
tecnológica con el fin de contribuir en el desarrollo de plataformas de aprendizaje centradas en el
estudiante. Para esto se implementó un curso en una plataforma tecnológica abierta que permitió
determinar características relevantes en la identificación de estilos de aprendizaje. A partir de esto
se generó un modelo de estudiante para una plataforma tecnológica abierta basado en
comportamiento y estilos de aprendizaje. Posteriormente se identificó la relación entre el
comportamiento de estudiantes mientras usan la plataforma y su estilo de aprendizaje, para
finalmente validar el modelo propuesto para la identificación automática de estilos de aprendizaje,
contrastando los estilos de aprendizaje identificados mediante la aplicación del cuestionario ILS
con los estilos de aprendizaje detectados por el modelo propuesto. El procedimiento y los
resultados se organizaron en función de las preguntas de investigación con el fin de ir dando
respuesta a cada una de ellas: ¿de qué manera una plataforma tecnológica de acceso libre ayudaría
a identificar el estilo de aprendizaje del estudiante?, ¿cuál es la relación entre el comportamiento
de estudiantes mientras usan una plataforma tecnológica de acceso libre y su estilo de aprendizaje
identificado previamente a través de un instrumento de auto reporte para ese propósito?, ¿cuál es
66
el grado de coincidencia entre los estilos de aprendizaje identificados por el modelo propuesto y
los identificados por el instrumento de auto reporte?
Como respuesta a la primera pregunta se generó un modelo de estudiante basado en SQL
que permite la extracción de la información relacionada al comportamiento de los estudiantes
dentro de la plataforma y que sirve como insumo para el modelo de lo incluye las variables de
comportamiento detectables en la plataforma tecnológica y que sirve de insumo para el modelo de
identificación de estilos de aprendizaje. Este modelo de estudiante consta de 15 variables.
En respuesta a la segunda pregunta de investigación se identificaron correlaciones
significativas entre algunos comportamientos y estilos de aprendizaje. A saber: Materiales de
Texto Vistos y el estilo secuencial-global; Ejemplos Vistos y el estilo secuencial-global;
Materiales Vistos y el estilo secuencial global.
Sin embargo, estas correlaciones desde la perspectiva teórica no tienen sentido por lo que
se les puede considerar relaciones espurias. Esto dado que en la dimensión global del modelo
Felder se describe a los estudiantes secuenciales como aquellos que prefieren una manera lineal,
ordenada y en pasos incrementales a la hora de abordar los contenidos de aprendizaje, mientras
que los estudiantes globales se describen como aquellos que tienen una tendencia a dar saltos en el
orden en el que abordan los contenidos de aprendizaje, es decir, lo contrario a un estudiante
global. En ese sentido la cantidad de materiales vistos en general, materiales de texto vistos y
materiales de texto vistos, no aportan indicadores que permitan conocer si el estudiante abordó los
contenidos de manera secuencial o dando saltos, yendo y viniendo en un orden no lineal.
Finalmente se generó un modelo de clasificación usando árbol de decisión autogenerado
que tiene la capacidad de identificar tres estilos de aprendizaje: visual, sensitivo y equilibrado.
67
Respecto a la precisión del modelo generado en este trabajo: 72% para el estilo visual, 77% para
el estilo sensitivo y 81% para el estilo equilibrado, en contraste con otros trabajos en el campo de
la identificación automática de estilos de aprendizaje se considera que está en un rango aceptable
tomando como referencia otros trabajos basados en el modelo de estilos de Felder-Silverman.
Los resultados arrojan que solamente tres de los ocho estilos identificados por el ILS
pueden ser detectados a través del modelo propuesto en el presente trabajo. Esto puede ser debido
a que el ILS es un instrumento pensado para ambientes presenciales y diseñado para estudiantes
de preparatoria. A pesar de que el modelo Felder-Silverman es ampliamente usado en el campo de
la identificación automática de estilos de aprendizaje, los comportamientos promovidos por una
modalidad en línea y los promovidos por una modalidad presencial son distintos. Es decir, las
características en el comportamiento del estudiante que permiten al ILS medir estilos de
aprendizaje no son transferibles de la modalidad presencial la modalidad en línea.
El apoyo que pueden recibir los profesores que imparten cátedra a través de medios
electrónicos de un modelo como el que se propone sienta las bases para conceptualizar de una
manera distinta los estilos de aprendizaje en la educación a distancia.
Recomendaciones
Es necesario evaluar la posibilidad de incrementar el tamaño de la muestra y en este sentido,
establecer criterios de selección y seguimiento a los grupos participantes en futuros estudios, ya
que la cantidad y calidad de los conjuntos de datos depende de la cantidad y diversidad de
interacciones que los estudiantes tengan con materiales, actividades y otros estudiantes mientras
usan la plataforma tecnológica de aprendizaje.
Inicialmente se tuvo contemplado medir aspectos afectivos del estudiante mientras éste
usaba la plataforma de aprendizaje. Sin embargo, por cuestiones técnicas, esos datos no pudieron
68
utilizarse durante la fase de análisis. Durante los últimos años ha ido incrementando el interés por
incluir algunas técnicas, métodos y tecnologías en el campo de la educación que ya han madurado
en otros campos como el de los negocios, el mercadeo, las finanzas y las ciencias administrativas
en general. Algunas de estas líneas son la adaptación/personalización de contenidos, optimización
de interfaces de usuario para reducir la carga cognitiva en operaciones intelectualmente
demandantes, monitoreo de estados afectivos, inteligencia de negocios, entre otras. En ese sentido
es importante considerar que la madurez que han adquirido algunas de éstas líneas podrían traer
beneficios al campo de la educación y ya se comienza a ver como estos avances permean a las
ciencias de la educación. La recomendación es tener una visión inclusiva que permita integrar de
manera pertinente los avances logrados en otros campos, al campo de la educación.
Adicionalmente, es necesario considerar los comportamientos de manera más
granularizada. Es decir, considerar en futuros estudios el comportamiento desde una perspectiva
diferente a la cantidad de contenidos que el estudiante visita, aun cuando se distingue entre los
diferentes tipos de contenido. Esto implica incluir datos que permitan conocer el orden en el que
los contenidos fueron consultados y además al interior de los mismos como el estudiante navega a
través de cada contenido. Así mismo, se recomienda incluir datos sobre cuáles son aquellos tipos
de contenido que más favorecen en el cumplimiento de los objetivos de aprendizaje, por ejemplo a
la hora de contestar preguntas sobre el contenido o al resolver problemas con base en contenidos
específicos.
Finalmente la identificación de los estilos de aprendizaje a través del comportamiento de
uso de una plataforma tecnológica amerita una conceptualización distinta a la que se ha usado
para definir los estilos mencionados. Aunque la técnica de los árboles de decisión resultó ser de
gran apoyo para la conformación de un modelo identificador de estilos de aprendizaje, la
69
evidencia recolectada permite sugerir que todavía se requiere refinar los procesos automáticos de
la plataforma tecnológica.
70
Referencias
Ahmad, N. & Shamsuddin S. (2010). A comparative analysis of mining techniques for automatic
detection of student’s learning style. In: Proceedings of the 2010 10th international
conference on intelligent systems design and applications, ISDA’10, pp 877–882
Al-Zoube, M. (2009). E-learning on the cloud. Int. Arab J. e-Technol. 1(2), 58-64.
Anderson, E. S., & Keith, T. Z. (1997). A longitudinal test of a model of academic success for at-
risk high school students. Journal of Educational Research, 90, 259–266.
Arnove, R. (2009). World-Systems Analysis and Comparative Education in the Age of
Globalization. In R. Cowen & A. Kazamias (Eds.), International Handbook of
Comparative Education (22), 101-119: Springer Netherlands.
Baddeley, A. (1992). Working memory. Science, 255(5044), 556-559.
Barrientos, R. (2009). Arboles de decisión como herramienta en el diagnóstico médico. Veracruz,
México: Instituto de Ciencias de la Salud - Universidad Veracruzana.
Belloch, C. (2013). Diseño Instruccional. Recuperado de
http://www.uv.es/bellochc/pedagogia/EVA4.wiki
Berrío, D. (Producer). (2009). La emergente Sociedad del Conocimiento. Recuperado de
https://www.youtube.com/watch?v=chQv6_rQ2fM&feature=related
Boekaerts, M. (1993). Being concerned with well-being and with learning. Educational
psychologist, 28(2), 149-167.
Bousbia N., Rebai I., Labat J. & Balla A. (2010). Analysing the relationship between learning
styles and navigation behaviour in web-based educational system. Knowl Manag E Learn
2(4):400–421
71
Brown, B. & Hedges, D. (2009). Use and misuse of quantitative methods: Data collection,
calculation, and presentation. In D. M. Mertens & P. E. Ginsberg (Eds.),The handbook of
social research ethics (pp. 373–385). Los Angeles, CA: Sage.
Carver CA Jr, Howard R A, Lane WD (1999) Enhancing student learning through hypermedia
courseware and incorporation of student learning styles. IEEE Trans Educ. 42(1):33–38
Cha H., Kim S., Lee J. & Yoon T. (2006a). An adaptive learning system with learning style
diagnosis based on interface behaviors. In: Workshop proceedings of internationl
conference e-learning and games (edutainment).
Cha H., Kim Y., Park S., Yoon T., Jung Y. & Lee J. (2006b). Learning styles diagnosis based on
user interface behaviors for the customization of learning interfaces in an intelligent
tutoring system. In: Ikeda M, Ashley K., Chan T. (eds) Intelligent tutoring systems, lecture
notes in computer science, vol 4053. Springer, New York, pp 513–524
Chadwick, C. B. (1999). La psicología del aprendizaje desde el enfoque constructivista. Rev.
latinoam. psicol, 31(3), 463-475.
Chiu, C., & Moss, C. F. (2007). The rol of the external ear in vertical sound localization in the
free flying bat. Journal of the Acoustical Society of America., 121(4). doi:
10.1121/1.2434760
Chrysafiadi, K., & Virvou, M. (2013). Student modeling approaches: A literature review for the
last decade. Expert Systems with Applications, 40(11), 4715-4729.
Coffield, F., Moseley, D., Hall, E., & Ecclestone, K. (2004). Should we be using learning styles?:
What research has to say to practice.
Corbett, A. T., Koedinger, K. R., & Anderson, J. R. (1997). Intelligent tutoring systems.
Handbook of humancomputer interaction, 849-874.
72
Cowie, R., Douglas-Cowie, E., Tsapatsoulis, N., Votsis, G., Kollias, S., Fellenz, W., & Taylor, J.
G. (2001). Emotion recognition in human-computer interaction. Signal Processing
Magazine, IEEE, 18(1), 32-80.
Crockett, K., Latham, A., Mclean, D., Bandar, Z., & The, J. O. S. (2011). On predicting learning
styles in conversational intelligent tutoring systems using fuzzy classification trees.
In Fuzzy Systems (FUZZ), 2011 IEEE International Conference, 2481-2488: IEEE.
Creswell, J. (2012). Educational research: Planning, conducting, and evaluating quantitative. New
Jersey: Upper Saddle River.
Creswell, J. (2009). Research design: Qualitative, quantitative, and mixed methods approaches:
SAGE Publications, Incorporated.
Dabbagh, N., & Kitsantas, A. (2012). Personal Learning Environments, social media, and self-
regulated learning: A natural formula for connecting formal and informal learning. The
Internet and higher education, 15(1), 3-8.
Darling-Hammond, L. (2008). Teacher learning that supports student learning. Teaching for
intelligence, 2, 91-100.
Del Hierro, P. E., & Torres, A. G. (2004). Modelo curricular ITSON 2002. Recuperado de
http://www.itson.mx/empleados/servicios/innovacion/
Documents/MODELO_CURRICULAR_ITSON_2002.pdf
Dung P. & Florea A. (2012). A literature-based method to automatically detect learning styles in
learning management systems. In: Burdescu DD, Akerkar R, Badica C (eds) WIMS,
ACM, p 46
73
Duval, E. (2012). Learning Analytics and Educational Data Mining. Recuperado de
https://erikduval.wordpress.com/2012/01/30/learning-analytics-and-educational-data-
mining/
Felder, R., & Silverman, L. (1988). Learning and teaching styles in engineering education.
Engineering education, 78(7), 674-681.
Felder, R., & Soloman, B. (s.f.). Index of Learning Styles (ILS). from
http://www4.ncsu.edu/unity/lockers/users/f/felder/public/ILSpage.html
Felder, R. & Spurlin, J. (2005). Applications, reliability and validity of the index of learning
styles. International journal of engineering education, 21(1), 103-112. Recuperado de
https://wss.apan.org/jko/mls/Learning%20Content/ILS_Validation(IJEE).pdf
Feldman, J., Monteserin, A., & Amandi, A. (2014). Automatic detection of learning styles: state
of the art. Artificial Intelligence Review. doi: 10.1007/s10462-014-9422-6
Figueroa, N., Cataldi, Z., Méndez, P., Rendon Z., Costa, G. & Lage, F.(2005). Los estilos de
aprendizaje y las inteligencias múltiples en cursos iniciales de programación. Paper
presented at the VII Workshop de Investigadores en Ciencias de la Computación.
Fox, D. (1981). El proceso de investigación en educación. Pamplona: EUNSA
Gardner, H. (1993). Inteligencias Múltiples. Barcenola, España: Paidós.
García, J., Santizo, J. & Alonso, C. (2009). Instrumentos de Medición de Estilos de Aprendizaje.
Revista Estilos de Aprendizaje, 4(4), 3-21 Recuperado de
http://www2.uned.es/revistaestilosdeaprendizaje/numero_4/Artigos/lsr_4_articulo_1.pdf
García P., Amandi A., Schiaffino S. & Campo M. (2007). Evaluating bayesian networks’
precision for detecting students’ learning styles. Comput Educ 49(3):794–808
74
García P., Schiaffino S. & Amandi A (2008). An enhanced bayesian model to detect students
learning styles in web-based courses. J Comput Assist Learn 24(4):305–315.
doi:10.1111/j.1365-2729.2007.00262.x
Giraffa, L., Nunes, M., & Viccari, R. (1997). Multi-ecological: an learning environment using
multi-agent architecture. Multia-Agent System: Theory and Application Proceedings.
Gomes, A. & Mendes, A. (2007). Learning to program-difficulties and solutions. Paper presented
at the International Conference on Engineering Education–ICEE.
Graesser, A. C., Conley, M. W., & Olney, A. (2012). Intelligent tutoring systems.
Graf, S., Shuk, K., Liu, T. (2008). Identifying learning styles in learning management systems by
using indications from students' behaviour. ICALT'08. Eighth IEEE International
Conference (pp. 482-486): IEEE.
Graf S. & Kinshuk L. (2009). Supporting teachers in identifying students’ learning styles in
learning management systems: an automatic student modelling approach. Educ Technol
Soc 12(4):3–14
Gregorc, A. (2002). Mind Styles - Anthony Gregorc. Recuperado de
http://web.cortland.edu/andersmd/learning/gregorc.htm
Hannafin, M. J., Hill, J. R., & Land, S. M. (1997). Student-Centered Learning and Interactive
Multimedia: Status, Issues, and Implications. Contemporary Education, 68(2), 94-97.
Hernández, R., Fernández, C. & Baptista, P. (2014). Metodología de la investigación. México:
Editorial Mc Graw Hill.
ITSON. (2009). MODELO CURRICULAR ITSON 2009. Recuperado de
http://www.itson.mx/empleados/servicios/innovacion/Documents/MODELO_CURRICUL
AR_ITSON_2009.pdf
75
Jegatha Deborah, L. (2014). Intelligent agent based learning and evaluation system using learning
styles identification.
Jenkins, T. (2002). On the difficulty of learning to program. Paper presented at the Proceedings of
the 3rd Annual Conference of the LTSN Centre for Information and Computer Sciences.
Keefe, J. (1979). Learning style: An overview. In NASSP's Student Learning Styles: Diagnosing
and Proscribing Programs (pp. 1-17). Reston, VA. National Association of Secondary
School Principles
Kerlinger F. & Lee, H. (2002) Investigación del comportamiento. 4a Ed. McGraw Hill. México
Kolb, A., Kolb, D. (2005). Learning styles and learning spaces: Enhancing experiential learning in
higher education. Academy of management learning & education 4(2), 193-212.
Kolb, D. (1984). Experiential learning: Experience as the source of learning and development
(Vol. 1): Prentice-Hall Englewood Cliffs, NJ.
LACE (2014). What are learning analytics. Recuperado de www.laceproject.eu/faqs/learning-
analytics/
Latapie, I. (2007). Acercamiento al aprendizaje multimedia. Investigación Universitaria
Multidisciplinaria: Revista de Investigación de la Universidad Simón Bolívar (6), 7.
Latham, A., Crockett, K., McLean, D. & Edmonds, B. (2012). A conversational intelligent
tutoring system to automatically predict learning styles. Computers & Education, 59(1),
95-109.
Lerís, D., & Sein-Echaluce, M. (2011). La personalización del aprendizaje: un objetivo del
paradigma educativo centrado en el aprendizaje. Arbor, 187(Extra_3): 123-134 doi:
10.3989/arbor.2011.Extra-3n3135
76
Lozano, A. (2000). Estilos de Aprendizaje y Enseñanza. Un panorama de la estilística educativa.
ITESM Universidad Virtual - ILCE. México: Trillas.
Mayer, R. E. (2005). Cognitive theory of multimedia learning. The Cambridge handbook of
multimedia learning, 31-48.
Mayer, R. E., & Moreno, R. (2003). Nine ways to reduce cognitive load in multimedia learning.
Educational psychologist, 38(1), 43-52.
McGuinness, C. (1999). From thinking skills to thinking classrooms.
Merrill, M. D. (1991). Constructivism and Instructional Design. Educational Technology, 31(5),
45-53.
Marquez, M. (2015). Minería de datos : a través de ejemplos. Alfaomega, México.
Mora-Torres, M., Laureano-Cruces, A. L., & Velasco-Santos, P. (2011). Estructura de las
emociones dentro de un proceso de enseñanza-aprendizaje. Perfiles educativos, 33, 64-79.
Moreno, R., & Mayer, R. (2007). Interactive multimodal learning environments. Educational
Psychology Review, 19(3), 309-326.
Moroni, N., & Señas, P. (2005). Estrategias para la enseñanza de la programación. Paper
presented at the I Jornadas de Educación en Informática y TICs en Argentina.
Muñoz, J. (2006). Objetos de aprendizaje integrados a un sistema de gestión de aprendizaje.
Revista Apertura, 109-117.
Narro, J., Martuscelli, Q., & Jaime, E. (2012). Plan de diez años para desarrollar el Sistema
Educativo Nacional. Recuperado de http://www.planeducativonacional.unam.mx
New Media Consortium (2013). NMC Horizon Report 2013 Higher Education Edition.
Recuperado de http://redarchive.nmc.org/publications/2013-horizon-report-higher-ed
77
Osuna, M., & De La Cruz, E. (2010). Los sistemas de gestión de contenidos en información y
documentación. Revista General de Información y Documentación, 67-100.
Pampillón, A. (2009). Las plataformas e-learning para la enseñanza y el aprendizaje
universitario en Internet. Madrid: Universidad Complutense de Madrid.
Pérez, M. (2014). Minería de datos a través de ejemplos. Madrid: RC Libros.
Pintrich, P. (2003). A motivational science perspective on the role of student motivation in
learning and teaching contexts. Journal of educational Psychology, 95(4), 667.
Quinche, J. & González, F. (2011). Entornos Virtuales 3D, Alternativa Pedagógica para el
Fomento del Aprendizaje Colaborativo y Gestión del Conocimiento en Uniminuto.
Formación universitaria, 4(2), 45-54.
Rodríguez, P. (2011). Perfiles de usuario: una herramienta indispensable. Recuperado de
https://sg.com.mx/revista/32/perfiles-usuario-una-herramienta-indispensable#.WUP-
3Gg1_IV
Siemens, G. (2011). Learning and Academic Analytics. Recuperado de
http://www.learninganalytics.net/?p=131
Spring, J. H. (1998). Education and the Rise of the Global Economy: L. Erlbaum Associates.
Stephenson, J., & Yorke, M. (2013). Capability and quality in higher education: Routledge.
Sweller, J. (1999). Instructional Design in Technical Areas. Australian Education Review, No. 43:
ERIC.
Thorndike, R. (1997). Correlational procedures in data analysis. In T. Husen & T. N.
Postlethwaite (Eds.),International encyclopedia of education (2nd ed., pp. 1107–1117).
Oxford and New York: Pergamon and Elsevier Science.
Tulving, E. (1995). Organization of memory: Quo vadis. The cognitive neurosciences, 839-847.
78
UNESCO. (2014). Enfoques Estratégicos sobre las TIC en Educación en América Latina y el
Caribe. Chile.
UNIR. (2013). Tema 4. Diseño y desarrollo de sistemas y redes adaptativos y colaborativos.
Recuperado de https://issuu.com/roblamas/docs/tema3_modelos_de_usuario
Villaverde J., Godoy D. & Amandi A (2006). Learning styles’ recognition in e-learning
environments with feed-forward neural networks. J Comput Assist Learn 22(3):197–206
Watson, W., Watson, S. (2007). What are learning management systems, what are
they not, and what should they become? TechTrends 51(2), 29.
Witten, I., Frank, E. & Hall, M. (2011). Data Mining. Practical Machine Learning Tools and
Techniques. 3d Ed. Morgan Kaufmann Publishers, USA.
Yannibelli V., Godoy D. & Amandi A (2006). A genetic algorithm approach to recognise
students’ learning styles. Interact Learn Environ 14(1):55–78
Yueh, H., Hsu, S. (2008). Designing a learning management system to support instruction.
Communications of the ACM 51(4), 59-63.
Zatarain-Cabada, R., Barrón-Estrada, M., Angulo, V., García, A. & García, C. (2010a).
Identification of Felder-Silverman Learning Styles with a Supervised Neural Network.
ICIC (2) 479-486.
Zatarain-Cabada R, Barrón-Estrada ML, Angulo VP, García AJ, García CAR (2010b) A learning
social networkwith recognition of learning styles using neural networks. In: Trinidad JFM,
Carrasco-Ochoa JA, Kittler J (eds) MCPR, lecture notes in computer science, vol 6256,
Springer, New York, pp 199–209
Özpolat, E. & Akar G. (2009) Automatic detection of learning styles for an e-learning system.
Comput Educ 53(2):355–367. doi:10.1016/j.compedu.2009.02.018
79
ANEXOS
Anexo 1
NC STATE UNIVERSITY
Cuestionario para determinar el Índice de Estilos de Aprendizaje
Barbara A. Soloman FirstYear College
North Carolina State University Raleigh, North Carolina 27695
Richard M. Felder Department of Chemical Engineering
North Carolina State University Raleigh, NC 276957905
Traducido por Rosa Torregrosa Maciá Departamento de Química Inorgánica
Universidad de Alicante. Apartado 9903080 Alicante
Por favor, escribe tu nombre completo. Se imprimirá tu nombre junto con la
información que se te devuelva.
Nombre completo:__________________________________________
Para cada una de las 44 preguntas siguientes, selecciona "a" o "b" para indicar tu
respuesta. Elige solamente una respuesta para cada pregunta. Si tanto "a" como "b" te
parecen respuestas correctas, elige la que se aplicaría más frecuentemente. Cuando
termines de seleccionar las respuestas de cada pregunta, pulsa el botón de enviar que
se encuentra al final del cuestionario.
80
1. Entiendo las cosas mejor después de:
(a) probarlas.
(b) pensar en ellas.
2. Me gustaría que me consideraran
(a) realista.
(b) innovador/a.
3. Cuando pienso en lo que hice antes de ayer, suelo hacerlo como si viera
(a) una foto.
(b) palabras.
4. tengo tendencia a:
(a) entender los detalles de un tema pero me pierdo en la estructura
global.
(b) entender la estructura global, pero me pierdo en los detalles.
5. Cuando estoy aprendiendo algo nuevo, me ayuda:
(a) hablar del tema.
(b) pensar en el tema.
6. Si fuera profesor, preferiría enseñar un curso sobre:
(a) hechos y situaciones de la vida real.
(b) ideas y teorías.
7. Prefiero obtener información nueva a partir de:
(a) fotografías, diagramas, gráficas o mapas.
(b) instrucciones escritas o información verbal.
8. Una vez entiendo
(a) todas las partes, entiendo el conjunto.
(b) el conjunto, entiendo cómo encajan las partes.
9. Cuando trabajo en un grupo de estudio con materias difíciles, prefiero
(a) participar contribuyendo con ideas.
81
(b) sentarme y escuchar.
10. Encuentro más fácil
(a) aprender hechos.
(b) aprender conceptos.
11. De un libro con muchas fotos y mapas, prefiero
(a) mirar las fotos y los mapas detenidamente.
(b) centrarme en el texto escrito.
12. Cuando resuelvo problemas de matemáticas
(a) Suelo trabajar a mi aire hasta obtener la solución paso a paso.
(b) Con frecuencia suelo mirar las soluciones y luego ensayar para
comprender los pasos para llegar a ella.
13. En las clases que he recibido
(a) Normalmente llegué a conocer a muchos de los estudiantes.
(b) Raramente llegué a conocer a muchos de los estudiantes.
14. Cuando no leo ciencia ficción, prefiero
(a) algo que me enseñe nuevos hechos o me diga cómo hacer algo.
(b) algo que me proporcione nuevas ideas sobre las que pensar.
15. Me gustan los profesores que
(a) usan muchos diagramas en la pizarra.
(b) pasan mucho tiempo explicando.
16. Cuando analizo una historia o una novela
(a) Pienso en los incidentes y trato de interconectarlos para comprender
los temas.
(b) Solo sé cuáles son los temas cuando termino de leer y, entonces,
tengo que retroceder y encontrar los incidentes que los demuestran.
17. Cuando abordo un problema prefiero
(a) empezar inmediatamente a trabajar en la solución.
82
(b) tratar primero de entender totalmente el problema.
18. Prefiero la idea de
(a) certeza.
(b) teoría.
19. Recuerdo mejor
(a) lo que veo.
(b) lo que oigo.
20. Para mí es más importante que un instructor
(a) distribuya el material en etapas secuencialmente claras.
(b) me proporcione una imagen general y relacione el material con otros
temas.
21. Prefiero estudiar
(a) en un grupo de estudio.
(b) solo.
22. Me gustaría más que me consideraran
(a) cuidadoso con los detalles de mi trabajo.
(b) creativo respecto a la manera de hacer mi trabajo.
23. Cuando me indican cómo llegar a un nuevo lugar, prefiero
(a) un mapa.
(b) instrucciones escritas.
24. Aprendo
(a) a velocidad casi regular. Si estudio mucho, lo conseguiré.
(b) a saltos. Estoy totalmente confuso/a y de repente se enciende la luz.
25. Prefiero primero
(a) probar las cosas.
(b) pensar sobre cómo voy a hacerlas.
26. Cuando leo por entretenimiento, me gustan los escritores que
83
(a) dicen claramente lo que quieren decir.
(b) dicen las cosas de forma interesante y creativa.
27. Cuando veo un diagrama o dibujo, en clase, suelo recordar mejor
(a) el dibujo.
(b) lo que dijo el profesor sobre él.
28. Cuando se considera un cuerpo de información, prefiero
(a) centrarme en los detalles y perder el esquema total.
(b) tratar de entender el esquema total antes de entrar en los detalles.
29. Recuerdo más fácilmente
(a) algo que he hecho.
(b) algo sobre lo que he pensado mucho.
30. Cuando tengo que realizar una tarea, prefiero
(a) dominar una forma de hacerla.
(b) proponer nuevas formas de hacerla.
31. Cuando me muestran datos, prefiero
(a) mapas o gráficos.
(b) texto resumiendo los resultados.
32. Cuando escribo un trabajo, me gusta más
(a) trabajar (pensar o escribir sobre el inicio) en el comienzo del trabajo
y continuar hacia adelante progresivamente.
(b) trabajar (pensar o escribir sobre las diferentes partes) en las
diferentes partes del trabajo y después ordenarlas.
33. Cuando tengo que trabajar en un proyecto en grupo, primero quiero
(a) tratar de pensar en él con los demás miembros del grupo aportando
ideas.
(b) tratar de pensar en él individualmente y luego reunirme con el resto
del grupo para comparar ideas.
84
34. Considero un gran cumplido llamar a alguien
(a) sensitivo.
(b) imaginativo.
35. Cuando conozco gente en una fiesta, suelo recordar mejor
(a) a quién se parecían.
(b) lo que decían de ellos mismos.
36. Cuando aprendo un nuevo tema, prefiero
(a) centrarme en dicho tema, aprender sobre él todo lo que pueda.
(b) tratar de realizar conexiones entre este tema y otros temas
relacionados.
37. Prefiero que me consideren
(a) extrovertido.
(b) reservado.
38. Prefiero cursos que enfatizan
(a) material concreto (hechos, datos).
(b) material abstracto (conceptos, teorías).
39. Para entretenerme, prefiero
(a) ver televisión.
(b) leer un libro.
40. Algunos profesores comienzan sus clases con un esquema de lo que se dará.
Estos esquemas son
(a) a veces útiles para mí.
(b) muy útiles para mí.
41. La idea de hacer trabajo en grupo, con una calificación única para todo el
grupo
(a) me parece buena.
(b) no me parece buena.
85
42. Cuando estoy haciendo cálculos largos,
(a) suelo repetir todos los pasos que he dado y revisar mi trabajo con
mucho cuidado.
(b) encuentro cansado tener que revisar mi trabajo, he de esforzarme
para hacerlo.
43. Suelo dibujar lugares que he visto
(a) con facilidad y con bastante precisión.
(b) con dificultad y sin mucho detalle.
44. Cuando estoy resolviendo problemas en grupo, me gustaría más
(a) pensar en los pasos del proceso de solución.
(b) pensar en las posibles consecuencias o aplicaciones de la solución en
un rango grande de áreas