Metodología de Aprendizaje Automático para la Clasificación y Predicción de Usuarios en Ambientes Virtuales de Educación

Abstract

ResumenSe desarrolla una metodología para clasificar y predecir usuarios en ambientes virtuales de educación, estudiando la interacción de los estudiantes con la plataforma y su desempeño en los exámenes. Para esto se utilizaron las herramientas de aprendizaje automático, componentes principales, clusterización, lógica difusa, y el algoritmo del K vecino más cercano. La metodología relaciona los usuarios según las variables de estudio, para así implementar un análisis de clúster que identifica la formación de grupos. Finalmente utiliza un algoritmo de aprendizaje automático para clasificar los usuarios según su nivel de conocimiento. Los resultados muestran como el tiempo que un estudiante permanece en la plataforma no está relacionado con pertenecer al grupo de conocimiento alto. Se identificaron tres categorías de usuarios, aplicando la metodología Fuzzy K-means para determinar zonas de transición entre niveles de conocimiento. El algoritmo K vecino más cercano presenta los mejores resultados de predicción con un 91%. AbstractA methodology to classify and predict users in virtual education environments, studying the interaction of students with the platform and their performance in exams is proposed. For this, the machine learning tools, main components, clustering, fuzzy and the algorithm of the K nearest neighbor were used. The methodology first relates the users according to the study variables, to then implement a cluster analysis that identifies the formation of groups. Finally uses a machine learning algorithm to classify the users according to their level of knowledge. The results show how the time a student stays in the platform is not related to belonging to the high knowledge group. Three categories of users were identified, applying the Fuzzy K-means methodology to determine transition zones between levels of knowledge. The k nearest neighbor algorithm presents the best prediction results with 91%.

Miradas divergentes sobre la metodología virtual universitaria

“…Además de aplicar metodologías cooperativas comunicativas en otras materias (Carrión, 2019). Romero, Fernández y Ponce (2019), Carrión (2019), De-La-Hoz et al (2019, recomiendan replantear y rediseñar las funciones de enseñanza y aprendizaje, siendo necesario el apoyo institucional para capacitar al profesorado en nuevas metodologías. Se debe proporcionar al estudiantado, entre otras herramientas, un valioso y amplio conjunto de recursos para que interactúen y construyan su conocimiento.…”

Tecnologías de la información y del conocimiento organizacional en las micro, pequeñas y medianas empresas de Ocaña, Colombia. Análisis correlacional

“…La herramienta Machine Learning funciona por medio de Inteligencia Artificial (IA) y algoritmos, su difusión en el mercado, de acuerdo al informe presentados por la empresa Grand View Research, aumento en 13 veces desde el 2018 al 2020. Su efectividad radica en modelar el comportamiento de los clientes o usuarios y poder predecir respuestas adelantadas a sus requerimientos además de impulsar el desarrollo de nuevos productos o servicios [42] El Deep Leanrnig o conocido como aprendizaje profundo, hace parte de la analítica, y a partir de datos que dejan los usuarios puede interpretar sus sentimientos y adelantarse a lo que pueden pensar de un producto o servicio o lo que realmente están buscando, de igual forma con su aplicación se pueden predecir fraudes, realizar búsquedas a partir de imágenes, reconocer las emociones en el rostro o en la voz [43] El Blockchain se le conoce actualmente como la criptoeconomía o elementos criptográficos, sus principales repercusiones se han visto en las finanzas, sector educativo, salud, administración pública y cadena de suministros. Funciona con el uso de algoritmos, en forma descentralizada y puede utilizarse para múltiples propósitos.…”

Metodología de Análisis Envolvente de Datos (DEA) - GLMNET para la Evaluación y Pronóstico de Eficiencia Financiera en una Zona Franca Industrial - Colombia.

“…La métrica del área bajo la curva para analizar los valores de sensitividad y especifidad conjuntamente, arroja un valor del 90%, evidenciando que la alta capacidad del modelo para identificar los patrones de comportamiento financiero que diferencian las empresas eficientes de las no eficientes no se debe al azar, sino a la sincronización del método propuesto, generando así una información pertinente y robusta, claramente alejada del comportamiento de un método aleatorio de clasificación. Lo anterior es coherente con otros estudios similares en donde utilizan otras técnicas de aprendizaje automático De la Hoz et al, 2019) que permiten identificar patrones de comportamiento en un contexto particular.…”