5. EDUCA: una herramienta de autor para cursos de aprendizaje electrónico y móvil

El diseño de materiales educativos para cursos móviles y a distancia, con diferentes estilos de aprendizaje, representa uno de los mayores desafíos. La mayor parte del trabajo actual en sistemas de aprendizaje para dispositivos móviles y no móviles está basado en el modelo de un autor (normalmente un profesor), quien construye los cursos, y muchos usuarios o estudiantes, los cuales reciben o se inscriben a esos cursos. Este modelo o paradigma es muy limitado y puede mejorarse al hacer uso de los avances tecnológicos, como es el caso del internet y en particular lo que se denomina la web 2.0, en donde los usuarios de las aplicaciones se convierten en los autores del propio conocimiento construido con las mismas. Hoy en día la información y conocimiento que mantienen muchas aplicaciones como Wikipedia, YouTube, Digg y muchas más, se genera por los mismos usuarios. Este enfoque colaborativo puede trasladarse también al campo educativo con el objetivo de que la construcción de los diferentes materiales didácticos lo lleven a cabo no solo los autores tradicionales de ello, los profesores o tutores, sino los mismos usuarios o estudiantes. Una razón importante es el hecho de que los estudiantes tienen una gran capacidad para buscar y encontrar nuevos recursos educativos cuando sienten la necesidad de ampliar o comprender mejor los temas contemplados en los cursos.

5.1 ¿Qué es EDUCA?

educa (Zatarain Cabada et al., 2011) es una plataforma de software que facilita la creación de material de aprendizaje adaptativo dentro de un ambiente colaborativo web 2.0, el cual puede ser utilizado en dispositivos móviles y en plataformas para administrar el aprendizaje.

La herramienta proporciona un sistema de autor el cual utiliza un sistema de recomendación para filtrar el material que los usuarios quieren agregar para ser parte de un curso. Además, usa la técnica de minería de datos para la búsqueda de material en la web de acuerdo con etiquetas previamente definidas. Por otra parte, los cursos generados por la herramienta se adaptan al mejor estilo de aprendizaje del estudiante bajo el modelo de estilos de aprendizaje de Richard Felder y Linda Silverman (1988). Para la implementación de los cursos adaptativos, los cuales también se pueden considerar tutores inteligentes, se usó una red neuronal artificial de tipo neurodifusa con apoyo de un algoritmo genético.

5.2 Arquitectura de EDUCA

La figura 19 ilustra la arquitectura principal de educa. Como se puede observar en la figura, el sistema contiene tres módulos principales —a saber: Servicios Tutor (Creación de cursos), Servicios (Sistema inteligente) y Servicios Estudiantes—, existen dos actores principales: el tutor y los estudiantes. Un tutor inicialmente crea un curso o sistema tutor inteligente (sti) usando un editor visual. El curso puede crearse ya sea importando archivos ya preparados en formatos .html, .pdf y/o .doc, o bien, importando objetos de aprendizaje en formato scorm (2008) desde cualquier repositorio de objetos. El autor también puede escribir material didáctico directamente con el editor visual.

El autor (tutor) puede agregar materiales de aprendizaje a un curso y posteriormente el sistema genera cuatro diferentes instancias del curso correspondientes a los cuatro estilos de aprendizaje (activo-reflexivo, sensorial-intuitivo, visual-verbal y secuencial-global) del modelo de Felder y Silverman. Existe una interfaz especial en el Módulo Inteligente para ayudar al autor a construir el curso. El Módulo Inteligente contiene una interfaz gráfica gracias a la cual el usuario edita las funciones de membrecía difusas.

El sistema tiene siete variables difusas de entrada:

• Orden de selección de respuestas.
• Número de aciertos (respuestas correctas).
• Tiempo (segundos) para responder los cuestionarios.
• Tiempo (segundos) para visitar los temas.
• Número de intentos hasta responder correctamente una pregunta.
• Número de veces que se accedió a una pregunta.
• Número de veces que se accedió a un tema.

Los valores de salida difusos se ingresan a una red neurodifusa, la cual ha sido entrenada previamente con valores reales. La salida de la red es el estilo de aprendizaje del estudiante.

Con la finalidad de optimizar el conjunto de pesos que intervienen en la red neurodifusa, se implementó un algoritmo genético. Los pesos se ordenan utilizando el algoritmo Bucket Sort en tres etapas: primero por capas, segundo por la neurona con arista de salida y finalmente por la neurona a la cual llega la arista. De esta forma se obtiene un cromosoma cuyos genes son números reales. La red artificial fue entrenada para 800 generaciones, con una población de 150 cromosomas.

La salida del editor visual de educa es un curso de tipo sistema tutor inteligente para dispositivo móvil (mits por sus siglas en inglés) en formato xml o un archivo scorm. El curso en formato scorm puede ser visualizado en cualquier sistema administrador de cursos (lms) compatible con archivos scorm. El curso también puede exportarse a un dispositivo móvil, incluyendo un intérprete xml. El intérprete contiene la red neuronal y su función es desplegar el material del curso en el dispositivo móvil, de acuerdo con el estilo de aprendizaje actual del estudiante o usuario del curso.

El estudiante es el otro actor en el sistema. Cuando el estudiante accede a un curso por primera vez el sistema genera su perfil de usuario. Este perfil se actualiza dinámicamente mientras el usuario interactúa con el sistema para acceder al contenido del curso. El perfil de estudiante contiene información relevante como:

• El estilo de aprendizaje detectado
• Información de evaluaciones
• Recursos recomendados en educa
• Nivel de estudios del usuario (licenciatura/maestría/doctorado)
• Promedio general actual.

Una vez que un curso ha sido creado, el módulo Editor Visual lo guarda en el repositorio de cursos. Los cursos almacenados estáticamente están disponibles para ser accedidos por los estudiantes, los cuales, por razones obvias, consultan otros recursos o referencias en diferentes sitios web. Por ejemplo, un estudiante, después de estudiar un tema de un curso de Compiladores almacenado en el repositorio, siente la necesidad de reforzar el tema de Árboles Sintácticos Abstractos y por lo tanto decide buscar más información en la web. Una vez que el estudiante encuentre material de su agrado, él mismo puede recomendar esos recursos para ser incorporados al curso de Compiladores. educa cuenta, en ese sentido, con un sistema inteligente de recomendación de recursos, los cuales son almacenados en un repositorio. Por otro lado, educa asiste al estudiante con un módulo de minería de datos para la búsqueda de recursos en la web.

5.3 Creación de cursos en PC y visualización en dispositivos móviles

La aplicación de escritorio integrada en educa permite al usuario crear cursos que se desplegarán en un dispositivo móvil o que serán guardados en formato scorm. Al inicio, educa muestra una interfaz de bienvenida (figura 20) con operaciones de usuario habituales. Como se observa en la figura 20, el nombre de la aplicación del software es “MLTutor”, que significa Mobile Learning Tutor.

En la figura 21, se presenta como ejemplo un curso de preparación para el examen de admisión del ceneval a los institutos tecnológicos federales (exani). En la creación del contenido temático del curso, sólo hay que utilizar las herramientas de edición que la aplicación proporciona. En esta parte de la creación del curso es donde surge el sistema de recomendación con soporte en web 2.0 y la utilización de minería de texto. El sistema de recomendación aparece como una lista de recursos sugeridos para ser agregados al tema actualmente en edición. Si el usuario los considera relevantes y de ayuda para complementar el contenido del tema, los agrega y entonces aparecerán en la lista del usuario como ayuda adicional para la comprensión del tema.

El sistema de recomendación despliega la lista de recursos basándose en las palabras clave contenidas en el tema. Estas palabras pueden ser especificadas por el usuario que crea el tema, o pueden ser extraídas por medio de la herramienta de minería de texto integrada en la aplicación, la cual sugiere una serie de palabras clave que pueden resumir el contenido temático en edición. En la figura 22, se muestra la edición de un tema de exani, donde puede observarse el despliegue de la recomendación de distintos recursos (parte derecha de la interfaz), y la especificación de las palabras clave que describen al tema (parte inferior).

Ya que la interacción del usuario es primordial para la adaptación de los cursos a su tipo de aprendizaje, es necesaria la creación de cuestionarios que maximicen dicha interacción. En educa es posible tener dos tipos de preguntas: de opción única o de opción múltiple. La figura 23 muestra lo sencilla que es la interfaz para la creación de dichos cuestionarios.

Al final, es necesario especificar la definición de los conjuntos difusos que actúan sobre las variables de interacción con el usuario final. Dicha especificación se realiza con la definición de los límites inferior y superior de tales variables lingüísticas, además de los rangos de membrecía para los conjuntos difusos. Esto último se logra mediante sencillas operaciones de arrastrar y soltar figuras triangulares. Recuerde que dichos conjuntos difusos definen para el curso los valores de Bajo, Normal o Alto. La figura 24 muestra la especificación de la variable Selección de respuesta correcta en el curso exani.

Como puede observarse, la creación de un curso es una operación sencilla que permite al usuario profundizar en las tareas de definición de material del curso, y no en su creación. La utilización de la web 2.0 en el sistema de recomendación y de técnicas de inteligencia artificial como la minería de texto, van implícitas en la creación de cursos, facilitando su uso al usuario.

5.4 Motor de identificación de estilos de aprendizaje

La instalación de educa en un dispositivo móvil contiene tres elementos (curso o tutor, red neuronal e intérprete del curso), y además se almacena el perfil del estudiante. El curso contiene todo el contenido agregado por el autor durante el proceso de creación del curso. El estudiante interactúa con el sistema (curso) a través de dos acciones principales: navegar en los temas del curso y responder los cuestionarios. La información generada durante la interacción entre el tutor y el estudiante se utiliza para actualizar dinámicamente el estilo de aprendizaje del estudiante y su perfil.

En la figura 25 se muestra un esquema de cómo el estudiante accede a las evaluaciones del curso y sus respuestas se utilizan para actualizar su perfil. La interacción entre el usuario y el sistema se da a través de menús de navegación que le permiten acceder a los capítulos, temas y contenidos, así como a los cuestionarios. Cuando el usuario intenta visualizar un tema, el intérprete toma la información del estilo de aprendizaje del estudiante y selecciona los contenidos más adecuados para él. El Intérprete (un “parser” del curso empacado en formato xml) obtiene el estilo de aprendizaje del estudiante desde el componente Perfil Estudiante. El perfil del estudiante contiene la información del estudiante que se genera durante su interacción con el sistema, los resultados de las evaluaciones que el usuario realiza en el curso y su estilo de aprendizaje actual. El sistema contiene un módulo de Identificación de estilo de aprendizaje que se usa para determinar el estilo de aprendizaje del estudiante. Este módulo fue implementado a través de la red neuronal artificial.

La red neuronal recibe dos entradas: la primera es el estilo de aprendizaje actual que usa el sistema para desplegar el contenido del material didáctico (el estilo de aprendizaje actual del usuario), y la segunda es el rendimiento del estudiante durante la sesión (resultados de las evaluaciones que se le han aplicado). La red neuronal proporciona como salida el nuevo estilo de aprendizaje del estudiante.

La figura 26 muestra la visualización de un curso en un simulador de dispositivo móvil. Las imágenes izquierda y central muestran cómo el dispositivo móvil despliega parte del contenido de un curso de matemáticas, mientras que la imagen a la derecha presenta un tercer dispositivo móvil con una pregunta y sus múltiples opciones de respuesta.

En la década pasada, los dispositivos móviles tenían muchas limitaciones en cuanto a sus características: tamaño de la pantalla, velocidad de procesamiento, memoria limitada, etc. El despliegue de la información de un curso en un dispositivo móvil representó una desventaja debido a las limitaciones de tamaño de pantalla de algunos dispositivos. Algunos autores que abordan el problema de usabilidad en dispositivos móviles consideran que los problemas de usabilidad principales son los siguientes:

• Acomodo de la información
• Accesibilidad
• Tamaño de la pantalla
• Navegación
• Duración de la batería
• Eficiencia

Siguiendo las normas encontradas en la información, se procedió a la creación de un nuevo conjunto de interfaces para poder visualizar un curso en un dispositivo móvil, con el fin de incrementar la capacidad de lectura para cualquier usuario. La figura 27 ilustra un ejemplo del despliegue de una interfaz en el simulador de un móvil.

Los autores pueden usar una computadora de escritorio para crear los cursos. El curso puede incluir diferentes componentes, como textos, imágenes y cuestionarios, así como otras características de acuerdo con el tipo de inteligencia del estudiante como se muestra en la figura 28. El estudiante además podrá visualizar dicho curso desde diferentes tipos de dispositivos móviles. Esto agrega otro problema pues existe una gran cantidad de equipos, donde la variedad de las características de cada una de ellas —como memoria, pantalla, teclado, sistema operativo, etc.— es muy alta. Unas de las ventajas de educa es que fue implementado en el lenguaje Java y que los cursos son guardados en formato xml. Esto le da un soporte de compatibilidad en diferentes equipos que soportan la plataforma Java.

5.5 Diseño de la red neuronal para clasificación de estilos de aprendizaje

La identificación de estilos de aprendizaje es una práctica que se ha llevado a cabo en los últimos años a raiz del reconocimiento de la individualidad de los estudiantes en sus procesos de aprendizaje. Para esto se emplean distintos métodos, los cuales involucran, generalmente, el uso de herramientas que cuestionan a los sujetos acerca de sus preferencias de estudio. Este tipo de métodos para la identificación del estilo de aprendizaje presentan tres grandes desventajas. La primera se refiere a que el estudiante toma un buen tiempo en responder las preguntas del cuestionario. El segundo inconveniente es el grado de confianza que se tiene en las preguntas del cuestionario para la identificación del estilo de aprendizaje. Factores que pueden influir en la disminución de la certidumbre de las respuestas pueden ser: 1) que la pregunta sea mal interpretada por el estudiante, 2) que el mismo no pueda elegir una respuesta, de entre las posibles, con la que sienta mayor afinidad o 3) que simplemente no se responda con la seriedad requerida. Una tercera desventaja es el hecho de que la mayoría de los sujetos no poseen una configuración de estilos de aprendizaje estática, sino que estos presentan cierto grado de cambio dependiendo de múltiples factores (estado de ánimo, lugar en el que se encuentre, tema estudiado, etc.). Al reconocer que los estudiantes poseen diferentes estilos de aprendizaje, es necesario que se generen, en consecuencia, cursos específicos para cada estudiante de acuerdo con su estilo de aprendizaje. El módulo inteligente toma como entrada un curso creado para los diferentes estilos de aprendizaje y una red neurodifusa para clasificar el estilo de aprendizaje del estudiante o usuario con el fin de producir como salida un curso o tutor inteligente.

Un curso se forma de dos componentes: un archivo xml, el cual almacena la información y datos del curso, y un intérprete que despliega la información del curso en el móvil. Dentro del intérprete va incorporada la red neurodifusa que ayudará a adaptar dinámicamente el curso al estilo de aprendizaje del estudiante o usuario.

Uso de una red neurodifusa

Para el diseño e implementación de la red neuronal de educa se eligió un modelo híbrido neurodifuso. Este consiste en una red neuronal que recibe valores duros y, por medio de operaciones de conjuntos difusos, genera una salida, como si se tratase de cualquier otro tipo de red (Zatarain-Cabada et al., 2009). Los sistemas neurodifusos combinan la computación en paralelo y las técnicas de aprendizaje de las redes neuronales, con la representación del conocimiento humano de la lógica difusa. Su funcionalidad es equivalente a un sistema de inferencia difuso.

La red puede ser entrenada para desarrollar reglas difusas del tipo IF-THEN y determinar los grados de membrecía para las entradas y salidas del sistema. La red neuronal contiene cinco capas, lo cual es casi una convención cuando se habla de sistemas híbridos neurodifusos.

Uso de una red de Kohonen

Uno de los problemas que surgieron al implementar la red neuronal neurodifusa fue el de obtener valores correctos para la salida deseada que se utilizan para entrenar la red neuronal. Ello requiere que grupos de expertos definan cuáles son las salidas deseadas para determinadas entradas. Por ejemplo, cuál es el estilo de aprendizaje de un estudiante que obtiene una calificación x en determinadas preguntas o ejercicios, ante un número y de errores y un determinado tiempo de respuesta. Ante lo complejo del problema, se decidió usar una red neuronal de Kohonen, la cual no necesita para su entrenamiento contar con salidas deseadas y, por lo tanto, no requiere de expertos.

Un mapa autoorganizado de características (o red neuronal de Kohonen) se entrena con aprendizaje no supervisado o competitivo (Negnevitsky, 2005). En el aprendizaje competitivo, las neuronas compiten entre sí para ser activadas. El modelo de Kohonen proporciona un mapeo topológico de un número fijo de patrones de la capa de entrada a una salida de mayor dimensión llamada “capa de Kohonen” (figura 29). La capa de Kohonen consta de una única capa de neuronas de cálculo, con dos tipos de conexiones diferentes: conexiones hacia adelante (desde la capa de entrada a la capa de Kohonen) y conexiones laterales entre las neuronas en la capa de Kohonen. Durante el entrenamiento, la red neuronal recibe nuevos patrones de entrada, los cuales se representan en forma de vectores. Cada neurona en la capa de Kohonen recibe una copia modificada del patrón de entrada. Las conexiones laterales producen efectos excitadores o inhibidores, en función de su distancia respecto a la neurona ganadora.

5.6 Entrenamiento de la red neuronal

Se implementó una red de Kohonen con 1600 neuronas formadas en un arreglo de 40x40. La salida de la red consiste en tres señales de valores en el rango de -1 a +1, los cuales se convierten en el rango de -11 a +11, que es el que se utiliza en el cuestionario llamado Index of Learning Styles Questionnaire (islq) de Felder y Soloman (2004) y que representa el estilo de aprendizaje del estudiante.

El espacio de datos utilizados para el entrenamiento de la red fue recolectado a través de un proceso que involucró trabajo de campo. En este trabajo se seleccionó una muestra de 47 sujetos para pruebas, todos ellos estudiantes de educación media superior. A cada estudiante se le proporcionó el Cuestionario del Inventario de Estilos de Aprendizaje de Felder-Soloman y sus respuestas fueron almacenadas. A través de este cuestionario se identificó y registró el estilo de aprendizaje de cada estudiante que participó en el estudio. Se elaboró material didáctico de tres temas distintos: fotografía, energía eólica y computación para crear cursos de cada tema. De cada uno de estos cursos se crearon ocho versiones distintas, cada una para cada estilo de aprendizaje distinto. Dado que solo se toman en cuenta tres dimensiones de los estilos de aprendizaje de Felder-Silverman, en total solo existen ocho estilos de aprendizaje diferentes. Los ocho estilos de aprendizaje distintos son resultado de la combinación de las dimensiones visual-verbales, sensitivo-intuitivas y secuencial-globales.

A cada estudiante que participó en el ensayo le fue asignada solo una versión de cada curso, la cual se asignó aleatoriamente. A todos los estudiantes se les permitió estudiar el material de los cursos por un tiempo aproximado de 40 minutos. La lectura del material requiere de 15 minutos aproximadamente, de tal manera que el estudiante podía dedicar el tiempo restante a analizar información o realizar tareas auxiliares que le facilitaran la comprensión del tema. Al finalizar el tiempo de estudio, los estudiantes dedicaron otros 15 minutos para responder una evaluación relacionada con el tema del curso. Las evaluaciones consistieron en una serie de preguntas con respuestas de opción múltiple. Todos los estudiantes respondieron la misma evaluación por cada tema. Los estudiantes dedicaron un total de 55 minutos en estudiar el material y realizar la evaluación. Cada estudiante participó en tres sesiones de 55 minutos, una por cada curso.

En la figura 29 se muestra una representación gráfica del entrenamiento de la red neuronal. Como se observa en la figura, las primeras tres neuronas reciben como entrada tres valores correspondientes al estilo de aprendizaje del estudiante obtenido por medio del cuestionario islq aplicado a cada uno de los estudiantes de la muestra. Los siguientes tres valores se obtienen de los tres estilos de los tres cursos en que participó cada estudiante. Por último, la puntuación, que es la calificación obtenida por el estudiante. La salida en el ejemplo (figura 29) muestra los valores para cada estilo de aprendizaje del estudiante.

Cabe mencionar que el estilo activo-reflexivo no se incluyó como salida en la red neuronal debido a que se consideró que los estudiantes con este estilo, no son candidatos para utilizar móviles para el aprendizaje.

La naturaleza de los ambientes de aprendizaje electrónico impone la necesidad de buscar alternativas a los métodos tradicionales para la identificación de estilos de aprendizaje. Dos premisas deseables, en una alternativa potencial, son la capacidad de realizar la identificación en tiempo real, y el hacerlo sin información previa, es decir, sin emplear cuestionarios, como es en el caso de educa.