En los ambientes virtuales de aprendizaje no existen actualmente mecanismos efectivos que permitan una detección temprana y diagnóstico de fallas en el aprendizaje. Integrar este tipo de elementos a los entornos virtuales de aprendizaje, podría mejorar el aprendizaje ya que a partir del diagnóstico suministrado por el sistema se puede diseñar un plan de acciones que contribuya al fortalecimiento de las temáticas de los cursos. El objetivo de este artículo es presentar el diseño y desarrollo de un modelo multi-agente para la evaluación y el diagnóstico de fallas el cual busca descubrir las falencias en el aprendizaje a partir del proceso de evaluación virtual. Adicionalmente, el modelo busca ofrecer una retroalimentación y recomendar nuevos contenidos educativos adaptados a los perfiles de los aprendices. Basado en el modelo propuesto, un prototipo fue implementado y validado a través de un caso de estudio. Los resultados obtenidos permiten concluir que los estudiantes se sintieron acompañados durante el proceso de evaluación y obtuvieron una retroalimentación en tiempo real que identificó falencias y permitió recomendar recursos educativos con el fin de fortalecer el proceso de aprendizaje.
ResumenSe propone un modelo de interfaz gráfica que se adapta a las preferencias cognitivas de los usuarios y que es capaz de recomendar objetos de aprendizaje (OAs). La propuesta hace uso de la metodología Methontology la cual permite representar los conocimientos del dominio a partir de ontologías. Adicionalmente, la metodología Prometheus es utilizada para el diseño del sistema multi-agente de recomendación de OAs. La funcionalidad adaptativa consiste en distribuir los paneles que componen la interfaz según el usuario específico que esté interactuando con el sistema. La realización de esta distribución se basa en las características y preferencias de cada usuario, las cuales están almacenadas en el perfil del usuario. La validación del modelo de interfaz propuesto fue realizada mediante la aplicación de las siguientes métricas: 1) el rendimiento del sistema, (2) la experiencia de usuario, (3) la usabilidad (4) la persistencia a la sobrecarga, entre otras. Los resultados obtenidos evidencian las bondades de utilizar agentes inteligentes, ontologías y perfiles de usuario para construir interfaces de usuario adaptativas. AbstractA graphical interface model that adapts itself to the user cognitive preferences and that is able to recommend learning objects (LOs) is proposed. The proposal considers the Methontology methodology, which allows representing the knowledge of the domain based on ontologies. In addition, the Prometheus methodology is used for designing the LOs multi-agent recommendation system. The adaptive functionality consists of distributing the panels that make up the interface according to the particular user interacting with the system. The panel distribution is performed based on the characteristics and preferences of each user, which are stored in the user profile. The validation of the proposed user interface model was done by applying the following metrics: 1) system performance, (2) user experience, (3) usability (4) overload persistence, among others. The results show the benefits of using intelligent agents, ontologies, and user profiles to construct adaptive user interfaces.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.