An assistant agent for group formation in CSCL based on student learning styles

Abstract

In Computer Supported Collaborative Learning (CSCL) systems, students work in groups interacting by using computers. Each member of the team behaves in a particular way to collaborate with others, manifesting a particular learning style. In this paper we propose a new approach for automatically creating student groups in CSCL systems by considering their individual learning styles. Data mining techniques are applied to discover which existent combinations of learning styles lead to a better performance. The discovered knowledge will be used by a software agent to propose the creation of the most promising new groups. The approach also considers the creation and maintenance of a user model for each student and a group model for each team. The assistant agent will be implemented in an existing CSCL tool, and its performance will be validated with real students. RESUMENEn los sistemas de Aprendizaje Colaborativo Soportado por Computadora (ACSC) los estudiantes trabajan en grupos interactuando mediante el uso de computadoras. Cada integrante de equipo se comporta de una manera determinada al colaborar, manifestando así un determinado estilo de aprendizaje. En este artículo se propone un nuevo enfoque para realizar la creación automática de grupos de estudiantes en ACSC que considere sus estilos individuales de aprendizaje. Para ello se están aplicando técnicas de minería de datos que permitan descubrir cuáles son las combinaciones de estilos de aprendizaje presentes en los estudiantes de grupos que manifiestan un buen rendimiento. El conocimiento descubierto será utilizado por un agente asistente para proponer la constitución más prometedora de nuevos grupos. El enfoque considera también la creación y el mantenimiento de un modelo de usuario para cada estudiante y de un modelo de grupo para cada equipo. El agente asistente será implementado en una herramienta de ACSC existente, y se validará su funcionamiento mediante la experimentación con estudiantes universitarios.Aprendizaje colaborativo soportado por computadora, Estilo de aprendizaje, Agente asistente, Reglas de asociación. INTRODUCCIÓNEn los últimos años los avances tecnológicos han impactado en muchas áreas de nuestras vidas, entre ellas, la educación. En la última década la adopción de Internet como un canal más para llegar a los estudiantes ha cambiado irremediablemente la forma en que el conocimiento y la información son transmitidos y compartidos por docentes y estudiantes. Esta realidad ha sido determinante en el surgimiento de nuevos escenarios, como el Aprendizaje Colaborativo Soportado por Computadoras (ACSC).

Exploring study profiles of Computer Science students with Social Network Analysis

“…Ahmad and Tasir [19] used log files of online learning activities to analyze the behavior patterns of engineering students; they concluded that the course structure, students' previous experience, and subject influence the thresholds defined for learning style identification. Costaguta and Menini [20] studied the relationship between learning style and performance to improve group creation. More recently, Shobbrook et al [21] implemented elements of EDM to validate the Fedler and Silverman's Index of Learning Styles (ILS) developed for engineering education.…”

A Strategy Based on Genetic Algorithms for Forming Optimal Collaborative Learning Groups: An Empirical Study

“…Zheng and Pinkwart [27] used the discrete particle swarm optimization algorithm to heterogeneous group learners according to their personality traits and gender. Costaguta et al [28] and Lescano et al [29] present an approach to performing the automatic group formation of students in collaborative environments, which considers their learning styles, applying data mining techniques and genetic algorithms. Basu Roy et al [30] employed a semantics-based recommendation system for group formation with different objectives.…”

Mapeamento Sistemático na Literatura Acadêmico-Científica sobre Abordagens para Formação de Grupos em E-Learning

“…Em seguida, 34% dos trabalhos têm foco em otimização de algoritmos para formar os grupos [21,39,34,41,26,43,35,32,27,15]. Há também abordagens que buscam formar grupos com base no Estilo de Aprendizagem dos estudantes (11%) [20,31,17]. Outras contribuições dos trabalhos primários (7%) têm foco na implementação de sistemas baseados em Web [25,38] para formar grupos efetivos, utilizando, por exemplo, interface de usuário para configuração dos agrupamentos.…”

“…Em seguida, tem-se 28% que considera o tipo de grupo heterogêneo e homogêneo por desempenho em atividade de colaboração, obtido pelo nível de interação entre os estudantes [25,38,42,23,19,40,30,27]. O tipo de grupo por estilo de aprendizagem pode ser encontrado em 10% dos trabalhos analisados [20,31,17]. O tipo de grupos mistos, que combinam os perfis de grupos anteriores, são encontrados em 14% dos trabalhos analisados [39,26,18,15].…”