Extracción de conocimiento a partir de Recursos Digitales para el Aprendizaje Mtro. Alfredo Zapata González Escuela Superior de Informática.

Presentación del tema: "Extracción de conocimiento a partir de Recursos Digitales para el Aprendizaje Mtro. Alfredo Zapata González Escuela Superior de Informática."— Transcripción de la presentación:

1 Extracción de conocimiento a partir de Recursos Digitales para el Aprendizaje Mtro. Alfredo Zapata González (zgonzal@uady.mx) Escuela Superior de Informática Grupo de Investigación SMILE Universidad de Castilla-La Mancha

2 Contenido 1.Introducción a la Minería de Datos en Educación 2.Objetivos del EDM 3.Técnicas empleadas en EDM 4.Extracción de conocimiento a partir de recursos digitales para el aprendizaje 5.Metodología 6.Trabajo experimental 7.Conclusiones y trabajos futuros

3 Introducción a la Minería de Datos en Educación

4 Planteamiento del problema  El desarrollo de sistemas de enseñanza basada en web se ha incrementado exponencialmente en los últimos años: Moodle, Ilias, WebCT, Atutor, etc.  Estos sistemas almacenan una información de la interacción con los estudiantes que no se suele utilizar. Pero debido al gran cantidad de datos de utilización se necesitan herramientas para facilitar el descubrimiento de información, y no sólo utilizarlos para el seguimiento y la evaluación de los alumnos.

5 Introducción a la Minería de Datos en Educación Planteamiento del problema  Las técnicas de minería de datos se han aplicado con éxito en los sistemas de e-commerce, donde el objetivo es maximizar la compra de los clientes. Se están comenzando a utilizar en sistemas de e-learning, para maximizar el aprendizaje de los estudiantes.  Aunque existen sistemas genéricos de minería de datos: Weka, Clementine, DBMiner, etc. se necesita herramientas específicas en educación debido a la especificidad de los usuarios y los objetivos (Romero, 2008).

6 Introducción a la Minería de Datos en Educación Minería de Datos  La Minería de Datos es el proceso de descubrimiento de conocimiento para encontrar información no trivial, desconocida y potencialmente útil de grandes repositorios de datos.  La Minería de Datos es uno de los pasos que componen el Proceso de Descubrimiento de Conocimiento en Bases de Datos o KDD (Knowledge Discovery in DataBases) (Romero, 2008)

7 Introducción a la Minería de Datos en Educación Minería de Datos Educativas  La Minería de Datos Educativa (educational data mining, EDM) es la aplicación de técnicas de minería de datos a información generada en los entornos educativos.  Las primeras referencias del área datan entre 1995 y 2000  Se ha experimentado un crecimiento notable en las publicaciones sobre el tema en los últimos años.  Se han organizado varios workshops específicos del tema, y ya existe un congreso internacional monográfico sobre EDM (Romero, 2008).

8 Objetivos del EDM

9 Objetivos principales  El conocimiento que puede extraerse de los sistemas educativos es muy diverso.  El objetivo que nos marcamos al intentar aplicar técnicas de EDM depende de: o Entorno en el que nos situamos: Enseñanza presencial Enseñanza a distancia o A quien va dirigido el conocimiento que extraigamos Alumnos Profesores Autoridades académicas

10 Objetivos del EDM Tipos de sistemas educativos  Sistemas Educativos Tradicionales. Enseñanza presencial, cara a cara. (primaria, secundaria, superior, especial, etc.) Recomendación de matriculación en cursos, detectar posibles fracasos, etc.  Sistemas de enseñanza a distancia basados en web. o Cursos propios y foros educativos en web. Recomendar material, noticias, etc.. o Sistemas de Manejo de Cursos (CMS) y Aprendizaje (LMS). Realizar sugerencias y reestructuración del curso. (Romero, 2008).

11 Objetivos del EDM Punto de vista del estudiante  Qué actividades, recursos y tareas podrían mejorar su rendimiento académico.  Qué actividades se ajustan mejor al perfil de un determinado alumno.  Qué camino recorrer para obtener un resultado concreto: o Basándonos en conocimiento del camino ya recorrido por el alumno y su éxito. o Por comparación con lo realizado por otros alumnos de características análogas. (Romero, 2008)

12 Objetivos del EDM Punto de vista del profesor  Mejorar o corregir la estructura del curso  Clasificar o agrupar alumnos en base a sus características  Buscar patrones de comportamiento en alumnos  Evaluar las actividades realizadas en un curso  Monitorizar actividades  Personalizar y adaptar el contenido de cursos (Romero, 2008)

13 Objetivos del EDM Punto de vista de las instituciones educativas  Mejora de la eficiencia del sitio web y adaptación de este a los hábitos de sus usuarios (Romero, 2008): o Tamaño de servidor óptimo o Distribución de tráfico en la red  Organización de los recursos institucionales: o Diseño de horarios o Adquisición de material  Mejora de la oferta educativa: o Programas orientados a demanda o Orientación de alumnos en base a objetivos y capacidades

14 Técnicas empleadas en EDM

15 Métodos  Las técnicas empleadas son las mismas que se utilizan en cualquier campo de aplicación de la minería de datos (Romero, 2008).  Los usuarios finales de las herramientas son los agentes implicados en el proceso educativo, por lo que: o El objetivo es mejorar el aprendizaje o Los algoritmos deben ser fáciles de configurar o Los resultados deben ser fáciles de interpretar  Tareas de DM que se han utilizado en educación: Estadísticas, clasificación, clustering, Asociación y patrones de secuencia

16 Técnicas empleadas en EDM Herramientas Algunas de las herramientas que se utilizan en la EDM son: SPSS PASW Modeler WEKA (Waikato Enviroment for Knowledge Analysis) KEEL (Knowledge Extraction based on Evolutionary Learning) DBMiner

17 Extracción de conocimiento a partir de los recursos digitales para el aprendizaje

18 Extracción de Conocimiento a partir de Recursos digitales para el aprendizaje Pregunta de investigación ¿Podemos extraer conocimiento relevante de las fuentes de información que almacenan los Recursos Digitales para el Aprendizaje?

19 Extracción del Conocimiento en LO Hipótesis “La extracción del conocimiento obtenida de los Recursos Digitales para el Aprendizaje a través del empleo de técnicas de minería de datos, permite mejorar la reutilización, edición y calidad de los mismos.”

20 Extracción del Conocimiento en LO Objetivo general Extraer conocimiento relevante a partir de las características de usabilidad de los Objetos de Aprendizaje. Objetivos específicos Explotar otras fuentes de información que almacenan los Recursos Digitales para el Aprendizaje. Definir una metodología para la extracción del conocimiento en los Recursos Digitales para el Aprendizaje. Definir técnicas de minería de datos y algoritmos aplicables a los Recursos Digitales para el Aprendizaje.

21 Metodología

22 Los metadatos Indicadores de calidad Los elementos derivados de la gestión de los OAs Fuentes de datos Están basados de los estándares IEEE-LOM y su extensión LOM- ES. Los resultados de las evaluaciones de algún modelo o instrumento de calidad. Patrones de comportamiento generados por los usuarios.

23 Metodología Descripción de la metodología

24 Trabajo experimental

25 A partir de las características de usabilidad de Objetos de Aprendizaje basados en metadatos, indicadores de calidad y actividades de gestión. De asociación a partir de las características de usabilidad de Objetos de Aprendizaje basadas en el estándar LOM-ES. Extracción de reglas Individuales basados en las actividades de gestión con los Objetos de Aprendizaje. Extracción de características Aplicaciones

26 Trabajo experimental La información base utilizada para las aplicaciones se obtuvo a partir de la plataforma AGORA. Recolección de datos Selección de datos Creación de resumen de tablas Discretización de los datos Transformación de los datos Preproceso de los datos Fases para la extracción del conocimiento:

27 Trabajo experimental Aplicación de algoritmos de agrupamiento, clasificación y asociación a través de los sistemas WEKA y KEEL. Aplicación de las técnicas de minería de datos Obtención del conjunto de reglas las cuales se interpretaron, analizaron y compararon para determinar aquellas que proporcionaron información relevante. Interpretación, evaluación y muestra de resultados Fases para la extracción del conocimiento:

28 Trabajo experimental Agrupamiento Con el algoritmo EM se generaron tres grupos con las siguientes características:

29 Trabajo experimental Reglas de clasificación obtenidas Generadas por los algoritmos ID3, J48 y C4.5, considerando como elemento clasificador El formato.

30 Trabajo experimental Reglas de clasificación obtenidas Generadas por los algoritmos ID3, J48 y C4.5, considerando como elemento clasificador El tipo de recurso educativo.

31 Trabajo experimental Reglas de clasificación obtenidas por usuario Generadas por los algoritmos ID3 y J48 considerando como elemento clasificador Ver el contenido del OA, de acuerdo a la actividad generada por el usuario 91.

32 Trabajo experimental Reglas de asociación obtenidas Generadas por los algoritmos A priori y Predictive Apriori, las cuales asocian características de los OAs.

33 Trabajo experimental Reglas de asociación obtenidas Generadas por el algoritmo Predictive Apriori, basadas en los metadatos del estándar LOM-ES.

34 Trabajo experimental Reglas de asociación programadas Codificadas en un metalenguaje para su implementación dentro del entorno de AGORA.

35 Conclusiones y trabajos futuros

36 Conclusiones generales Con los resultados obtenidos se pone de manifiesto que la utilización de los métodos y las técnicas de minería de datos resultan de gran utilidad para el descubrimiento de conocimiento a partir de diversas informaciones disponibles sobre los Objetos de Aprendizaje. Los modelos obtenidos pueden aplicarse en la mejora de las búsquedas, la reutilización eficiente, la generación asistida de metadatos y la recomendación personalizada a los profesores.

37 Conclusiones y trabajos futuros Novedades y aportaciones Se definió una taxonomía de referencia de las fuentes de información sobre Objetos de Aprendizaje que pueden ser procesados: los metadatos, los indicadores de calidad pedagógica y la información derivada de las actividades de gestión de los propios OAs. Se ha propuesto la adecuación de un método para la extracción del conocimiento a partir de Objetos de Aprendizaje. Se realizaron tres aplicaciones del método con datos reales.

38 Conclusiones y trabajos futuros Extensiones cualitativas Extensiones cuantitativas Aplicaciones Proyección del trabajo de tesis doctoral Está proyectada la expansión de la plataforma AGORA como repositorio académico de diversas Universidades Latinoamericanas. Se plantea la expansión de otros métodos. Extracción del conocimiento a partir de metadatos. Generación de perfiles de usuario Minería de texto

39 Extracción de conocimiento a partir de los Recursos Digitales para el Aprendizaje Preguntas Mtro. Alfredo Zapata González