Desarrollando un modelo adaptativo jerárquico basado en preferencias de aprendizaje, para entornos e-learning y b-learning para MOODLE

Texto da comunicación

1. Introducción

Actualmente se espera que las plataformas educativas (Learning Management Systems, LMS) puedan ofrecer a los alumnos una interactividad diferenciada (tomando en cuenta sus particularidades), durante su proceso de aprendizaje. Es decir, que tengan en cuenta sus características personales, preferencias y necesidades a la hora de presentarles información y actividades, asimismo tomen en cuenta sus intereses y objetivos en cada etapa.

Esto implica un esfuerzo adicional tanto para los docentes como para los diseñadores de herramientas tecnológicas. Para los docentes implica el trabajo adicional de desarrollar distintas versiones de los contenidos. Asimismo para los diseñadores de los sistemas gestores (LMS), el desarrollo de herramientas que permitan gestionar la selección y adaptación de los contenidos mas adecuados para los alumnos de acuerdo a sus necesidades.

La Hipermedia adaptativa es el área de investigación que se ha encargado de trabajar con formas de adaptar elementos hipermedia a las características individuales y necesidades de los usuarios (BRUSILOVSKY,1996).

Si bien han habido grandes avances en las funcionalidades de los LMS, todavía no permiten un alto grado de adaptación diferenciada. En primera instancia, que construyan un perfil de usuario completo, para que posteriormente haga recomendaciones sobre los materiales y actividades mas adecuados para cada alumno en cada área de conocimiento determinada.

En este trabajo se presenta la propuesta de un modelo que permite en primera instancia la detección de las preferencias de aprendizaje del alumno y posteriormente un motor de adaptación que será implementado como un modulo para el LMS MOODLE (MOODLE, 2009).

2. Adaptabilidad y preferencias de aprendizaje

Aunque no existe una definición unificada de estilo de aprendizaje, una forma sencilla de describirlo es: las distintas maneras en que un individuo puede aprender. Muchas de las teorías sobre estilos de aprendizaje (FELDER & BRENT, 2005),(FELDER & SILVERMAN, 1988),(GARDNER, 2003)(KOLB, 1984),(HERRMANN, 1981) (HONEY & MUMFORD, 2006), (BANDLER & GRINDER, 1975),(O'CONNOR & SEYMOUR, 1995), se basan en la premisa que todas las personas emplean un método particular de interacción, aceptación y procesado de estímulos e información. De esta manera, en la enseñanza tradicional, las teorías basadas en la forma en que se procesan los estímulos y la información se resumen en la tabla 1.

Tabla 1. Clasificación de estilos de aprendizaje.

Estas diferencias ejercen influencia en la manera que los alumnos interactúan con la información y determinan sus necesidades educativas. Por esta razón es conveniente tener en cuenta las diferentes características de los alumnos para adaptar los contenidos en función de estos y otros aspectos relevantes.

La importancia de incorporar estas teorías a ambientes de e-learning y b-learning (Blended Learning) ha sido abordada desde diversas perspectivas tecnológicas y filosóficas. Utilizando los principios de la Programación Neurolingüística (PNL) (BANDLER & GRINDER, 1975),(O'CONNOR & SEYMOUR, 1995), WISDeM: Web Intelligent/Interactive Student Distance-education Model, es un tutor inteligente-interactivo para educación a distancia, propuesto por (GHAOUI & JANVIER, 2004), el cual detecta las preferencias del alumno y se adapta a su estilo. Por otro lado (BENADI, RAMEL & PREVOT, 2004) describen la forma de hacer hiperdocumentos adaptativos con XML, en un módulo llamado "learner modeling" el cual detecta el estilo preferente del alumno utilizando los principios de la PNL. Asimismo (DUREVA & TUPAROV, 2008) proponen un módulo para detectar los estilos de aprendizaje basados en el modelo de (FELDER & BRENT, 2005),(FELDER & SILVERMAN, 1988), que posteriormente puede integrarse a un LMS. También (GRAF, 2007) desarrolla un modelo de integración los estilos de aprendizaje, basados en el modelo de Felder y Silverman en un LMS.

En cada una de estas propuestas se detectan los estilos de aprendizaje basados en una sola teoría, o en algunos casos en las combinación de dos de ellas, lo cual tiene el inconveniente de pasar por alto la riqueza de factores que conforman las estrategias de aprendizaje de cada alumno en particular.

Una de las decisiones importantes a la hora de la creación de los perfiles de usuario, consiste en la elección de un método para obtener la información. El dilema que se plantea es ¿qué línea de pensamiento seguir? (sistemas representativos, estilos de aprendizaje, dominancia cerebral, inteligencias múltiples, entre otros).

Con la finalidad de no dejar fuera ningún aspecto relevante y tampoco restringir al alumno con perfiles estáticos y genéricos, se propone un modelo adaptativo para la creación de perfil del alumno, es decir, la conformación de perfil de usuario. Este modelo también ofrece la entrega de contenidos adaptativos

3. Modelo adaptativo para MOODLE

Los LMS como Moodle, Blackboard, y WebCT se enfocan en dar soporte a los profesores y administradores, en la creación, administración y mantenimiento de cursos. Los LMS’s ofrecen una gran variedad de características que pueden ser incluidas en los cursos, tales como: materiales didácticos, cuestionarios, foros, chats, actividades, wikis entre otras. A pesar de que se han caracterizado por incorporar mejoras tecnológicas de forma periódica, en el área de adaptabilidad en los estilos de aprendizaje, en muchos de los casos ofrecen poca o nula adaptación.

Desde la Hipermedia Adaptativa y de acuerdo a (BRUSILOVSKY,1996), los sistemas educativos tienen como objetivo guiar personalmente a los estudiantes durante su proceso de aprendizaje adaptando los contenidos a las características personales y necesidades de cada usuario. Basada en este principio, la adaptación que se propone se realiza en dos fases interactivas: detección y adaptación

El modelo adaptativo está compuesto por dos elementos importantes:

3.1 Módulo de detección de preferencias

Este módulo (figura 1), construido inicialmente con una combinación de los principios abordados en la sección 2, consiste en una primera detección del estilo del alumno. Esta detección es un proceso minucioso (aunque no exhaustivo), antes de que el alumno entre a los contenidos del curso. La riqueza del módulo consiste en la detección de los estilos óptimos para determinados tipos de aprendizaje, a esta característica se le llama modalidad óptima.

Figura 1. Módulo de detección de preferencias de estilo

3.2 Módulo de adaptabilidad

El módulo de adaptación jerárquica (figura 2), interactúa con los perfiles de los alumnos, considerando sus preferencias de estilo y la modalidad óptima para cada unidad temática, haciendo uso así de la característica de jerarquía.

Figura 2. Módulo de adaptacbilidad

La mayoría de las propuestas analizadas en la sección anterior, abordan el problema de la detección de los estilos de forma lineal, ya que no cuentan con la flexibilidad de la modalidad óptima, dejando de lado la posibilidad de trabajar con perfiles dinámicos, que se acercan más a las preferencias reales de los alumnos en distintas situaciones.

Finalmente cada vez que el alumno trabaje con los materiales, podrá ir cambiando su perfil de modalidad óptima, el sistema tendrá la capacidad de reaccionar a los cambios del alumno y entregar contenidos adaptados.

3.2.1 Adaptabilidad jerárquica

La adaptabilidad jerárquica (figura 3) se propone como un módulo que flexibiliza la combinación de los diferentes estilos preferentes.

Figura 3. Jerarquización de estilos

Permite combinar las diferentes variaciones que un estilo ofrece y entregarlo de forma personalizada a cada alumno en la situación que mejor corresponda.

4. Experimento en ambientes e-learning y b-learning

Para probar el modelo propuesto, se ha diseñando un experimento para llevarse a cabo en la Universidad Autónoma de Chiapas (UNACH), México, en el área de Sistemas Computacionales. Se planea trabajar con una implementación de MOODLE, la cual se encuentra funcionando desde el año 2003 y que se utiliza para b-learning (apoyo a cursos presenciales) y e-learning en educación a distancia. Se trabajará con grupos de control y experimentación. Se espera comprobar el beneficio de la adaptabilidad jerárquica de estilos de aprendizaje.

Asimismo se está desarrollando un plugin para MOODLE, en el cual estarán incorporadas las características de adaptabilidad que se han descrito. El grupo de experimentación interactuará con el plugin adaptativo jerárquico basado en preferencias de aprendizaje. Se espera obtener información que permita validar tanto la eficiencia de adaptabilidad del modelo, como su beneficio en el rendimiento académico de los alumnos. El experimento está planificado para llevarse a cabo durante el curso académico de agosto-diciembre del presente año.

5. Conclusiones y trabajos a futuro

Se ha presentado un modelo para ampliar la experiencia de aprendizaje en entornos de e-learning y b-learning, adaptándolas a la complejidad que presentan las diversas modalidades y estilos de aprendizaje que tienen los estudiantes. Del proceso de experimentación se espera obtener información útil para validar y ajustar el modelo.

La presente propuesta se integrará en una arquitectura de sistema que se encuentra en proceso de desarrollo, llamada HALDOC (Hypermediatic Adaptative Localized Document) que consiste en el desarrollo colaborativo de contenidos de material didáctico, para cursos de e-learning y b-learning.

Bibliografía/Referencias

• BANDLER, R. y Grinder, J. “The structure of magic: a book about language and therapy”. Science and Behavior Books, Palo Alto, Calif. 1975.

• BENADI, S., Ramel J-Y and Prevot, P., 2004. “AHXEL: adaptive hyperdocument using XML for e-learning”. Proceedings of the Fifth International Conference on Information Technology Based Higher Education and Training, ITHET. pp. 138-144.

• BRUSILOVSKY, P. “Methods and techniques of adaptive hipermedia”. User Modeling and User Adapted Interaction. vol. 6, 2-3, pp. 87-129. 1996.

• DUREVA, D. y Tuparov, G. “Learning styles testing in Moodle”. Proceedings of the 9th International Conference on Computer Systems and Technologies. ISBN 978-954-9641-52-3. 2008.

• FELDER, R. M y Silverman, L. K. “Learning and teaching styles in engineering education”. Engineering Education, 78(7), pp. 674-681. 1988.

• FELDER, R. M. y Brent, R. “Understanding Student Differences”. Journal Engr. Education, 94(1), pp.57-72. 2005.

• FLEMING N. y Mills C. “Not Another Inventory, Rather a Catalyst for Reflection”. The National Teaching and Learning Forum. Vol. 7. No. 4. 1998.

• GARDNER, H. “La inteligencia reformulada: las inteligencias múltiples en el siglo XXI”. Editorial: Paidós Ibérica. 2003.

• GHAOUI, C. y Janvier, W.A. “Interactive E-Learning”. International Journal of Distance Education Technologies, Jul-Sep, Vol. 2, No. 3, pp 26-36. 2004.

• GRAF, S. “PhD. Thesis: Adaptivity in Learning Management Systems Focussing on Learning Styles”. Vienna University of Technology Faculty of Informatics. 2007.

• HERRMANN, N. “The Creative Brain”. Training & Development Journal, Vol. 35, No. 10, pp 11-16. 1981.

• HONEY, P. y Mumford, A. “The Learning Styles Helper’s Guide”. Peter Honey Publications Ltd., Maidenhead. 2006.

• KOLB, D. A. “Experiential learning : experience as the source of learning and development”. Prentice-Hall, Englewood Cliffs. 1984.

• MOODLE. Revisado Julio, 2009, from http://www.moodle.org.

• O'CONNOR, J. y Seymour, J. “Introducción a la PNL” Ediciones Urano, The Aquarian Press. 1995.

Recoñecemento – CompartirIgual (CC-by-sa 3.0 ou calquer outra posterior)