Vol. 8, Núm. 1 / abril
– septiembre 2016 / ISSN 2007-1094
Estado afectivo en la
identificación automática
de estilos de aprendizaje
Affective
state in automatic identification of learning styles
Instituto Tecnológico
de Sonora, México
Instituto Tecnológico
de Sonora, México
Jorge Arturo Balderrama
Trápaga
Universidad
Veracruzana, México
Instituto Tecnológico
de Sonora, México
RESUMEN
La aportación principal
de este trabajo es la definición de reglas para la identificación de estilos de
aprendizaje mediante la fusión de la información monitoreada sobre el
comportamiento, desempeño y estado afectivo de los estudiantes en un entorno virtual
de aprendizaje, con base en fundamentos teóricos de la psicología cognitiva y
estilos de aprendizaje. Revisamos diferentes teorías y modelos de emociones,
modelos de estilos de aprendizaje y tipos de plataformas tecnológicas
educativas. Como resultado del estudio, seleccionamos patrones de
comportamiento, desempeño y estado afectivo, así como las fórmulas y reglas que
permiten la integración de dichos patrones para la identificación automática de
estilos de aprendizaje. El sistema de administración del conocimiento Moodle
servirá como base para la validación de las reglas propuestas a través de un
caso de estudio en un trabajo futuro.
Palabras clave:
Estilos de aprendizaje,
entornos virtuales de aprendizaje, medición de afectividad, tecnología
educativa.
ABSTRACT
The main contribution of this work
is the definition of rules for identifying learning styles by merging monitored
information about behavior, performance and emotional state of students in a
virtual learning environment (VLE) based on theoretical foundations from
cognitive psychology and learning styles. Different theories and models of
emotions, models of learning styles and types of educational technology
platforms were reviewed. As a result of the study, patterns of behavior,
performance and emotional state as well as formulas and rules that allow the
integration of such patterns for automatic identification of learning styles
were selected. Finally, an LMS (Moodle) had been selected which will serve as
the basis for the validation of the proposed rules through a case study in
future work.
Keywords:
Learning styles, virtual learning
environments, affective measures, educational
technology.
INTRODUCCIÓN
Identificar y analizar
aspectos que permitan conocer características del estudiante relacionadas con su
estilo de aprendizaje, a fin de considerarlas para optimizar el proceso de
enseñanza-aprendizaje, requiere que los profesores adquieran ciertas
habilidades particulares; una estrategia para abordar este reto ha sido la identificación
automática de estilos de aprendizaje (IAEA).
Los trabajos de Graf y
Liu (2009), Popescu (2009) y Latham, Crockett, McLean y Edmonds (2012) proponen
una serie de variables que tienen que ver con el comportamiento y rendimiento
del usuario y que pueden ser monitoreadas en entornos virtuales de aprendizaje
(EVA). Estas variables facilitan la identificación de estilos con base en el
modelo de Felder-Silverman (1988), el cual ha sido utilizado ampliamente en EVA,
en gran medida porque éste proporciona un instrumento Index of Learning Styles
(ILS) que ayuda a los profesionales de la educación a cuantificar los estilos
de aprendizaje de los estudiantes (Feldmam, Monteserin & Amandi, 2014).
Por otra parte, diferentes
estudios y experimentos evidencian la relación entre las emociones y el proceso
de aprendizaje de las personas (Shuck, Albornoz & Winberg, 2007); Boekaerts
(1993) y Bower (1992) han demostrado que el estado afectivo del estudiante cuando
se le presenta un elemento o actividad de aprendizaje ofrece información fiable
sobre sus preferencias y el impacto que tienen dichos elementos o actividades
en el logro de sus objetivos de aprendizaje.
Asimismo, hay otros
trabajos que abordan la inclusión de las emociones en diferentes tipos de
escenarios de aprendizaje, como ambientes virtuales, simuladores y videojuegos
educativos con fines de adaptación al usuario y personalización de experiencias
de aprendizaje. Sin embargo, se carece de estudios relacionados con la fusión
de la información obtenida a partir del estado afectivo del estudiante con
otros factores, como su comportamiento y rendimiento, para la identificación
automática de estilos de aprendizaje.
La aportación principal
de este trabajo es la definición de reglas para la IAEA mediante la fusión de
la información monitoreada sobre el comportamiento, desempeño y estado emocional
de los estudiantes en un EVA, con base en fundamentos teóricos de la psicología
cognitiva y estilos de aprendizaje. El supuesto preliminar es que la
información sobre las respuestas emocionales del usuario contribuye a deducir
de manera más precisa los estilos de aprendizaje.
MODELOS DE
ESTILOS DE APRENDIZAJE
James y Black (1993) definen
los estilos de aprendizaje como la manera y las condiciones en que los
estudiantes perciben, procesan, almacenan y recuperan de modo más efectivo y
eficiente lo que están tratando de aprender. Algunos de los principales modelos
de estilos de aprendizaje utilizados en la IAEA, según Feldman y Silverman
(2014), son: el modelo Kolb (1984), el cual clasifica a los estudiantes en
acomodador, divergente, convergente y asimilador y la teoría de Gardner (2011)
de inteligencias múltiples, que define ocho tipos de inteligencias: lógica-matemática,
lingüística, espacial, musical, kinestésica, naturalista, interpersonal e intrapersonal.
Felder y Silverman (1988)
proponen cuatro dimensiones con dos estilos cada una: procesamiento (activo y
reflexivo), percepción (sensitivo e intuitivo), entrada (visual, verbal) y entendimiento
(secuencial global). Por su parte, Biggs (1987) establece tres categorías para
clasificar a los estudiantes a partir de lo que hacen y por qué lo hacen a la
hora de aprender: superficial, profundo y basado en el logro.
Como sustento para la
propuesta de este trabajo, usamos el modelo Felder-Silverman (FSLSM, por sus
siglas en inglés), ya que está ampliamente aceptado por la comunidad académica
en el ámbito de la IAEA. Más de 70% de los estudios revisados por Feldman,
Monteserin y Amandi (2014) se basan en FSLSM y han demostrado su viabilidad.
Además, éste cuenta con un instrumento que será útil para validar la
integración de los aspectos afectivos en la identificación de estilos de
aprendizaje en un EVA.
TEORÍAS Y
PERSPECTIVAS EN EL ESTUDIO DE LAS EMOCIONES
Desde hace más de un
siglo, el estudio y la descripción de las emociones han ocupado la atención de
filósofos, psicólogos, biólogos, entre otras disciplinas. En la actualidad, las
emociones han sido objeto de una renovada atención por parte de los psicólogos
y neurocientíficos, principalmente debido a algunos recientes desarrollos en la
anatomía de las emociones y la incorporación de algunas disciplinas, como la neurociencia
social (Decety & Keenan, 2006) y la llamada neurociencia afectiva (Ostrosky
y Vélez, 2013).
Además, en la última
década, el estudio de las emociones ha experimentado un sustancial incremento en
virtud de que se reconoció la relevancia de las emociones en la toma de decisiones,
al definir la inteligencia emocional como un tipo de cognición orientada a lo
social, y al considerar las emociones como un importante predictor de éxito, independientemente
de la inteligencia cognitiva (Damasio, 1994; Johnson-Laird & Oatley, 2004; Goleman,
1995; Salovey & Mayer, 1990, citados en Ostrosky y Vélez, 2013). Finalmente,
en el ámbito de la educación y la innovación educativa ha surgido una tendencia
de utilizar los hallazgos de la psicología cognitiva, la neurociencia y las
ciencias de la computación para aplicarlas en el área instruccional.
En el campo de la psicología, en particular el estudio de
las emociones, se ha abordado desde las más diversas perspectivas: introspeccionista,
psicoanalítica, conductista, funcionalista y fisiológica. La vaguedad del
concepto mismo de emoción es quizás una de sus causas (Caparrós, 1979). Definir
qué es una emoción no ha sido fácil. Para el contexto educativo en el que se
enmarca este estudio, retomamos la definición de la Enciclopedia de las Ciencias
de la Enseñanza (2012), que plantea que una emoción puede ser provocada,
consciente o inconscientemente, mediante la evaluación de un estímulo y trata
sobre sentimientos positivos y negativos. Si la emoción es positiva, contribuye
al logro de los objetivos de aprendizaje. Las emociones se experimentan como
tipos distintivos de estados mentales a menudo acompañados por cambios
corporales, como la expresión facial, postura, transpiración y acción muscular.
El trabajo de Rodríguez y Ramos (2014) sobre modelos
computacionales de emociones reconoce tres categorías para la revisión de las
teorías de las emociones reportadas en la literatura, desde la perspectiva de
su aplicación:
- Teorías evaluativas de las emociones: asumen que las emociones surgen a partir de la evaluación cognitiva de situaciones, agentes y objetos existentes en el entorno que, indirecta o directamente, afecta los objetivos, planes y creencias del individuo. Un ejemplo es la teoría OCC (Ortony, Clore & Collins, 1990).
- Teorías dimensionales: señalan que las emociones son fenómenos similares, que varían sólo en los valores de algunas dimensiones, como valencia (valence) o excitación (arousal) (Adam, Herzig & Longin, 2009). Un ejemplo es la propuesta por Russell (1997).
- Teorías jerárquicas: proponen que los seres humanos sólo tienen un conjunto pequeño de emociones básicas, las cuales se suponen innatas e instintivas, y con un origen evolutivo (Lewis, Sullivan, Stanger & Weiss, 1989). Un ejemplo es la propuesta por Ekman, Dalgleish y Power (1999).
TEORÍA OCC DE LAS EMOCIONES
Ortony, Clore y Collins (1990) proponen una teoría
organizada en tres ramificaciones, las cuales corresponden a tres tipos de
estímulos: consecuencias de eventos; las acciones de un agente; y los aspectos
de un objeto. Cada uno de ellos es evaluado por el individuo con base en criterios
de valoración: metas para evaluar los acontecimientos (deseabilidad); normas para
evaluar la acción de agentes (plausibilidad); y actitudes para evaluar los
objetos (capacidad de atraer).
El trabajo de Ortony, Clore y Collins (1996) identifica tres
grandes clases de emociones que surgen de la evaluación de los estímulos de
acuerdo con los criterios de valoración: emociones basadas en acontecimientos; emociones de atribución; y
emociones de atracción. La teoría OCC propone una estructura jerárquica con una
meta y submetas. Las relaciones entre éstas se definen como necesarias,
suficientes, facilitadoras o inhibidoras. Las metas pueden ser de distintas
clases: de persecución activa (MA), de interés (MI) y de relleno (MR). Las MA
son las que uno desea tener hechas; las MI, las que uno desea que sucedan; y
las MR son cíclicas, por lo cual, aun cuando se logran, no se abandonan.
En trabajos previos, Conati y MacLaren (2005) han propuesto
un modelo que se enfoca a los objetivos o metas que se persiguen en los juegos
didácticos. Por otra parte, Jaques y Vicari (2007) basan la percepción de los
estados afectivos del usuario en el esquema lógico creencia-deseo-intención para
implementar el proceso de diagnóstico emocional del usuario en un entorno
educativo. Infieren las emociones según el modelo psicológico de la teoría OCC
a través de la conducta observada en el usuario. En ese sentido, la teoría de
la motivación permite explicar el porqué de un comportamiento, lo cual está más
allá del objetivo y los alcances de este trabajo; por ello, sólo abordamos
aspectos de la motivación que tienen que ver directamente con los elementos que
componen la teoría OCC. Además, planteamos variables locales y globales que
afectan la intensidad de las emociones; como resultado, presentamos los afectos
ligados a dichas emociones.
Figura 1. Resumen de la teoría OCC de las emociones
adaptado de Mora-Torres, Laureano-Cruces y Velasco-Santos, 2011, p. 67.
ENTORNOS
VIRTUALES DE APRENDIZAJE
En la literatura se han
utilizado numerosos términos para referirse a los ambientes de aprendizaje
basados en plataformas tecnológicas: sistema e-learning, sistema de aprendizaje
adaptativo, sistema hipermedia de aprendizaje, sistema de aprendizaje web,
sistema de administración del conocimiento, sistema tutor inteligente, sistema
de aprendizaje inteligente, entre otros.
Chan (2004) define un EVA
como un conjunto de entornos de interacción, sincrónica y asincrónica donde, con base en un programa
curricular, se lleva a cabo el proceso de enseñanza-aprendizaje a través de un
sistema de administración de aprendizaje.
Feldman, Monteserin y Amandi (2014) plantean una clasificación de tres categorías para la revisión de los EVA, utilizados previamente en la identificación automática de estilos de aprendizaje:
- Sistema de administración del conocimiento (LMS, por sus siglas en inglés): provee soporte a los profesores en la construcción y administración de cursos. Se enfoca en la presentación de materiales de contenidos de aprendizaje.
- Sistema tutor inteligente (ITS, por sus siglas en inglés): se enfoca en el uso de técnicas de la inteligencia artificial para proporcionar un soporte más amplio y mejor para los estudiantes.
- Sistema hipermedia de aprendizaje adaptativo (AEHS, por sus siglas en inglés): provee contenido hipermedia (es decir, basado en hipertexto y multimedia), adaptado a las características del usuario.
El EVA que utilizamos en
este trabajo es el LMS Moodle, ya que cumple con los requerimientos del proyecto:
ser de licencia libre, de tal manera que su adquisición y actualización sean
gratuitas; ser de fuente abierta (open
source) para que pueda ser adaptado; extendiendo y modificando su
funcionalidad, su adopción es ampliamente aceptada en la comunidad educativa; documentación
técnica del software, así como manuales para su configuración y administración
de fácil acceso y gratuitos; por último, presentar las características
necesarias para obtener información sobre el usuario que permitan inferir su
estilo de aprendizaje mediante el monitoreo del comportamiento, rendimiento y
emociones del usuario.
DEFINICIÓN DE REGLAS PARA LA IDENTIFICACIÓN
DE ESTILOS DE APRENDIZAJE
Existen esfuerzos en la
investigación de la IAEA que han definido reglas, patrones y fórmulas para
clasificar los estilos de aprendizaje de los usuarios de un EVA a través de la
interpretación del comportamiento y el rendimiento del estudiante. El estado
del arte de Feldman, Monteserin y Amandi (2014) analiza 27 ejemplos de estos
trabajos.
Durante la revisión de la
literatura, recopilamos las reglas que permiten definir un mecanismo para la
identificación automática de estilos de aprendizaje, y empatamos las
características mayormente utilizadas en un EVA y los patrones de
comportamientos referenciados en las dimensiones del modelo Felder-Silverman.
La tabla 1 muestra los
rangos para la definición de reglas utilizando el modelo Felder-Silverman y sus
respectivos estilos de aprendizaje, el tipo de patrón a monitorear en cada caso
(C
= comportamiento, R= rendimiento), la descripción de cada patrón y
la característica del EVA relacionada con el patrón. Las reglas fueron
recopiladas de los trabajos de Graf y Liu (2009); Popescu (2009); Latham et al.
(2012); García, Amandi, Schiaffino y Campo (2007), y Rovai y Barnum (2003).
Tabla 1. Trabajo previo en la
definición de reglas para la identificación automática de estilos con base en
la literatura.
Dimensión |
Estilo de aprendizaje |
Tipo de patrón |
Patrón a monitorear |
Característica del EVA |
Rango |
Procesamiento: describe la forma en que la información percibida se
convierte en conocimiento |
Activo/ Reflexivo |
C |
Tiempo en contenido de aprendizaje(-) |
Contenido de aprendizaje |
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés
|
C |
Tiempo en outlines (-) |
Outline |
50%-75% en relación con el tiempo de aprendizaje |
||
C |
Tiempo en ejemplos (-) |
Ejemplo |
30%-50% en relación con el tiempo de aprendizaje |
||
C |
Tiempo en auto-evaluaciones (-) |
Autoevaluación
|
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés |
||
R |
Contestar erróneamente dos veces la misma pregunta (+) |
Autoevaluación |
25%-50% de las veces que se le hace la misma pregunta al
estudiante |
||
C |
Visitas a ejercicios (+) |
Ejercicio |
7-10 visitas por semana |
||
C |
Tiempo en ejercicios (+)
|
Ejercicio |
50%-75% en relación con el tiempo de aprendizaje |
||
C |
Tiempo en los resultados de una autoevaluación (-) |
Resultado
auto-evaluación |
25%-35% en relación con el tiempo de aprendizaje |
||
C |
Publicaciones en foro (+) |
Foro |
2-4 publicaciones por curso |
||
Percepción: está relacionada con el tipo de información que un
estudiante prefiere percibir |
Sensitivo/ Intuitivo |
C |
Visitas a contenido de aprendizaje(-) |
Contenido de
aprendizaje |
10%-20% del total de contenidos de aprendizaje disponibles |
C |
Tiempo en contenido de aprendizaje (-) |
Contenido de
aprendizaje |
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés |
||
C |
Visitas a ejemplos (+) |
Ejemplo |
50% |
||
C |
Tiempo en ejemplos (+) |
Ejemplo |
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés |
||
C |
Visitas a autoevaluaciones (+) |
Autoevaluación
|
50%-100% de las
autoevaluaciones disponibles (éstas se pueden visitar más de una vez) |
||
C |
Visitas a ejercicios (+) |
Ejercicio |
25%-75% de los ejercicios
disponibles |
||
R |
Preguntas acerca de los detalles contestadas correctamente (+) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
R |
Preguntas acerca de hechos concretos contestadas correctamente
(+) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
R |
Preguntas acerca de conceptos contestadas correctamente (-) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
C |
Visitas a los resultados de autoevaluaciones (+) |
Resultado
autoevaluación |
2.5%-5% de las
autoevaluaciones realizadas |
||
Entrada: considera la manera en que los estudiantes prefieren recibir
información externa |
Visual/ Verbal |
C |
Visitas a contenido de aprendizaje(-) |
Contenido de
aprendizaje |
10 y 20% del total de objetos de contenido (textual) disponibles |
R |
Preguntas acerca de gráficos contestadas correctamente (+) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
R |
Preguntas sobre un texto contestadas correctamente (-) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
C |
Visitas a foro (-) |
Foro |
7-14 visitas por semana |
||
C |
Tiempo en foros (-) |
Foro |
5-10 minutos por semana |
||
C |
Publicaciones en foro (-) |
Foro |
2-4 publicaciones por
curso |
||
Entendimiento: describe la forma en que el estudiante progresa hacia el
entendimiento |
Secuen-cial/Glo-bal |
|
Visitas al outline (-) |
Outline |
75% y 150% |
C |
Tiempo en el outline (-) |
Outline |
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés |
||
R |
Preguntas acerca de los detalles contestadas correctamente (+) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
R |
Preguntas sobre interpretar soluciones previas contestadas
correctamente (-) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
R |
Preguntas sobre desarrollar nuevas soluciones previas
contestadas correctamente (-) |
Autoevaluación |
50%-75% de las preguntas contestadas correctamente |
||
C |
Número de veces que se usó el menú de navegación para saltar un
objeto de aprendizaje (-) |
Menú de navegación |
1%-2% en relación con el número total de objetos de aprendizaje
visitados |
||
C |
Visitas al overview (-) |
Overview |
10% y 20% de todas las visitadas |
||
C |
Tiempo en el overview (-) |
Overview |
50%-75% en relación con el tiempo de aprendizaje esperado de
estudiantes con un alto grado de interés |
Nota: se realizaron
ajustes en los rangos con base en las características del curso como lo
recomienda Graf y Liu (2009). Los signos (+) y (-) identifican cuando la
presencia de un patrón de comportamiento o rendimiento aporta indicios de un
estilo de aprendizaje en el primer polo (+) o en el segundo (-) de la
respectiva dimensión.
A partir de los patrones descritos en la taba 1 y su relación con cada
una de las dimensiones, aunados a la definición de cuándo una alta o baja ocurrencia
de ellos proporciona indicios de un estilo de aprendizaje específico, podemos
utilizar la información sobre el comportamiento de los estudiantes para obtener
indicadores que permiten calcular los estilos de aprendizaje; por ejemplo, si
un estudiante visita con frecuencia los ejercicios indica que el estudiante
prefiere un estilo de aprendizaje activo.
Graf y Liu (2009) definen tres pasos para hacer la clasificación a
partir de estos indicadores.
- Reunir los indicadores (hdim,i) para cada dimensión(dim) y cada patrón (i). Los indicadores se establecen mediante cuatro valores: 3 indica que el comportamiento del estudiante muestra un fuerte indicio del respectivo estilo de aprendizaje (por ejemplo, activo); 2, que el estudiante tiene un comportamiento promedio, por lo cual no proporciona un indicio; 1, que el comportamiento del estudiante está en desacuerdo con el respectivo estilo de aprendizaje y, por lo tanto, proporciona un indicio de preferencia hacia el otro polo de la dimensión del estilo de aprendizaje (por ejemplo, reflexivo); y 0, que no hay información disponible acerca del comportamiento del estudiante. Para clasificar el comportamiento de los estudiantes en estos cuatro indicadores, utilizamos rangos establecidos a partir de la literatura considerando, además, las características del curso. Por ejemplo, tales características pueden incluir el hecho de que los foros se usen principalmente para formular preguntas al profesor de los temas en vez de generar discusiones sobre éstos con otros compañeros.
- Se suman todos los indicadores y se divide entre el número de indicadores con información disponible (Pdim); se calcula una magnitud para cada estilo de aprendizaje (lsdim), como mostramos en la fórmula de la figura 2.
Figura 2. Fórmula para al cálculo
de una magnitud de estilo de aprendizaje, tomada de Graf y Liu (2009).
- Esta magnitud se normaliza en un rango de 0 a 1 como se muestra en la fórmula de la figura 3, resultando en una magnitud nlsdimen la que 1 representa una fuerte preferencia positiva y 0 una fuerte preferencia negativa hacia los respectivos estilos de aprendizaje. Si ninguno de los patrones de alguna de las dimensiones no incluye información, no se puede establecer una conclusión para esa dimensión.
Figura 3. Fórmula para normalizar valores a un rango de 0 a 1 la magnitud de los estilos de aprendizaje, tomada de Graf y Liu (2009).(2009).
INTEGRACIÓN DEL ESTADO AFECTIVO
En este trabajo hemos elegido la teoría OCC como base
teórica para la identificación de emociones; esto, debido a la estructura ramificada
simple que plantea, ya que facilita la categorización de los estímulos que
puede provocar una emoción y distingue con claridad la fuente de dichos
estímulos. Además, permite la correlación entre elementos de un EVA, material
de aprendizaje (objeto), actividades (evento) y tutor/instructor (agente), y el
estado afectivo que éstos provocan en el estudiante (positivo o negativo).
Las variables globales de la teoría OCC que afectan la
intensidad de las emociones no serán tomadas en cuenta para este trabajo, por
la complejidad en su monitoreo y el poco valor que aportan en la IAEA.
Por otra parte, las variables locales ayudan a identificar
si el estado afectivo que se produce en el individuo es positivo o negativo al relacionar
los estímulos con los criterios de valoración de la siguiente manera:
- La deseabilidad de un evento: es la congruencia de las consecuencias del evento con las metas personales. Por lo tanto, podemos decir que se produce una emoción positiva si el evento ayuda al individuo a lograr su meta, y una emoción negativa, si el evento obstaculiza el logro de su meta.
- La aprobación de una acción (plausibilidad): es la conformidad de la acción de un agente con normas y estándares. Por lo tanto, se produce una emoción positiva si la acción es congruente con las normas y estándares con que el individuo se rige, y una emoción negativa, si la acción transgrede las normas y estándares.
- La atracción de un objeto: es la correspondencia de las características del objeto con sus gustos/preferencias personales, lo que produce una emoción positiva si las características del objeto coinciden con los gustos/preferencias personales del individuo, y una emoción negativa, si las características no coinciden con sus gustos/preferencias personales.
- Un estudiante desarrolla una reacción afectiva positiva si las consecuencias de una actividad del curso favorecen el cumplimiento de los objetivos de aprendizaje; de lo contrario, desarrolla una emoción negativa.
- Un estudiante desarrolla una reacción afectiva positiva si las características de un objeto de aprendizaje del curso coincide con sus gustos y preferencias personales; de lo contrario, desarrolla una emoción negativa.
Las variables a monitorear en el contexto del curso en un
EVA son la deseabilidad (por continuar o abandonar), en el caso de las
actividades, y la capacidad de atraer (atracción y facilidad de comprensión),
en lo referente a los objetos de aprendizaje.
Con base en lo anterior, la tabla 2 representa un
complemento de la tabla 1, que incluye patrones afectivos para la
identificación de estilos.
Tabla 2. Patrones afectivos en la
definición de reglas para la identificación automática de estilos con base en
la literatura.
Dimensión |
Estilo de aprendizaje |
Tipo patrón |
Patrón a monitorear |
Reacción afectiva |
Procesamiento |
Activo/Reflexivo |
Afectivo |
Reacción afectiva en ejercicio (+)
|
Deseo de continuar Deseo de abandonar |
Reacción afectiva en ejemplo (-)
|
Atracción Facilidad de comprensión |
|||
Percepción |
Sensitivo/Intuitivo |
Afectivo |
Reacción afectiva en ejemplo (+)
|
Atracción Facilidad de comprensión |
|
Reacción afectiva en explicación teórica de conceptos (-)
|
Atracción Facilidad de comprensión |
||
Entrada |
Visual/Textual |
Afectivo |
Reacción afectiva en contenido de aprendizaje visual (+)
|
Atracción Facilidad de comprensión |
Entendimiento |
Global/ |
N/D |
N/D |
N/D |
Secuencial |
N/D |
N/D |
N/D |
Nota: N/D significa no
disponible. Los signos (+) y (-) identifican cuando la presencia de un patrón
afectivo aporta indicios de un estilo de aprendizaje en el primer polo (+) o en
el segundo (-) de la respectiva dimensión.
Las reacciones afectivas seleccionadas permiten el monitoreo
por autorreporte mediante una pregunta cuando el estudiante abandona un
componente del curso. Éstas pueden cambiar en un futuro si el mecanismo para su
monitoreo se modifica (por ejemplo, a partir de los gestos faciales y posturas
monitoreados a través de una cámara).
Para integrar los patrones afectivos en la identificación de
estilos, se obtienen los indicadores (hdim,i)
por cada dimensión(dim) y cada patrón
(i), tomando en cuenta los signos “+”
y “-”, que indican si los respectivos patrones afectivos dan indicios a favor o
en contra desde el punto de vista de los estilos de aprendizaje activo,
sensitivo y visual.
Para obtener los indicadores para cada estilo de aprendizaje
(hdim, i),
planteamos dos preguntas sobre las reacciones hacia las consecuencias de
eventos: ¿esta actividad motiva a continuar trabajando/aprendiendo sobre el
tema? y ¿esta actividad seduce/engancha a continuar trabajando/aprendiendo
sobre el tema?, además de dos preguntas sobre las reacciones hacia las características
de los objetos: ¿este material es atractivo? y ¿este material facilita la
adquisición de nuevos conocimientos? La escala para las respuestas, así como
los emoticons asociados a ellas se
muestran en la figura 4.
Una vez obtenidos los indicadores (hdim,i), continuamos con el resto de los pasos usados
para los patrones de comportamiento y desempeño descritos en la sección
anterior.
Partiendo de las
aportaciones a la identificación automática de estilos de aprendizaje encontradas
en la literatura, proponemos la integración del estado afectivo de los usuarios
de un EVA como un patrón adicional al comportamiento y desempeño académico para
incrementar la precisión en la identificación de estilos.
DISCUSIÓN Y
TRABAJO FUTURO
En el corto plazo es
necesario el desarrollo de un prototipo que valide el mecanismo para la
identificación de estilos de aprendizaje propuesto en este trabajo, así como la
validación de éste mediante un caso de estudio. Esto implica asegurar las
condiciones a través de la configuración de Moodle, e integrar contenidos y
actividades de aprendizaje en el marco de un diseño instruccional pertinente y
utilizando componentes y características de Moodle que se encuentran comúnmente
en los LMS. El objetivo principal sería monitorear los patrones afectivos, de
comportamiento y rendimiento de los estudiantes mientras usan el LMS. Luego, se
identificarían los estilos usando las reglas propuestas en este trabajo. Por
último, los resultados del mecanismo serían contrastados con los obtenidos en
la aplicación del instrumento ILS a los estudiantes.
La figura 5 muestra los
siguientes pasos en el trabajo con el EVA basado en Moodle.
CONCLUSIONES
Las reacciones emocionales de los estudiantes cuando usan
entornos virtuales de aprendizaje pueden ser monitoreadas, almacenadas y
utilizadas junto con otros tipos de patrones, como el de comportamiento y
desempeño, para la identificación automática de estilos de aprendizaje. Las
reglas que hacen posible integrar estos tres patrones distintos se sustentan en los fundamentos teóricos de
las emociones y los estilos de aprendizaje.
La teoría OCC (Ortony, Clore y Collins, 1990) aporta los
criterios para la generación de reglas que evalúen las reacciones afectivas
monitoreadas por el EVA y su integración con los otros dos patrones
(comportamiento y desempeño), de los cuales se reportan fórmulas y rangos en
trabajos previos, como los de Graf y Liu (2009), Popescu (2009), Latham et al. (2012),
García et al. (2007), y Rovai y Barnum (2003), que, junto con el modelo de
estilos de aprendizaje de Felder-Silverman, permiten la clasificación de los
estudiantes.
Finalmente, las características de Moodle plantean una
alternativa viable para estudios futuros (que ya se han empezado a llevar a
cabo) sobre la validación de las reglas propuestas en este trabajo a través de un
mecanismo de identificación automática de estilos de aprendizaje que extiende
la funcionalidad básica con la ayuda de módulos adicionales y plugins.
REFERENCIAS BIBLIOGRÁFICAS
Adam, C., Herzig, A. &
Longin, D. (2009). A
logical formalization of the OCC theory of emotions. Synthese, vol. 168, núm.2,
pp. 201-248. doi: 10.1007/s11229-009-9460-9
Biggs, J.
(1987). Student Approaches to Learning
and Studying. Research Monograph: ERIC.
Recuperado de http://files.eric.ed.gov/fulltext/ED308201.pdf
Boekaerts, M. (1993). Being
concerned with well-being and with learning. Educational psychologist, vol. 28, núm. 2, pp. 149-167. doi: 10.1207/s15326985ep2802_4
Bower, G. (1992). How might emotions
affect learning. En S. Christianson. The
handbook of emotion and memory: Research and theory (pp. 3-31).Nueva York: Psychology Press.
Caparrós,
A. (1979). Introducción histórica a la
psicología contemporánea. La psicología, ciencia multiparadigmática.
Barcelona: Ediciones Rol.
Chan, M. (2004). Tendencias en el diseño educativo para
entornos de aprendizaje digitales. Revista
Digital Universitaria, vol. 5, núm. 10, pp. 5-7. Recuperado de
http://datateca.unad.edu.co/contenidos/551044/2015-I/tendencias_en_el_diseno_educativo_para_el_entorno_d_eaprendizajes_digitales.pdf
Conati, C. & Maclaren, H. (2005). Data-driven
refinement of a probabilistic model of user affect. En L. Ardissono, P. Brna
& A. Mitrovic (eds.). User Modeling
2005, vol. 3538, pp. 40-49. Springer Berlin: Heidelberg. doi:
10.1007/11527886_7
Damasio, A. (1994). El error de Descartes. Chile:
Editorial Adrés Bello.
Decety, J. & Keenan, J. (2006). Social neuroscience: A new journal. Social Neuroscience, vol. 1, núm. 1, pp. 1-4.
Ekman, P., Dalgleish, T. &
Power, M. (1999). Handbook of cognition and emotion. Chihester, UK: Wiley. doi: 10.1002/0470013494
Felder, R. & Silverman, L.
(1988). Learning and teaching styles in engineering education. Engineering Education, vol. 78, núm. 7, pp.
674-681. Recuperado de
http://s3.amazonaws.com/academia.edu.documents/31039406/LS-1988.pdf?AWSAccessKeyId=AKIAJ56TQJRTWSMTNPEA&Expires=1434840078&Signature=Z2h7XRvSUHRKt1evG1nvSJkXjeA%3D&response-content-disposition=inline
Feldman, J., Monteserin, A. & Amandi, A. (2014). Automatic detection
of learning styles: state of the art. Artificial
Intelligence Review, pp. 1-30. doi: 10.1007/s10462-014-9422-6
García, P., Amandi, A., Schiaffino,
S. & Campo, M. (2007). Evaluating Bayesian networks’ precision for
detecting students’ learning styles. Computers
& Education, vol. 49, núm. 3,
pp. 794-808. doi:10.1016/j.compedu.2005.11.017
Gardner, H. (2011). Frames of
mind: The theory of multiple intelligences. Nueva York, United States: Basic
Books.
Goleman, D. (1995). Emotional
intellegence. Nueva York: Bantam Books.
Graf, S. &
Liu, T. (2009). Supporting teachers in identifying students' learning styles in
learning management systems: An automatic student modelling approach. Educational Technology & Society, vol.
12, núm. 4, p. 3. Recuperado de
http://www.jstor.org/stable/jeductechsoci.12.4.3
James, W. & Blank, W. (1993).
Review and critique of available learning‐style instruments for adults. New Directions for Adult and Continuing
Education, vol. 1993, núm. 59, pp. 47-57. doi:
10.1002/ace.36719935907
Jaques, P. & Vicari, R.
(2007). A
BDI approach to infer student’s emotions in an intelligent learning
environment. Computers & Education,
vol. 49, núm. 2, pp. 360-384. doi:10.1016/j.compedu.2005.09.002
Johnson-Laird,
P. & Oatley, K. (2004). Cognitive and social construction inemotions. En M.
Lewis & J. HavilandJones (eds.). Handbook
of emotions (segunda edición, pp. 458-475). Nueva York: The Guilford Press.
Kolb, D.
(1984). Experiential learning: Experience
as the source of learning and development, vol. 1. Prentice-Hall Englewood
Cliffs, NJ.
Latham, A.,
Crockett, K., McLean, D. & Edmonds, B. (2012). A conversational intelligent
tutoring system to automatically predict learning styles. Computers & Education, vol. 59, núm. 1, pp. 95-109. doi:10.1016/j.compedu.2011.11.001
Lewis, M., Sullivan, M., Stanger, C.
& Weiss, M. (1989). Self development and self-conscious emotions. Child Development, pp. 146-156. doi:
10.2307/1131080
Mora-Torres, M., Laureano-Cruces, A. y Velasco-Santos, P. (2011).
Estructura de las emociones dentro de un proceso de enseñanza-aprendizaje. Perfiles Educativos, vol. 33, núm. 131, pp.
64-79. Recuperado de
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0185-26982011000100005&lng=es&tlng=es
Ortony, A., Clore, G. & Collins, A. (1990). The cognitive structure of emotions. Cambridge University Press.
_____ (1996).
La estructura cognitiva de las emociones.
Siglo XXI de España Editores, SA.
Ostrosky,
F. y Vélez, A. (2013, enero-junio). Neurobiología de las emociones. Revista Neuropsicología, Neuropsiquiatría y
Neurociencias, vol. 13, núm. 1.
Popescu, E. (2009). Diagnosing
students’ learning style in an educational hypermedia system. Cognitive
and emotional processes in Web-based education: Integrating human factors and
personalization, advances in Web-based learning book series, IGI Global, pp. 187-208. Recuperado de http://software.ucv.ro/~epopescu/docs/publications/book_2009.pdf
Rodríguez, L. & Ramos, F.
(2014).
Development of computational models of emotions for autonomous agents: a
review. Cognitive Computation, vol. 6,
núm. 3, pp. 351-375. doi: 10.1007/s12559-013-9244-x
Rovai, A. & Barnum, K. (2003). On-line course effectiveness: An
analysis of student interactions and perceptions oflearning. Journal of Distance Education, vol. 18,
núm. 1, pp. 57-73. Recuperado de http://www.ijede.ca/index.php/jde/article/view/121/102
Russell, J. (1997). How shall an emotion be called? En Circumplex models of personality and
emotions (pp. 205-220). Washington, DC, EUA: American Psychological
Association. doi: 10.1037/10261-009
Salovey, P. & Mayer, J. (1990). Emotional intelligence. Imagination, Cognition and Personality,vol.
9, núm. 3, pp. 185-211.
Shuck, B., Albornoz, C. & Winberg, M. (2007). Emotions and their
effect on adult learning: A constructivist perspective. En S. Nielsen & M.
Plakhotnik (eds.). Proceedings of the
Sixth Annual College of Education Research Conference: Urban and International
Education Section (pp. 108-113). Recuperado de
http://digitalcommons.fiu.edu/cgi/viewcontent.cgi?article=1270&context=sferc
Guillermo Mario Salazar Lugo
Maestro en Ingeniería de Sistemas con acentuación en
Tecnologías de Información. Candidato a doctor en el Instituto Tecnológico de
Sonora, México.
Ramona Imelda García López
Doctor en Educación. Profesor-investigador en el
Departamento de Educación del Instituto Tecnológico de Sonora, México.
Jorge Arturo Balderrama Trápaga
Doctor en Ciencia del Comportamiento opción Neurociencias.
Profesor de la Facultad de Psicología, Región Veracruz de la Universidad
Veracruzana, México.
Luis Felipe Rodríguez Torres
Doctor en Ciencias, especialidad en Computación. Profesor-investigador en el Departamento de Computación y Diseño del Instituto Tecnológico de Sonora, México.
Fecha de recepción del
artículo: 26/06/2015
Fecha de aceptación para su publicación: 28/09/2015
Métricas de artículo
Metrics powered by PLOS ALM
Enlaces refback
- No hay ningún enlace refback.
Apertura vol. 16, núm. 1, abril - septiembre 2024, es una revista científica especializada en innovación educativa en ambientes virtuales que se publica de manera semestral por la Universidad de Guadalajara, a través de la Coordinación de Recursos Informativos del Sistema de Universidad Virtual. Oficinas en Av. La Paz 2453, colonia Arcos Sur, CP 44140, Guadalajara, Jalisco, México. Tel.: 3268-8888, ext. 18775, www.udgvirtual.udg.mx/apertura, apertura@udgvirtual.udg.mx. Editor responsable: Alicia Zúñiga Llamas. Número de la Reserva de Derechos al Uso Exclusivo del Título de la versión electrónica: 04-2009-080712102200-203, e-ISSN: 2007-1094; número de la Reserva de Derechos al Uso Exclusivo del Título de la versión impresa: 04-2009-121512273300-102, ISSN: 1665-6180, otorgados por el Instituto Nacional del Derecho de Autor. Número de Licitud de Título: 13449 y número de Licitud de contenido: 11022 de la versión impresa, ambos otorgados por la Comisión Calificadora de Publicaciones y Revistas Ilustradas de la Secretaría de Gobernación. Responsable de la última actualización de este número: Sergio Alberto Mendoza Hernández. Fecha de última actualización: 22 de marzo de 2024.