Por favor, use este identificador para citar o enlazar este ítem: https://www.innovacioneducativa.unam.mx:8443/jspui/handle/123456789/6933
Título : Innovación en los procesos de aprendizaje en las asignaturas de B@UNAM de CUAED a través del sistema de tutoría inteligente ADA (Asistente de Aprendizaje)
Autor : VADILLO BUENO, ROSA MARIA GUADALUPE
CERVANTES PEREZ, FRANCISCO
Fecha de publicación : 2018
Resumen : Al igual que los demás bachilleratos a distancia del país, B@UNAM tiene una alta tasa de deserción, en especial durante el 1er semestre, esto se asocia principalmente a la reprobación de las asignaturas. La tasa de egreso promedio es de 30% y existe variabilidad entre las diferentes sedes que ofrecen el programa: UNAM lo ofrece de manera directa en el extranjero y algunos proyectos en México. Además, se ofrece a través de convenios con universidades públicas y secretarías de educación estatales. Ahí el control de gestión es más reducido y no siempre se aplica bien el modelo. Por ello, hay diferencia en las tasas de egreso por sede: desde 16% en un proyecto de SEDESOL, hasta 60% en un proyecto certificado por SEP Federal en el que se tuvo control total de la gestión. La modalidad en línea implica la posibilidad de tomar datos en tiempo real sobre el proceso de aprender y desempeño del estudiante. Nuestro objetivo es elaborar un sistema de tutoría inteligente (ADA), alimentado con esta información, con la posibilidad de que el sistema aprenda y tome decisiones para ofrecer a cada estudiante lo que requiere. Esto implica generar analíticas de aprendizaje y utilizar algoritmos de inteligencia artificial, es decir, deep learning. El propósito es trabajar con ADA en el apoyo a la acción docente en las 6 asignaturas del 1er semestre y evaluar su impacto en la aprobación de los estudiantes. Incluye una fase de investigación documental para definir el estado del arte de deep learning, en especial en programas de bachillerato. Habrá un diagnóstico de los puntos de máxima dificultad para los aprendices y el desarrollo de los sistemas de analítica de aprendizaje e inteligencia artificial que promuevan comprensiones más profundas y mejor recuerdo en ellos. Se afinarán dichos sistemas con base en pruebas realizadas en muestras de estudiantes. Habrá un experimento para evaluar el impacto del estudio con ADA en contraste con un grupo sin él y la difusión de los resultados.
URI : http://132.248.161.133:8080/jspui/handle/123456789/6933
metadata.dc.contributor.responsible: VADILLO BUENO, ROSA MARIA GUADALUPE
metadata.dc.coverage.temporal: 2018-2020
metadata.dcterms.educationLevel.SEP: Licenciatura
metadata.dc.description.objective: Incrementar el índice de aprobación de los estudiantes que cursan el primer semestre de B@UNAM a partir de la atención oportuna e individualizada de cada estudiante mediante el uso de un sistema de tutoría inteligente, con el uso de herramientas de analítica del aprendizaje y de inteligencia artificial.
metadata.dc.description.hypothesis: La hipótesis general es: La atención personalizada apoyada con el uso de sistemas de tutoría inteligente en las asignaturas del primer semestre del programa B@UNAM contribuirá a incrementar el índice de aprobación en las asignaturas de ese módulo. Las hipótesis secundarias son: - Contar con una retroalimentación inmediata mediante el tutor inteligente generará mejores comprensiones en los estudiantes. - La reducción en la reprobación se correlacionará con una disminución en la deserción durante el primer semestre del programa. - La analítica de aprendizaje, base del sistema de tutoría inteligente, permitirá identificar las áreas más problemáticas en cuanto a comprensión por parte de los estudiantes en las asignaturas. - La analítica de aprendizaje asociada con el sistema de tutoría inteligente permitirá cuantificar la contribución de cada actividad de aprendizaje al logro de las habilidades meta. - Se reportará un mayor número de dudas por estudiante en la condición de tutoría inteligente que en la conducción control. - La media de calificaciones de la condición de tutoría inteligente será más alta que la del grupo control. - El agrupamiento e intervención educativa selectiva por niveles de desempeño que los resultados de la analítica del aprendizaje permite y promueve mejoras en los resultados del cuestionario de opinión de estudiantes. - El agrupamiento e intervención educativa selectiva por niveles de desempeño que los resultados de la analítica del aprendizaje permite y promueve mejores calificaciones en los estudiantes involucrados.
metadata.dc.description.strategies: 1. Desarrollo de una base amplia de conocimiento sobre los temas de analítica de datos e inteligencia artificial aplicados al diseño de sistemas de tutoría inteligente. Involucra las siguientes subfases: a) Revisión de la literatura especializada. Ello implica búsqueda, clasificación, análisis y síntesis de fuentes digitales y en soporte físico, procedentes de investigación, proyectos de desarrollo y postulaciones de carácter teórico. Las fuentes principales serán revistas especializadas, congresos y otros encuentros académicos y libros. Se considerarán aplicaciones en los niveles medio superior y superior. b) Formación en deep learning. El experto en sistemas del equipo de trabajo cursará un programa especializado en esa área, a través de la plataforma Udacity, impartida por Kaggle Inc., que incluye al Dr. Sebastian Thrun. c) Asesoría de especialistas de Georgia Institute of Technology. Se propone realizar una estancia académica con personal del Laboratorio de diseño e inteligencia para socializar el proyecto y comprender factores esenciales que se deben considerar en el desarrollo y evaluación del sistema de tutoría inteligente ADA. 2. Construcción del proyecto. Involucra las subfases: a) Construcción del protocolo de los proyectos de desarrollo y de investigación, este último permitirá evaluar el impacto de ADA. b) Organización de una jornada académica en la UNAM para presentar y validar ante expertos nacionales e internacionales la propuesta. La intención es generar los ajustes necesarios para asegurar la pertinencia, eficacia y efectividad del sistema. c) Construcción de la ruta crítica y definición de requerimientos para elaborar ADA y probarlo. 3. Desarrollo inicial de carácter académico y tecnológico de la versión 0 de ADA. Incluye las subfases: a) Diagnóstico de áreas con dificultades de comprensión de las seis asignaturas a partir del análisis de resultados de aprendizaje en tres grupos y de la observación y trabajo en grupos focales de estudiantes en los grupos de edad atendidos por B@UNAM: adolescentes, jóvenes, adultos de 30 a 60 años y adultos mayores. b) Identificación de recursos digitales de apoyo para las áreas comprometidas. c) Creación, en su caso, de materiales multimedia de apoyo que sean complementarios para cubrir todas las áreas problemáticas. d) Desarrollo del 40% del sistema de analítica del aprendizaje. 4. Desarrollo final de carácter académico y tecnológico de la versión 0 de ADA. Las subfases son: a) Desarrollo completo del sistema de analítica del aprendizaje. b) Planeación y construcción del motor de aprendizaje, ligado a los resultados dinámicos del sistema de analítica del aprendizaje. c) Pilotaje de ADA con grupos de estudiantes de primer semestre. Incluye observación en línea, respuesta a cuestionarios a lo largo de la asignatura y entrevista a una muestra. d) Prueba del sistema en diferentes dispositivos: móviles (Android) y de escritorio (Mac OS, Chrome OS, Linux y Windows) e) Elaboración y presentación de una ponencia que describa el proyecto de desarrollo de ADA en el Congreso de International Council for Distance Education (Conferencia Mundial sobre Aprendizaje en Línea, octubre 2019), para recibir retroalimentación y sugerencias de expertos. f) Diseño y puesta en operación de un proyecto de investigación que permita evaluar la efectividad de ADA para mejorar la tasa de aprobación y la opinión de los estudiantes (este último, como proxy de su motivación hacia el aprendizaje en la plataforma B@UNAM). Se trata de un proyecto con grupos control (sin sistema de tutoría inteligente) y experimentales (con el sistema ADA) que permitirá evaluar los efectos de grupo de edad, género, ubicación (rural / urbana), sede de B@UNAM, eje de formación al que pertenece la asignatura en que se prueba, tipo de recursos empleados, tipo de intervención del tutor inteligente (individual o en subgrupo). 5. ADA 1.0. Las subfases incluyen: a) Ajustes de ADA b) Lanzamiento de versión 1.0
metadata.dc.description.goals: Año 1. 1. Análisis del estado del arte a través de la revisión de literatura especializada 2. Realizar la especialización en Deep Learning en plataforma Udacity. 3. Realizar una estancia académica en Georgia Tech con el Dr. Ashok Goel, o quien él designe, Design & Intelligence Laboratory, School of Interactive Computing, Georgia Institute of Technology. 4. Organizar una jornada académica donde se expondrán los avances en la investigación y la propuesta del desarrollo de ADA para validar con expertos de las diferentes áreas involucradas. 5. Determinar la ruta crítica de la elaboración de ADA. 6. Primera fase del desarrollo académico y tecnológico de la versión 0 de ADA. Año 2. 1. Segunda fase del desarrollo académico y tecnológico de la versión 0 de ADA. 2. Implementación y evaluación de ADA en grupo piloto de las asignaturas del primer semestre de B@UNAM. 3. Presentación de ponencia sobre ADA y sus primeros resultados en: Conferencia Mundial sobre Aprendizaje en Línea, octubre 2019. 4. Estudio experimental. 5. Versión final de ADA.
metadata.dc.description.selfAssessment: El proyecto requirió un equipo de trabajo interdisciplinario y una intensa preparación. El equipo representó 5 disciplinas y 152 años de experiencia profesional en el área educativa. El producto final: implica una descarga en tiempo para los docentes en atención a dudas recurrentes y más tiempo para atender dudas y aportar enriquecimiento en aspectos sustantivos. Significó un esfuerzo de formación importante:requirió la lectura y análisis de más de 150 artículos especializados, así como tomar 2 cursos (Sesenta años de IA e IBM applied AI en Coursera), un programa de especialidad (Deep learning, nanodegree en Udacity) y asistir a 3 congresos (Learning Analytics, Tempe Arizona; Reunión internacional de IA y sus aplicaciones; Global Summit & EdTech Expo Teaching & Learning in the Digital Age). No fue posible terminar un curso breve de Coursera, por problema de tiempo. La jornada organizada aportó líneas para mejorar el plan de acción. Profundizamos en temas de IA. Esta formación y la experiencia con el proyecto nos permitieron difundir los avances a nivel nacional en el X Coloquio de EMSaD, e internacional en el Global Summit en Toronto. Además, la responsable del PAPIME fue editora invitada del primer número de 2020 sobre IA en la RDU de la UNAM https://www.revista.unam.mx/2020v21n1/editorialv21n1/. No logramos integrar todos los sistemas que se prepararon por circunstancias fuera de nuestro control: la sede Puebla del programa B@UNAM con amplia matrícula fue cancelado por problemas financieros del gobierno estatal. Por ello, fue necesario trabajar el piloto con un pequeño grupo en un propedéutico y no en 1er semestre, como estaba planteado. Otra opción fue el Bachillerato policial, diseñado por B@UNAM (generación inicial de 3200), pero por problemas logísticos solo se atendió a 699 y, en lugar de que el curso finalizara en diciembre, se alargó 1.5 meses, lo que retrasó la implementación de ADA como sistema completo. Se logró solo implementar el chatbot en Moodle, plataforma no considerada originalmente, con pruebas de funcionalidad y visualización exitosas en los diferentes dispositivos y sistemas operativos planteados. Identificamos que se requiere contar con altos volúmenes de datos sistematizados para entrenar un modelo que prediga el resultado del curso para un aprendiz dado. Comenzamos a sistematizar la información e identificamos los componentes de Moodle que proveen la información necesaria para el modelo a desarrollar. Los datos de la muestra inicial no permiten generar un modelo certero. Consideramos que debemos hacer pilotos con al menos mil alumnos para robustecer la base de preguntas frecuentes. Al inicio, no consideramos todos los insumos requeridos para desarrollar un modelo que tomara decisiones autónomamente. Hubo que comprender la lógica de Moodle. Implicó más tiempo del planeado, que limitó hacer pruebas más amplias y desarrollar los elementos de analítica del aprendizaje. Sitio PAPIME: https://sites.google.com/cuaed.unam.mx
metadata.dc.description.goalsAchieved: Metas año 1: 1. Se hizo el análisis del estado del arte y se publicó (Anexo 1). 2. Un ingeniero del equipo realizó la especialización en Deep Learning de Audacity (Anexo 2). 3. No se logró que el Dr. Ashok Goel de Georgia Tech viniera a la estancia académica. 4. Se organizó la jornada académica el 27 de noviembre de 2018 (Anexo 3). 5. Se determinó la ruta crítica para elaborar ADA (Anexo 4). 6. Se desarrolló la primera fase de desarrollo académico y tecnológico de ADA (Anexo 5). Metas año 2: 1. Se terminó el desarrollo académico y tecnológico de la versión 0 de ADA (Anexo 6). Este sistema permite dar seguimiento a las actividades que el alumno realiza o no en la plataforma; configurar reglas iniciales que detonarán mensajes a los estudiantes sobre próximas fechas de entrega o sobre los retrasos en la fecha de entrega. El medio de comunicación entre ADA y los estudiantes es el chatbot ada. La integración de ambas herramientas permite obtener datos estadísticos, así como dar solución a las preguntas frecuentes formuladas por los estudiantes. 2. Se realizó un estudio piloto (Anexo 7). Por situaciones ajenas a B@UNAM, no se pudo hacer con la generación de la sede de Puebla de 199 estudiantes de primer semestre, por lo que se hizo un estudios con una sede con menor matrícula y se realizó en el curso propedéutico de Lectura y redacción de B@UNAM (22 estudiantes, de mayo - junio, 2019). 3. Se presentó la ponencia “Towards building an ITS for B@UNAM, an online High School program” en el congreso Global Summit & EdTech Expo Teaching & Learning in the Digital Age, del 8 al 10 de octubre de 2019 en Toronto, Ontario, Canada (Anexo 8). 4. El estudio experimental se realizó con un grupo de Bachillerato policial (Anexo 9). Se trata de un programa desarrollado y gestionado hasta ahora por B@UNAM para el gobierno de la Ciudad de México. La generación con la que se trabajó era de 3,200 estudiantes, pero por problemas de la base de datos de CDMX, solo se trabajó con 699 estudiantes, divididos al azar en dos condiciones: unos tenían acceso al apoyo de ada y otros no. 5. La versión actual de ADA se encuentra terminada (Anexo 10), donde está la liga al repositorio con el código correspondiente a ADA y ada).
metadata.dcterms.provenance: Coord. de Univ. Abierta y Educación a Distancia
metadata.dc.subject.DGAPA: Pedagogía
metadata.dc.type: Proyecto PAPIME
metadata.dc.contributor.coresponsible: CERVANTES PEREZ, FRANCISCO
Aparece en las colecciones: 4. Área de las Humanidades y de las Artes

Ficheros en este ítem:
No hay ficheros asociados a este ítem.


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.