INSTRUMENTO DE ANÁLISIS PARA ESTILOS DE APRENDIZAJE ASOCIADO A LA PERSONALIZACIÓN EDUCATIVA EN PLATAFORMAS VIRTUALES
Resumen
Con la educación a distancia ha quedado patente que sistemas para la gestión del aprendizaje (LMS) presentan grandes ventajas en el manejo, entrega y medición de la formación educativa. Sin embargo, en LMS se proporcionan mismos cursos para todo el alumnado, sin tomar en cuenta necesidades individuales. Una tendencia es el aprendizaje personalizado para la innovación educativa y uso eficiente de tecnologías, que destaca la importancia de adaptación, al proporcionar objetos de aprendizaje en formatos de presentación que ajustan a necesidades específicas de alumnos, lo cual favorece la priorización de objetivos y el compromiso con el aprendizaje. Un requerimiento para la personalización es el análisis de estilos de aprendizaje y comportamiento en un LMS. El objetivo es desarrollar un instrumento que permita visualizar en forma objetiva, la distribución de estudiantes de Ingeniería, con respecto a su comportamiento en un LMS, con el propósito de identificar sus estilos de aprendizaje para adecuar a cada categoría, el concepto de personalización. Con base en el modelo teórico de Felder- Silverman y teorías cognitivas de aprendizaje se desarrolló un instrumento soportado por un diseño estadístico, aplicado a 150 estudiantes de carreras de ingeniería. Los resultados distinguen preferencias de uso efectivo de objetos de aprendizaje y la característica favorecida del estilo, lo cual es fundamental para desarrollar un enfoque automático en el diseño de cursos en línea.Citas
Acuña, C. (2019). La deserción escolar en la educación a distancia. https://www.researchgate.net/publication(330599406_LA_DESERCION_ESCOLAR_EN_LA_EDUCACION_A_DISTANCIA)
Al-Khanjari, Z. (2018). Applying online learning in software engineering education. En D. Mehdi Khosrow-Pour, Computer Systems and Software Engineering: Concepts, Methodologies, Tools, and Applications (págs. 217-231). IGI- Global
Baist, A., Fadillah, A. & Nopitasari, D. (2019). Students Self-Regulated Learning in Numerical Methods Course using Computational Mathematics Teaching Materials. Malikussaleh Journal of Mathematics Learning MJML, Vol. (2), pp. 1-4. https://ojs.unimal.ac.id/index.php/mjml/article/view/2122
Curaj, A., Deca, L., & Pricopie, R. (2020). European Higher Education Area: Challenges for a New Decade. Springer. https://www.springer.com/gp/book/9783030563158
El Guabassi, I., Bousalem, Z., Al Achhab, M., Jellouli, I. & El Mohajir, B. E. (2018). Personalized adaptive content system for context-aware ubiquitous learning. Procedia Computer Science, Vol. (127), pp. 444–453. https://www.sciencedirect.com/science/article/pii/S1877050918301546
Felder, R., & Soloman, B. (2007). Index of Learning Styles questionnaire. North Carolina State University. https://www.webtools.ncsu.edu/learningstyles/
Graf, S. & Kinshuk (2008). Analysing the Behaviour of Students in Learning Management Systems with Respect to Learning Styles. In M. Wallace, M. Angelides & P. Mylonas (Eds.), Advances in Semantic Media Adaptation and Personalization, Vol. 93. (pág. 376). Springer. https://link.springer.com/chapter/10.1007/978-3-540-76361_3
Ruíz, E., Jiménez, M. y Montiel, A. (2017). Uso de un sistema experto en la detección de perfiles en estudiantes de ingeniería. Revista ANFEI Digital, Vol. (4), pp. 1-10. https://www.anfei.mx/revista/index.php/revista/article/view/405/1052