Sistema adaptativo basado en redes bayesianas para la autorregulación del aprendizaje
Contenido principal del artículo
Resumen
El presente artículo describe el diseño, desarrollo y evaluación empírica de un Sistema de Tutoría Inteligente denominado SARA, concebido para promover de manera explícita la autorregulación del aprendizaje en contextos de Educación Superior. A diferencia de los sistemas de tutoría tradicionales, cuya adaptación se centra casi exclusivamente en el nivel de conocimiento del estudiante, SARA integra un modelo formal de autorregulación sustentado en una Red Bayesiana dinámica de doble capa. Este modelo permite inferir en tiempo real los estados de planificación, supervisión y reflexión de los estudiantes a partir de sus patrones de interacción con el sistema, tales como el tiempo de respuesta, el uso de ayudas, la secuencia de intentos y la consulta de herramientas metacognitivas. Sobre la base de dichas inferencias probabilísticas, el sistema genera intervenciones tutoriales personalizadas orientadas no solo a la resolución de tareas, sino al fortalecimiento de estrategias metacognitivas efectivas. La evaluación se llevó a cabo mediante un diseño cuasi-experimental en un curso universitario de estadística aplicada, comparando un grupo experimental que utilizó SARA con un grupo de control que empleó un sistema adaptativo centrado únicamente en el conocimiento del dominio. Los resultados evidencian que los estudiantes que interactuaron con SARA obtuvieron mayores ganancias de aprendizaje, mostraron mejoras significativas en conductas objetivas de autorregulación y reportaron un uso más frecuente de estrategias autorreguladas. Asimismo, el modelo bayesiano integrado presentó una mayor precisión predictiva respecto al desempeño estudiantil. En conjunto, los hallazgos confirman que la incorporación de modelos computacionales de autorregulación en sistemas de tutoría inteligente constituye un avance relevante para el desarrollo de aprendizajes profundos, autónomos y sostenibles en la educación universitaria.
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
The journal provides immediate open access to all its content on the principle of making research freely available to the public to support a greater global exchange of knowledge.
In this way, the reader can access all the contents of the journal from the moment of publication without cost or obligation to subscribe.
The journal is licensed under the Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)license agreement .
Cómo citar
Referencias
Anderson, T., & Shattuck, J. (2012). Design-based research: A decade of progress in education research? Educational Researcher, 41(1), 16–25. https://doi.org/10.3102/0013189X11428813
Azevedo, R., Harley, J., Trevors, G., Duffy, M., Feyzi-Behnagh, R., Bouchet, F., & Landis, R. (2013). Using trace data to examine the complex roles of cognitive, metacognitive, and emotional self-regulatory processes during learning with multi-agent systems. In R. https://doi.org/10.1007/978-1-4419-5546-3_28
Azevedo & V. Aleven (Eds.), International handbook of metacognition and learning technologies (pp. 427–449). Springer. https://doi.org/10.1007/978-1-4419-5546-3_28
Azevedo, R., & Aleven, V. (Eds.). (2013). International handbook of metacognition and learning technologies. Springer. https://doi.org/10.1007/978-1-4419-5546-3
Broadbent, J., & Poon, W. L. (2015). Self-regulated learning strategies and academic achievement in online higher education learning environments: A systematic review. The Internet and Higher Education, 27, 1–13. https://doi.org/10.1016/j.iheduc.2015.04.007
Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. https://doi.org/10.1007/BF01099821
Csikszentmihalyi, M., & Nakamura, J. (2014). The dynamics of intrinsic motivation. In M. Csikszentmihalyi, Flow and the foundations of positive psychology (pp. 175–197). Springer. https://doi.org/10.1007/978-94-017-9088-8_12
Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918. https://doi.org/10.1037/a0037123
Millán, E., Loboda, T., & Pérez-de-la-Cruz, J. L. (2010). Bayesian networks for student model engineering. Computers & Education, 55(4), 1663–1683. https://doi.org/10.1016/j.compedu.2010.07.010
Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, Article 422. https://doi.org/10.3389/fpsyg.2017.00422
Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann.
Pintrich, P. R., Smith, D. A., García, T., & McKeachie, W. J. (1991). A manual for the use of the Motivated Strategies for Learning Questionnaire (MSLQ). National Center for Research to Improve Postsecondary Teaching and Learning.
Roll, I., Aleven, V., McLaren, B. M., & Koedinger, K. R. (2011). Improving students’ help-seeking skills using metacognitive feedback in an intelligent tutoring system. Learning and Instruction, 21(2), 267–280. https://doi.org/10.1016/j.learninstruc.2010.07.004
Schunk, D. H., & Zimmerman, B. J. (Eds.). (2011). Handbook of self-regulation of learning and performance. Routledge. https://doi.org/10.4324/9780203839010