Art\u00edculo en PDF<\/a><\/p>\nInvestigaciones recientes hacen hincapi\u00e9 en la necesidad de estudiar a mayor profundidad las trayectorias escolares desplegadas por los estudiantes a lo largo de su proceso formativo (recorrido que sigue un alumno desde su ingreso, estancia y egreso), (1-3) con el fin de prevenir la deserci\u00f3n escolar y mejorar el aprendizaje de los estudiantes.<\/p>\n
La deserci\u00f3n escolar resulta de un proceso en el que intervienen m\u00faltiples factores y causas, caracter\u00edsticos de los ni\u00f1os y j\u00f3venes y de sus situaciones socioecon\u00f3micas (factores extraescolares), y otros m\u00e1s asociados a las insuficiencias del propio sistema educativo (factores intraescolares) como problemas de desempe\u00f1o escolar: bajo rendimiento, mala conducta y problemas asociados a la edad. (4,5)<\/p>\n
Para dimensionar la gravedad del problema de deserci\u00f3n escolar en M\u00e9xico, durante el ciclo 2008-2009, de 3,923,822 estudiantes que se inscribieron en el nivel medio superior, 622830 desertaron, es decir, 3114 alumnos por d\u00eda escolar h\u00e1bil. (6) El problema no es exclusivo de M\u00e9xico ni del nivel medio y superior. La Comisi\u00f3n Econ\u00f3mica para Am\u00e9rica Latina y el Caribe (CEPAL) reporta elevadas tasas de deserci\u00f3n escolar en Latinoam\u00e9rica, cerca de 37% de los adolescentes latinoamericanos abandona sus estudios una vez completada la secundaria. (7)<\/p>\n
Los problemas de aprendizaje no surgen de improviso, (8) de ah\u00ed la importancia de analizar las trayectorias escolares de los estudiantes, con el fin de implementar acciones preventivas y de promoci\u00f3n de los h\u00e1bitos de estudio.<\/p>\n
Debido a lo anterior, el Instituto de Ciencias de la Educaci\u00f3n, de los Estados Unidos, recomienda personalizar el entorno de aprendizaje y el proceso de instrucci\u00f3n de los estudiantes. (2) Estas investigaciones sugieren tecnolog\u00edas que permitan al estudiante mayor acceso al curr\u00edculum que deben cubrir, que les ayude a fijar sus propios objetivos, y generen actividades de aprendizaje que se ajusten a sus habilidades espec\u00edficas, sujetas a su disponibilidad de tiempo y preferencias de estudio. Considerar los diferentes recursos y restricciones del sistema educativo, les facilitar\u00eda el proceso de aprendizaje a trav\u00e9s del tiempo, y se tratar\u00e1 de prevenir as\u00ed la deserci\u00f3n escolar. Para impulsar el progreso de tal tecnolog\u00eda, nuestra investigaci\u00f3n propone el dise\u00f1o, desarrollo y uso de modelos educativos con la planificaci\u00f3n de inteligencia artificial, que nos permitan capturar la informaci\u00f3n necesaria para construir y organizar trayectorias personalizadas de aprendizaje (planes educativos). Estas trayectorias de aprendizaje consisten en las tareas que promover\u00e1n el aprendizaje de los estudiantes<\/p>\n
El prop\u00f3sito es que dichas trayectorias de aprendizaje (representadas como planes) funjan como la columna vertebral que agrupe los objetivos de aprendizaje que los estudiantes deben cumplir a lo largo de sus estudios, junto con las acciones educativas necesarias para lograrlos.<\/p>\n
Entre los trabajos encontrados, en un intento de personalizaci\u00f3n de la educaci\u00f3n, se encuentran aquellos relacionados con los sistemas gestores de aprendizaje (LMS, por sus siglas en ingl\u00e9s). Los trabajos m\u00e1s recientes en esta \u00e1rea se han concentrado en modelar trayectorias de aprendizaje con est\u00e1ndares E-Learning. (9) Los modelos generados a trav\u00e9s de estos est\u00e1ndares, al igual que los propuestos por nuestra investigaci\u00f3n, consideran propiedades afines que deben generar correctamente trayectorias de aprendizaje, como duraci\u00f3n en las actividades de aprendizaje, (10-13) y las restricciones en los recursos educativos. (14-16)<\/p>\n
Sin embargo, la principal diferencia de nuestro trabajo, con respecto a los presentes en la bibliograf\u00eda, es que nuestros modelos no se encuentran acotados por las propiedades consideradas por los est\u00e1ndares E-Learning. Nuestro trabajo modela directamente trayectorias de aprendizaje con lenguajes declarativos de planificaci\u00f3n inteligente, lo cual simplifica la tecnolog\u00eda al eliminar la compilaci\u00f3n entre los est\u00e1ndares ELearning y los de planificaci\u00f3n. De manera que tenemos tres ventajas principales sobre otros trabajos: a) nos permite considerar propiedades no presentes en otros modelos, al enriquecer a\u00fan m\u00e1s nuestros modelos educativos de planificaci\u00f3n con\u00a0preferencias de usuarios y m\u00e9tricas complejas de acumulaci\u00f3n de objetivos; b) nos permite utilizar algoritmos de planificaci\u00f3n existentes, (17) al obtener soluciones diferentes que puede analizarlas el tomador de decisiones; y c) nos permite realizar un primer an\u00e1lisis de aquellas propiedades que tienden a incrementar la complejidad de soluci\u00f3n de los modelos educativos de planificaci\u00f3n, con el fin de generar, en un futuro cercano, algoritmos m\u00e1s eficientes para su soluci\u00f3n.<\/p>\n
Importa comentar que los modelos que generamos son flexibles en el sentido en que pueden servir como base para incluirse en los LMS, ya que las propiedades m\u00e1s importantes que utilizan los LMS para describir actividades de aprendizaje (duraci\u00f3n, recursos, scores) est\u00e1n impl\u00edcitas en nuestros modelos. Adem\u00e1s, las m\u00e9tricas de calidad que dise\u00f1amos pueden modificarse f\u00e1cilmente, para capturar diferentes funciones de calidad que los LMS consideren.<\/p>\n
DESCRIPCI\u00d3N DEL MODELO <\/strong><\/p>\nPara poder generar trayectorias de aprendizaje, necesitamos primero dise\u00f1ar y desarrollar modelos educativos de planificaci\u00f3n. Para desarrollar tales modelos, proponemos t\u00e9cnicas de planificaci\u00f3n inteligente (18) que nos permitan capturar las materias y temas de un curr\u00edculum educativo, las actividades de aprendizaje y las relaciones entre ellas, los recursos del sistema, y m\u00e9tricas para evaluaci\u00f3n. A continuaci\u00f3n describimos formalmente las caracter\u00edsticas de nuestros modelos.<\/p>\n
Modelo<\/strong><\/p>\nUn modelo educativo se visualiza como una red jer\u00e1rquica de tareas J con los siguientes elementos: <m, t,=\u00bb\u00bb s,=\u00bb\u00bb a=\u00bb\u00bb>.<\/p>\n
Donde M es un conjunto de materias que el estudiante debe satisfacer como parte de su plan de estudios; T es un conjunto de temas que mantiene una relaci\u00f3n jer\u00e1rquica \u00fanica\u00a0B t,m<\/sub>, donde t \u2208 T y m \u2208 M. S es un conjunto de subtemas que mantiene una relaci\u00f3n jer\u00e1rquica \u00fanica C s,t<\/sub>, donde s \u2208 S y t \u2208T, y A es el conjunto de actividades de aprendizaje que el estudiante pudiera seleccionar, y que a su vez mantiene una relaci\u00f3n jer\u00e1rquica La,s<\/sub>, donde cada a \u2208 A y s \u2208 S. Cada actividad a se define con la tupla a= <ga<\/sub>, da<\/sub>,ra<\/sub>> , donde ga<\/sub> ejemplifica el score obtenido por el estudiante, si la actividad se completa exitosamente. Todo elemento ga<\/sub> lo define {ga<\/sub> \u2208\u039d | ga<\/sub> \u2265 0 \u2227 ga <\/sub>\u2264 100}. ga<\/sub> representa el tiempo estimado para realizar la actividad da<\/sub> , mientras que ra<\/sub> representa el recurso educativo asignado para que la activada a pueda llevarse a cabo.<\/p>\nAdem\u00e1s de las relaciones jer\u00e1rquicas entre los nodos de la red, tambi\u00e9n modelamos relaciones de precedencia (ambos tipos de relaciones pueden visualizarse en la figura 2). Una relaci\u00f3n de precedencia entre materias se define como:<\/p>\n
RM<\/sub>={(\u03b1, \u03b2)|\u03b1, \u03b2 \u2208 M \u2227\u03b1 \u2260 \u03b2 M} , donde se indica que la materia \u03b1 precede a la materia \u03b2. Es decir, para que el estudiante tome la materia \u03b2 necesita haber obtenido los conocimientos de la materia \u03b1.<\/p>\nDe manera an\u00e1loga, tenemos la relaci\u00f3n de precedencia entre temas, esta relaci\u00f3n se define como:<\/p>\n
RT<\/sub> = {(\u03c7 ,\u03b4)| \u03c7, \u03b4 \u2208 T \u2227 \u03c7 \u2260 \u03b4}, donde un tema \u03b4, de una determinada materia m, no puede estudiarse si no se ha cubierto un tema \u03c7 anterior. Se asume que el primer tema de una materia no tiene predecesores.<\/p>\nLa relaci\u00f3n de precedencia entre subtemas se define como:<\/p>\n
RS<\/sub> = {(\u03b5 ,\u03c6)|\u03b5,\u03c6 \u2208 S \u2227 \u03b5 \u2260 \u03c6} , donde se indica que ninguna actividad de aprendizaje \u03b1 que pertenece al subtema \u03c6 ha realizarse si antes no se realiza, al menos, una actividad de aprendizaje\u03b1 del subtema anterior \u03b5 . Adem\u00e1s, de lo anterior existe una relaci\u00f3n CS,t<\/sub>.<\/p>\nLa relaci\u00f3n de precedencia entre actividades de aprendizaje se define como:<\/p>\n
RA<\/sub> ={(\u03ba,\u03bb)|\u03ba,\u03bb \u2208A\u2227 \u03ba \u2260\u03bb}, donde se indica que la actividad de aprendizaje \u03ba precede a la actividad \u03bb. A diferencia de los temas y subtemas, las actividades de aprendizaje pueden o no tener precedencia impl\u00edcita entre ellas.<\/p>\nM\u00e9trica de acumulaci\u00f3n de calidad<\/strong><\/p>\nNuestro problema requiere que cada actividad de aprendizaje reporte el score ga <\/sub>obtenido por el estudiante; es decir, la calidad con la que se realiz\u00f3 la actividad. Estos scores<\/em> se propagan por la jerarqu\u00eda de tareas para determinar su contribuci\u00f3n a la calidad total de otros nodos de la red, como los subtemas, temas y materias. La propagaci\u00f3n de estos valores se realiza al utilizar ponderaciones. Estas ponderaciones dan al usuario la libertad de asignar una mayor importancia a un determinado tema o subtema en el modelo. Cada tema posee una ponderaci\u00f3n ft<\/sub> ; y cada subtema, una ponderaci\u00f3n es<\/sub> ; ambas ponderaciones toman valores en el intervalo [0.1].<\/p>\nSoluci\u00f3n<\/strong><\/p>\nUna soluci\u00f3n P donde P \u2286 A es una secuencia de actividades de aprendizaje {a1<\/sub> ,a2<\/sub>,…,an<\/sub> } seleccionadas para el estudiante, que satisfacen la siguiente restricci\u00f3n:<\/p>\n![\"ecuacion_hm\"](\"http:\/\/cienciauanl.uanl.mx\/wp-content\/uploads\/2016\/03\/ecuacion_hm.jpg\")
<\/p>\n
Donde hm <\/sub>es una constante que indica la calificaci\u00f3n m\u00ednima requerida para aprobar una materia. Es decir, no se seleccionar\u00e1n todas las actividades que un instructor\/profesor haya dise\u00f1ado para la materia, sino aqu\u00e9llas que satisfagan la acumulaci\u00f3n de score<\/em> requerido por el usuario (la constante de calificaci\u00f3n m\u00ednima). De manera que la cantidad de actividades de aprendizaje que contenga dicha soluci\u00f3n se acota a la satisfacci\u00f3n de acumulaci\u00f3n de score<\/em>.<\/p>\nCodificaci\u00f3n del modelo educativo <\/strong><\/p>\nEl modelo educativo propuesto en la secci\u00f3n anterior lo codificamos con PDDL (Planning Domain Definition Language),19 el cual es un lenguaje declarativo (y est\u00e1ndar) para codificar dominios de planificaci\u00f3n. El algoritmo de planificaci\u00f3n toma entonces estos modelos y genera, como soluci\u00f3n, un plan (en nuestro caso una secuencia ordenada de actividades de aprendizaje). Observamos gr\u00e1ficamente el proceso de planificaci\u00f3n en la figura 1.<\/p>\n
![\"fig_1_proceso_planificacion\"](\"http:\/\/cienciauanl.uanl.mx\/wp-content\/uploads\/2016\/03\/fig_1_proceso_planificacion.jpg\")
<\/p>\n
Las materias, temas, subtemas y actividades de aprendizaje se modelan a trav\u00e9s de predicados de PDDL, en las que un predicado representa las relaciones entre los objetos que conforman el modelo.20<\/p>\n
Los predicados que representan las relaciones de jerarqu\u00eda son: \u201cisPartOfSubtheme\u201d para la relaci\u00f3n La,s<\/sub>, \u201cisPartOfTheme\u201d para la relaci\u00f3n Ca,s<\/sub> \u00a0y \u201cisPartOfSubject\u201d para la relaci\u00f3n B t,m<\/sub> [21].<\/p>\nAsimismo, para representar en PDDL las actividades de aprendizaje que el estudiante debe realizar para satisfacer los objetivos de aprendizaje, se modelan acciones, funciones de transici\u00f3n que nos permiten cambiar el estado actual de la materia, como el score acumulado y los objetivos realizados. Estas acciones se especifican con el nombre de la acci\u00f3n, las\u00a0condiciones previas que debe haber para aplicar la acci\u00f3n y efectos que cambian la situaci\u00f3n del mundo.<\/p>\n
Ahora, para representar la tupla a= <ga<\/sub> ,da<\/sub>,ra<\/sub>> utilizamos funciones num\u00e9ricas, las cuales se construyen como operadores aritm\u00e9ticos de expresiones num\u00e9ricas primitivas, con sintaxis prefija. De manera que para modelar ga<\/sub> se utiliza la funci\u00f3n num\u00e9rica \u201cvalueLA\u201d. Esta funci\u00f3n se utiliza como parte del efecto de las acciones de las actividades de aprendizaje. De manera similar, para la duraci\u00f3n de una actividad de aprendizaje da<\/sub> se modela a trav\u00e9s de la cl\u00e1usula de \u201cduration\u201d de las acciones de actividades de aprendizaje con la funci\u00f3n num\u00e9rica \u201cDurationLA\u201d. Y por \u00faltimo, para describir los recursos ra<\/sub> utilizamos el predicado \u201cKindResourceLO\u201d para el tipo de recursos asociado a la actividad de aprendizaje y la funci\u00f3n num\u00e9rica \u201cquantity-resource\u201d para la cantidad de estos recursos.<\/p>\nSi lo que se modela son las relaciones de precedencia, en PDDL, se realiza a trav\u00e9s de condiciones previas en las acciones. De manera que para representar la relaci\u00f3n Rs<\/sub> modelamos la condici\u00f3n (> (score ?req ?s) (* (amount-in-subtheme ?oa) (percentSubtheme ?req))), la cual es una conjunci\u00f3n de funciones num\u00e9ricas.<\/p>\nLa funci\u00f3n num\u00e9rica \u201camount-in-subtheme\u201d indica la preferencia del usuario con respecto a la cantidad de score que debe acumular un subtema anterior.<\/p>\n
Para la acumulaci\u00f3n de calidad, el score ga<\/sub> de una actividad de aprendizaje, se modela en PDDL con la funci\u00f3n num\u00e9rica \u201cvalueLA\u201d. Asimismo, las ponderaciones \u00a0f t<\/sub> y e s<\/sub> se representan con las funciones num\u00e9ricas \u201cpercentTheme\u201d y \u201cpercentSubtheme\u201d, respectivamente.<\/p>\nEvaluaci\u00f3n del modelo educativo <\/strong><\/p>\nEl dise\u00f1o de nuestros experimentos se enfoca en evaluar dos de las caracter\u00edsticas que creemos m\u00e1s importantes, si deseamos que la tecnolog\u00eda escale a problemas del mundo real, es decir, que las materias de un plan de estudios que un estudiante curse en un ciclo escolar puedan modelarse en su totalidad y\u00a0los algoritmos de planificaci\u00f3n puedan ser capaces de dar soluci\u00f3n (generar planes \u2013trayectorias de aprendizaje\u2013). Esto con la finalidad de que los utilicen los estudiantes y tratar as\u00ed, cn base en las investigaciones que favorecen la personalizaci\u00f3n de la educaci\u00f3n, mejorar su rendimiento escolar y de alguna manera atacar una de las causas de la deserci\u00f3n escolar.<\/p>\n
Las primeras caracter\u00edsticas a evaluar en los modelos educativos de planificaci\u00f3n es la densidad de actividades de aprendizaje y el tama\u00f1o de la jerarqu\u00eda en el modelo. La segunda es la densidad en las relaciones de precedencia entre las actividades de aprendizaje y los nodos de la red educativa. Se asumi\u00f3 para el proceso de modelaci\u00f3n un \u00fanico estudiante, y que los recursos asociados a las actividades de aprendizaje son ilimitados.<\/p>\n
Se definieron tres clases de problemas basados en el tama\u00f1o de la red: la clase peque\u00f1a comprende de uno a tres temas, subtemas y actividades de aprendizaje. La clase mediana considera de cuatro a cinco el n\u00famero de hijos en la jerarqu\u00eda de los nodos en la red, y la grande eleva el n\u00famero de hijos de entre seis a siete. Esto nos da como resultado, en un \u00e1rbol jer\u00e1rquico completo, un total de 27 actividades de aprendizaje para la clase peque\u00f1a, 125 para la clase mediana y 343 para la grande, para el valor m\u00e1ximo de los rangos que comprenden las clases por materia.<\/p>\n
La funci\u00f3n objetivo establecida en los modelos educativos de planificaci\u00f3n propuestos es minimizar el tiempo total (makespan) de la soluci\u00f3n (plan). Es decir, obtener la trayectoria de aprendizaje que, en el menor tiempo posible, le garantice al estudiante la aprobaci\u00f3n de los objetivos de aprendizaje contenidos en el modelo educativo.<\/p>\n
Se desarroll\u00f3 un generador de instancias aleatorias en lenguaje C, el cual gener\u00f3 30 instancias (modelos) por materia, y se consideraron hasta cinco materias por clase. Los modelos se generan con y sin requerimientos de precedencia para evaluar las dos caracter\u00edsticas principales de nuestro dise\u00f1o de experimentos, densidad en la jerarqu\u00eda de la red, y densidad en las relaciones internodos. En total se generaron 900 modelos de prueba con esta metodolog\u00eda.<\/p>\n
El algoritmo de planificaci\u00f3n seleccionado para evaluar nuestros modelos es SGPlan. (22) Seleccionamos SGPlan, porque este algoritmo soporta todas las propiedades de nuestros modelos educativos de planificaci\u00f3n, y fue el que mejor se comport\u00f3 en nuestras pruebas. SGPlan particiona un problema grande de planificaci\u00f3n (como el nuestro) en subproblemas. Cada subproblema contiene sus propios subobjetivos que deben satisfacerse, pero al particionar el espacio de b\u00fasqueda se reduce exponencialmente la complejidad de soluci\u00f3n con respecto al problema original. (22)<\/p>\n
Al analizar cuidadosamente nuestros modelos observamos que, aunque las redes jer\u00e1rquicas que estos representan son densas, los objetivos de aprendizaje por materia son en realidad independientes. Es decir, la t\u00e9cnica de SGPlan de particionar el problema original en subproblemas es de vital importancia para resolver nuestros modelos educativos de planificaci\u00f3n. No es de extra\u00f1arse entonces que SGPlan haya sido el algoritmo que resolvi\u00f3 m\u00e1s problemas en nuestra evaluaci\u00f3n.<\/p>\n
En la figura 3 se muestran los porcentajes de instancias resueltas por SGPlan, al ejecutarse en un servidor HP DL360P G8, con dos procesadores Intel E5-2630 de seis n\u00facleos a 2.3Ghz y 16GB de RAM. Observamos que a medida que los modelos crecen en n\u00famero de materias, la efectividad de SGPlan para resolver dichos modelos disminuye. Creemos que el principal problema con los modelos educativos de planificaci\u00f3n densos, no es en s\u00ed el n\u00famero de actividades de aprendizaje que contienen, sino el proceso de propagaci\u00f3n de la calidad de las actividades para determinar, por parte de los algoritmos, cu\u00e1les generan un mayor beneficio (impacto) a la calidad total de la trayectoria de aprendizaje. Este comportamiento se acent\u00faa en modelos con requerimientos, ya que al introducirlos, el proceso de propagaci\u00f3n de nuestras m\u00e9tricas se vuelve m\u00e1s complejo por el incremento en la combinatoria del problema. Observamos que, en instancias grandes, SGPlan solamente pudo resolver 3% de los modelos generados con requerimientos.<\/p>\n
Conclusiones <\/strong><\/p>\nEn este trabajo desarrollamos modelos educativos a trav\u00e9s de la planificaci\u00f3n de inteligencia artificial, con el est\u00e1ndar PDDL que capturan las propiedades que consideramos m\u00e1s importantes de un plan de estudios (materias), necesarios para generar trayectorias de aprendizaje para estudiantes. Los modelos generados constituyen un primer paso en el desarrollo de tecnolog\u00edas educativas que permitan la personalizaci\u00f3n de la educaci\u00f3n; un factor potencial, seg\u00fan investigaciones recientes,\u00a0para disminuir una de las causas de la deserci\u00f3n escolar que es el bajo rendimiento acad\u00e9mico. Los modelos generados consideran actividades de aprendizaje y su jerarqu\u00eda con respecto a temas y subtemas; la duraci\u00f3n y los recursos asociados a las mismas, m\u00e9tricas de acumulaci\u00f3n de calidad y diversas ponderaciones de estas m\u00e9tricas por los elementos del modelo. Importa remarcar que todas estas caracter\u00edsticas en su conjunto no se han modelado en los trabajos encontrados.<\/p>\n
La evaluaci\u00f3n de nuestros modelos permiti\u00f3 identificar dos factores importantes que tienden a aumentar la complejidad de soluci\u00f3n de los mismos. El primero se relaciona con la cantidad de materias y actividades de aprendizaje modeladas, es decir, la escalabilidad del modelo. El segundo factor corresponde a las dependencias entre los elementos de las materias (interconectividad). A mayor cantidad de nodos y requerimientos en los modelos, menor es el porcentaje de efectividad de los algoritmos de planificaci\u00f3n. Creemos tambi\u00e9n que la propagaci\u00f3n de las m\u00e9tricas relacionadas a los scores obtenidos por los estudiantes incrementa sustancialmente la complejidad de soluci\u00f3n de nuestros modelos.<\/p>\n
Los modelos desarrollados en esta investigaci\u00f3n, as\u00ed como los factores de complejidad identificados, permitir\u00e1n dise\u00f1ar algoritmos m\u00e1s eficientes de planificaci\u00f3n. Parte de nuestro trabajo futuro consistir\u00e1 en desarrollar funciones heur\u00edsticas que permitan estimar eficientemente el impacto de las actividades de aprendizaje en las soluciones generadas.<\/p>\n
RESUMEN <\/strong><\/p>\nInvestigaciones recientes sugieren que uno de los factores m\u00e1s importantes para disminuir la deserci\u00f3n escolar y mejorar el desempe\u00f1o de los estudiantes es dise\u00f1ar tecnolog\u00edas educativas que permitan personalizar trayectorias de aprendizaje. Un primer paso es dise\u00f1ar y desarrollar modelos educativos que capturen las complejas propiedades del entorno acad\u00e9mico del estudiante. Nosotros desarrollamos modelos educativos con t\u00e9cnicas avanzadas de planificaci\u00f3n de inteligencia artificial para generar trayectorias (planes) de aprendizaje personalizados. El an\u00e1lisis y evaluaci\u00f3n de los modelos propuestos nos permiten identificar los factores que incrementan la complejidad de soluci\u00f3n de los mismos. Los resultados de esta investigaci\u00f3n permitir\u00e1n en un futuro desarrollar algoritmos m\u00e1s eficientes de planificaci\u00f3n.<\/p>\n
Palabras clave:<\/strong> Planificaci\u00f3n inteligente, PDDL, Modelaci\u00f3n computacional, Modelos educativos, Trayectorias de aprendizaje.<\/p>\nABSTRACT <\/strong><\/p>\nRecent research suggests that one of the most important factors in reducing dropout rates and improving the student\u00b4s performance is to personalize learning. In order to do so, it is required to design and develop educational models that capture the complex properties of the student\u2019s academic environment. We develop educational models using advanced planning techniques from the area of artificial intelligence to generate personalized learning trajectories (plans). The analysis and evaluation of the proposed models allow us to identify the factors that increase solution complexity. The findings of our research will facilitate, in the future, the development of more efficient planning.<\/p>\n
Keywords:<\/strong> Intelligent planning, PDDL, Computational modeling, E-learning, Learning designs.<\/p>\n*Universidad Aut\u00f3noma de Nuevo Le\u00f3n.<\/p>\n
Contacto: cristina.mayapd@uanl.edu.mx; romeo.sanchezng@uanl.edu.mx<\/p>\n
REFERENCIAS <\/strong><\/p>\n1. H. Pashler, P. Bain, B. Bottge, A. Graesser, K. Koedinger, M. Mc-Daniel, J. Metcalfe, Organizing Instruction and Study to Improve Student Learning (NCER 2007-2004), Technical Report, Washington, DC: National Center for Education Research, Institute of Education Sciences, U.S. Department of Education, 2007.<\/p>\n
2. M. Dynarski, L. Clarke, B. Cobb, J. Finn, R. Rumberger, J. Smink, Dropout Prevention: A Practice Guide (NCEE 2008-4025), Technical Report, Washington, DC: National Center for Education Evaluation and Regional Assistance, Institute of Education Sciences, U.S. Department of Education, 2008.<\/p>\n
3. Smith, Grace E., and Stephanie Throne. Differentiating instruction with technology in K-5 classrooms, International Society for Technology in Education (ISTE), 2007.<\/p>\n
4. Esp\u00edndola, E., y Le\u00f3n, A. La deserci\u00f3n escolar en Am\u00e9rica Latina: un tema prioritario para la agenda regional. Revista Iberoamericana de Educaci\u00f3n, 2002, (30), 3.<\/p>\n
5. Valdez, E.A., Rom\u00e1n, R., Cubillas, M.J. y Moreno, I. \u00bfDeserci\u00f3n o autoexclusi\u00f3n? Un an\u00e1lisis de las causas de abandono escolar en estudiantes de educaci\u00f3n media superior en Sonora, M\u00e9xico. Revista Electr\u00f3nica de Investigaci\u00f3n Educativa, 2008, (10), 1. Consultado el 09 de junio de 2004 en: http:\/\/redie.uabc.mx\/vol10no1\/ conteniod-valdez.htm<\/p>\n
6. Programa S\u00edguele, Caminemos Juntos. Acompa\u00f1amiento integral para j\u00f3venes de la educaci\u00f3n media superior. Secretar\u00eda de Educaci\u00f3n P\u00fablica. Agosto, 2011. http:\/\/www.siguele.sems.gob.mx\/<\/p>\n
7. Comisi\u00f3n Econ\u00f3mica para Am\u00e9rica Latina y el Caribe. Elevadas tasas de deserci\u00f3n escolar en Am\u00e9rica Latina. En CEPAL, Panorama Social de Am\u00e9rica Latina 2001-2002. 2003.<\/p>\n
8. Ortiz, I. y Palafox, E. Problemas de los estudiantes con relaci\u00f3n a su ingreso, trayectoria escolar y egreso. Seminarios de Diagn\u00f3stico Locales. Comisi\u00f3n Especial para el Congreso Universitario. Universidad Aut\u00f3noma de M\u00e9xico. http:\/\/www.cecu.unam.mx\/ ponsemloc\/ponencias\/1127.html.<\/p>\n
9. R. Barchino, J.M. Guti\u00e9rrez, S. Ot\u00f3n, An example of Learning Management System in: IADIS Virtual Multi Conference on Computer Science and Information Systems (MCCSIS 2005).<\/p>\n
10. L.C. Morales Reynaga. Generaci\u00f3n autom\u00e1tica de dise\u00f1os de aprendizaje: diferentes enfoques de planificaci\u00f3n. Master\u2019s thesis, Universidad de Granada, 2008.<\/p>\n
11. L.C. Morales Reynaga, Generaci\u00f3n autom\u00e1tica de dise\u00f1os de aprendizaje: diferentes enfoques de planificaci\u00f3n. Ph.D. thesis, Universidad de Granada, 2011.<\/p>\n
12. L. Castillo, L. Morales, A. Gonz\u00e1lez-Ferrer, J. Fern\u00e1ndez-Olivares, O. Garc\u00eda-P\u00e9rez, Knowledge Engineering and Planning for the Automated Synthesis of Customized Learning Designs, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (2007).<\/p>\n
13. L. Castillo, L. Morales, A. Gonz\u00e1lez-Ferrer, J. Fdez-Olivares, D. Borrajo, E. Onaindia, Automatic generation of temporal planning domains for e-learning problems, Journal of Scheduling (2010).<\/p>\n
14. A. Garrido, E. Onaindia, O. Sapena, Automated planning for personalised course composition in: Advanced Learning Technologies, 2009. ICALT 2009. Ninth IEEE International Conference on.<\/p>\n
15. A. Garrido, E. Onaindia, On the Application of Planning and Scheduling Techniques to E-learning in: 23rd Int. Conference on Industrial, Engineering& Other Applications of Applied Intelligent Systems (IEA-AIE2010).<\/p>\n
16. Garrido, A., Onaindia, E., Morales, L., Castillo, L., Fern\u00e1ndez, S., Borrajo, D.: Modeling e-learning activities in automated planning. In: Proceedings of the 3rdInternational Competition on Knowledge Engineering for Planning and Scheduling (ICKEPSICAPS 2009), pp. 18\u201327 (2009).<\/p>\n
17. ICAPS, ((Home Page ICAPS)), recurso libre, disponible en http:\/ \/ipc.icapsconference.org\/, 2013.<\/p>\n
18. Inteligencia artificial. Un enfoque moderno, Pearson Educaci\u00f3n, 2004.<\/p>\n
19. M. Fox, D. Long.PDDL2.1: An Extension to PDDL for Expressing Temporal Planning Domains. Journal of Artificial Intelligence Research. 2003. 20:61-124<\/p>\n
20. Helmert, M. Concise finite-domain representations for PDDL planning tasks. Artificial Intelligence. 2009, 173:503\u2013535<\/p>\n
21. Maya-Padr\u00f3n, C. Modelaci\u00f3n de planes de estudio usando t\u00e9cnicas avanzadas de planificaci\u00f3n, Master\u2019s thesis, Universidad Aut\u00f3- noma de Nuevo Le\u00f3n, 2013.<\/p>\n
22. Hsu, C.W. y B. W.Wah, The SGPlan Planning System in IPC-6, Association for the Advancement of Artificial Intelligence, 2008.<\/p>\n
Aceptado: 07\/05\/15<\/p>\n
Recibido: 19\/01\/15<\/p>\n","protected":false},"excerpt":{"rendered":"
CRISTINA MAYA PADR\u00d3N*, ROMEO S\u00c1NCHEZ NIGENDA* CIENCIA UANL \/ A\u00d1O 19, No. 77, ENERO-FEBRERO 2016 Art\u00edculo en PDF Investigaciones recientes hacen hincapi\u00e9 en la necesidad de estudiar a mayor profundidad las trayectorias escolares desplegadas por los estudiantes a lo largo de su proceso formativo (recorrido que sigue un alumno desde su ingreso, estancia y egreso), (1-3) con el fin de […]<\/p>\n","protected":false},"author":2,"featured_media":5501,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[27],"tags":[],"class_list":["post-5492","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5492","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5492"}],"version-history":[{"count":7,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5492\/revisions"}],"predecessor-version":[{"id":5574,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5492\/revisions\/5574"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/media\/5501"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5492"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5492"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5492"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"learn_educate\"](\"http:\/\/cienciauanl.uanl.mx\/wp-content\/uploads\/2016\/03\/learn_educate.jpg\")
<\/p>\n