logo móvil
Contáctanos

Identificación de la Confusión de los Estudiantes en un Foro de MOOC a Través de Dominios Usando Aprendizaje Profundo de Transferencia Explicable

Autores: Alsuhaimi, Rahaf; Almatrafi, Omaima

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Identificación de la Confusión de los Estudiantes en un Foro de MOOC a Través de Dominios Usando Aprendizaje Profundo de Transferencia Explicable


Categoría

Gestión y administración

Subcategoría

Gestión de la tecnología y la inovación

Palabras clave

Cursos masivos abiertos en línea
Cursos en línea especializados
Foros de discusión
Aprendizaje profundo por transferencia
Detección de confusión
Tasa de abandono

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
Los Cursos Masivos Abiertos en Línea (MOOCs) ofrecen cursos en línea altamente especializados y han atraído a casi 10 millones de estudiantes en todo el mundo para participar en diversos programas educativos. Estas plataformas proporcionan foros de discusión que permiten a los estudiantes interactuar tanto con sus compañeros como con los instructores, facilitando el intercambio de ideas y la búsqueda de asistencia, respectivamente. Sin embargo, debido a la considerable proporción de participantes por instructor, ciertas publicaciones pueden quedar sin respuesta. Abordar la confusión de los estudiantes es crucial. Este estado emocional, que a menudo se experimenta durante el proceso de aprendizaje, requiere apoyo inmediato para prevenir posibles deserciones. Este documento propone la aplicación de un método de aprendizaje profundo por transferencia para automatizar la clasificación de publicaciones de discusión en línea basándose en indicadores de confusión utilizando el conjunto de datos Stanford MOOCPost. El enfoque implica crear un modelo de aprendizaje profundo explicable y adaptable a través del aprendizaje por transferencia basado en redes en múltiples dominios educativos. Este modelo supera a los métodos de referencia, logrando una precisión promedio del 91%. Además, el uso de técnicas de aumento de datos mejora la generalización del modelo, resultando en una mejora del 11% en la puntuación F1. Para mitigar la opacidad inherente de los modelos implementados, se integran técnicas de Explicación Local Interpretable Model-Agnostic y Explicación Aditiva de Shapley. Estas explicaciones evalúan la fiabilidad de las características y proporcionan información adicional sobre la detección de confusión. Al identificar publicaciones confusas, este trabajo ayuda a los instructores a ofrecer respuestas oportunas, resolver la confusión de los estudiantes, proporcionar una visualización precisa de las palabras clave que contribuyen y reducir la tasa de deserción. Este enfoque proactivo asegura una continuación más fluida del proceso de aprendizaje, mejorando así la satisfacción del estudiante con la experiencia educativa.

Otros recursos que podrían interesarte

Temas Virtualpro