estilos de aprendizaje

1. Identificación de Estilos de Aprendizaje en Alumnos
Universitarios de Computación de la Huasteca Hidalguense
mediante Técnicas de Minería de Datos
ESCUELA SUPERIOR HUEJUTLA
Felipe de Jesús Núñez Cárdenas

2. Resumén
Una forma de lograr mejores resultados en la
impartición de la enseñanza consiste en detectar los
estilos de aprendizaje de los alumnos con la finalidad
de implementar estrategias didácticas acordes a la
manera de aprender de ellos. Esta investigación se
centra en la aplicación de técnicas de minería de datos
para descubrir las combinaciones de estilos de
aprendizaje mostradas por estudiantes de educación
superior de computación o áreas afines, en la región
de la Huasteca Hidalguense.

3. Objetivo
Identificar estilos de aprendizaje de
estudiantes universitarios de carreras de
Computación o áreas afines de la
Huasteca Hidalguense mediante Técnicas
de Minería de Datos.

4. Problema
Describir los estilos de aprendizaje en los
alumnos que cursan carreras de
computación o afines en la Huasteca
Hidalguense, el proyecto consiste en la
investigación, elaboración y desarrollo de
una propuesta de un modelo operativo
viable para solucionar problemas de
aprendizaje en estos alumnos.

5. Estado del Arte
Keefé llama la atención cuando revela que
los estilos cognitivos tienen mayor
relevancia en la actualidad por el interés que
los docentes manifiestan con la idea
relacionada ¿cómo aprenden los alumnos?
A esta nueva idea se le llamo estilos de
aprendizaje

6. Estado del Arte
Los estilos de aprendizaje inciden en el
rendimiento académico de los
estudiantes universitarios y los estilos
de aprendizaje son diferentes para
alumnos de diferentes especialidades
de Ingeniería (Figueroa Nancy, 2005),
para esta aseveración se utilizo el
modelo de Felder y Brent (Richard,
2002)

7. Estado del Arte
Establecía una relación directa entre
estos y el reconocimiento de las
posibles estrategias pedagógicas que
favorezcan la comprensión de la
asignatura (Correa, 2006), para este
trabajo se tomo el modelo Honey Alonso
y el cuestionario CHAEA como
instrumento para recabar de la
información de los alumnos

8. Estado del Arte
Argentina tenemos “Identificación de
Estilos de Aprendizaje dominantes en
Alumnos de Informática” realizado en el
2006 y “Minería de Datos para describir
estilos de Aprendizaje” en el 2007,
realizados por Rossana Constaguta en
la Universidad Nacional de Santiago del
Estero en Argentina.

9. Estado del Arte
En el año 2010 en Coahuila, México,
Juan Ramón Olague Sánchez y
Sócrates Torres Ovalle desarrollan el
proyecto “Aplicación de Técnicas de
Minería de Datos y Sistemas de Gestión
de Contenidos de Aprendizaje para el
Desarrollo de un Sistema Informático de
Aprendizaje de Programación de
Computadoras”

10. Fundamento Teórico
La teoría de Felder-Silverman, según esta
teoría existen cuatro dimensiones
sensorial/intuitiva, visual/verbal,
secuenciales/globales y la activo/reflexivo.

11. Fundamento Teórico
La Teoría de Kolb (Kolb, 1984) maneja las
cuatro dimensiones de aprendizaje, la
afectiva, perceptiva, simbólica y
comportamental

12. Fundamento Teórico
El modelo desarrollado por Neil Fleming y
Collen Mills llamado VARK toma el nombre
por las siglas en inglés de las modalidades
sensoriales que identificaron: visual,
auditivo, lectura/escritura y quinésico.

13. Fundamento Teórico
La minería de datos, es un campo de las ciencias
de la computación referido al proceso que intenta
descubrir patrones en grandes volúmenes de
conjuntos de datos. Utiliza los métodos de la
inteligencia artificial, aprendizaje
automático, estadística y sistemas de bases de
datos

14. Fundamento Teórico
Técnicas de Minería de Datos
• Redes Neuronales
• Arboles de Decisión
• Algoritmos Genéticos
• Clustering o Agrupamiento
• Aprendizaje Automático

15. Marco Metodológico
Metodologia CRISP

16. Resultados
1.- Comprensión del Caso de Estudio

17. Población y Muestra
Institución Carrera Periodo Lectivos Grupos Actuales
Universidad
Tecnológica de la
Huasteca Hidalguense
ingeniería en Tecnologías
de la Información y
Comunicación
Cuatrimestre Primeros 7 grupos
Cuartos 6 grupos
Séptimos 3 grupos
Decimos 2 grupos
Instituto Tecnológico de
Huejutla
Ingeniería en Sistemas
Computacionales
Semestre Primeros 2 grupos
Terceros 2 grupos
Licenciatura en
Informática
Semestre Quintos 2 grupo
Séptimos 2 grupo
Novenos 2 grupos
Escuela Superior
Huejutla
Licenciatura en Sistemas
Computacionales
Semestre Primero 2 grupos
Segundo 1 grupo
Tercero 2 grupo
Cuarto 1 grupo
Quinto 1 grupo
Sexto 1 grupo
Séptimo 2 grupos
Octavo 1 grupo
Noveno 1 grupo

18. Instrumento
Cuestionario VARK, esta conformado
por 16 preguntas con cuatro opciones
cada una, las cuales representa cada
una de las modalidades, el alumno
puede responder una o más opciones, o
dejar en blanco si no aplica a sus
preferencias

19. Instrumento
Está ayudando a una persona que desea ir al
aeropuerto, al centro de la ciudad o a la estación del
ferrocarril. Ud.:
a) iría con ella.
b) le diría cómo llegar.
c) le daría las indicaciones por escrito (sin un
mapa).
d) Le daría un mapa

20. Resultados
2.- Comprensión de los Datos

21. Evaluación del Instrumento

22. Evaluación del Instrumento

23. Marco Metodológico
Evaluación del Cuestionario
Total de V´s marcadas =
Total de A´s marcadas =
Total de R´s marcadas =
Total de K´s marcadas =
( 5,6,7,8 ) que significa que en el
cuestionario evaluado se encontró 5 V, 6
A, 7 R y 8K respectivamente

24. Resultados
3.- Preparación de los Datos

25. Método y Herramienta
WEKA

26. Resultados
4.- Modelado

27. Técnica
Para esta investigación se decidió utilizar
tareas de minería de datos del tipo
descriptivo. En particular, se aplicó
clustering para identificar subgrupos
homogéneos dentro de la muestra de
estudiantes encuestada.

28. Técnica
Se seleccionó la opción Clúster, además,
se optó por el algoritmo kmeans por
tratarse de un problema de k centros,
Para detectar los estilos de aprendizaje
dominantes se decidió mantener en cuatro
la cantidad de clústers a generar.

29. Corrida del Modelo

30. Resultados
5.- Evaluación

31. Evaluación
En la construcción del modelo Kmeans,
de las 850 registros que formaba
nuestra vista minable, Weka tomó 671
instancias (78%) para construir el
modelo y 179 instancias (21%) para
probarlo, con una precisión del 77%.

32. Evaluación

33. Resultados
6.- Despliegue

34. Despliegue

35. Conclusiones
Los resultados obtenidos muestran una
tendencia de los alumnos de
computación dentro de las tres
instituciones de educación Superior
analizadas es el estilo de aprendizaje
Quinésico como el dominante.

36. Conclusiones
Se pueden observar varios multimodal o
combinaciones de estilos que manejan
los alumnos tal son los caso de del
mutimodal Visual /Quinésico, o del
Auditivo / Visual / Quinésico, y
Lectura/Escritura / Quinésico

37. Trabajos Futuros
Desarrollo de material didáctico y guías
didácticas de las materias con mas alto
índice de reprobación enfocadas a este
estilo de aprendizaje.

38. Trabajos Futuros
Se aplicarán técnicas de predicción con
algoritmos de arboles de decisión y K
vecinos mas cercanos, con la finalidad
de predecir no solamente estilos de
aprendizaje, sino inclusive la
permanencia de los alumnos dentro de
las instituciones.