Presentación de Rosa M. Carro Salas, profesora titular en el Departamento de Ingeniería Informática de la UAM: «Análisis de datos, modelado de usuario y adaptación en contextos de aprendizaje»
10_05_2019 Seminario eMadrid sobre «Tecnologías de la educación dentro y fuera del aula» / UAM
1. Análisis de Datos,
Modelado de Usuario y Adaptación
en Contextos de Aprendizaje
Rosa Mª Carro Salas
Departamento de Ingeniería Informática
Universidad Autónoma de Madrid
5. Modelado de usuario
• Aplicación o sistema adaptativo:
Motor de
adaptación
Usuario
Recursos
adaptados
Funcionalidad
adaptada
Herramientas
Recursos
Actividades
Estrategias
enseñanza &
aprendizaje
Recursos y
herramientas
adaptados
Estrategias
6. Modelado de usuario
Motor de
adaptación
Usuario
Recursos
adaptados
Funcionalidad
adaptada
Herramientas
Recursos
Actividades
Estrategias
enseñanza &
aprendizaje
Recursos y
herramientas
adaptados
Estrategias
• Aplicación o sistema adaptativo:
10. Modelado de usuario
¿Forma alternativa de
obtener la información?
Objetivo:
forma menos intrusiva
posible
(UM)
Habilidades
Personalidad
Emociones
Estilo de aprendizaje
Contexto
Intereses
Preferencias
Objetivos
etc.
11. Adquisición de UM
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Towards Inferring Sequential-Global Dimension of Learning Styles from Mouse
Movement Patterns. D Spada, M Sanchez, P Paredes, RM Carro
AH’2008, LNCS 5149, 337-340, 2008
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes de estado en
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
12. Adquisición de UM
Mouse movements
Learning styles (ILS)
Offline
processing
0 5 10 15
-11
-9
-7
-5
-3
-1
1
3
5
7
9
11
maximum vertical speed (pixels / ms)
sequential/globaldimensionscore
0 5 10 15
-1
1
maximum vertical speed (pixels / ms)
sign(sequential/globaldim.score)
sequentialglobal
seq
global
maximum vertical speed (pixels/ms) maximum vertical speed (pixels/ms)
r = -0.8accuracy =
94.4%
13. Adquisición de UM
AH-questionnaire: An adaptive hierarchical questionnaire for learning styles
A Ortigosa, P Paredes, P Rodriguez
Computers & Education 54 (4), 999-1005, 2010
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes de estado en
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
14. Adquisición de UM
Versión adaptativa cuestionario Silver-Solomon:
Dimensión
sensorial-intuitivo:
6 preguntas máximo (vs. 11)
Modelos de clasificación
Árboles de decisión
15. Adquisición de UM
Detecting and making use of emotions to enhance student motivation in
e–learning environments. P Rodriguez, A Ortigosa, RM Carro.
IJCEELL 24 (2), pp. 168-183, 2014
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes de estado en
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
16. Adquisición de UM
• Análisis de texto escrito (trabajos)
• Diccionarios de emociones
12 trabajos mismo estudiante:
Joy
AngerDisgust
Fear
Surprise
SadnessIntellectualy
Empathy
Spirituality
Neutral
Happiness
Negative
Positive
Zinck & Newen (2008)
17. Adquisición de UM
Sentiment analysis in Facebook and its application to e-learning
A Ortigosa, JM Martín, RM Carro.
Computers in Human Behavior 31, 527-541. 2014
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes estado
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
18. Adquisición de UM
Análisis de Sentimientos en SentBuk:
• Mensajes positivos, neutros y negativos
• Compañeros positivos, neutros y negativos
• Evolución a lo largo del tiempo
Técnicas de PLN y
aprendizaje automático
Solución híbrida
lexical-based + machine-learning
precision = 83,27%
19. Adquisición de UM
Predicting user personality by mining social interactions in Facebook
A Ortigosa, RM Carro, JI Quiroga
Journal of Computer and System Sciences 80 (1), 57-71, 2014
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes estado
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
20. TP-2010
• Infiere personalidad a partir de acciones en Facebook:
Datos de > 11.000 usuarios
Cuestionario ZKPQ-50-cc
Aprendizaje automático
Personalidad
Recomendación basada en personalidad
Comparación perfiles
Adquisición de UM
Árboles de clasificación.
Precisión con 5 clases:
entre 79.87% para Activity
y 82.82% para Aggression-Hostility
21. Adquisición de UM
Inferring User Personality from Twitter.
J. Llanos, A Ortigosa, RM Carro
Trabajo Fin de Máster de Julia Llanos
Estilos de
aprendizaje
Emociones &
estados
emocionales
Personalidad
Movimientos
del ratón
Cuestionarios
(acortados)
adaptativos
Texto trabajo
Mensajes estado
Facebook: SentBuk
Interacciones en
Facebook: TP2010
Mensajes en Twitter
22. Sistemas y Apps adaptadas
•Facilitar aprendizaje
•Ayudarles a desarrollar
habilidades
E-LEARNING,
E-TRAINING
•Ayudarles a sobreponerse
a las dificultades mientras
tanto
ASISTENCIA
23. Sistemas y Apps adaptativas
Y muchas gracias por vuestra participación
Emotions and inclusion in e-learning: student modelling and adaptive e-training.
R.M. Carro, Keynote speaker, e-Learning 2018
25. SPA: Sistema de Predición de Abandono
A. Ortigosa, R.M. Carro, J. Bravo-Agapito, D. Lizcano, J.J. Alcolea and O. Blanco
From Lab to Production: Lessons Learnt and Real-Life Challenges of an
Early Student-Dropout Prevention System.
IEEE Transactions on Learning Technologies
UAM, UDIMA y DIMETRICAL:The Analytics Lab
• Contexto:
– universidades online (UDIMA)
• Objetivos:
– evitar abandono
– maximizar la efectividad de esfuerzos institucionales
• ¿Cómo?
– predecir riesgo de abandono
– intervenir para tratar de evitarlo
26. SPA: Sistema de Predicción de Abandono
• Fuentes información:
– UNIVERSITAS-XXI
o Datos administrativos y académicos
o Datos sociodemográficos
– Moodle
o Interacciones
• Predicciones:
– Tempranas: tras matrícula
– Dinámicas: periódicamente
• Estudiantes nuevos vs. Estudiantes “antiguos”
27. SPA: Modelos predictivos
Generación de modelos:
• Distintos algoritmos: Random Forest, C5.0,…
• Entrenamiento con datos de:
– 11.000 usuarios, más de 120 atributos para cada uno
– Últimos 5 años, cientos de millones de registros, varias BBDD
≈ 50 GB
Estudiantes nuevos
• 1 predicción inicial
(modelo estático)
• Predicciones periódicas
(modelos dinámicos)
Estudiantes antiguos
• 1 predicción inicial
(modelo estático)
• Predicciones periódicas
(modelos dinámicos)
28. SPA: El sistema
Implementación de SPA (DIMETRICAL). Módulos:
- Extraction/transformation/load engine (ETL)
- Model generation framework
- Scoring engine
- Web application
30. SPA: El sistema
Inf. de estudiante: nivel de riesgo, acciones de retención, etc.
31. SPA: Intervenciones
• SPA permite registro e inspección de intervenciones.
• ¡Intervenir lo antes posible!
– E-mails
– Llamadas telefónicas
• Percepción sobre el impacto:
– Positivo/negativo/neutro
• Beneficios de retención:
– Incrementa satisfacción de los estudiantes
– Mejora índices y reputación de la universidad
– Económico: cuesta menos retener que atraer
32. SPA: Uso del sistema
• 3 semestres: 2016/17 – 2017/18
(pronto disponible inf. sobre persistencia en 2018/19)
• 5.700 estudiantes de grado
• 117.000 valores de riesgo calculados
• 13.000 acciones de retención registradas:
– 81% e-mails, 19% llamadas
– 77% neutras, 22% positivas, 1% “negativas”
• Departamento de Atención y Orientación al Estudiante
(UDIMA)
33. SPA: Uso del sistema
Resultados:
• Actuar si riesgo > 25% ha supuesto atender:
- 60% casos de abandonos reales
- 20% estudiantes que persisten
(¿habrían persistido sin intervención? ¿éxito: retención?)
• Fijando falso positivo = 20%, sensitivity = 65,5%.
• Estudiantes con alto riesgo (>50%):
– quienes han persistido han recibido más acciones de
retención que quienes han abandonado (0,89 vs. 0,69)
• Llamadas parecen más efectivas que e-mails
35. SPA: Experiencia producción
Retos afrontados y lecciones aprendidas:
• Efectividad del coste y viabilidad
• Cambios de contexto (organizativos y
operacionales)
• Explicabilidad de los modelos
• Integración con sistemas en continua evolución
• Validez de los modelos de predicción
• Mantenimiento y evolución
• Cumplimiento legal
36. Análisis de Datos,
Modelado de Usuario y Adaptación
en Contextos de Aprendizaje
Rosa Mª Carro Salas
Departamento de Ingeniería Informática
Universidad Autónoma de Madrid?