Los estudiantes aprenden de muchas maneras: viendo y escuchando, reflexionando y actuando, razonando lógica e intuitivamente, memorizando y visualizando, construyendo analogías y modelos matemáticos.
También los métodos de enseñanza son variados. Cuanto aprende un estudiante depende de su habilidad innata y de su preparación previa, pero también de la compatibilidad entre su estilo de aprendizaje y el estilo de enseñanza del instructor. Como docentes de la carrera Licenciatura en Sistemas de Información de la Universidad Nacional de Santiago del Estero, consideramos que resultaría útil determinar las características del perfil de aprendizaje de nuestros estudiantes para adecuar las estrategias de enseñanza. Con este propósito encuestamos a ochenta y nueve estudiantes, aplicando el Test de Felder y Soloman.
La información recabada originó una base de datos a la que se le aplicó el Proceso de Descubrimiento de Conocimiento (Knowledge Discovery from Database - KDD). Así determinamos que existe un alto grado de homogeneidad en el estilo de aprendizaje de los alumnos. La identificación del cluster dominante permitió conocer además las características del estilo de aprendizaje compartido por la mayoría de los alumnos.
Teniendo en cuenta la información descubierta se sugieren estrategias de intervención didáctica y de presentación de material educativo conforme al estilo dominante.
Datamining (Minería de datos)
El datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto.
Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.
De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento.Aunque en datamining cada caso concreto puede ser radicalmente distinto al anterior, el proceso común a todos ellos se suele componer de cuatro etapas principales:
Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data mining.
Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data mining.
Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial.
Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones. REFERENCIA
ELENA DURÁN
ROSANNA COSTAGUTA
Universidad Nacional de Santiago del Estero, Argentina
No hay comentarios:
Publicar un comentario