Misión

La misión del presente proyecto consiste en desarrollar un prototipo de sistema inteligente que consiga relacionar recursos de aprendizaje útiles, desarrollados a partir de la experiencia del alumnado al cursar una asignatura, con sistemas de apoyo a la enseñanza que simulen un “profesor/a ayudante”.

Las labores de este “profesor/a ayudante” serían:

• Analizar grandes cantidades de datos (big data) a través de sistemas de analíticas de aprendizaje para generar modelos predictivos y ayudar en la toma de decisiones a través del propio modelo.
• Buscar y seleccionar bajo demanda del alumnado, recursos de aprendizaje para realizar enseñanza de tipo Just in Time Teaching (JiTT) de forma autónoma.

Justificación

Existen un conjunto de procesos de formación ya validados donde se demuestra que, si el proceso de aprendizaje sigue unas determinadas pautas, éste mejora de forma considerable.

Por ejemplo, el tratamiento individualizado del alumnado, la preparación de recursos de aprendizaje personalizados a las necesidades puntuales del alumnado e incluso el seguimiento individualizado para anticiparse a diversos acontecimientos como el abandono de la asignatura.

Todos esos procesos son conocidos por el profesorado, pero son muy difíciles de aplicar debido al coste y esfuerzo que supondría tanto para el profesorado como para la universidad.

Para poder realizar la personalización del aprendizaje, el seguimiento continuo del alumnado o la preparación de recursos de aprendizaje individualizados se necesitaría o bien reducir de forma muy considerable el número de alumnos por asignatura o aumentar, también de forma considerable, el profesorado asignado a una asignatura.

Por otra parte, con la enseñanza tradicional también es muy complicado realizar los citados procesos al no disponer de evidencias del progreso del aprendizaje del alumnado que permitan hacer modelos predictivos o enseñanzas individualizadas.

Sin embargo, hay actualmente dos factores que van a permitir cambiar este contexto de aprendizaje:

• El uso intensivo de los ecosistemas tecnológicos.
• Los sistemas software inteligentes.

Los ecosistemas tecnológicos.

La interacción con el alumnado, junto con las distintas tecnologías utilizadas en clase, genera una gran cantidad de evidencias de forma continua. Por ejemplo, Moodle genera miles de datos asociados al uso del mismo por el alumnado (tiempos de permanencia, recursos visitados, registro de mensajes, interacciones con otros usuarios, etc.).

Así pues, utilizando de forma intensiva las TIC se puede tener evidencias del progreso de aprendizaje, actividad y cooperación del alumnado.

Disponer de las evidencias es una de las condiciones necesarias para realizar modelos predictivos o individualización de procesos de aprendizaje.

Los sistemas software inteligentes.

Estos sistemas permiten relacionar modelos de usuarios (en este caso alumnado) con necesidades de aprendizaje, analíticas de datos de aprendizaje y recomendaciones para la toma de decisiones.

Estos modelos se pueden utilizar para diversas tareas, pero en cualquier caso se pueden comportar como un ser inteligente. Por ejemplo como un profesor virtual ayudante que trabaja para el profesorado real de la asignatura.

La sinergia entre la integración de las evidencias que generan los ecosistemas tecnológicos y el “profesor virtual ayudante”, permiten al profesorado de la asignatura descargar un trabajo complejo y largo, y focalizar esfuerzos en el resultado de los análisis de datos y en la toma de decisiones.

Modelo funcional

La figura muestra el modelo funcional del sistema propuesto sobre el que se desarrollará el prototipo. A continuación, se describe:

1. Banco de recursos de experiencia de aprendizaje con meta información y ontologías. Generalmente la toma de decisiones o bien el aprendizaje Just in Time Teaching necesitan un conjunto de recursos para satisfacer la demanda. Por ejemplo, si es formación Just in Time Teaching es necesario que el recurso se adapte a la necesidad puntual de aprendizaje del alumnado.

Los recursos, en su mayor parte, están desarrollados por el propio alumnado (*), y estos son fruto de la experiencia y resultado de aprendizaje al desarrollar tareas académicas (hacer un examen, realizar una práctica, comprender un concepto…).

Así pues, si se disponen recursos, se debe dotar a los mismos de una conexión con los resultados del sistema inteligente.

Para ello se utilizan las ontologías, que se suelen definir como “una representación de una rama de la física que estudia la naturaleza de una existencia (Pérez, 2002). Sin embargo, desde el punto de vista de la aplicación, éstas se pueden considerar como una entidad computacional siendo un recurso artificial (Mahesh, 1996). Por lo tanto, una ontología es un domino de entendimiento común que permite comunicarse entre científicos y sistemas computacionales (Pérez, 2002).

Así pues, en este proyecto se propone crear una ontología, común a distintas asignaturas, que permita comunicar a los usuarios (profesorado y alumnado) con sistemas inteligentes.

(*) actualmente en una de las asignaturas relacionadas con el proyecto se dispone de un repositorio de más de 400 recursos elaborados por el alumnado a partir de su experiencia.

2. Modelos predictivos.

Los modelos predictivos se elaboran a partir de las evidencias que genera la interacción del alumnado con la tecnología (que integran un ecosistema tecnológico) y éstas se analizan con un sistema de “learning analytics”. Sistemas que permiten hacer modelos predictivos, ayudar a la toma de decisiones, y conseguir ver en tiempo real la evolución del alumnado (Conde et al., 2017; Siemens, 2012).

Los modelos predictivos se utilizan para múltiples objetivos, por ejemplo, para prevenir el abandono escolar, para predecir “suspensos”, situaciones de fracaso en consecución de objetivos, etc.

Una vez establecido el modelo predictivo se debe paliar el riesgo para el aprendizaje que indica el propio modelo. De esta forma se debe conectar a través de la ontología al repositorio de conocimiento y seleccionar los recursos que eviten el riesgo.

En este proyecto se pretende hacer un modelo predictivo en la detección de falta de compañerismo (más conocidos como “jetas”)de  en trabajo cooperativo, así como la distribución no homogénea en el reparto de responsabilidades dentro de un equipo de trabajo.

3. Just in time Learning (JITT).

El aprendizaje JITT suele eliminar todos los procesos que no consiguen directamente la consecución de un objetivo concreto y se centra en aquellos más útiles para conseguirlo (Bermúdez Hernández et al., 2014)

Un ejemplo podría ser la identificación de los recursos de aprendizaje para resolver un problema concreto, hacer una actividad práctica, comprender un determinado concepto, o conocer el nivel de conocimientos previos que se dispone antes de abordar el aprendizaje de un tema en particular.

En este caso se debe desarrollar un sistema donde el alumnado indica qué actividad de aprendizaje desea realizar y el sistema le propone un conjunto de opciones útiles para satisfacer esa necesidad concreta.

4. Sistema inteligente.

El sistema inteligente es el que se encarga de “entender” el modelo predictivo y las necesidades del aprendizaje JITT, encontrando así los recursos útiles para satisfacer las necesidades determinadas de los apartados B y C.

En este caso ya existen trabajos previos donde se dispone de un método validado y de éxito que relaciona la búsqueda online inteligente contrastada con búsquedas de expertos en determinadas materias (Fidalgo-Blanco et al., 2017, 2018; Sein-Echaluce et al., 2017, 2019).

En este proyecto se utilizará dicho modelo de confrontación de datos a través de ontologías.

Referencias utilizadas en la descripción

Bermúdez Hernández, J., Torres Hernández, J. L., & Pérez Pulgarín, S. M. (2014). Implementación del método Justo a Tiempo (JIT) | Bermúdez Hernández | Revista CIES Escolme. Revista CIES, 5(02), 9–28. http://revista.escolme.edu.co/index.php/cies/article/view/59

Conde, M. Á., García-Peñalvo, F. J., Fidalgo-Blanco, Á., & Sein-Echaluce, M. L. (2017). Can we apply learning analytics tools in challenge based learning contexts? In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 10296 LNCS. https://doi.org/10.1007/978-3-319-58515-4_19

Fidalgo-Blanco, Á., Sánchez-Canales, M., Sein-Echaluce, M. L., & García-Peñalvo, F. J. (2018). Ontological Search for Academic Resources. Proceedings of the Sixth International Conference on Technological Ecosystems for Enhancing Multiculturality  - TEEM’18, 788–793. https://doi.org/10.1145/3284179.3284315

Fidalgo-Blanco, Á., Sein-Echaluce, M. L., & García-Peñalvo, F. J. (2017). Ontological Flip Teaching: a Flip Teaching model based on knowledge management. Universal Access in the Information Society. https://doi.org/10.1007/s10209-017-0556-6

Mahesh, K. (1996). Ontology Development for Machine Translation: Ideology and Methodology. https://www.researchgate.net/publication/2775702

Pérez, C. (2002). Explotación de los córpora textuales informatizados para la creación de bases de datos terminológicas basadas en el conocimiento. Estudios de Lingüística Del Español (EliEs), 18.

Sein-Echaluce, M. L., Abadía-Valle, A. R., Bueno-García, C., & Fidalgo-Blanco, A. (2017). Interaction of knowledge spirals to create ontologies for an institutional repository of educational innovation best practices. International Journal of Human Capital and Information Technology Professionals, 8(2). https://doi.org/10.4018/IJHCITP.2017040105

Sein-Echaluce, M. L., Fidalgo-Blanco, Á., & Esteban-Escaño, J. (2019). Technological ecosystems and ontologies for an educational model based on Web 3.0. Universal Access in the Information Society, 18(3), 645–658. https://doi.org/10.1007/s10209-019-00684-9

Siemens, G. (2012). Learning analytics: envisioning a research discipline and a domain of practice. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge – LAK ’12, 4–8. https://doi.org/10.1145/2330601.2330605

Objetivo general: Desarrollar un prototipo de sistema inteligente generador de modelos predictivos dependiendo de las diferentes situaciones de aprendizaje encontradas.

Objetivos específicos:

• Desarrollar un modelo predictivo a través de la utilización de “Learnings Analytics” sobre el “big data” de evidencias generadas por el alumnado.
• Aplicar el modelo predictivo para anticipar  la identificación de personas que no se implican en el trabajo en equipo.
• Aplicar el modelo predictivo para identificar divergencias en las cargas de trabajo de los miembros de un equipo.
• Generar una ontología de recursos de aprendizaje común a cualquier asignatura (validada para las asignaturas participantes en el proyecto).
• Desarrollar un modelo de aprendizaje basado en JITT.
• Aplicar dicho modelo en al menos una asignatura del proyecto.
• Desarrollar repositorios de conocimiento de recursos de aprendizaje basado en la experiencia del alumnado.

Respecto a los sistemas inteligentes.

Los modelos predictivos contribuyen a anticipar la aparición de un problema de aprendizaje. Por tanto, si el profesorado dispone de este recurso, podrá lograr anticiparse a que ocurra el problema y evitarlo desde el inicio.

El aprendizaje JITT es altamente demandado por el alumnado que se enfrenta en el día a día a la realización de actividades de aprendizaje. Disponer de un sistema que seleccione y aconseje recursos útiles, contribuye a que la actividad de aprendizaje se realice en menor tiempo y con más garantía de éxito.

Respecto a la resolución de las deficiencias /mejora de resultados académicos.

La deficiencia más característica del trabajo cooperativo es la no implicación de alguna persona en el mismo, y/o la distribución no homogénea de la carga de trabajo entre los miembros. Esto hace que, o bien de forma individual no se adquieran determinadas competencias (en este caso en el trabajo en equipo), o bien que no se logre alcanzar el objetivo de aprendizaje de forma óptima. El modelo predictivo permite identificar a las personas que se implican menos o esta heterogénea distribución de la carga de trabajo. Por tanto, permitirá la adquisición de la competencia individual de trabajo en equipo y la implicación por igual de las distintas personas que componen un equipo de trabajo.

La formación JITT es altamente demandada por el alumnado, principalmente cuando quiere estudiar, preparar de forma anticipada una clase, o resolver un determinado problema. Disponer de un sistema inteligente que identifique los recursos más útiles para desarrollar esa actividad conseguirá que se mejore el aprendizaje y las competencias acordes a dicha actividad y, conducirá hacia unos mejores resultados académicos.

En el cronograma se puede ver la distribución de las fases. En las siguientes líneas se explica qué es cada fase.

F1. Establecimiento de una ontología común que permita comunicar repositorios de conocimiento con sistemas inteligentes. Sobre un repositorio de conocimiento se añadirá metainformación y una ontología que permita seleccionar recursos para los distintos modelos de sistemas inteligentes del proyecto.

Indicador de logro. Repositorio de conocimiento con la ontología integrada.

F2. Establecer evidencias validadas científicamente que permitan definir un modelo predictivo sobre la desigual implicación en la carga de trabajo de las personas que integran un equipo de trabajo o un trabajo cooperativo.

Indicador de logro. Conjunto de evidencias.

F3. Identificación de tareas de aprendizaje que realiza de forma habitual el alumnado en una asignatura universitaria. Esta identificación servirá para alimentar al sistema de formación JITT.

Indicador de logro. Identificación de los distintos tipos de tareas de aprendizaje.

F4.  Elaboración del prototipo sobre modelos de predicción en el desarrollo de trabajo en equipo. El modelo predictivo se basará en una comparativa del desarrollo de distintos grupos de trabajo de una asignatura, así como el desarrollo (carga de trabajo) de cada persona perteneciente a un grupo.

Indicador informe de carga de trabajo por equipos y personas en base a evidencias que genere el alumnado. El informe se puede activar en cualquier momento del desarrollo del trabajo en equipo.

F5. Elaboración del prototipo sobre de aprendizaje JITT. En este caso se desarrollará un sistema donde el alumnado pueda interactuar con las ontologías y el sistema le propondrá un conjunto de recursos adaptados a la actividad de aprendizaje solicitada.

Indicador. Producto desarrollado que permita al alumnado elegir la actividad, el temario y el tipo de recurso. El sistema le suministrará los recursos más útiles que disponga.

F6. Seguimiento del proyecto a partir de las evidencias científicas. En este hito se realizarán análisis de las evidencias para posteriormente publicarlas en entornos científicos.

Indicador científico. Presentación en congresos y/o revistas científicas.

F7. Divulgación de resultados. Elaboración de informes y material para cursos y seminarios donde se expongan los resultados del proyecto.

Indicador de logro: Informes y videos divulgativos del proyecto.

El seguimiento del proyecto se realizará en base a las evidencias que permitan medir los indicadores de logro. La evaluación del proyecto se realizará por la consecución de indicadores de logro.

Respecto al seguimiento del aprendizaje y resultados académicos se realizará utilizando el método científico, estructurando el proyecto en algunos de estos modelos científicos:

Estudio de caso. Para hacer un contraste con proyectos similares que se hayan publicado en contextos científicos y contrastar y debatir los resultados con ellos.

Contraste de resultados. Contraste de evidencias antes de aplicar la innovación, durante y post innovación entre el alumnado participante.

Investigación cuasi-experimental. En casos donde se puedan realizar grupos experimentales y de control.

• Prototipo inteligente para generar modelos predictivos en trabajo en equipo.
• Prototipo inteligente para realizar formación de tipo JITT.
• Sistema de ontologías transferibles entre distintas asignaturas.
• Repositorio de conocimiento con ontologías.

El material se divulgará en canales establecidos que ya se tienen disponibles de otros proyectos de innovación, redes de conocimiento propias, así como repositorios también propios.

Repositorio de innovación educativa del LITI. Laboratorio de Innovación en Tecnologías de la información. Indexado en Google Académico y con doi.

Además de la novedad que representa el repositorio, se incluyen los medios y objetivos que se han utilizado en otros proyectos de innovación educativa concedidos:

• Píldoras de conocimiento en redes sociales especializadas “Innovación Educativa con TIC”, “Material Educativo”, “Piratas Educativos”, “Educar, Innovar, Compartir ¿hablamos?” y “Maestros por la innovación”. Las citadas redes sociales tienen más de 900.000 miembros interesados en la temática.
• Reflexiones en blog Innovación Educativa. Con más de 5.700.000 de visitas.
• Artículos, capítulos de libro y ponencias en congresos internacionales. En anteriores proyectos de innovación educativa se han conseguido capítulos de libro en editoriales internacionales, artículos indexados en Scopus y/o JCR y ponencias en congresos internacionales. Basándonos en experiencias anteriores se puede afirmar que el presente proyecto generará un mínimo de: 2 capítulos de libro en editorial internacional, tres artículos Scopus, 1 artículo JCR y 3 ponencias presentadas en congresos científicos internacionales. 
• Material formativo utilizado en distintos cursos de formación del profesorado, tanto en la propia universidad como en otras universidades nacionales y extranjeras. Al menos se generarán recursos para cursos de formación en PDI en: UPM, Universidad de Zaragoza, Universidad de Navarra, Universidad de Sevilla y Universidad de Salamanca

Laboratorio de Innovación en Tecnologías de la Información. LITI -UPM. Se encargará del soporte, mantenimiento y financiación del sistema de gestión de conocimiento, el sistema de gestión de ontologías, y el sistema de “learning analytics” para el trabajo en equipo.

 Externos a la UPM.

• Grupo de investigación GRIAL Universidad de Salamanca.
• Grupo de investigación ETNOEDU. Universidad de Zaragoza.