Desarrollo de un algoritmo de asignación automática de ejercicios como herramienta de aprendizaje, basada en el desempeño de los estudiantes

Abstract

La educación es uno de los pilares fundamentales en la construcción de una sociedad moderna, y es necesaria una constante adaptación de las metodologías de enseñanza, en particular, la introducción de nuevas herramientas tecnológicas que se enfoquen en complementar y profundizar el proceso de aprendizaje dentro y fuera del aula de clases, es de vital importancia para llevar a cabo el proceso de enseñanza en la era digital. En los últimos años, los avances en técnicas de \emph{Machine Learning} han permito el desarrollo de soluciones de aprendizaje adaptativo para reforzar los contenidos vistos en clases. Estas soluciones han tomado forma como aplicaciones web y softwares educativos que buscan apoyar el estudio personal de un alumno, en base a su interacción con una variedad de elementos tales como ejercicios, videos, pruebas estandarizadas, juegos, etc. Un proceso clave en el desarrollo de estas plataformas es la inclusión de algoritmos que tomen en cuenta el rendimiento personal de un alumno y que permitan introducir estrategias personalizadas que resulten idóneas para reforzar y/o potenciar las debilidades y fortalezas del estudiante. Esta tesis esta compuestas por 5 capítulos, y se enfoco en la realización de un algoritmo que se adaptara al desempeño de un estudiante para desplegar en cada momento un ejercicio de dificultad acorde, utilizando la técnica de Machine Learning correspondiente al \emph{Reinforcement Learning}. De igual manera, se estudiaron los principales conceptos teóricos relativos a los método de Reinforcement Learning que son \emph{Programación Dinámica} y \emph{Monte Carlo}. Además, puesto que no se contaba con datos de estudiantes reales para monitorear la efectividad del algoritmo trabajado, es que se ideó un simulador de estudiante. En el capitulo 1 se introduce en qué consisten a modo general los métodos de Programación Dinámica y Monte Carlo. En el capítulo 2 se presenta el trabajo, objetivos de este, definiciones preliminares necesarias para entender los métodos utilizados, y el modelamiento del problema aterrizándolo a estos métodos. Luego en el capítulo 3 se comienza a trabajar y desarrollar téoricamente las fórmulas presentadas en el capítulo anterior para los métodos mencionados anteriormente de Reinforcement Learning, y se desarrolla una extensión de la teoría estándar. Esto permite poder dejar expresiones programables y corroborar teóricamente que estas fórmulas permiten encontrar lo que se busca. En el capítulo 4, se presentan resultados respecto al comportamiento del simulador, para luego presentar los resultados principales, correspondientes al algoritmo de decisión, variando los parámetros para presentar distintos casos de interés usando el método de Programación Dinámica o el de Monte Carlo. Finalmente, en el capítulo 5, corresponde a la sección de análisis y discusión de los resultados presentados anteriormente, comparando ambos métodos, y la complejidad asociada a estos respecto a los parámetros asociados.