Análisis de métodos de aprendizaje utilizando interfaces cerebro-computador

Abstract

El aprendizaje está influenciado por diversos factores, y ante un desafío educativo, los estudiantes emplean estrategias que se asocian a distintos estilos de aprendizaje. Aunque existen cuestionarios para identificar estos estilos, suelen presentar inconsistencias debido a variaciones culturales y lingüísticas.

En esta tesis, se exploró el uso de Interfaces Cerebro-Computador Pasivas para relacionar los estilos de aprendizaje con lecturas emocionales obtenidas de dichas interfaces. Se entrenó un clasificador basado en un Perceptrón Multicapa (MLP) utilizando la Densidad Espectral de Potencia (PSD) de las ondas cerebrales, logrando una precisión del 72.22% para Arousal y del 78.26% para Valence. También se entrenó un clasificador para identificar estrategias de aprendizaje, alcanzando una precisión del 30.00%. Además, se obtuvo se logró una precisión del 60.0% para el estilo Activo, 75.0% para el estilo Reflexivo, 80.0% para el estilo Pragmático y 70.0% estilo Teórico, con respecto al CHAEA.

Se concluyó que las Interfaces Cerebro-Computador no fueron suficientes para relacionar efectivamente las estrategias de aprendizaje con las lecturas cerebrales, rechazando así la primera hipótesis. Sin embargo, la precisión en la clasificación de estilos de aprendizaje permitió aceptar la segunda hipótesis. Se propone, como futuro trabajo, realizar estudios comparativos de los instrumentos utilizados y un análisis más profundo con una muestra más equilibrada y diversas estrategias de aprendizaje.