Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación?
- Autores
- Moresi, Marco
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Gómez, Marcos Javier
Benotti, Luciana, profesora representante - Descripción
- Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018.
Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
El modelado automático de datos educativos con técnicas de aprendizaje automático prometen un mejor entendimiento del comportamiento y el aprendizaje por parte del estudiante.Para este trabajo se cuenta con un conjunto de datos provisto por Mumuki, un sistema de enseñanza online. Esta tesis propone una forma de modelar automáticamente cuándo un estudiante está en riesgo de abandonar un ejercicio y necesita ayuda personalizada. Para esto se realizó un análisis de cuáles son las características más significativas para modelar la trayectoria de los estudiantes comparando entornos de educación formal e informal. Se entrenaron diversos modelos de aprendizaje automático midiendo el desempeño en la tarea propuesta. Por último, con el objetivo de imitar la secuencialidad de la tarea de resolver un ejercicio de programación se entrenó una red neuronal recurrente en esta misma tarea. Luego de esto se realizó una comparación entre modelos para intentar determinar cuál es la mejor opción en esta tarea. El resultado de esta tesis es la comparación de un modelo neuronal sencillo con una propuesta concreta de ingeniería de características basada en teorías pedagógicas, para modelar automáticamente la trayectoria de estudiantes. Estos modelos fueron construidos en base a los datos generados en el sistema Mumuki.
Understanding which is the path that a student takes when using a web-based coding tool would allow a teacher to make decisions based on evidence. However, analyzing such data by hand would be prohibitively expensive, and the teacher feedback would probably arrive too late. The automatic modeling of educative data with machine learning techniques promises a better understanding of the behaviour and knowledge about student. For this work we have a dataset provided by Mumuki, an online teaching system. This thesis proposes a way to automatically model when a student is at risk of leaving an exercise and needs personalized help. Based on a pedagogical theoretical framework we automatically design and extract from the dataset representative features to model the path of students comparing formal and informal education environments. We trained several machine learning models comparing their performance in this task. Finally, with the aim of imitating the sequentiality of solving a programming exercise task, a recurrent neural network was trained in this same task. After this, a comparison between models was made to try to determine which is the best option for this task. The result of this thesis is a comparison between a simple sequential neural model and a concrete proposal of feature engineering for the task, in order to model automatically the path of the students. The models were built based on the data generated in the Mumuki system.
Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. - Materia
-
Entornos de aprendizaje interactivo
Procesamiento de lenguaje natural
Inteligencia artificial
Interactive learning environments
Natural language processing
Artificial intelligence
Machine learning
Trayectorias adaptativas de aprendizaje
Aprendizaje automático
Adaptive learning path
Learning environments
Industry collaboration - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- Repositorio
- Institución
- Universidad Nacional de Córdoba
- OAI Identificador
- oai:rdu.unc.edu.ar:11086/11704
Ver los metadatos del registro completo
id |
RDUUNC_0b1501828c715c9e2f3a5f9d4462837b |
---|---|
oai_identifier_str |
oai:rdu.unc.edu.ar:11086/11704 |
network_acronym_str |
RDUUNC |
repository_id_str |
2572 |
network_name_str |
Repositorio Digital Universitario (UNC) |
spelling |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación?Moresi, MarcoEntornos de aprendizaje interactivoProcesamiento de lenguaje naturalInteligencia artificialInteractive learning environmentsNatural language processingArtificial intelligenceMachine learningTrayectorias adaptativas de aprendizajeAprendizaje automáticoAdaptive learning pathLearning environmentsIndustry collaborationTesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018.Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.El modelado automático de datos educativos con técnicas de aprendizaje automático prometen un mejor entendimiento del comportamiento y el aprendizaje por parte del estudiante.Para este trabajo se cuenta con un conjunto de datos provisto por Mumuki, un sistema de enseñanza online. Esta tesis propone una forma de modelar automáticamente cuándo un estudiante está en riesgo de abandonar un ejercicio y necesita ayuda personalizada. Para esto se realizó un análisis de cuáles son las características más significativas para modelar la trayectoria de los estudiantes comparando entornos de educación formal e informal. Se entrenaron diversos modelos de aprendizaje automático midiendo el desempeño en la tarea propuesta. Por último, con el objetivo de imitar la secuencialidad de la tarea de resolver un ejercicio de programación se entrenó una red neuronal recurrente en esta misma tarea. Luego de esto se realizó una comparación entre modelos para intentar determinar cuál es la mejor opción en esta tarea. El resultado de esta tesis es la comparación de un modelo neuronal sencillo con una propuesta concreta de ingeniería de características basada en teorías pedagógicas, para modelar automáticamente la trayectoria de estudiantes. Estos modelos fueron construidos en base a los datos generados en el sistema Mumuki.Understanding which is the path that a student takes when using a web-based coding tool would allow a teacher to make decisions based on evidence. However, analyzing such data by hand would be prohibitively expensive, and the teacher feedback would probably arrive too late. The automatic modeling of educative data with machine learning techniques promises a better understanding of the behaviour and knowledge about student. For this work we have a dataset provided by Mumuki, an online teaching system. This thesis proposes a way to automatically model when a student is at risk of leaving an exercise and needs personalized help. Based on a pedagogical theoretical framework we automatically design and extract from the dataset representative features to model the path of students comparing formal and informal education environments. We trained several machine learning models comparing their performance in this task. Finally, with the aim of imitating the sequentiality of solving a programming exercise task, a recurrent neural network was trained in this same task. After this, a comparison between models was made to try to determine which is the best option for this task. The result of this thesis is a comparison between a simple sequential neural model and a concrete proposal of feature engineering for the task, in order to model automatically the path of the students. The models were built based on the data generated in the Mumuki system.Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Gómez, Marcos JavierBenotti, Luciana, profesora representante2018-03info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/11704spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-29T13:41:31Zoai:rdu.unc.edu.ar:11086/11704Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-29 13:41:32.322Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse |
dc.title.none.fl_str_mv |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
title |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
spellingShingle |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? Moresi, Marco Entornos de aprendizaje interactivo Procesamiento de lenguaje natural Inteligencia artificial Interactive learning environments Natural language processing Artificial intelligence Machine learning Trayectorias adaptativas de aprendizaje Aprendizaje automático Adaptive learning path Learning environments Industry collaboration |
title_short |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
title_full |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
title_fullStr |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
title_full_unstemmed |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
title_sort |
Modelado automático de trayectorias de aprendizaje : ¿Cuándo generar ayuda personalizada para principiantes en programación? |
dc.creator.none.fl_str_mv |
Moresi, Marco |
author |
Moresi, Marco |
author_facet |
Moresi, Marco |
author_role |
author |
dc.contributor.none.fl_str_mv |
Gómez, Marcos Javier Benotti, Luciana, profesora representante |
dc.subject.none.fl_str_mv |
Entornos de aprendizaje interactivo Procesamiento de lenguaje natural Inteligencia artificial Interactive learning environments Natural language processing Artificial intelligence Machine learning Trayectorias adaptativas de aprendizaje Aprendizaje automático Adaptive learning path Learning environments Industry collaboration |
topic |
Entornos de aprendizaje interactivo Procesamiento de lenguaje natural Inteligencia artificial Interactive learning environments Natural language processing Artificial intelligence Machine learning Trayectorias adaptativas de aprendizaje Aprendizaje automático Adaptive learning path Learning environments Industry collaboration |
dc.description.none.fl_txt_mv |
Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018. Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. El modelado automático de datos educativos con técnicas de aprendizaje automático prometen un mejor entendimiento del comportamiento y el aprendizaje por parte del estudiante.Para este trabajo se cuenta con un conjunto de datos provisto por Mumuki, un sistema de enseñanza online. Esta tesis propone una forma de modelar automáticamente cuándo un estudiante está en riesgo de abandonar un ejercicio y necesita ayuda personalizada. Para esto se realizó un análisis de cuáles son las características más significativas para modelar la trayectoria de los estudiantes comparando entornos de educación formal e informal. Se entrenaron diversos modelos de aprendizaje automático midiendo el desempeño en la tarea propuesta. Por último, con el objetivo de imitar la secuencialidad de la tarea de resolver un ejercicio de programación se entrenó una red neuronal recurrente en esta misma tarea. Luego de esto se realizó una comparación entre modelos para intentar determinar cuál es la mejor opción en esta tarea. El resultado de esta tesis es la comparación de un modelo neuronal sencillo con una propuesta concreta de ingeniería de características basada en teorías pedagógicas, para modelar automáticamente la trayectoria de estudiantes. Estos modelos fueron construidos en base a los datos generados en el sistema Mumuki. Understanding which is the path that a student takes when using a web-based coding tool would allow a teacher to make decisions based on evidence. However, analyzing such data by hand would be prohibitively expensive, and the teacher feedback would probably arrive too late. The automatic modeling of educative data with machine learning techniques promises a better understanding of the behaviour and knowledge about student. For this work we have a dataset provided by Mumuki, an online teaching system. This thesis proposes a way to automatically model when a student is at risk of leaving an exercise and needs personalized help. Based on a pedagogical theoretical framework we automatically design and extract from the dataset representative features to model the path of students comparing formal and informal education environments. We trained several machine learning models comparing their performance in this task. Finally, with the aim of imitating the sequentiality of solving a programming exercise task, a recurrent neural network was trained in this same task. After this, a comparison between models was made to try to determine which is the best option for this task. The result of this thesis is a comparison between a simple sequential neural model and a concrete proposal of feature engineering for the task, in order to model automatically the path of the students. The models were built based on the data generated in the Mumuki system. Fil: Moresi, Marco. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. |
description |
Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2018. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-03 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11086/11704 |
url |
http://hdl.handle.net/11086/11704 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositorio Digital Universitario (UNC) instname:Universidad Nacional de Córdoba instacron:UNC |
reponame_str |
Repositorio Digital Universitario (UNC) |
collection |
Repositorio Digital Universitario (UNC) |
instname_str |
Universidad Nacional de Córdoba |
instacron_str |
UNC |
institution |
UNC |
repository.name.fl_str_mv |
Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba |
repository.mail.fl_str_mv |
oca.unc@gmail.com |
_version_ |
1844618904356257792 |
score |
13.070432 |