El sistema se apagará debido a tareas habituales de mantenimiento. Por favor, guarde su trabajo y desconéctese.
Algoritmo para el balanceo dinámico del grado de dificultad mediante aprendizaje de máquina en la implementación de un juego orientado a apoyar el desarrollo de la inteligencia espacial en niños de etapa pre-escolar
Abstract
Dentro del ámbito educativo nacional, la Inteligencia espacial, a pesar de haber
demostrado estar relacionada con una serie de habilidades que permiten y
estimulan la creación y el desarrollo matemático y científico, no es muy reconocida
y posee pocas herramientas que ayuden a su desarrollo en niños de edad
preescolar, etapa en la que este se recomienda ampliamente. Sumado a esto
encontramos la necesidad de herramientas que contribuyan en la enseñanza cuyos
requerimientos han crecido en cantidad y complejidad en las últimas décadas, y que
involucren modos innovadores de llevar el conocimiento aprovechando las
tecnologías disponibles. La necesidad de contribuir con la educación también surge
de los requerimientos del Aprendizaje Adaptativo, el cual es una metodología que, a
través de la adecuación del nivel del contenido que se desea enseñar, permite al
estudiante una experiencia de aprendizaje personalizada y más efectiva en
resultados. Esta metodología aprovecha las posibilidades de interacción que
proporcionan las tecnologías de información y la capacidad de procesamiento de
los equipos informáticos para lograr su objetivo. La presente tesis describe el
desarrollo de una aplicación educativa gamificada de apoyo en el desarrollo de la
Inteligencia espacial en niños de etapa preescolar, e involucra el uso de tecnologías
que permitan adaptar al estudiante la dificultad del juego presentado por el
aplicativo. Para esto se hizo uso de métodos de Ajuste Dinámico de la Dificultad, a
través de redes neuronales y aprendizaje supervisado. El entorno de juego está
basado en el uso de representaciones virtuales de bloques lógicos, mediante los
cuales se le presenta al alumno una figura la cual este debe imitar manipulando,
mediante la pantalla táctil, otro conjunto bloques similares. Se evaluaron siete
métricas en el desempeño del usuario relacionadas a cuan correcta es su respuesta
en los siguientes conceptos: Encaje, ubicación, forma, tamaño, color, rotación y
textura. Mediante estas métricas la aplicación elige el siguiente escenario a
presentar al usuario ajustando diez atributos en dicho escenario. El proceso de
adaptación busca introducir las métricas del usuario a un rango de acierto deseado
y se realiza en dos pasos. Primero, se realiza sin presencia del usuario un
entrenamiento de redes neuronales mediante propagación hacia atrás con
información de casos base. Este primer paso permite obtener una versión inicial de
la adaptabilidad. Y segundo, luego de cada ronda, se evalúa la respuesta del
usuario mediante un conjunto de eventos que determinan la efectividad de la red
neuronal para introducir a un usuario especifico al rango deseado, y se modifica la
red usada para ese usuario con los resultados obtenidos. En los resultados del proyecto se observó que la metodología empleada es efectiva para el caso
propuesto, logrando introducir las métricas en el rango luego de un número de
rondas jugadas. La evaluación de requerimientos computacionales (velocidad,
efectividad, robustez y eficiencia) y funcionales (claridad, variedad, consistencia y
escalabilidad) para una AI adaptativa también muestra resultados positivos. Sobre
la rapidez de la solución, la respuesta para ambos modelos (solo entrenamiento
inicial y modificación por eventos) es imperceptible para el usuario. En cuanto
eficacia se logró resultados positivos, logrando mejorar las métricas respecto a un
algoritmo manual en más del 70% de los casos y obteniendo un aumento promedio
comparándola a un algoritmo manual de +0.012 para las redes neuronales y +0.02
para el aprendizaje supervisado. Estos valores representan el 13% y el 22% de la
máxima mejora posible respectivamente. En cuanto a la robustez y eficacia, ambos
modelos lograron adaptar la respuesta al usuario en la mayoría de casos y en un
número similar de rondas, aunque el aprendizaje supervisado mostró ser más
efectivo en el primer criterio, mejorando los resultados del algoritmo manual.
Respecto a la variedad de los escenarios presentados se obtuvo, mediante la
modificación por eventos, una menor variación entre estos, lo que se relaciona con
la mejor adaptabilidad alcanzada. Y sobre la escalabilidad, ambos modelos
mostraron resultados positivos para los tres niveles de desempeño evaluado,
aunque el aprendizaje supervisado muestra ser más efectivo. Estos resultados
permiten identificar beneficios en el uso de esta metodología específicamente para
el ámbito evaluado, así como identificar en qué casos específicos es más efectiva.
Los resultados positivos encontrados que en conjunto indican que se ha logrado
realizar una aplicación que cumple en presentar al usuario un entorno adaptativo,
hacen válido el seguir este camino para futuras investigaciones en la exploración de
las aplicaciones gamificadas educativas de apoyo a la inteligencia espacial.
Temas
Algoritmos
Redes neuronales (Computación)
Juegos educativos
Redes neuronales (Computación)
Juegos educativos
Para optar el título de
Ingeniero Informático