Sistema recomendador de material educativo mediante el análisis de seguimiento en Moodle.
El desafío principal en la educación virtual en la plataforma Moodle radica en la selección del material educativo apropiado, dada la diversidad de los estudiantes en términos de conocimientos y estilos de aprendizaje. Para abordar esta complejidad y la falta de retroalimentación directa de los estu...
Saved in:
| Hovedforfatter: | |
|---|---|
| Format: | bachelorThesis |
| Sprog: | spa |
| Udgivet: |
2024
|
| Fag: | |
| Online adgang: | https://dspace.espoch.edu.ec/handle/123456789/22054 |
| Tags: |
Tilføj Tag
Ingen Tags, Vær først til at tagge denne postø!
|
Tilføj Tag | Summary: | El desafío principal en la educación virtual en la plataforma Moodle radica en la selección del material educativo apropiado, dada la diversidad de los estudiantes en términos de conocimientos y estilos de aprendizaje. Para abordar esta complejidad y la falta de retroalimentación directa de los estudiantes, se desarrolló un sistema recomendador que analiza los registros de Moodle para determinar el material más adecuado. Este proyecto se llevó a cabo utilizando la metodología SCRUMBAN, que consta de siete fases bien definidas, desde el establecimiento de metas hasta el despliegue del producto final, asegurando una implementación precisa y exhaustiva. Durante el desarrollo, se programó con atención a las especificaciones detalladas y se realizaron pruebas exhaustivas para garantizar el cumplimiento de los requisitos en cuanto a funcionalidad, rendimiento y seguridad. Los resultados de la medición de precisión mostraron una consistencia positiva, superando el 89%, mientras que la sensibilidad registró un mínimo del 68%, aún considerado aceptable. La precisión global alcanzó el 76%, lo que indica una eficacia general satisfactoria del sistema. Además, el bajo valor del Root Mean Square Error (RMSE) de 0.96 sugiere la efectividad de las recomendaciones del sistema, lo que contribuye a su utilidad y confiabilidad. El desarrollo del sistema recomendador se basó en herramientas de análisis de datos como NumPy, Pandas y Scikit-learn en Python, así como en Flask, para adaptar las recomendaciones a las necesidades individuales de aprendizaje mediante la incorporación de un test de inteligencias múltiples. Aunque los resultados reflejan una alta precisión, entre el 94% y el 98%, se identificaron oportunidades para mejorar la identificación de elementos significativos y refinar la precisión de las sugerencias, destacando el potencial del sistema para futuras mejoras. |
|---|