Universidad Carlos III de Madrid Departamento de Ingeniería Telemática
Home / Personal / Profesores Titulares / Pedro Manuel Moreno Marcos
anteriorsiguiente

 

Proyecto ASESOR-IA
Analítica del aprendizaje como Soporte a los Estudiantes para Optimizar su Rendimiento en entornos educativos con Inteligencia Artificial

Financiado por la Universidad Carlos III de Madrid (UC3M) mediante las Ayudas para la Actividad Investigadora de los Jóvenes Doctores, del Programa Propio de Investigación de la UC3M

Investigador Principal: Pedro Manuel Moreno Marcos



 DESCRIPCIÓN

    En el ámbito educativo, la analítica del aprendizaje (learning analytics, LA) es una herramienta muy útil para poder comprender mejor qué está ocurriendo en el curso y poder anticiparse a los posibles problemas que pueden ocurrir. En este contexto, se han realizado numerosos trabajos en torno al modelado del aprendizaje y comportamientos de los estudiantes, y en modelos predictivos, principalmente enfocados al abandono.

    Sin embargo, el estudio de estos modelos tiene un amplio recorrido y tienen diversas limitaciones que deben analizarse: 1) falta de análisis con datos no estructurados o provenientes de nuevos entornos de aprendizaje, por ejemplo los que han emergido recientemente tras la inclusión de la IA generativa en la docencia, 2) falta de análisis en cuanto a la generalización de los modelos en distintos entornos educativos y los posibles sesgos de los modelos, y 3) falta de retroalimentación a estudiantes y profesores a partir de los modelos, pues estos se han analizado principalmente como una aproximación post hoc.

    Teniendo esto en cuenta, la hipótesis de partida de este proyecto es que es posible mejorar los modelos de LA en base a 1) nuevas variables y análisis de nuevos comportamientos, 2) inclusión de aspectos generalmente no considerados como la generalización o los sesgos, 3) y la integración de los modelos con sistemas de retroalimentación, para hacer un aprendizaje más personalizado.

    Para estos modelos, se utilizarán técnicas de inteligencia artificial, tanto de Machine Learning o Deep Learning como de inteligencia artificial generativa. Esta última puede ser tanto fuente de nuevas variables (p.ej., interacción de alumnos con la IA), como un instrumento para el análisis de datos (p.ej., no estructurados) o de ayuda para la generación de la retroalimentación.

    Así, pues el objetivo principal de este proyecto es caracterizar y tratar de mejorar los modelos de estudiantes de LA y mejorar la retroalimentación proporcionada utilizando herramientas de IA. Para ello, se utilizará una metodología de investigación de la ciencia del diseño (DSRM), y el proyecto propondrá: 1) un marco de investigación y tecnológico que aborde el desarrollo de nuevos modelos de LA, 2) soluciones de LA que aborden los problemas mencionados anteriormente, y 3) experiencias piloto para evaluar las soluciones propuestas.

    Se espera que los resultados del proyecto puedan contribuir a una mejora en el aprendizaje, que tenga un impacto positivo tanto para docentes como para estudiantes, y contribuyan tanto a distintas comunidades científicas sobre tecnologías educativas como en los Objetivos de Desarrollo Sostenibles relacionados con la educación de calidad y los planes estatales sobre la mejora de la educación.

 NOTICIAS CORTAS

  • [04/03/2025] La publicación "Evaluation of traditional machine learning algorithms for featuring educational exercises" ha sido publicada en la revista "Applied Intelligence"
  • [09/01/2025] El proyecto ASESOR-IA ha sido seleccionado para su financiación por la la Universidad Carlos III de Madrid (UC3M) mediante las Ayudas para la Actividad Investigadora de los Jóvenes Doctores, del Programa Propio de Investigación de la UC3M
 PUBLICACIONES

Publicaciones en revistas ISI JCR
  1. Alberto Jiménez-Macías, Pedro J. Muñoz-Merino, Pedro Manuel Moreno-Marcos, and Carlos Delgado Kloos. 2025. Evaluation of traditional machine learning algorithms for featuring educational exercises. Applied Intelligence. DOI: 10.1007/s10489-025-06386-5. Factor de impacto 2023: 3.4. JCR-SCI (Q2)
 ENLACES
english version

Localización | Personal | Docencia | Investigación | Novedades | Intranet
inicio | mapa del web | contacta