RT info:eu-repo/semantics/article
T1 Hacia un metodología de evaluación del rendimiento del alumno en entornos de aprendizaje iVR utilizando eye-tracking y aprendizaje automático
T2 Towards learner performance evaluation in iVR learning environments using eye-tracking and machine-learning
A1 Serrano Mamolar, Ana
A1 Miguel Alonso, Inés
A1 Checa Cruz, David
A1 Pardo Aguilar, Carlos
K1 Entorno virtual
K1 Aprendizaje basado en juegos
K1 Aprendizaje automático
K1 Registro de mirada
K1 Extracción de características
K1 Neuroeducación
K1 Virtual environment
K1 Game-based learning
K1 Machine learning
K1 Eye tracking
K1 Feature extraction
K1 Neuroeducation
K1 Informática
K1 Computer science
K1 Educación
K1 Education
K1 Tecnología
K1 Technology
K1 Videojuegos
K1 Video games
AB Actualmente, el uso de los datos del seguimiento de la mirada en entornos de aprendizaje de Realidad Virtual inmersiva (iVR) está destinado a ser una herramienta fundamental para maximizar los resultados de aprendizaje, dada la naturaleza poco intrusiva del eye-tracking y su integración en las gafas comerciales de Realidad Virtual. Pero, antes de que se pueda generalizar el uso del eye-tracking en entornos de aprendizaje, se deben identificar las tecnologías más adecuadas para el procesamiento de datos. Esta investigación propone el uso de técnicas de aprendizaje automático para este fin, evaluando sus capacidades para clasificar la calidad del entorno de aprendizaje y predecir el rendimiento de aprendizaje del usuario. Para ello, se ha desarrollado una experiencia docente en iVR para aprender el manejo de un puente-grúa. Con esta experiencia se ha evaluado el rendimiento de 63 estudiantes, tanto en condiciones óptimas de aprendizaje como en condiciones con factores estresores. El conjunto de datos final incluye 25 características, siendo la mayoría series temporales con un tamaño de conjunto de datos superior a 50 millones de puntos. Los resultados muestran que la aplicación de diferentes clasificadores como KNN, SVM o Random Forest tienen una alta precisión a la hora de predecir alteraciones en el aprendizaje, mientras que la predicción del rendimiento del aprendizaje del usuario aún está lejos de ser óptima, lo que abre una nueva línea de investigación futura. Este estudio tiene como objetivo servir como línea de base para futuras mejoras en la precisión de los modelos mediante el uso de técnicas de aprendizaje automático más complejas.
PB Oxbridge Publishing House
SN 1134-3478
YR 2023
FD 2023-05
LK http://hdl.handle.net/10259/8342
UL http://hdl.handle.net/10259/8342
LA spa
NO Esta investigación ha sido financiada por el Proyecto ACIS (INVESTUN/21/BU/0002) de la Consejería de Empleo e Industria de la Junta de Castilla y León (España), el Proyecto Erasmus+ RISKREAL (2020-1-ES01-KA204-081847) de la Comisión Europea, el Proyecto HumanAid (TED2021-129485B-C43) del Ministerio Español de Ciencia e Innovación y el Programa Margarita Salas del Ministerio Español de Universidades financiado por NextGenerationEU.
DS Repositorio Institucional de la Universidad de Burgos
RD 24-nov-2024