Zur Kurzanzeige

dc.contributor.authorSerrano Mamolar, Ana 
dc.contributor.authorMiguel Alonso, Inés 
dc.contributor.authorCheca Cruz, David 
dc.contributor.authorPardo Aguilar, Carlos 
dc.date.accessioned2024-01-15T11:03:35Z
dc.date.available2024-01-15T11:03:35Z
dc.date.issued2023-05
dc.identifier.issn1134-3478
dc.identifier.urihttp://hdl.handle.net/10259/8342
dc.description.abstractActualmente, 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.es
dc.description.abstractAt present, the use of eye-tracking data in immersive Virtual Reality (iVR) learning environments is set to become a powerful tool for maximizing learning outcomes, due to the low-intrusiveness of eye-tracking technology and its integration in commercial iVR Head Mounted Displays. However, the most suitable technologies for data processing should first be identified before their use in learning environments can be generalized. In this research, the use of machine-learning techniques is proposed for that purpose, evaluating their capabilities to classify the quality of the learning environment and to predict user learning performance. To do so, an iVR learning experience simulating the operation of a bridge crane was developed. Through this experience, the performance of 63 students was evaluated, both under optimum learning conditions and under stressful conditions. The final dataset included 25 features, mostly temporal series, with a dataset size of up to 50M data points. The results showed that different classifiers (KNN, SVM and Random Forest) provided the highest accuracy when predicting learning performance variations, while the accuracy of user learning performance was still far from optimized, opening a new line of future research. This study has the objective of serving as a baseline for future improvements to model accuracy using complex machine-learning techniques.en
dc.description.sponsorshipEsta 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.es
dc.format.mimetypeapplication/pdf
dc.language.isospaes
dc.publisherOxbridge Publishing Houseen
dc.relation.ispartofComunicar. Revista Científica de Comunicación y Educación. 2023, V. 31, n. 76, p. 9-20es
dc.rightsAttribution-NonCommercial 3.0 Unported*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/3.0/*
dc.subjectEntorno virtuales
dc.subjectAprendizaje basado en juegoses
dc.subjectAprendizaje automáticoes
dc.subjectRegistro de miradaes
dc.subjectExtracción de característicases
dc.subjectNeuroeducaciónes
dc.subjectVirtual environmenten
dc.subjectGame-based learningen
dc.subjectMachine learningen
dc.subjectEye trackingen
dc.subjectFeature extractionen
dc.subjectNeuroeducationen
dc.subject.otherInformáticaes
dc.subject.otherComputer scienceen
dc.subject.otherEducaciónes
dc.subject.otherEducationen
dc.subject.otherTecnologíaes
dc.subject.otherTechnologyen
dc.subject.otherVideojuegoses
dc.subject.otherVideo gamesen
dc.titleHacia un metodología de evaluación del rendimiento del alumno en entornos de aprendizaje iVR utilizando eye-tracking y aprendizaje automáticoes
dc.title.alternativeTowards learner performance evaluation in iVR learning environments using eye-tracking and machine-learningen
dc.typeinfo:eu-repo/semantics/articlees
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.relation.publisherversionhttps://doi.org/10.3916/C76-2023-01es
dc.identifier.doi10.3916/C76-2023-01
dc.identifier.essn1988-3293
dc.journal.titleComunicar. Revista Científica de Comunicación y Educaciónes
dc.volume.number31es
dc.issue.number76es
dc.page.initial9es
dc.page.final20es
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersiones


Dateien zu dieser Ressource

Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige