Aprendiendo de la experiencia

Algoritmos para el aprendizaje de patrones y posibles aplicaciones en entornos de e-learning

Alicia Rodríguez Carrión(arcarrio@it.uc3m.es)

Grupo de Aplicaciones y Servicios Telemáticos

Universidad Carlos III de MadridSeminario eMadrid sobre "Juegos, aprendizaje y movilidad"

¿Por qué aprendemos patrones…

… en escenarios de movilidad?

Las personas tienden a seguir las mismas rutas periódicamente si sabes por dónde va ahora puedes suponer hacia dónde se está dirigiendo

Queremos predecir las localizaciones futuras

Porque la localización es un tema que está ganando mucha fuerza

Porque nos permite tomar decisiones relacionadas con la posición del usuario con antelación: mostrar publicidad, gestión de recursos, …

2Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

¿Por qué querríamos aprender patrones…

… en el escenarios de e-learning?

Cada persona tiene una forma de aprender predefinida aprendiendo cuál es su perfil cognitivo se puede facilitar el aprendizaje del usuario

Queremos ofrecer un aprendizaje personalizado

Adaptándonos a la forma de aprender de cada alumno (con teoría, con ejemplos resueltos, con ejercicios a resolver…)

Adelantándonos a sus necesidades (mostrando ayuda ante dificultades, ofreciendo medios para formular preguntas, …)

3Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

ÍndiceMovilidad

Fuentes de datos

Algoritmos de predicción

Resultados

Aplicación móvil

e-Learning

Fuentes de datos

Algoritmos de predicción

Propuestas de aplicación a escenarios de e-learning

4Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Fuentes de datosObjetivo:

TraductorInformación de

localización

Símbolos de entrada de los

algoritmos

(Long1, Lat1)

a

(Long2, Lat2)

b

(Long3, Lat3)

c

(Long4, Lat4)

d

… …

Cell ID: 1 a

Cell ID: 2 b

Cell ID: 3 c

Cell ID: 4 d

… …

5Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Fuentes de datosDispositivo móvil detecta cada cambio de celda y

va formando el historial de movimientos (L)

Ejemplo: L = a b c f e …

Cell ID: 1 a

Cell ID: 2 b

Cell ID: 3 c

Cell ID: 4 d

Cell ID: 5 e

Cell ID: 6 f

6Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Algoritmos de predicciónPrincipio básico de funcionamiento

Los algoritmos extraen y almacenan:Patrones de movimiento

Evento(s) posterior(es) a cada patrón

Cuando el algoritmo reconoce un patrón ya visto:

1. Analiza los eventos que le han seguido anteriormente

2. Elige el que ha ocurrido más veces

1.Ejemplo: L = … a b c a b a c a b a d a b ? Patrón ab seguido de c (1 vez), a (2 veces) Predicción siguiente símbolo: a

7Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Algoritmos de predicciónFamilia algoritmos LZ

3 algoritmos analizados: LZ78, LeZi Update (LZU) y Active LeZi (ALZ)

Sencillos

Rápidos

Adaptativos no precisan entrenamiento previo, sino que aprenden y se adaptan a medida que se mueve el usuario

Consumen pocos recursos posibilita la ejecución en dispositivos móviles

8Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Algoritmos de predicción

Algoritmo de predicción

Actualizar árbol de patrones

Actualizar árbol de patrones

Calcular probabilidades

Calcular probabilidades

d 0.8

b 0.1

a 0.1

c

…cab

d

9Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

ResultadosTasa de acierto

10Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

ResultadosMemoria ocupada

11Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Aplicación móvilAplicación hecha en Android

Probada en HTC Hero

Android 2.1 Platform

Ventajas que aporta Android:

Muestra la información de la celda actual y las vecinas

Acceso a GPS, acelerómetro, brújula nos permiten determinar si el usuario está parado o en movimiento

Facilita el uso de APIs de Google usamos Google Maps y un API que nos permite traducir identificadores de celda en coordenadas

Seminario eMadrid sobre "Juegos, aprendizaje y movilidad" 12

Aplicación móvil

13Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

ÍndiceMovilidad

Fuentes de datos

Algoritmos de predicción

Resultados

Aplicación móvil

e-Learning

Fuentes de datos

Algoritmos de predicción

Propuestas de aplicación a escenarios de e-learning

14Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Fuentes de datosObjetivo:

Resultados de evaluación Características de la actividad:

Nivel de dificultad Conocimientos, habilidades o competencias que se quieran ejercitar

o evaluar Ayuda (pistas, wikis, foros, búsquedas en Internet) que ha

necesitado el alumno

…

TraductorInformación de

aprendizaje del alumno

Símbolos de entrada de los

algoritmos

15Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Algoritmos de predicciónPrimera aproximación: analizar patrones de alumnos

de forma individual

A partir de las características de aprendizaje de un alumno, construir su árbol y adaptarse a su forma de aprender

Segunda aproximación: analizar patrones de un grupo de alumnos

Construir el árbol con los patrones seguidos por cada uno de los alumnos del grupo y hacer recomendaciones conforme a las observaciones colectivas

16Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Propuestas de aplicaciones a entornos de e-learning

A. Itinerarios de aprendizaje Árbol de patrones puede ser

Construido con las acciones del usuario

Construido “a mano” con los patrones que queremos que siga el usuario

Podemos diseñar nuestro árbol “ideal”

contiene los itinerarios de aprendizaje que queremos que siga el alumno

Al completar cada actividad evaluar los resultados y recomendar la siguiente actividad que parece mejor en cada caso

17Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Propuestas de aplicaciones a entornos de e-learning

B. Recomendaciones basadas en los patrones seguidos por otros usuarios

Árbol de patrones puede ser:

Individual (construido por los patrones de un usuario)

Colectivo (construido por los patrones de varios usuarios)

Cada usuario tiene su forma de aprender, pero pueden existir patrones de aprendizaje similares podemos usar los patrones que hemos observado de otros usuarios para recomendar a alumnos futuros

18Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

Propuestas de aplicaciones a entornos de e-learning

C. Educación usando mundos virtuales

Los mundos virtuales simulan el mundo real también podemos dividirlo en regiones “geográficas” y aprender patrones de comportamiento en el mundo virtual

Analizando por dónde se mueve el usuario podemos adelantarnos a sus movimientos y cargar nuevos personajes, objetos, ayudas… antes de que el usuario llegue a su destino

19Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"

20Seminario eMadrid sobre "Juegos, aprendizaje y movilidad"