Adaptive E-learning using Genetic Algorithms

Intro. Teor´ Soft. Jgap Bib. Lic.
ıa

Adaptive E-learning using Genetic Algorithms

Luis Antonio Chamba Eras

MICSI: Heur´
ısticas de B´squeda
u

Fecha: 02/05/2011

Luis Antonio Chamba Eras Adaptive E-learning using Genetic Algorithms

ıa

´
Indice

Introducci´n
o

Teor´
ıa

Software utilizado

JGAP

Bibliograf´
ıa

Licencia del trabajo


ıa

Introducci´n
o

• Paper, International Journal of Computer Science and
Network Security (IJCSNS) [1]
• Samia Azough and Mostafa Bellafkih (National Institute of
posts and Telecommunications Rabat, Morocco)
• El Houssine Bouyakhf (Faculty of Sciences Rabat Agdal,
Morocco)
• July 2010


ıa

Teor´
ıa

• Sistema e-learning adaptativo, construido pedag´gicamente en
o
base al perfil del estudiante.
• Problema de Optimizaciń.
o
• AG, alcanzar los ´ptimos en base al perfil del estudiante,
o
cursos intermedios.
• Cursos adaptados al perfil, formato XML, SGBD.
• Crecimiento Internet, e-learning gana importancia muchos
campos: Educativos, Profesionales, Culturales.
• Los sistemas e-learning, gestionan recursos acorde a la
flexibilidad y adaptabilidad de los usuarios.


ıa

Teor´
ıa

• El problema: ”Subir y subir contenidos ”, gran problema para
el diferente tipo de aprendizaje, cada uno aprende diferente.
• Se confunden conceptos e-learning: colgar contenido y ya......
• Antecesor: STI (generar material educativo en base al perﬁl
estudiante), presente la IA.
• Moderador crear perﬁles de acuerdo a los objetivos
pedag´gicos de cada estudiante para que se adapte a su modo
o
de aprender.


ıa

Teor´
ıa

• Factores a tomar en cuenta: Rentabilidad, Reusabilidad,
Flexibilidad, Adaptabilidad e Interactividad.
• Sistema e-learning adaptativo en base a recursos pedag´gicos,
o
adem´s de proporcionar el camino mas adecuado en base al
a
perfil del estudiante utilizando algoritmos de optimizaciń.
o
• Recursos pedag´gicos definidos en archivos XML, capturar
o
caracter´
ısticas de cada perfil en el proceso de formaciń.
o
• El sistema e-learning permitir´ al estudiante ser mas
a
autńomo, mejor comprensiń del curso y gestionar su
o o
proceso de aprendizaje.


ıa

Teor´ - Arquitectura - Enfoque
ıa

• - Poca reusabilidad de cursos creados por los moderadores y
no aplicados en el contexto.
• - Sistemas cerrados, no permiten almacenar el conocimiento
de los moderadores.
• Sistema basado en la descripci´n de los recursos en diversos
o
formatos, con el ﬁn de conocimiento.
• El estudiante debe tener una competencia b´sica para poder
a
entender los cursos adaptativos: pre-requisitos.


ıa

ıa

• Conceptos definidos por el moderador (creador RP) o un
experto ´rea.
a
• Definir el conocimiento que se lograra despu´s del curso
e
(Metas pedag´gicas): post-conceptos.
o
• Estudio antes y despu´s de un curso virtual por parte del
e
estudiante.
• El modelo de los RP se los define en un archivo XML:
pre-requisitos y post-conceptos.


ıa

ıa

• Buena descripciń de contenidos presenta al estudiante un
o
curso acorde a sus perfil.
• Se registran conceptos en la BD por parte del experto de la
misma tem´tica y las relaciones entre los mismo y genera un
a
´rbol de conceptos.
a
• Los conceptos permiten ser independientes del RP y del
formato de los mismos. Reutilizar y crear autom´ticamente
a
diferentes cursos en base al perfil del estudiante.
• PO: Busca el camino ´ptimo, partiendo del perfil del
o
estudiante hasta llegar a las objetivos pedag´gicos mientras se
o
va pasando por puntos intermedios(cursos).


ıa

Teor´ - Arquitectura - General
ıa


ıa

Teor´ - Arquitectura - General
ıa

• M´dulo para el estudiante: aprendizaje del estudiante, perfil
o
de la BD, metas, proceso de adaptaciń(AO) muestra lista de
o
cursos(AG).
• M´dulo para el moderador: modela los recursos pedag´gicos,
o o
usado por el proceso de adaptaciń(AO), Moderador.
o
• XML, para reutilizaciń: pre-requisitos y
o
post-conceptos(Modelazation process).


ıa

Teor´ - Arquitectura - Adaptaciń
ıa o

• AG: Codificaciń de la poblaciń, generaciń de poblaciń
o o o o
inicial, funciń de adaptaciń(fitness), mecanismo de
o o
selecciń, operadores de cruce y mutaciń.
o o


ıa

Teor´ - Arquitectura - Estructura del AG
ıa


ıa

ıa

• PO: Mediante algoritmos gen´ticos.
e
• Metas, perﬁl estudiante, pre-requisito y post-conceptos:
Vectores.
• Metas: (1 1 1 0 1 1), indica que el estudiante debe alcanzar
estos conceptos (1,2,3,5 y 6).
• Perﬁl estudiante: (1 1 0 0 0 0), indica que el estudiante ya ha
adquirido los conceptos (1 y 2).
• Pre-requisito: son las condiciones para cursar el curso.
• Post-conceptos: estado probable despu´s del curso
e


ıa

ıa

• Funciń Fitness: se calcula de acuerdo al aprendizaje
o
adaptativo del estudiante por tomar varios cursos en
diferentes formatos.
• La probabilidad de cruzamiento es igual y se va cambiando
mientras se observa las acciones del estudiante y la evoluciń
o
en su perfil.


ıa

Teor´ - Proceso de Adaptaciń e Implementaciń
ıa o o

• JGAP, librer´ JAVA.
ıa
• La idea es transformar hacia un problema de optimizaciń. El
o
punto de partida el punto es el perfil del estudiante, el punto
de llegada son los objetivos educacionales y los estados
intermedios es la evoluciń del perfil despu´s de tomar los
o e
cursos disponibles.
• 5 etapas: predict our chromosome, implement a function of
fitness, install an object of configuration, create a population
of the potential solutions and evolve population.


ıa

Teor´ - Proceso de Adaptaciń e Implementaciń
ıa o o

• Chromosome Course: The chromosome course is presented in
the form of Boolean genes, its size is the number of concepts
on which the formation module is based.
• Fitness Function: The function of fitness is implemented
according to the learner profile and to the pedagogic goal of
the formation.
• Genetic Operator : Starting from two individuals courses, the
operator produce an individual course (solution) result of
union of the two courses in question.
• Object of configuration: We create a configuration object with
our fitness function, we initialize the chromosome and we
choose the size of the population to evolve.


ıa

Teor´ - Modelization
ıa

• LOM, Learning Object Metadata.
• Estńdar es facilitar b´squeda, evaluaciń, adquisiciń y
a u o o
reutilizaciń objetos de aprendizaje.
o
• XML basado en LOM.
• Pre-requisito o Post-conceptos.


ıa

ıa


ıa

ıa

• Estudiante, trabaja en su modulo, se actualiza su perfil, se
elige un objetivo pedag´gico a seguir, se registra el camino
o
seguido en el aprendizaje del estudiante en un portafolio
virtual, conecta al sistema, el estudiante evalá sus
u
capacidades de conocimiento por medio de test.
• Moderador, define mediante las interfaces de entrada los
recursos pedag´gicos en el sistema define los objetivos que
o
guiaran a los estudiantes en el proceso de formaciń.
o


ıa

Teor´ - Resultados Adaptaci´n
ıa o

• (1100000010000): pre-requisitos.
• (1100000010001): post-conceptos.


ıa

Teor´ - Soluci´n dada por el Adaptador
ıa o


ıa

Tecnolog´ de Software Utilizadas
ıa

• XML.
• Est´ndar LOM
a
• JGAP [2]


ıa

Librer´ para programar Algoritmos Gen´ticos
ıa e

• Lenguaje de Programaci´n JAVA.
o
• Clases e Interfaces:
• Genes (Gene)
• Cromosomas (Chromosome)
• Individuos (IChromosome)
• Poblaci´n (Genotype)
o
• Funcion de ajuste (FitnessFunction)
• Operadores Gen´ticos
e
• Gen´ricas, adaptar y crear de acuerdo al problema a resolver.
e
• Motor Gen´tico: Simulaciones
e


ıa

Librer´ para programar Algoritmos Gen´ticos - Pasos
ıa e
JGAP

• Conocer y entender el problema a resolver.
• Establecer la funciń de ajuste.
o
• Implementar en JGAP [4]:
• Incluir librer´ en proyecto (jgap.rar).
ıa
• Funciń de ajuste(tipo problema): sobrecargar evaluate() en
o
una subclase de FitnessFunction.
• Configuraciń del entorno del Motor Gen´tico que va a simular
o e
JGAP: Configuration.
• http:
//www.4shared.com/file/PMjgCuL-/JGAPPractica.html


ıa

Bibliograf´
ıa

[1] Azough, Samia et al.
Adaptive E-learning using Genetic Algorithms.
IJCSNS International Journal of Computer Science and Network Security.,
10:237–244, Jul. 2010.
[2] Librer´ para algoritmos gen´ticos
ıa e
http: // jgap. sourceforge. net .
Disponible Marzo 2011
[3] Curso de Algoritmos Gen´ticos libre acceso
e
http: // www. educagratis. org/ moodle/ course/ view. php? id= 370 .
Disponible Marzo 2011
[4] Laboratorio de Inteligencia Artificial I, Prćtica: Algoritmos Gen´ticos.
a e
Jorge Ra´l Lu Hernńdez.
u a
Universidad de San Carlos de Guatemala
[5] D´ Adenso et al
ıaz,
Optimizaciń Heur´
o ıstica y Redes Neuronales.
Paraninfo. Madrid. 1995
[6] Sierra Araujo, Basilio et al
Aprendizaje Autom´tico: conceptos b´sicos y avanzados
a a
Pearson. Madrid. 2006


ıa

Licencia Creative Commons


Adaptive E-learning using Genetic Algorithms

Más contenido relacionado

Destacado (7)

Similar a Adaptive E-learning using Genetic Algorithms (20)

Más de Universidad Nacional de Loja (20)

Último (20)

Adaptive E-learning using Genetic Algorithms