Adaptive user interface for moodle based e learning system using learning styles.en.es
- 1. Disponible en línea en www.sciencedirect.com ScienceDirect Procedia Computer Science 135 (2018) 606–615 3er Congreso Internacional de Ciencias de la Computación e Inteligencia Computacional 2018 Interfaz de usuario adaptable para el sistema de aprendizaje electrónico basado en Moodle usando Aprendiendo estilos Sucheta V. Kolekar, Radhika M. Pai *, Manohara Pai MM Departamento de Tecnología de la Información y las Comunicaciones Instituto de Tecnología Manipal, Academia Manipal de Educación Superior (MAHE), Karnataka, India {sucheta.kolekar, radhika.pai, mmm.pai} @ manipal.edu Abstracto La educación es el proceso de facilitar el aprendizaje o la adquisición de habilidades, conocimientos, valores, creencias y hábitos. Con el desarrollo de la tecnología, los educadores y los estudiantes se están moviendo hacia las aplicaciones de E-Learning. Estas aplicaciones de E-Learning son aplicaciones de código abierto que tienen sus propias ventajas y desventajas. Modificando estas aplicaciones según sus necesidades, las instituciones educativas pueden adoptarlas de manera que los estudiantes sean guiados constantemente incluso fuera de sus aulas. El artículo presenta el enfoque para identificar los estilos de aprendizaje para la adaptación como modelo de estilo de aprendizaje de Felder-Silverman (FSLSM). Una aplicación de e-learning desarrollada usando el marco de Moodle con la funcionalidad para capturar los datos de uso de los estudiantes. Los datos de uso se utilizan para agrupar a los alumnos según las categorías de aprendizaje de FSLSM. La personalización se proporciona en el portal mediante la generación de la interfaz de usuario adaptable para cada alumno en función del estilo de aprendizaje de FSLSM. La adaptación del sistema se valida mediante análisis estadístico y se ha identificado el impacto de la adaptación en el aprendizaje. © 2018 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0/) Selección y revisión por pares a cargo del III Congreso Internacional de Informática e Inteligencia Computacional 2018. Palabras clave: Aprendizaje electrónico adaptativo; Modelo de estilo de aprendizaje Felder-Silverman; Sistema de recomendación; Aprendiendo estilos; Moodle; Interfaz de usuario adaptable 1. Introducción En el mundo actual de la educación, los estudiantes de ingeniería aprecian los sistemas de E-Learning como un aprendizaje externo aparte del aprendizaje en el aula. Sin embargo, existen muchas limitaciones que deben abordarse antes de poder llevar el aprendizaje electrónico al siguiente nivel. Muchas organizaciones educativas utilizan un marco basado en Moodle de código abierto para proporcionar soluciones de aprendizaje electrónico debido a la falta de disponibilidad de infraestructura y recursos. Como Moodle es de código abierto Dirección de correo electrónico: *radhika.pai@manipal.edu 1877-0509 © 2018 Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0/) Selección y revisión por pares a cargo del III Congreso Internacional de Informática e Inteligencia Computacional 2018. 10.1016 / j.procs.2018.08.226 Traducido del inglés al español - www.onlinedoctranslator.com
- 2. Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 607 framework, la mejora es posible agregando las funcionalidades requeridas como complementos, paquetes y módulos. Hoy en día, la adaptación también se ha incorporado en el sistema de aprendizaje electrónico existente para proporcionar un sistema de aprendizaje electrónico adaptativo. Este sistema tiene como objetivo comprender las características de los alumnos y generar la interfaz de usuario personalizada según sus estilos de aprendizaje. El modelo de estilo de aprendizaje Felder-Silverman (FSLSM) es una combinación de otros tres modelos que combina lo mejor de todos estos modelos. Este modelo (FSLSM) clasifica a los alumnos en un conjunto predefinido de clases de estilo de aprendizaje. FSLSM tiene ocho categorías o clases de estudiantes, a saber, sensoriales, intuitivos, globales, secuenciales, verbales, visuales, reflexivos y activos. La arquitectura para el portal Adaptive E-Learning usando FSLSM en Moodle Framework se propone en este documento con dos módulos importantes. El primer módulo identifica los estilos de aprendizaje mediante el análisis de registros web y el segundo módulo proporciona la adaptación en el portal basado en Moodle según los estilos de aprendizaje identificados de los alumnos. También proporciona contenidos, así como una interfaz de usuario personalizada para cada alumno según su estilo de aprendizaje. 2. Obras relacionadas Heba Fasihuddin y col.1 han propuesto un modelo adaptativo de E-Learning basado en FSLSM para personalizar el sistema. El modelo de adaptación trabaja con dos agentes. Primero, el agente de identificación que identifica los estilos de aprendizaje del alumno. Y en segundo lugar, el agente de recomendación para proporcionar un sistema de navegación adaptable para apoyar el estilo de aprendizaje que se identifica. El modelo solo considera la navegación de los contenidos que se encuentran disponibles en el portal y no considera la interfaz de usuario para sugerir contenidos adecuados. S. Graf y col.4 han propuesto un marco para una adaptación que proporciona los contenidos del curso según el estilo de aprendizaje de los alumnos. El FSLSM se utilizó para la identificación de estilos de aprendizaje. Además, los autores han discutido los requisitos iniciales de adaptación en Moodle LMS. El enfoque basado en cuestionarios se utiliza para identificar los estilos de aprendizaje que no proporcionan estilos de aprendizaje precisos a los alumnos. M. Prabhani Pitigala Liyanage y col.3 propuso un modelo mejorado al integrar la Teoría de Respuesta al Ítem y la Teoría del Estilo de Aprendizaje de Felder-Silverman como un intento de obtener conocimiento personal, antecedentes y estilo de aprendizaje. La entrada fue verificada y clasificada por una red neuronal artificial como aprendizaje automático para modelar su comportamiento. Esta técnica logró estimar la habilidad de los estudiantes en las clases de programación. Por lo tanto, la dificultad del material del curso podría ajustarse en consecuencia. Loc Nguyen5 propuso un sistema de modelado de usuario llamado Zebra que manipula las características de los estudiantes de manera efectiva. Proporciona un poderoso mecanismo de inferencia para razonar nueva información sobre los estudiantes con el fin de apoyar el aprendizaje adaptativo. Sucheta V. Kolekar y col.6 presentó el enfoque de identificación de los estilos de aprendizaje mediante el enfoque de agrupamiento y clasificación. Los datos de uso capturados de los alumnos se agrupan utilizando el algoritmo Fuzzy C Means y luego se clasifican utilizando un enfoque de red neuronal para predecir los estilos de aprendizaje de los nuevos alumnos. 3. Modelo de estilo de aprendizaje de Felder-Silverman (FSLSM) Existen varios modelos de estilos de aprendizaje propuestos por diferentes autores como Kolb, Pask, Dunn-Dunn, Myers-Briggs, Felder- Silverman, Felder-Silverman, etc. Los estilos de aprendizaje de FSLSM son los más adecuados para los estudiantes de ingeniería y el enfoque de cuestionario ha sido probado con éxito como modelo de comportamiento en el sistema de educación en ingeniería. El FSLSM define cuatro dimensiones (preprocesamiento, percepción, entrada y comprensión). Estas dimensiones se definen con dos tipos de estilos de aprendizaje que pueden verse como preferencias de aprendizaje opuestas entre sí. La combinación de estilos de aprendizaje uno-uno de cada dimensión constituye las preferencias de aprendizaje del individuo.1. Los dos estilos de aprendizaje de cada dimensión se explican a continuación: 1. Preprocesamiento Estudiantes activos y reflexivos • Los estudiantes activos son más entusiastas y participativos en el proceso de aprendizaje. Entienden mejor la información haciendo algo, compartiendo, aplicando o explicando a otros. Los estudiantes reflexivos prefieren ser ellos mismos en el proceso de aprendizaje. Piensan y analizan la información en silencio. A los estudiantes activos les gusta trabajar en grupo y los estudiantes reflexivos prefieren trabajar solos. Sin hacer nada
- 3. 608 Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 Físico, tomar notas para cualquier contenido es difícil para ambos tipos de estudiantes, pero especialmente difícil para los estudiantes activos. 2. Percepción Alumnos sensibles e intuitivos • Los estudiantes sensibles están interesados en aprender hechos y conceptos básicos, mientras que los estudiantes intuitivos están más interesados en aplicar conceptos básicos para descubrir posibles resultados. Los alumnos sensibles prefieren resolver los problemas con métodos definidos y establecidos, pero los alumnos intuitivos resuelven de todas las formas posibles al incluir innovaciones y sorpresas. Los alumnos sensibles tratan de ser pacientes al memorizar los hechos y hacer las tareas prácticas. Los estudiantes intuitivos se sienten más cómodos con las abstracciones y las formulaciones matemáticas. Los alumnos sensibles son más prácticos y cuidadosos, mientras que los alumnos intuitivos son más rápidos e innovadores. Percibir a los alumnos como cursos más conceptuales y fundamentales. Pero a los estudiantes intuitivos les gustan los cursos orientados a aplicaciones de la vida real. 3. Aporte Estudiantes visuales y verbales • Los estudiantes visuales comprenden mejor los conceptos con imágenes, diagramas, diagramas de flujo y demostraciones. Los estudiantes verbales comprenden leyendo más material de texto y escuchando más explicaciones habladas. En la mayoría de los cursos, se presenta menos información visual en comparación con el material de texto escrito o hablado. Por lo general, la mayoría de los alumnos son aprendices visuales, que intentan comprender si se proporcionan más presentaciones visuales. Para lograr un buen equilibrio, los alumnos deben ser capaces de comprender el material de aprendizaje presentado de forma visual o verbal. 4. Comprensión Alumnos secuenciales y globales • Los estudiantes secuenciales prefieren comprender los conceptos en pasos lineales y proporcionar un vínculo entre todos los pasos. Los estudiantes globales tienden a saltar de un paso a otro y a comprender la información de forma aleatoria sin proporcionar enlaces. Los estudiantes secuenciales tienden a identificar y aplicar la ruta paso a paso para encontrar las soluciones. Los estudiantes globales brindan una solución rápidamente mediante la aplicación de métodos abreviados innovadores, pero encuentran dificultades para explicar el proceso de la solución. 4. Descripción general de la arquitectura La arquitectura propuesta del sistema de aprendizaje electrónico adaptativo en la aplicación de aprendizaje electrónico basada en Moodle se muestra en la Fig. 1. Los estudiantes toman el curso en línea en el portal de aprendizaje electrónico donde los datos de uso de los estudiantes se capturan en los registros de uso y luego se almacenan en la base de datos de Moodle en el servidor WAMP. Además, los datos capturados se han analizado para identificar los estilos de aprendizaje utilizando las categorías de aprendizaje FSLSM de los alumnos. Se ha utilizado el algoritmo Fuzzy C Means (FCM) para identificar los estilos de aprendizaje. La razón detrás de la selección de este algoritmo es que el más delgado puede tener más de un estilo de aprendizaje basado en sus características de aprendizaje. Una vez que se identifican los estilos de aprendizaje, los componentes de la interfaz de usuario adaptable (AUI) se han generado y proporcionado a los alumnos para mejorar el aprendizaje y, en última instancia, mejorar la tasa de finalización del curso.
- 4. Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 609 Fig.1: Descripción general de la arquitectura 4.1. Prototipo de portal de aprendizaje electrónico basado en Moodle El portal Adaptive E-Learning se puede implementar de muchas formas. Aquí, el portal se desarrolla utilizando Moodle Framework, HTML / CSS y PHP. Se utiliza el servidor WAMP que da acceso a los materiales del curso a los alumnos. Moodle, aunque proporciona un buen marco para construir un sitio web, es estático con funcionalidades mínimas. HTML / CSS se utiliza para agregar un valor estético al sitio web que atraerá al usuario. La base de datos utilizada es MySQL. Todas las cuentas de usuario y los contenidos del curso se almacenarán en la base de datos. Los materiales estarán en forma de videos, presentaciones en power point, archivos pdf, etc. Cada alumno tiene un estilo de aprendizaje único. Pocos estudiantes preferirían videos y pocos otros preferirían presentaciones en power point. Cuando un alumno desea utilizar este sistema, debe registrarse en Moodle, luego de lo cual podrán acceder a cursos y otros recursos presentes en la base de datos de Moodle. Estas actividades del alumno se supervisan para proporcionar un mejor contenido e interfaz. El portal se proporcionará en la nube pública, de modo que los estudiantes con acceso a Internet puedan acceder a los materiales en cualquier momento. El servicio en la nube utilizado en este proyecto es DigitalOcean. 4.2. Captura de eventos de registro El portal proporciona materiales de estudio como videos, presentaciones en powerpoint, pdf y otros archivos para los alumnos. Cuando el alumno inicia sesión por primera vez, todos los recursos están disponibles. El estilo de aprendizaje activo se establece como el estilo de aprendizaje predeterminado. Hay ocho estilos de aprendizaje.2. Cada estilo de aprendizaje es un grupo diferente. Los alumnos acceden al material según sus preferencias. La información como el tipo de archivo al que acceden, el tiempo empleado, el número total de veces que se accede a cada archivo se captura y almacena en la base de datos. Estos datos se recopilan durante un período de tiempo y se analizan y agrupan utilizando el algoritmo de agrupación. 4.3. Algoritmo de medias de C difuso Cada alumno tiene un estilo de aprendizaje sólido y un estilo de aprendizaje débil. Se prefiere el estilo de aprendizaje fuerte, ya que ayuda a los alumnos a utilizar su tiempo de la manera más eficiente y productiva posible. El propósito de la agrupación en clústeres es identificar agrupaciones naturales de datos de un gran conjunto de datos para producir una representación concisa del comportamiento de un sistema. Los tres parámetros importantes, como el tipo de archivos a los que accede el alumno, el tiempo dedicado a los videos y otros archivos, la cantidad de veces que el alumno accede a un archivo en particular, se utilizan para determinar el estilo de aprendizaje de los alumnos. Los eventos de registro que se capturan se almacenan en la base de datos en WAMP Server. Los tres parámetros importantes, como el tipo de archivo al que accede el alumno, el tiempo dedicado a los videos y otros archivos, la cantidad de veces que el alumno accede a un archivo en particular, se utilizan para determinar el estilo de aprendizaje del alumno.5. 4.4. Personalización de los componentes de la interfaz de usuario adaptable (AUI) según los estilos de aprendizaje: Una vez que se identifica el estilo de aprendizaje de los alumnos, los materiales de aprendizaje y la interfaz también cambiarán de acuerdo con su estilo de aprendizaje.6.
- 5. 610 Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 Como se puede inferir del algoritmo dado, solo se proporcionarán aquellos materiales que coincidan con el estilo de aprendizaje del usuario.5. Cada estilo de aprendizaje tiene un componente de aprendizaje específico que facilitará la comprensión del alumno. El contenido del curso se muestra mediante paquetes del Modelo de referencia de objetos de contenido compartible (SCORM). El estilo de aprendizaje de cada alumno se etiquetará con el perfil de usuario en la base de datos. Pero, si cambia en el futuro, el perfil se modificará para incorporar los cambios en consecuencia.9. 5. Experimentación y resultados Los datos de registro de los alumnos se proporcionan al algoritmo de FCM para agrupar a los alumnos en función de las categorías de aprendizaje de FSLSM. Para clasificar a los dos estudiantes en los 8 grupos disponibles, la desviación estándar se resta del valor medio del grupo de cada grupo. El que tenga el menor valor será el grupo al que pertenece el alumno. 5.1. Agrupación difusa de medias C La Tabla 1 muestra los valores medios de los conglomerados estándar para todos los estilos de aprendizaje. Hemos tomado 8 grupos, uno para cada estilo de aprendizaje. Cada grupo tiene un valor medio central dado en la tabla4. En la Tabla 2, se enumeran las desviaciones estándar de dos alumnos. Ahora, para clasificar a los dos estudiantes en los 8 grupos disponibles, la desviación estándar se resta del valor medio del grupo de cada grupo. El que tenga el menor valor será el grupo al que pertenece el alumno. En la Tabla 3, a cada alumno que tiene un estilo de aprendizaje particular se le ha asignado un tema y un componente que es exclusivo de ese estilo de aprendizaje y que ayudará a los alumnos a comprender los conceptos de una mejor manera. Tabla 1: Valores medios de conglomerados estándar para diferentes estilos de aprendizaje. Activo reflexivo Sintiendo Intuitivo Visual Verbal Secuencial Global 0,77 0,1 0,2 0,35 0,75 0,3 0,8 0,72 Tabla 2: Clasificación del alumno. CMU = Valor medio del conglomerado Usuario Nishanth Pooja Desviación Estándar 0,76 0,35 CMU activa - Desviación estándar 0,01 0,41 CMU reflectante - Desviación estándar 0,75 0,34 CMU de detección: desviación estándar 0,56 0,15 CMU intuitiva - Desviación estándar 0,41 0,00 CMU visual: desviación estándar 0,01 0,40 CMU verbal - Desviación estándar 0,46 0,5 CMU secuencial - Desviación estándar 0,04 0,45 CMU global - Desviación estándar 0,04 0,32 Tabla 3: Asignación de componentes y temas según los estilos de aprendizaje Aprendiendo estilo Componente Tema Alumno activo Personas, Diálogo Adaptable Aprendiz reflexivo Chat global, mensajes EduHub Aprendiz sensorial Clasificación Limpio Alumno intuitivo Temporizador de inscripción Instalaciones Aprendiz visual Progreso de finalización E-gurú Aprendiz verbal Chat de video Roshnilita Alumno secuencial Exabis- Biblioteca academi Alumno global Catálogo Cerdo hormiguero
- 6. Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 611 5.2. Componentes AUI Esta sección describe la adaptación de los componentes de la interfaz de usuario según el grupo / grupo de alumnos identificado. Fig.2: Componente del curso de alumno activo La Figura 2 muestra los materiales y componentes accesibles para un alumno activo. Para el alumno activo, todos los tipos de materiales del curso son accesibles. El componentegente se asigna al alumno. El tema asignado esadaptable. Fig.3: Página del curso Reflective Learner La Figura 3 muestra los materiales y componentes accesibles para un alumno reflexivo. Ciertos materiales del curso, como los PPT, no son accesibles. El componentechat global y mensajes se asignan al alumno.
- 7. 612 Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 Fig.4: Página del curso Sensing Learner La Figura 4 muestra los materiales y componentes accesibles para un alumno de Sensing. Ciertos materiales del curso como PPT y algunos otros materiales como imágenes no son accesibles. El tema asignado esLimpio. Fig.5: Página del curso para estudiantes intuitivos La Figura 5 muestra los materiales y componentes accesibles para un alumno intuitivo, casi todos los materiales, excepto imágenes, gráficos y enlaces secuenciales, están disponibles. El componente y el tema asignados sonTemporizador de inscripción y Instalacionesrespectivamente.
- 8. Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 613 Fig.6: Página del curso Visual Learner La Figura 6 muestra los materiales y componentes accesibles para un alumno visual, solo están disponibles imágenes, gráficos y videos. El componente y el tema asignados sonProgreso de finalización y E-Guru respectivamente. Fig.7: Página del curso Verbal Learner La Figura 7 muestra los materiales y componentes accesibles para los estudiantes verbales. Solo están disponibles PDF, videos y anuncios. El componente y el tema asignados sonchat de video y Roshnilita respectivamente.
- 9. 614 Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 Fig.8: Página del curso de aprendizaje secuencial La Figura 8 muestra los materiales y componentes accesibles para los estudiantes secuenciales. Solo se encuentran disponibles ejercicios, referencias y asignaciones. El componente y el tema asignados sonBiblioteca Exabis y Académico respectivamente. Fig.9: Página del curso Global Learner La Figura 9 muestra los materiales y componentes accesibles para los estudiantes globales. Solo se encuentran disponibles ejercicios, referencias y asignaciones. El componente y el tema asignados sonCatalogar y Cerdo hormiguero respectivamente. 5.3. Análisis del trabajo: El análisis de la aplicación implementada se ha realizado seleccionando la muestra aleatoria de alumnos en el grupo de control y experimental. A los efectos del estudio, el diseño experimental se basa en el método de prueba previa y posterior. La selección de alumnos se ha realizado de forma aleatoria como población. Los alumnos se identifican de tal manera que los alumnos tienen diferentes niveles de inteligencia y diferentes fortalezas. La muestra seleccionada fueron los estudiantes de ingeniería de segundo año para la experimentación. La población total se compone de setenta y seis estudiantes agrupados en dos unidades de clase llamadas
- 10. Sucheta V. Kolekar y col. / Procedia Computer Science 135 (2018) 606–615 615 grupos experimentales y de control. Aunque no es similar, cada uno de ellos compuesto por treinta y cinco alumnos, fueron seleccionados al azar. Esto se ha definido para mantener la equivalencia estadística. Inicialmente, la prueba previa se llevó a cabo en forma de cuestionario en el portal web de Moodle para ambos grupos y se capturó el resultado de cada alumno. Al final del curso, se realizó una prueba posterior para ambos grupos y se compararon los resultados de cada alumno con el resultado de la prueba previa. La prueba t pareada se aplicó a ambos resultados de la prueba. El motivo de la selección de la prueba t es comparar las medias de las puntuaciones de dos grupos y averiguar la diferencia significativa. El propósito de esta experimentación es determinar si existe evidencia estadística de que la diferencia media entre observaciones pareadas sobre un resultado particular es significativamente diferente de cero. La prueba t de muestras pareadas es una prueba paramétrica. Y la inferencia demuestra que la identificación de estilos de aprendizaje y la recomendación de los contenidos y temas del curso aumentan el rendimiento de los alumnos. 6. Conclusión y alcance futuro El portal de aprendizaje electrónico se desarrolla utilizando el marco de Moodle teniendo en cuenta las tendencias recientes que sugieren que los estudiantes prefieren la educación en línea en comparación con el entrenamiento tradicional en el aula. Las características dinámicas del sitio web, que Moodle no proporciona, se han codificado en JavaScript y PHP. En general, todos los estudiantes se dividen en 8 categorías de estilo de aprendizaje. Este portal identifica el estilo de aprendizaje de los estudiantes y, en consecuencia, proporciona material y personaliza la interfaz de usuario (UI) en función de ese estilo de aprendizaje. Esto mejorará la capacidad de aprendizaje de los estudiantes. El estudiante generalmente no tiene tiempo para navegar a través de todo tipo de material para un tema en particular, por lo que el portal personalizará y proporcionará solo aquellos materiales que mejorarán la experiencia de aprendizaje del estudiante. Referencias 1. H. Fasihuddin, G. Skinner y R. Athauda, "Hacia un modelo adaptativo para personalizar entornos de aprendizaje abiertos utilizando estilos de aprendizaje", Conferencia internacional sobre sistemas y tecnologías de la información y la comunicación, 2014. 2. KM Fouad, "Enfoque propuesto para construir un modelo de aprendizaje semántico en e-learning adaptativo", Revista Internacional de Aplicaciones Informáticas, vol. 58, no. 17 de 2012. 3. MPP Liyanage, KSL Gunawardena y M. Hirakawa, "Un marco para sistemas de gestión del aprendizaje adaptativos utilizando estilos de aprendizaje", Conferencia internacional sobre avances en las TIC para regiones emergentes (ICTer), págs. 261-265, 2013. 4. S. Graf y Kinshuk, "Habilitar los sistemas de gestión del aprendizaje para identificar estilos de aprendizaje", Conferencia Internacional sobre el Aprendizaje, vol. 1, págs. 1-9, 2006. 5. MPP Liyanage, KL Gunawardena y M. Hirakawa, Detección de estilos de aprendizaje en sistemas de gestión del aprendizaje mediante minería de datos, Journal of Information Processing, vol. 24, no. 4, págs. 740749, 2016. 6. L. Nguyen, "Un sistema de modelado de usuarios para el aprendizaje adaptativo", Conferencia internacional sobre avances en las TIC para regiones emergentes (ICTer), 2009. 7. Sucheta V. Kolekar, Radhika M. Pai y Manohara Pai MM, "Predicción del perfil del alumno basada en estilos de aprendizaje en el sistema de aprendizaje electrónico adaptativo", Revista internacional de tecnologías emergentes en el aprendizaje (iJET), vol. 12 (6), págs. 31-51, 2017. 8. S. Graf, Kinshuk, SR Viola y T. Leo, "Análisis en profundidad de las dimensiones del estilo de aprendizaje de Felder-Silverman", Revista de Investigación sobre Tecnología en Educación, vol. 40 (1), págs. 347-365, 2007. 9. F. Doelitzscher, A. Sulistio, C. Reich, H. Kujis y D. Wolf, Un modelo arquitectónico propuesto para un sistema de aprendizaje electrónico adaptativo automático basado en el estilo de aprendizaje de los usuarios, International Journal of Advanced Computer Science and Applications, vol. 5, no. 4, págs.15, 2014.