Docencia
Permanent URI for this community
La comunidad Docencia contiene el Material docente, así como los Trabajos fin de Grado y Máster (TFG Y TFM) y Proyectos Fin de Carrera de la Universidad de Murcia.
Browse
Browsing Docencia by Author "Aguilar Igualada, Ana María"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- PublicationOpen AccessAnalítica de aprendizaje y minería de datos educacionales. Tema 6 - Inferencia del Conocimiento y Sistemas Adaptativos. Curso 2025/2026.(2026-05-14) Ruipérez Valiente, José Antonio; Gómez Moratilla, Manuel Jesús; Albaladejo González, Mariano; Aguilar Igualada, Ana María; Ingeniería de la Información y las ComunicacionesMaterial de teoría del tema 6 de Analítica de aprendizaje y minería de datos educacionales (Curso 2025/2026).
- PublicationOpen AccessData Science and AI Techniques for Competency Assessment through Serious Games : Case of study: Shadowspect(2026-01-30) Aguilar Igualada, Ana María; Gómez Moratilla, Manuel Jesús; Ruipérez Valiente, José Antonio; Ingeniería de la Información y las Comunicaciones; Facultad de InformáticaLa tecnología ha revolucionado diversos aspectos de la vida cotidiana, incluyendo la educación. La integración de herramientas digitales en los procesos de aprendizaje y evaluación ha emergido como un enfoque innovador para involucrar a los estudiantes y mejorar los resultados educativos. Game Based Assessment (GBA) y Serious Games (SG) destacan en este contexto, ofreciendo ambientes interactivos y atractivos que no solo hacen el aprendizaje más entretenido, sino que también proporcionan retroalimentación en tiempo real y una comprensión más profunda de los procesos cognitivos de los estudiantes (Eseryel et al. [2014]). La importancia de estudiar Game Based Learning (GBL) radica en su potencial para transformar los métodos de enseñanza tradicionales. Las técnicas de evaluación tradicionales a menudo no capturan la naturaleza dinámica e interactiva del aprendizaje (Shute and Ke [2012]). Sin embargo, GBA ofrece un enfoque más holístico al integrar la evaluación en entornos atractivos e interactivos (Shute et al. [2009]). Un beneficio significativo de SG y GBL, más allá de los beneficios educativos, es que los juegos digitales permiten la recopilación de grandes cantidades de datos, lo que facilita el análisis de comportamientos y resultados de aprendizaje, habilitando estrategias educativas más personalizadas y efectivas (Kim and Rosenheck [2018]). La posibilidad de desarrollar modelos complejos de ML y Deep Learning (DL) a partir de estos datos ofrece una herramienta poderosa para evaluar habilidades complejas que son difíciles de medir con métodos convencionales (Géron [2022]). El razonamiento espacial es una habilidad crítica que implica la capacidad de representar y transformar mentalmente objetos y sus relaciones (Lowrie et al. [2020]). Esta habilidad desempeña un papel fundamental en la geometría. La investigación ha demostrado que mejorar el razonamiento espacial puede mejorar el rendimiento matemático general (Lowrie et al. [2020]). Sin embargo, los test convencionales para el razonamiento espacial suelen medir aspectos aislados de esta competencia (Atit et al. [2020]), lo que motiva el uso de técnicas de ML en el contexto de GBA para medir los procesos cognitivos que envuelven este constructo. Sin embargo, para desarrollar un modelo robusto de ML para la evaluación del razonamiento espacial, es crucial disponer de un conjunto de datos etiquetados de manera consistente. En Wang et al. [2020] se muestra el problema de encontrar conjuntos de datos etiquetados en escenarios real que no presenten inconsistencias debido al etiquetado de múltiples expertos sin un criterio común. Ante esta problemática, en este Trabajo Final de Grado (TFG), se propone una rúbrica de etiquetado manual y un modelo de ML para la evaluación del razonamiento x espacial, usando los datos obtenidos a través del juego Shadowspect. Este juego desarrollado por el Playful Journey Lab del MIT y Education Arcade, consiste en una serie de puzles geométricos donde el usuario debe construir una figura, que se corresponda con las vistas dadas, a partir de figuras más sencillas. Para ello se propusieron los siguientes objetivos: • Revisión de la literatura. Definir los constructos que modelan el razonamiento espacial a partir de estudios psicológicos y herramientas de GBA ya utilizadas. • Desarrollo de una rúbrica. Crear una rúbrica detallada para la etiqueta manual del razonamiento espacial en el juego Shadowspect. • Desarrollo de un modelo de ML. Entrenar modelos de aprendizaje automático para predecir el rendimiento de los estudiantes en el razonamiento espacial a partir de los datos etiquetados manualmente. • Caso de uso. Demostrar la aplicación práctica del modelo mejor desempeñado