Reconstrucción adaptativa transversal de los recursos educativos abiertos

Área de la Ciencia:

• Inteligencia artificial
• Ciencias cognitivas
• Tecnología educativa

Sus antecedentes:

• La personalización de los recursos de aprendizaje en línea para diversos estudiantes adultos es un desafío.
• Los sistemas de recomendación existentes luchan con los datos intermodales y la relevancia en tiempo real.
• La optimización de la eficiencia cognitiva en los sistemas de recomendación es crucial para la experiencia del usuario.

Objetivo del estudio:

• Proponer y evaluar un modelo de recomendación intermodal mejorado por un gráfico de conocimiento dinámico (DKG-CMR).
• Mejorar la alineación del significado en diversos tipos de datos (texto, video, comportamiento del usuario).
• Reducir la carga cognitiva y mejorar la eficiencia de las recomendaciones para los estudiantes adultos.

Principales métodos:

• Utilizó un gráfico de conocimiento dinámico que se actualiza continuamente en función de las acciones del alumno y los objetivos del curso.
• Aprendizaje por contraste para mejorar la comprensión multimodal y el aprendizaje por similitud.
• Evaluó el modelo DKG-CMR con 1.520 estudiantes adultos utilizando el NASA-TLX para la evaluación de la carga de trabajo mental.

Principales resultados:

• Se obtiene una alta precisión (puntuación F1 = 0,912) en la comprensión multimodal, superando las líneas de base en un 33,7%.
• El gráfico de conocimiento dinámico mejoró la precisión de las recomendaciones en un 35,5% con baja latencia del sistema.
• Los estudiantes adultos informaron una reducción del 40,5% en la carga de trabajo mental percibida y una disminución del 56,8% en el tiempo de selección de recursos.

Conclusiones:

• El modelo DKG-CMR mejora efectivamente la accesibilidad a los recursos y la personalización en la educación abierta.
• La reducción de la carga cognitiva es un factor clave en la mejora de la experiencia y la eficiencia del usuario.
• Se estableció un criterio de recomendación amigable con la cognición (CFR) que equilibra la precisión y la eficiencia operativa para la optimización tecnocognitiva.