Estimar conocimiento latente en grandes volúmenes de datos utilizando el algoritmo Bayesian Knowledge Tracing
Fuente:
Redalyc
Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Artículo científico |
| Lingua: | es |
| Pubblicazione: |
Universidad de las Ciencias Informáticas
2021
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
| _version_ | 1876444604285321216 |
|---|---|
| author | Lisset Salazar Gómez |
| author_facet | Lisset Salazar Gómez |
| contents | Estimar conocimiento latente en grandes volúmenes de datos utilizando el algoritmo Bayesian Knowledge Tracing Lisset Salazar Gómez Angel Alberto Vazquez Sánchez Roxana Cañizares González Computación Minería de Datos Educacionales (MDE) Rastreo del Conocimiento Bayesiano (BKT) Estimación del Conocimiento Latente (ECL) Ante la masividad de los datos que se generan en la educación, se han tenido que cambiar los métodos tradicionales para el descubrimiento de conocimientos. Uno de los algoritmos es el Bayesian Knowledge Tracing (BKT) que permite Estimar Conocimiento Latente (ECL). La ECL no es más que la forma de medir el conocimiento de un estudiante sobre habilidades y conceptos específicos, que es evaluada por sus patrones de corrección sobre esas habilidades. Dicho algoritmo está diseñado para ser utilizado en volúmenes de datos pequeños, afectándose su rendimiento ante la presencia de grandes volúmenes de datos. Para dar solución al problema se presentará como resultado la transformación del algoritmo BKT teniendo en cuenta la programación paralela y distribuida. Se utilizaron herramientas de procesamiento en paralelo como el marco de trabajo Apache Spark en un entorno de minado. Se valida la propuesta de solución mediante pruebas para medir rendimiento y eficacia, usando métricas como speedup, eficiencia, error medio cuadrático del diferencial de probabilidades y error medio cuadrático del diferencial del área bajo la curva ROC; para las pruebas fueron empleadas bases de datos educacionales. 2021 artículo científico 1994-1536 https://www.redalyc.org/articulo.oa?id=378370462011 https://www.redalyc.org/journal/3783/378370462011/ https://www.redalyc.org/journal/3783/378370462011/html/ https://www.redalyc.org/journal/3783/378370462011/378370462011.epub https://www.redalyc.org/journal/3783/378370462011/movil es http://www.redalyc.org/revista.oa?id=3783 Revista Cubana de Ciencias Informáticas application/pdf Universidad de las Ciencias Informáticas Revista Cubana de Ciencias Informáticas (Cuba) Vol.15 |
| format | Artículo científico |
| id | redalyc_378370462011 |
| institution | Redalyc |
| language | es |
| publishDate | 2021 |
| publisher | Universidad de las Ciencias Informáticas |
| spellingShingle | Estimar conocimiento latente en grandes volúmenes de datos utilizando el algoritmo Bayesian Knowledge Tracing Lisset Salazar Gómez Computación Minería de Datos Educacionales (MDE) Rastreo del Conocimiento Bayesiano (BKT) Estimación del Conocimiento Latente (ECL) Estimar conocimiento latente en grandes volúmenes de datos utilizando el algoritmo Bayesian Knowledge Tracing Lisset Salazar Gómez Angel Alberto Vazquez Sánchez Roxana Cañizares González Computación Minería de Datos Educacionales (MDE) Rastreo del Conocimiento Bayesiano (BKT) Estimación del Conocimiento Latente (ECL) Ante la masividad de los datos que se generan en la educación, se han tenido que cambiar los métodos tradicionales para el descubrimiento de conocimientos. Uno de los algoritmos es el Bayesian Knowledge Tracing (BKT) que permite Estimar Conocimiento Latente (ECL). La ECL no es más que la forma de medir el conocimiento de un estudiante sobre habilidades y conceptos específicos, que es evaluada por sus patrones de corrección sobre esas habilidades. Dicho algoritmo está diseñado para ser utilizado en volúmenes de datos pequeños, afectándose su rendimiento ante la presencia de grandes volúmenes de datos. Para dar solución al problema se presentará como resultado la transformación del algoritmo BKT teniendo en cuenta la programación paralela y distribuida. Se utilizaron herramientas de procesamiento en paralelo como el marco de trabajo Apache Spark en un entorno de minado. Se valida la propuesta de solución mediante pruebas para medir rendimiento y eficacia, usando métricas como speedup, eficiencia, error medio cuadrático del diferencial de probabilidades y error medio cuadrático del diferencial del área bajo la curva ROC; para las pruebas fueron empleadas bases de datos educacionales. 2021 artículo científico 1994-1536 https://www.redalyc.org/articulo.oa?id=378370462011 https://www.redalyc.org/journal/3783/378370462011/ https://www.redalyc.org/journal/3783/378370462011/html/ https://www.redalyc.org/journal/3783/378370462011/378370462011.epub https://www.redalyc.org/journal/3783/378370462011/movil es http://www.redalyc.org/revista.oa?id=3783 Revista Cubana de Ciencias Informáticas application/pdf Universidad de las Ciencias Informáticas Revista Cubana de Ciencias Informáticas (Cuba) Vol.15 |
| title | Estimar conocimiento latente en grandes volúmenes de datos utilizando el algoritmo Bayesian Knowledge Tracing |
| topic | Computación Minería de Datos Educacionales (MDE) Rastreo del Conocimiento Bayesiano (BKT) Estimación del Conocimiento Latente (ECL) |
| url | https://www.redalyc.org/articulo.oa?id=378370462011 https://www.redalyc.org/journal/3783/378370462011/ https://www.redalyc.org/journal/3783/378370462011/html/ https://www.redalyc.org/journal/3783/378370462011/378370462011.epub https://www.redalyc.org/journal/3783/378370462011/movil |