adaptive e-learning using genetic algorithms

Intro. Teorıa Soft. Jgap Bib. Lic.

Adaptive E-learning using Genetic Algorithms

Luis Antonio Chamba Eras

MICSI: Heurısticas de Busqueda

Fecha: 02/05/2011

Luis Antonio Chamba Eras Adaptive E-learning using Genetic Algorithms


Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa

Licencia del trabajo



Introduccion

• Paper, International Journal of Computer Science andNetwork Security (IJCSNS) [1]

• Samia Azough and Mostafa Bellafkih (National Institute ofposts and Telecommunications Rabat, Morocco)

• El Houssine Bouyakhf (Faculty of Sciences Rabat Agdal,Morocco)

• July 2010



Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa




Teorıa

• Sistema e-learning adaptativo, construido pedagogicamente enbase al perfil del estudiante.

• Problema de Optimizacion.

• AG, alcanzar los optimos en base al perfil del estudiante,cursos intermedios.

• Cursos adaptados al perfil, formato XML, SGBD.

• Crecimiento Internet, e-learning gana importancia muchoscampos: Educativos, Profesionales, Culturales.

• Los sistemas e-learning, gestionan recursos acorde a laflexibilidad y adaptabilidad de los usuarios.



Teorıa

• El problema: ”Subir y subir contenidos ”, gran problema parael 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 perfilestudiante), presente la IA.

• Moderador crear perfiles de acuerdo a los objetivospedagogicos de cada estudiante para que se adapte a su modode aprender.



Teorıa

• Factores a tomar en cuenta: Rentabilidad, Reusabilidad,Flexibilidad, Adaptabilidad e Interactividad.

• Sistema e-learning adaptativo en base a recursos pedagogicos,ademas de proporcionar el camino mas adecuado en base alperfil del estudiante utilizando algoritmos de optimizacion.

• Recursos pedagogicos definidos en archivos XML, capturarcaracterısticas de cada perfil en el proceso de formacion.

• El sistema e-learning permitira al estudiante ser masautonomo, mejor comprension del curso y gestionar suproceso de aprendizaje.



Teorıa - Arquitectura - Enfoque

• - Poca reusabilidad de cursos creados por los moderadores yno aplicados en el contexto.

• - Sistemas cerrados, no permiten almacenar el conocimientode los moderadores.

• Sistema basado en la descripcion de los recursos en diversosformatos, con el fin de conocimiento.

• El estudiante debe tener una competencia basica para poderentender los cursos adaptativos: pre-requisitos.




• Conceptos definidos por el moderador (creador RP) o unexperto area.

• Definir el conocimiento que se lograra despues del curso(Metas pedagogicas): post-conceptos.

• Estudio antes y despues de un curso virtual por parte delestudiante.

• El modelo de los RP se los define en un archivo XML:pre-requisitos y post-conceptos.




• Buena descripcion de contenidos presenta al estudiante uncurso acorde a sus perfil.

• Se registran conceptos en la BD por parte del experto de lamisma tematica y las relaciones entre los mismo y genera unarbol de conceptos.

• Los conceptos permiten ser independientes del RP y delformato de los mismos. Reutilizar y crear automaticamentediferentes cursos en base al perfil del estudiante.

• PO: Busca el camino optimo, partiendo del perfil delestudiante hasta llegar a las objetivos pedagogicos mientras seva pasando por puntos intermedios(cursos).



Teorıa - Arquitectura - General



Teorıa - Arquitectura - General

• Modulo para el estudiante: aprendizaje del estudiante, perfilde la BD, metas, proceso de adaptacion(AO) muestra lista decursos(AG).

• Modulo para el moderador: modela los recursos pedagogicos,usado por el proceso de adaptacion(AO), Moderador.

• XML, para reutilizacion: pre-requisitos ypost-conceptos(Modelazation process).



Teorıa - Arquitectura - Adaptacion

• AG: Codificacion de la poblacion, generacion de poblacioninicial, funcion de adaptacion(fitness), mecanismo deseleccion, operadores de cruce y mutacion.



Teorıa - Arquitectura - Estructura del AG




• PO: Mediante algoritmos geneticos.

• Metas, perfil estudiante, pre-requisito y post-conceptos:Vectores.

• Metas: (1 1 1 0 1 1), indica que el estudiante debe alcanzarestos conceptos (1,2,3,5 y 6).

• Perfil estudiante: (1 1 0 0 0 0), indica que el estudiante ya haadquirido los conceptos (1 y 2).

• Pre-requisito: son las condiciones para cursar el curso.

• Post-conceptos: estado probable despues del curso




• Funcion Fitness: se calcula de acuerdo al aprendizajeadaptativo del estudiante por tomar varios cursos endiferentes formatos.

• La probabilidad de cruzamiento es igual y se va cambiandomientras se observa las acciones del estudiante y la evolucionen su perfil.



Teorıa - Proceso de Adaptacion e Implementacion

• JGAP, librerıa JAVA.

• La idea es transformar hacia un problema de optimizacion. Elpunto de partida el punto es el perfil del estudiante, el puntode llegada son los objetivos educacionales y los estadosintermedios es la evolucion del perfil despues de tomar loscursos disponibles.

• 5 etapas: predict our chromosome, implement a function offitness, install an object of configuration, create a populationof the potential solutions and evolve population.



Teorıa - Proceso de Adaptacion e Implementacion

• Chromosome Course: The chromosome course is presented inthe form of Boolean genes, its size is the number of conceptson which the formation module is based.

• Fitness Function: The function of fitness is implementedaccording to the learner profile and to the pedagogic goal ofthe formation.

• Genetic Operator : Starting from two individuals courses, theoperator produce an individual course (solution) result ofunion of the two courses in question.

• Object of configuration: We create a configuration object withour fitness function, we initialize the chromosome and wechoose the size of the population to evolve.



Teorıa - Modelization

• LOM, Learning Object Metadata.

• Estandar es facilitar busqueda, evaluacion, adquisicion yreutilizacion objetos de aprendizaje.

• XML basado en LOM.

• Pre-requisito o Post-conceptos.




• Estudiante, trabaja en su modulo, se actualiza su perfil, seelige un objetivo pedagogico a seguir, se registra el caminoseguido en el aprendizaje del estudiante en un portafoliovirtual, conecta al sistema, el estudiante evalua suscapacidades de conocimiento por medio de test.

• Moderador, define mediante las interfaces de entrada losrecursos pedagogicos en el sistema define los objetivos queguiaran a los estudiantes en el proceso de formacion.



Teorıa - Resultados Adaptacion

• (1100000010000): pre-requisitos.

• (1100000010001): post-conceptos.



Teorıa - Solucion dada por el Adaptador



Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa




Tecnologıa de Software Utilizadas

• XML.

• Estandar LOM

• JGAP [2]



Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa




Librerıa para programar Algoritmos Geneticos

• Lenguaje de Programacion JAVA.

• Clases e Interfaces:• Genes (Gene)• Cromosomas (Chromosome)• Individuos (IChromosome)• Poblacion (Genotype)• Funcion de ajuste (FitnessFunction)• Operadores Geneticos

• Genericas, adaptar y crear de acuerdo al problema a resolver.

• Motor Genetico: Simulaciones



Librerıa para programar Algoritmos Geneticos - PasosJGAP

• Conocer y entender el problema a resolver.

• Establecer la funcion de ajuste.

• Implementar en JGAP [4]:• Incluir librerıa en proyecto (jgap.rar).• Funcion de ajuste(tipo problema): sobrecargar evaluate() en

una subclase de FitnessFunction.• Configuracion del entorno del Motor Genetico que va a simular

JGAP: Configuration.

• http:

//www.4shared.com/file/PMjgCuL-/JGAPPractica.html


http://www.4shared.com/file/PMjgCuL-/JGAPPractica.html

http://www.4shared.com/file/PMjgCuL-/JGAPPractica.html


Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa




Bibliografıa

[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] Librerıa para algoritmos geneticoshttp: // jgap. sourceforge. net .Disponible Marzo 2011

[3] Curso de Algoritmos Geneticos libre accesohttp: // www. educagratis. org/ moodle/ course/ view. php? id= 370 .Disponible Marzo 2011

[4] Laboratorio de Inteligencia Artificial I, Practica: Algoritmos Geneticos.Jorge Raul Lu Hernandez.Universidad de San Carlos de Guatemala

[5] Dıaz, Adenso et alOptimizacion Heurıstica y Redes Neuronales.Paraninfo. Madrid. 1995

[6] Sierra Araujo, Basilio et alAprendizaje Automatico: conceptos basicos y avanzadosPearson. Madrid. 2006


http://jgap.sourceforge.net

http://www.educagratis.org/moodle/course/view.php?id=370


Indice

Introduccion

Teorıa

Software utilizado

JGAP

Bibliografıa




Licencia Creative Commons


adaptive e-learning using genetic algorithms

Education