Caracterización de la respuesta fisiológica al uso de plataformas de aprendizaje en línea mediante redes de sensores

Abstract

RESUMEN: En esta tesis se presentan los resultados de un estudio donde se monitorizó la respuesta fisiológica de un conjunto de cincuenta estudiantes de nivel medio superior durante su participación en un curso en línea de programación básica de Python. Por cada uno de los sujetos de prueba, se recolectaron series de tiempo obtenidas por medio de sensores de señales fisiológicas como actividad eléctrica cerebral, ritmo cardiaco, respuesta galvánica de la piel, temperatura corporal, entre otros (uso de dispositivos no invasivos). A partir de los primeros cuatro momentos estadísticos (media, varianza, asimetría y curtosis) de dichas series de tiempo, se entrenaron modelos de redes neuronales artificiales (RNA) y máquinas de vector de soporte (MVS) que demostraron ser efectivas para determinar el sexo del sujeto de prueba, el tipo de actividad que se encuentra realizando, su estilo de aprendizaje, así como si contaba con conocimientos previos acerca del contenido del tema y si respondió de manera correcta las preguntas de opción múltiple del curso. La importancia de estos resultados radica en que demuestran que las señales fisiológicas contienen información relevante acerca de las características de los estudiantes y que dicha información puede ser extraída y utilizada para mejorar la calidad de plataformas de educación en línea. De igual forma, esta investigación hace pública a través de un repositorio digital, la base de datos con todas las señales en crudo capturadas durante la realización de todas las pruebas del experimento, esto con la finalidad de permitir la reproducibilidad del experimento y brindar una referencia para investigaciones similares.

ABSTRACT: In this doctoral thesis, we present the results of a study where we monitored the physiological response of a set of fifty high-school students during their participation in an online Python basic programming course. For each of the subjects, we recollected time-series obtained from sensors of physiological signals such as electrical cerebral activity, heart rate, galvanic skin response, body temperature, among others (use of non-invasive devices). From the first four moments (mean, variance, skewness and kurtosis) of the time series, we trained Artificial Neural Network (ANN) and Support Vector Machine (SVM) models that showed to be effective for determining the gender of the subject, as well as the type of activity he was performing, his learning style and whether he had previous knowledge about the topic contents and whether he answered correctly the multiple choice questions of the course. These results show that the physiological signals contain relevant information about the characteristics of a user of an online learning platform. This information can be extracted to develop better online learning tools. In the same way, this research makes public through a digital repository, the database with all the raw signals captured during the experiment, in order to allow the experiment's reproducibility and provide a reference for similar investigations.