Show simple item record

dc.contributorNavarro Moldes, Leandro
dc.contributor.authorMeseguer Pallarès, Roc
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament d'Arquitectura de Computadors
dc.date.accessioned2012-05-21T15:26:41Z
dc.date.available2012-05-21T15:26:41Z
dc.date.issued2012-03-02
dc.identifier.citationMeseguer Pallarès, R. "Estimación automática de grupos en entornos de aprendizaje cooperativo con aplicaciones sensibles al contexto". Tesi doctoral, UPC, Departament d'Arquitectura de Computadors, 2012.
dc.identifier.urihttp://hdl.handle.net/2117/94585
dc.description.abstractIn collaborative learning scenarios, the use of computers and communication networks to facilitate collaboration is becoming popular, the Computer-Supported Collaborative Learning (CSCL). In face-to-face CSCL scenarios, participants are grouped for learning activities. The location information of the participants, very useful for computational support, may involve additional configuration work for students or teachers themselves. Mobile devices that facilitate this cooperation have evolved into ubiquitous computing. Sensing devices can capture context information that allows automate the detection of the location of users and objects involved in the learning scenario and use this contextual information to improve the support offered by computers. This thesis deals in detail the problem of computational support to the detection and management of learning groups in faceto-face CSCL environments. Our research has focused on the proposal of a system that automates the management of groups in these scenarios collecting and processing contextual information from sensors. To do this we have proposed a context model for this use and we have identified what information is most relevant to this domain application. This process of modeling and identification have been theoretical ---from conceptual frameworks that have allowed us to define a model of context--- and experimental ---from assessing the quality, reliability and sensitivity of contextual information in realistic environments---. Then we have verified how this contextual information fits the contextual model. Contextual information can pass through several stages before being used. First, the contextual information collected by the sensors could be conditioned and filtered to treat quality and uncertainty. Then it is supplied to an intelligent system that learns behavior patterns of groups and students. This intelligent system requires two different operating processes: training and estimation. We have proposed specific training and assessment processes for prediction and management of groups. The output also could be conditioned as it was done with the input. Finally, we used traces of contextual information in real scenarios ---real students doing group learning activities--- to validate the system. In this validation we have taken into account both the effectiveness and their impact on the activity of students and groups. From this impact assessment we have identified patterns in the contextual information and in the behavior that have allowed us to design a system of quality, error and uncertainty management in the group estimation and a filtering system and interpolation of contextual information ambiguous, missing or erroneous, and filtering and interpolation system of ambiguous, missing or erroneous contextual information. Our thesis is that to provide computational support to the detection and management of learning groups in face-to-face CSCL environments we need three basic functionalities: 1) the collection and filtering of changes in contextual information in realtime for each student and adjust them in the context model, 2) the transformation of this contextual information and thier historical to group membership by an intelligent algorithm and 3) the quality management of group estimations to minimize the impact on activity of students because of the uncertainty of these estimations.
dc.description.abstractEn escenaris d’aprenentatge col·laboratiu, s'ha introduït l’ús d’ordinadors i xarxes de comunicacions per facilitar aquesta col·laboració, l’anomenat “Computer-Supported Collaborative Learning” (CSCL). En escenaris CSCL presencials els participants s’agrupen per realitzar activitats d’aprenentatge. Aquesta informació sobre la disposició dels participants, de gran utilitat per al suport computacional, pot suposar un treball addicional de configuració per als propis estudiants o els professors. Els dispositius electrònics per facilitar aquesta cooperació han evolucionat fins la computació ubiqua, en la que dispositius sensors poden captar informació que permet a las aplicacions informàtiques automatitzar la detecció de la ubicació dels usuaris i objectes participants en l’escenari d’aprenentatge i usar aquesta informació contextual per millorar el suport ofert per els dispositius.Aquesta tesis tracta amb detall el problema del suport computacional a la detecció i gestió de grups d’aprenentatge en entorns CSCL presencials. La nostra investigació s’ha centrat en proposar un sistema que a partir de la recollida d’informació contextual proporcionada per sensors, automatitzi la gestió de grups en aquests escenaris CSCL presencials.Per açò hem proposat un modelo de context per aquest ús i hem identificat quina informació es mes rellevant per aquest proposit. Aquest modelat i identificació han estat tant teòrics ---a partir de marcs conceptuals que ens han permès definir un modelo de context--- com experimentals ---a partir de l’avaluació de la qualitat, fiabilitat i sensibilitat de la informació contextual en entorns realistes---. Finalment hem verificat cóm aquest informació contextual del nostre escenari s’adapta a aquest model.La informació contextual passa per varies fases per poder ser usada. Primer aquesta informació percebuda per els sensors es pot condicionar i filtrar per tractar la seva qualitat i incertesa. A continuació es subministra a un sistema intel·ligent que aprèn els patrons de funcionament dels grups i estudiants. Aquest sistema intel·ligent requereix dos processos diferents de funcionament: l’entrenament i l’estimació. Nosaltres hem proposat uns processos d’entrenament i estimació específics per la predicció i gestió de grups. També es pot tornar a condicionar la sortida igual que s’ha fet amb l’entrada.Finalment, per la validació del sistema hem utilitzat traces d’informació contextual d’escenaris reals ---amb estudiants reals realitzant activitats d’aprenentatge en grup---. En aquesta validació hem tingut present tant l’eficàcia del sistema como el seu impacte en l’activitat dels estudiants i grups. A partir d’aquest impacte hem identificat patrons en la informació contextual y en el comportament que ens ha permès introduir un sistema de gestió de la qualitat, errors i incertesa en la estimació, així com un sistema de filtratge i interpolació de la informació contextual ambigua, inexistent o errònia.La nostra tesis es que per proporcionar suport computacional a la detecció i estimació de grups de treball en activitats d'aprenentatge presencial en entorns CSCL són necessàries tres funcionalitats bàsiques: 1) la recol·lecció i filtrat en temps real dels canvis de la informació contextual de cada estudiant i recollir-los en el model contextual, 2) la transformació d'aquesta informació contextual el seu històric a informació contextual de grup per part d'un algoritme intel·ligente i 3) la gestió de la qualitat de les estimacions de grup per minimitzar l'impacte en l'atenció dels estudiants degut a la incertesa d'aquestes estimacions.
dc.description.abstractEn escenarios de aprendizaje colaborativo, se ha introducido el uso de ordenadores y redes de comunicación para facilitar esta colaboración, el llamado “Computer-Supported Collaborative Learning” (CSCL). En escenarios CSCL presenciales los participantes se agrupan para realizar actividades de aprendizaje. La información sobre la disposición de los participantes, de gran utilidad para dar soporte computacional, puede suponer un trabajo adicional de configuración para los propios estudiantes o los profesores. Los dispositivos electrónicos para facilitar esta cooperación han evolucionado hasta la computación ubicua, en que dispositivos sensores pueden captar información que permite a las aplicaciones informáticas automatizar la detección de la ubicación de los usuarios y objetos participantes en el escenario de aprendizaje y usar esa información contextual para mejorar el soporte ofrecido.Este trabajo trata con detalle el problema del soporte computacional a la detección y gestión de grupos de aprendizaje en entornos CSCL presenciales. Nuestra investigación se ha centrado en proponer un sistema que a partir de la recogida de información contextual proveniente de sensores, automatice la gestión de grupos en estos escenarios CSCL presenciales.Para ello hemos propuesto un modelo de contexto para este uso y hemos identificado qué información es más relevante para este propósito. Este modelado e identificación han sido tanto teóricos ---a partir de marcos conceptuales que nos han permitido definir un modelo de contexto--- como experimentales ---a partir de la evaluación de la calidad, fiabilidad y sensibilidad de la información contextual en entornos realistas---. Finalmente hemos verificado cómo esta información contextual de nuestro escenario se adapta a este modelo.La información contextual pasa por varias fases para ser usada. Primero esta información percibida por los sensores se puede acondicionar y filtrar para tratar su calidad e incertidumbre. A continuación se suministra a un sistema inteligente que aprende los patrones de funcionamiento de los grupos y estudiantes. Este sistema inteligente requiere dos procesos diferentes de funcionamiento: el entrenamiento y la estimación. Nosotros hemos propuesto unos procesos de entrenamiento y estimación específicos para la predicción y gestión de grupos. También se puede volver a acondicionar la salida como ya se ha hecho con la entrada.Finalmente, para la validación del sistema hemos utilizado trazas de información contextual de escenarios reales ---con estudiantes reales realizando actividades de aprendizaje en grupo---. En esta validación hemos tenido en cuenta tanto la eficacia del sistema como su impacto en la actividad de los estudiantes y grupos. A partir de este impacto hemos identificado ciertos patrones en la información contextual y en el comportamiento que nos ha permitido introducir un sistema de gestión de la calidad, errores e incertidumbre en la estimación así como un sistema de filtrado e interpolación de la información contextual ambigua, inexistente o errónea.Nuestra tesis es que para proporcionar soporte computacional a la detección y estimación de grupos de trabajo en actividades de aprendizaje presenciales en entornos CSCL son necesarias tres funcionalidades básicas: 1) la recolección y filtrado en tiempo real de los cambios de la información contextual de cada estudiante y recogerlos en el modelo contextual, 2) la transformación de esta información contextual y su histórico a información contextual de grupo por parte de un algoritmo inteligente y 3) la gestión de la calidad de las estimaciones de grupo para minimizar el impacto en la atención de los estudiantes debido a la incertidumbre de estas estimaciones.
dc.format.extent150 p.
dc.language.isospa
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsL'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.sourceTDX (Tesis Doctorals en Xarxa)
dc.subjectÀrees temàtiques de la UPC::Informàtica
dc.titleEstimación automática de grupos en entornos de aprendizaje cooperativo con aplicaciones sensibles al contexto
dc.typeDoctoral thesis
dc.identifier.dlB. 18690-2012
dc.rights.accessOpen Access
dc.description.versionPostprint (published version)
dc.identifier.tdxhttp://hdl.handle.net/10803/81123


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Except where otherwise noted, content on this work is licensed under a Creative Commons license: Attribution-NonCommercial-NoDerivs 3.0 Spain