Descubriendo patrones de aprendizaje en un curso de computación neuronal: un enfoque de analíticas secuenciales aplicado a la educación en IA

Guillermo Sentoni; Mariela Delauro

Autores/as

Guillermo Sentoni Universidad Nacional de La Matanza, Argentina https://orcid.org/0009-0006-9088-3717
Mariela Delauro Universidad Nacional de La Matanza, Argentina https://orcid.org/0009-0007-3614-315X

Palabras clave:

analíticas de aprendizaje, enseñanza de computación neuronal, práctica activa, Modelos Ocultos de Markov, trayectorias de aprendizaje

Resumen

Este trabajo presenta un marco secuencial de analítica del aprendizaje aplicado a un curso universitario completamente en línea sobre computación neuronal, que abarca temas desde el Perceptrón hasta modelos fundacionales a gran escala. La enseñanza de la inteligencia artificial, y de la computación neuronal en particular, plantea desafíos distintivos en la educación superior: su contenido exige elevada madurez matemática y la práctica computacional activa desempeña un papel central en la construcción de comprensión genuina. El enfoque combina tres componentes articulados: una Máquina de Estados Finitos semánticamente informada que transforma eventos de interacción en estados pedagógicamente significativos, clustering exploratorio de trayectorias, y un Modelo Oculto de Markov para inferir modos cognitivos latentes sin imponer categorías a priori. Los resultados muestran que la práctica computacional activa (PRACT) es el principal diferenciador de las trayectorias efectivas, exhibiendo la tendencia positiva marginal más fuerte con las calificaciones finales (Spearman p = 0,53; p = 0,063). El Modelo Oculto de Markov identifica cuatro modos cognitivos latentes, de los cuales Z2, caracterizado por práctica activa regulada, es el único significativamente asociado con el rendimiento académico. Estos hallazgos tienen implicaciones directas para el diseño, el monitoreo y la evaluación de cursos de inteligencia artificial en el ámbito universitario.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-3305-7_4

Gao, Z., Yan, H., Cui, C., Liu, J., Sun, X., & Feng, J. (2025). Untangling complexity of competency evolution: Multi-channel learning trajectories of score, engagement and problem-solving efficiency. British Journal of Educational Technology, 00, 1– 26. https://doi.org/10.1111/bjet.70017

Hadwin, A. F., Järvelä, S., & Miller, M. (2018). Self-regulation, co-regulation, and shared regulation in collaborative learning environments. In D. Schunk & J. Greene (Eds.), Handbook of self-regulation of learning and performance (2nd ed., pp. 83– 106). Routledge. https://doi.org/10.4324/9781315697048-6

Helske, J., Helske, S., Saqr, M., López-Pernas, S., & Murphy, K. (2024). A modern approach to transition analysis and process mining with Markov models in education. In M. Saqr & S. López-Pernas (Eds.), Learning analytics methods and tutorials: A practical guide using R (pp. 493–524). Springer. https://doi.org/10.1007/978-3-031-54464-4_12

Koedinger, K. R., McLaughlin, E. A., Jia, J. Z., & Bier, N. L. (2016). Is the doer effect a causal relationship? How can we tell and why it's important. In Proceedings of the Sixth International Conference on Learning Analytics & Knowledge (pp. 388–397). ACM. https://doi.org/10.1145/2883851.2883957

Osmanli, T. (2025). Predictive analysis of student engagement and academic performance in virtual learning environments using a hybrid Markov: machine learning model. Asian Journal of Research in Computer Science, 18(8), 102–112. https://doi.org/10.9734/ajrcos/2025/v18i8743

Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257–286. https://doi.org/10.1109/5.18626

Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601– 618. https://doi.org/10.1109/TSMCC.2010.2053532

Saqr, M., López-Pernas, S., Helske, S., Durand, M., Murphy, K., Studer, M., & Ritschard, G. (2024). Sequence analysis in education: Principles, technique, and tutorial with R. In M. Saqr & S. López-Pernas (Eds.), Learning analytics methods and tutorials. Springer. https://doi.org/10.1007/978-3-031-54464-4_10

Verykios, V. S., Alachiotis, N. S., Paxinou, E., & Feretzakis, G. (2024). Investigating student behavior in MOOCs using Hidden Markov Models: Resource access patterns and learning outcomes. Applied Sciences, 14(24), 12067. https://doi.org/10.3390/app142412067

Villalobos, E., Pérez-Sanagustín, M., & Broisin, J. (2024). From learning actions to dynamics: Characterizing students' individual temporal behavior with sequence analysis. In Artificial Intelligence in Education (pp. 3–17). Springer. https://doi.org/10.1007/978-3-031-64302-6_1

Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated learning. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Metacognition in educational theory and practice (pp. 277–304). Erlbaum.