SoftLearn: Soft computing para minería de procesos en e-learning
El objetivo de SoftLearn es la aplicación de técnicas de soft computing, concretamente algoritmos evolutivos y reglas borrosas, así como la hibridación de estas técnicas con las tradicionales de minería de procesos, para extraer flujos de trabajo completos, precisos, adaptativos y jerárquicos que modelen las unidades docentes en e-learning. Se proponen algoritmos para el análisis y evaluación de dichos flujos de trabajo, así como para la recomendación de usuarios a las actividades educativas.
Este proyecto se enmarca en el reto de la orquestación del aprendizaje docente y quiere avanzar en el estado del arte en las herramientas que permiten a los profesores entender y evaluar el flujo de actividades que se realizan en un curso.
Considerando el registro de las actividades acometidas por los estudiantes a través de una plataforma de e-learning, Softlearn se centra en determinar automáticamente la coordinación de actividades del curso (flujo), quiénes y en qué condiciones las han ejecutado (roles) y qué recursos docentes se han usado en cada una.
Objetivos
- Generar automáticamente un flujo de trabajo de una unidad docente: se hibridan técnicas básicas de minería de procesos con algoritmos evolutivos para extraer las redes de Petri que modelan las unidades docentes.
- Generar flujos de trabajo asociados a unidades docentes IMS LD: partiendo de redes de Petri planas se obtendrán redes de Petri jerárquicas que modelen formalmente el flujo de actividades educativas de acuerdo con IMS LD.
- Análisis y evaluación de flujos de trabajo jerárquicos: se usarán algoritmos de clasificación de soft computing (algoritmos evolutivos y lógica borrosa) para analizar y evaluar los flujos de trabajo jerárquicos.
- Recomendar usuarios relevantes para la realización de actividades educativas: a través del desarrollo de algoritmos de recomendación basados en la hibridación de técnicas de soft computing y de inteligencia colectiva.
Proyecto
/research/projects/soft-computing-para-minaria-de-procesos-en-e-learning
<p>El objetivo de SoftLearn es la aplicación de técnicas de soft computing, concretamente algoritmos evolutivos y reglas borrosas, así como la hibridación de estas técnicas con las tradicionales de minería de procesos, para extraer flujos de trabajo completos, precisos, adaptativos y jerárquicos que modelen las unidades docentes en e-learning. Se proponen algoritmos para el análisis y evaluación de dichos flujos de trabajo, así como para la recomendación de usuarios a las actividades educativas.</p><p>Este proyecto se enmarca en el reto de la orquestación del aprendizaje docente y quiere avanzar en el estado del arte en las herramientas que permiten a los profesores entender y evaluar el flujo de actividades que se realizan en un curso.</p><p>Considerando el registro de las actividades acometidas por los estudiantes a través de una plataforma de e-learning, Softlearn se centra en determinar automáticamente la coordinación de actividades del curso (flujo), quiénes y en qué condiciones las han ejecutado (roles) y qué recursos docentes se han usado en cada una.</p><ul><li>Generar automáticamente un flujo de trabajo de una unidad docente: se hibridan técnicas básicas de minería de procesos con algoritmos evolutivos para extraer las redes de Petri que modelan las unidades docentes.</li><li>Generar flujos de trabajo asociados a unidades docentes IMS LD: partiendo de redes de Petri planas se obtendrán redes de Petri jerárquicas que modelen formalmente el flujo de actividades educativas de acuerdo con IMS LD.</li><li>Análisis y evaluación de flujos de trabajo jerárquicos: se usarán algoritmos de clasificación de soft computing (algoritmos evolutivos y lógica borrosa) para analizar y evaluar los flujos de trabajo jerárquicos.</li><li>Recomendar usuarios relevantes para la realización de actividades educativas: a través del desarrollo de algoritmos de recomendación basados en la hibridación de técnicas de soft computing y de inteligencia colectiva.</li> - Manuel Mucientes Molina - Juan Carlos Vidal Aguiar, Manuel Fernández Delgado, Manuel Lama Penín
projects_es