Mejorando la adaptabilidad del aprendizaje en línea con identificación automatizada del estilo de aprendizaje y análisis de sentimientos: un enfoque híbrido de aprendizaje profundo para la educación inteligente

En la educación inteligente, los sistemas de aprendizaje en línea adaptativos personalizan el proceso educativo adaptándolo a los estilos de aprendizaje individuales. Tradicionalmente, la identificación de estos estilos depende de que los estudiantes completen encuestas y cuestionarios, lo cual puede ser tedioso y puede no reflejar sus verdaderas preferencias. Además, este enfoque asume que los estilos de aprendizaje son fijos, lo que lleva a un problema de inicio en frío al identificar automáticamente los estilos basados en los comportamientos de la plataforma de aprendizaje en línea. Para abordar estos desafíos, proponemos un enfoque novedoso que anota comentarios no etiquetados de los estudiantes utilizando modelado de temas de múltiples capas e implementa el Modelo de Estilo de Aprendizaje de Felder-Silverman (FSLSM) para identificar estilos de aprendizaje automáticamente. Nuestro método implica que los estudiantes respondan a cuatro preguntas basadas en FSLSM al iniciar sesión en la plataforma de aprendizaje en línea y que proporcionen información personal como edad, género y características cognitivas, que se ponderan utilizando lógica difusa. Luego analizamos los comportamientos y actividades de los estudiantes utilizando técnicas de minería de uso web, clasificando sus secuencias de aprendizaje en estilos específicos con un modelo avanzado de aprendizaje profundo. Además, analizamos los comentarios textuales utilizando la asignación de Dirichlet latente (LDA) para el análisis de sentimientos con el fin de mejorar aún más la experiencia de aprendizaje. Los resultados experimentales demuestran que nuestro enfoque supera a los modelos existentes en la detección precisa de estilos de aprendizaje y mejora la calidad general de la entrega de contenido personalizado.