Please use this identifier to cite or link to this item: http://hdl.handle.net/10553/2217
DC FieldValueLanguage
dc.contributor.advisorGalán Moreno, Manuel Jesúses
dc.contributor.advisorRubio Royo, Enriquees
dc.contributor.authorTapia Moreno, Francisco Javieres
dc.contributor.otherDepartamento de Matemáticas
dc.creatorTapia Moreno, Francisco Javieres
dc.date2007es
dc.date.accessioned2009-10-08T02:31:00Z
dc.date.accessioned2018-06-05T13:00:17Z-
dc.date.available2009-10-08T09:41:17Z
dc.date.available2018-06-05T13:00:17Z-
dc.date.issued2007en_US
dc.identifier.isbn978-84-691-5731-2en_US
dc.identifier.urihttp://hdl.handle.net/10553/2217
dc.descriptionResumen en castellano e inglés
dc.description.abstractEn esta tesis presentamos un modelo probabilista basado en Redes Bayesianas (RBs), que puede determinar el tipo de personalización (TP) de acuerdo a las necesidades reales del alumno, con el propósito de ofrecer a éste una alternativa o un plan que optimice su proceso global de aprendizaje (PGA) en línea. Para lograr esto, hemos considerado los objetos de personalización (ops) y los objetivos de personalización (OPs) y realizado relaciones de causa y efecto entre éstos, y las fases de personalización del aprendizaje que tienen un efecto directo en el aprendizaje del alumno, y en la adecuación del sistema electrónico usado para gestionar el proceso de enseñanza-aprendizaje en línea del alumno. Cada op u OP, es considerado como una causa que tiene un efecto directo en alguna de las fases de personalización del aprendizaje que, a su vez, es una causa que tiene un efecto directo en la capacitación del alumno y en la adecuación del sistema electrónico usado por éste. Este tipo de relaciones recopiladas en una RB determinan, mediante cálculos probabilistas, un perfil de personalización deseable del alumno y en base a éste, se puede elaborar el modelo individual que optimice el proceso global de aprendizaje. El alcance del modelo que proponemos en esta tesis, contempla cuatro fases fundamentales de la personalización del aprendizaje en línea: 1) Fase de personalización para los conocimientos previos, 2) Fase de personalización para el progreso del conocimiento, 3) Fase de personalización para objetivos y metas del profesor/alumno y 4) Fase de personalización para las preferencias y experiencia de navegación.en_US
dc.formatapplication/pdfes
dc.languagespaen_US
dc.subject1209 Estadísticaen_US
dc.subject1208 Probabilidaden_US
dc.subject5801 Teoría y métodos educativosen_US
dc.subject.otherTecnología educativaes
dc.subject.otherEstadística bayesianaes
dc.subject.otherAplicacioneses
dc.subject.otherModelos de optimizaciónes
dc.titleModelo bayesiano para la optimización y personalización del proceso de aprendizaje en línea: estudio casuísticoes
dc.typeinfo:eu-repo/semantics/doctoralThesisen_US
dc.typeThesisen_US
dc.typeThesisen_US
dc.compliance.driver1es
dc.contributor.departamentoDepartamento de Matemáticases
dc.fechadeposito2009-10-08T09:41:17Zes
dc.identifier.absysnet"541238 ; 541125"es
dc.investigacionCienciasen_US
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses
dc.type2Tesis doctoralen_US
dc.identifier.matricula471458es
dc.identifier.ulpgces
dc.contributor.programaTecnologías De La Información Y Sus Aplicacioneses
item.fulltextCon texto completo-
item.grantfulltextopen-
Appears in Collections:Tesis doctoral
Thumbnail
Adobe PDF (1,08 MB)
Show simple item record

Google ScholarTM

Check

Altmetric


Share



Export metadata



Items in accedaCRIS are protected by copyright, with all rights reserved, unless otherwise indicated.