Creación automática de equipos de estudiantes universitarios: una experiencia desde la asignatura Inglés / Automatic Building of University Student Teams: an experience from English subject
DOI:
https://doi.org/10.29076/issn.2528-7737vol9iss21.2016pp58-67pPalabras clave:
Optimización multi-objetivo, Creación de equipos, Educación Superior, Idioma InglésResumen
Uno de los principales objetivos en la educación es lograr que los estudiantes desarrollen la capacidad de trabajo en equipo. Esta capacidad potencia la socialización entre los estudiantes y la resolución de problemas complejos. Comúnmente, la creación de estos equipos es realizada por el docente de la asignatura, quien debe tener en cuenta múltiples criterios como la presencia de un estudiante líder y equipos heterogéneos. Cuando la asignatura tiene poco estudiantes, esta tarea suele ser fácil. Sin embargo, cuando se debe tener en cuenta a numerosos estudiantes, la tarea se torna compleja y por lo general no existe garantía de que los equipos creados cumplan con los criterios deseados. En este sentido, con el objetivo de favorecer el desarrollo óptimo de esta tarea docente, la presente investigación propone una solución computacional que automatiza la creación de equipos de trabajo de estudiantes. Específicamente, la tarea de la creación de los equipos se modeló matemáticamente como un problema de optimización de tipo combinatorio y multi-objetivo, que fue resuelto a su vez por un algoritmo evolutivo basado en los conceptos de Dominancia de Pareto. Para validar las propuestas, se realizaron varios experimentos computacionales que involucran escenarios reales, relacionados con la Unidad de Aprendizaje Inglés en varias carreras de la Universidad Técnica Estatal de Quevedo.
ABSTRACT
One of the main goals for Higher Education is to educate students to work in teams. Such a skill not only improves their social behavior in the community, but also the ability for solving complex problems. Usually, the process of making teams is carried out by professor of the subject, who has to take into account several criteria (e.g. the presence of leader, heterogeneity of the team according the level of knowledge, sex, among others). When the subject has just few students, this task becomes easy. However, in the case of classes with a large number of students, this task becomes complex and there is no warranty about the accomplishment of the considered criteria. In that sense, the present work proposes a computational solution that automatizes the task of student teams building. Specifically, it was approached as a multi-objective combinatorial optimization problem, which was solved using a Pareto Dominance-based algorithm. In order to validate the proposal we performed several computational experiments involving real case studies from the English subject of three careers at the Technical State University of Quevedo. Results show that the proposed approach is able to build balanced teams according to the considered criteria.
Descargas
Referencias
UNESCO. (1997). La educación encierra un tesoro: informe a la UNESCO de la Comisión Internacional sobre la Educación para el siglo XXI, presidida por Jacques Delors (p. 301). Correo de la UNESCO.
Pozo, J. I., Echeverría, M. P., & (coord.). (2009). Psicología del aprendizaje universitario: la formación en competencias (p. 232). Ediciones Morata.
Glinz, P. E. (2005). Un acercamiento al trabajo colaborativo. Revista Iberoamericana de Educación, 35(2), 1–13.
Hughes, R. L., & Jones, S. K. (2011). Developing and assessing college student teamwork skills. New Directions for Institutional Research, 2011(149), 53–64. doi:10.1002/ir.380
Novoa-Hernández, P., Novoa-Hernández, M. A., & Rivero-Peña, Y. (2013). Propuesta de técnicas evolutivas para la confección automática de tribunales de trabajos de diploma. Revista Cubana de Ciencias Informáticas, 7(4), 90–99.
Novoa-Hernández, P. (2015). Optimización evolutiva multi-objetivo en la planificación de controles a clase en la educación superior cubana. Computación y Sistemas, 19(2), 321–335.
Escalera Fariñas, K., Infante Abreu, A. L., André Ampuero, M., & Rosete Suárez, A. (2014). Uso de estrategias de paralelización en algoritmos metaheurísticos para la conformación de equipos de software. Revista Cubana de Ciencias Informáticas, 8(3), 90–99.
Rivero Peña, Y., Novoa-Hernández, P., & Fernández Ochoa, Y. (2015). La optimización evolutiva multi objetivo en la confección de equipos de desarrollo de software: una forma de lograr la calidad en el producto final. Enfoque UTE, 6(1), pp–35.
Ahmed, F., Jindal, A., & Deb, K. (2011). Cricket Team Selection Using Evolutionary Multi-objective Optimization. In Proceedings of the Second International Conference on Swarm, Evolutionary, and Memetic Computing - Volume Part II (pp. 71–78). Berlin, Heidelberg: Springer-Verlag. doi:10.1007/978-3-642-27242-4_9
Wegener, I. (2005). Complexity Theory: Exploring the Limits of Efficient Algorithms (p. 308). Springer Berlin Heidelberg.
Teachman, J. D. (1980). Analysis of Population Diversity: Measures of Qualitative Variation. Sociological Methods & Research, 8(3), 341–362. doi:10.1177/004912418000800305
Mueller, J. H., Schuessler, K. F., & Costner, H. L. (1977). Statistical Reasoning in Sociology. Houghton Mifflin.
Zhou, A., Qu, B.-Y., Li, H., Zhao, S.-Z., Suganthan, P. N., & Zhang, Q. (2011). Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation, 1(1), 32–49. doi:http://dx.doi.org/10.1016/j.swevo.2011.03.001
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. Evolutionary Computation, IEEE Transactions on, 6(2), 182–197. doi:10.1109/4235.996017
MATLAB. (2015). version 8.5.0 (R2015b). Natick, Massachusetts: The MathWorks Inc.
Boussaïd, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization metaheuristics. Information Sciences, 237, 82–117. doi:http://dx.doi.org/10.1016/j.ins.2013.02.041
Villacorta, P. J., Masegosa, A. D., Castellanos, D., Novoa, P., & Pelta, D. A. (2011). Sensitivity analysis in the scenario method: A multi-objective approach. In Intelligent Systems Design and Applications (ISDA), 2011 11th International Conference on (pp. 867–872). doi:10.1109/ISDA.2011.6121766
Saravanan, R., Ramabalan, S., Ebenezer, N. G. R., & Dharmaraja, C. (2009). Evolutionary multi criteria design optimization of robot grippers. Applied Soft Computing, 9(1), 159–172. doi:http://dx.doi.org/10.1016/j.asoc.2008.04.001
Saadatseresht, M., Mansourian, A., & Taleai, M. (2009). Evacuation planning using multiobjective evolutionary optimization approach. European Journal of Operational Research, 198(1), 305–314. doi:http://dx.doi.org/10.1016/j.ejor.2008.07.032
Shin, S.-Y., Lee, I.-H., Kim, D., & Zhang, B.-T. (2005). Multiobjective evolutionary optimization of DNA sequences for reliable DNA computing. Evolutionary Computation, IEEE Transactions on, 9(2), 143–158. doi:10.1109/TEVC.2005.844166
Woźniak, P. (2011). Preferences in multi-objective evolutionary optimisation of electric motor speed control with hardware in the loop. Applied Soft Computing, 11(1), 49–55. doi:http://dx.doi.org/10.1016/j.asoc.2009.10.015
Talbi, E. G. (2009). Metaheuristics: From Design to Implementation (p. 500). John Wiley & Sons.
Jiang, S., Ong, Y.-S., Zhang, J., & Feng, L. (2014). Consistencies and Contradictions of Performance Metrics in Multiobjective Optimization. Cybernetics, IEEE Transactions on, 44(12), 2391–2404. doi:10.1109/TCYB.2014.2307319
Descargas
Publicado
Número
Sección
Licencia
Los autores pueden mantener el copyright, concediendo a la revista el derecho de primera publicación. Alternativamente, los autores pueden transferir el copyright a la revista, la cual permitirá a los autores el uso no-comercial del trabajo, incluyendo el derecho a colocarlo en un archivo de acceso libre.
