La tecnología ha revolucionado diversos aspectos de la vida cotidiana, incluyendo la
educación. La integración de herramientas digitales en los procesos de aprendizaje y
evaluación ha emergido como un enfoque innovador para involucrar a los estudiantes
y mejorar los resultados educativos. Game Based Assessment (GBA) y Serious Games
(SG) destacan en este contexto, ofreciendo ambientes interactivos y atractivos que no
solo hacen el aprendizaje más entretenido, sino que también proporcionan retroalimentación
en tiempo real y una comprensión más profunda de los procesos cognitivos
de los estudiantes (Eseryel et al. [2014]).
La importancia de estudiar Game Based Learning (GBL) radica en su potencial para
transformar los métodos de enseñanza tradicionales. Las técnicas de evaluación tradicionales
a menudo no capturan la naturaleza dinámica e interactiva del aprendizaje
(Shute and Ke [2012]). Sin embargo, GBA ofrece un enfoque más holístico al integrar
la evaluación en entornos atractivos e interactivos (Shute et al. [2009]). Un beneficio
significativo de SG y GBL, más allá de los beneficios educativos, es que los juegos digitales
permiten la recopilación de grandes cantidades de datos, lo que facilita el análisis
de comportamientos y resultados de aprendizaje, habilitando estrategias educativas
más personalizadas y efectivas (Kim and Rosenheck [2018]).
La posibilidad de desarrollar modelos complejos de ML y Deep Learning (DL) a partir
de estos datos ofrece una herramienta poderosa para evaluar habilidades complejas que
son difíciles de medir con métodos convencionales (Géron [2022]).
El razonamiento espacial es una habilidad crítica que implica la capacidad de representar
y transformar mentalmente objetos y sus relaciones (Lowrie et al. [2020]).
Esta habilidad desempeña un papel fundamental en la geometría. La investigación
ha demostrado que mejorar el razonamiento espacial puede mejorar el rendimiento
matemático general (Lowrie et al. [2020]). Sin embargo, los test convencionales para
el razonamiento espacial suelen medir aspectos aislados de esta competencia (Atit
et al. [2020]), lo que motiva el uso de técnicas de ML en el contexto de GBA para
medir los procesos cognitivos que envuelven este constructo.
Sin embargo, para desarrollar un modelo robusto de ML para la evaluación del razonamiento
espacial, es crucial disponer de un conjunto de datos etiquetados de manera
consistente. En Wang et al. [2020] se muestra el problema de encontrar conjuntos de
datos etiquetados en escenarios real que no presenten inconsistencias debido al etiquetado
de múltiples expertos sin un criterio común.
Ante esta problemática, en este Trabajo Final de Grado (TFG), se propone una
rúbrica de etiquetado manual y un modelo de ML para la evaluación del razonamiento
x
espacial, usando los datos obtenidos a través del juego Shadowspect. Este juego desarrollado
por el Playful Journey Lab del MIT y Education Arcade, consiste en una serie
de puzles geométricos donde el usuario debe construir una figura, que se corresponda
con las vistas dadas, a partir de figuras más sencillas.
Para ello se propusieron los siguientes objetivos:
• Revisión de la literatura. Definir los constructos que modelan el razonamiento
espacial a partir de estudios psicológicos y herramientas de GBA ya utilizadas.
• Desarrollo de una rúbrica. Crear una rúbrica detallada para la etiqueta
manual del razonamiento espacial en el juego Shadowspect.
• Desarrollo de un modelo de ML. Entrenar modelos de aprendizaje automático
para predecir el rendimiento de los estudiantes en el razonamiento espacial
a partir de los datos etiquetados manualmente.
• Caso de uso. Demostrar la aplicación práctica del modelo mejor desempeñado