Extensión del “Bayesian Knowledge Tracing” para la incorporación de emociones

Abstract

Los modelos de seguimiento del conocimiento, como el Bayesian Knowledge Tracing (BKT), permiten inferir el nivel de dominio de un estudiante a partir de su historial de respuestas, pero ignoran la influencia de las emociones. Las aproximaciones basadas en redes neuronales que integran información emocional para inferir el dominio requieren grandes volúmenes de datos, lo que limita su aplicabilidad en contextos educativos reales donde los datos emocionales son escasos. Este trabajo aborda dicha limitación mediante el desarrollo y evaluación de tres arquitecturas de extensión del BKT que incorporan datos emocionales. El primer enfoque incorpora el dato emocional directamente en el nodo de observación; el segundo enfoque integra el dato emocional en la predicción; y el tercer enfoque combina los dos anteriores. La experimentación se realizó sobre dos conjuntos de datos públicos ASSISTments 2012-2013 y ASSISTments Challenge 2017, incluyendo subconjuntos de 25 estudiantes con solo seis interacciones por estudiante para simular escenarios de datos limitados. Los resultados muestran que la arquitectura del segundo enfoque es la más robusta, logrando mejoras estadísticamente significativas respecto al modelo base pyBKT, en siete de los ocho escenarios evaluados, con incrementos de AUC de hasta +0,0953, y manteniéndose efectiva en escenarios de datos limitados cuando la correlación entre la emoción y rendimiento es suficientemente fuerte.