Comienza a Incorporar Herramientas de Aprendizaje de Máquina en tus Cursos con Moodle MLB

0
493
Get Started With Moodle’s Machine Learning Backends
docs.moodle.org/dev/Analytics_API (en inglés)

Available in English.

Desde su versión 3.4, Moodle ofrece herramientas de predicción de preferencias y resultados académicos basadas en Aprendizaje de Máquina (también llamado “Aprendizaje Automático”, “Aprendizaje Automatizado” o en inglés “Machine Learning“). Para incorporarlas en sus desarrollos, los programadores Moodle pueden hacer uso de la interfaz de programación “API de Analítica”, originalmente denominado “Projecto Inspire” y hoy en día conocido simplemente como Analíticas de Aprendizaje en Moodle. La finalidad del proyecto es la elaboración de pronósticos que mejoren la práctica docente y anticipen riesgos. Si bien por ahora el número de predicciones disponibles en Moodle es limitada —destacándose por ahora el riesgo de deserción del estudiante—, el desarrollo continúa, enfocándose tanto en los mecanismos internos como en la interfaz para el usuario. Eventualmente, los usuarios contrarían con interfaces visuales que les permitan, sin necesidad de tener habilidades de programación, hacer uso de técnicas de Aprendizaje de Máquina para diseño e instrucción de cursos Moodle.

No obstante, estas técnicas ya están disponibles en Moodle para programadores gracias al motor predictivo “Machine Learning Backends“, o Moodle MLB. Moodle MLB, que desde luego es 100% código abierto, agrupa en realidad dos motores con funciones semejantes, uno en lenguaje Python y uno en PHP, aunque el modelo versión Python ofrece mayor potencia tiene la habilidad de producir visualizaciones. Ambos cuentan con los elementos básicos (clases) de una aplicación de predicciones: Clasificadores, Regresores y Evaluadores. Moodle MLB está basado en TensorFlow, desarrollado por Google, y actualmente una una de las herramientas de Aprendizaje de Máquina más populares.

Para diseñar un modelo, el motor puede tomar cualquier series de datos provistos por la API de Analítica y asignarle una de estas clases. Los usos posibles de Moodle MLB son tan diversos como el Aprendizaje de Máquina supervisado lo permita. La página de Analíticas en moodle.org enumera solo algunos ejemplos:

  • Predicción del desempeño general de los estudiantes en un curso de acuerdo al comportamiento del docente
  • Predicción de variables individuales de acuerdo con la presencia activa de sus padres
  • Optimización de notificaciones
  • Distribución de calificaciones en un curso
  • Efectividad de requisitos previos a un curso.

Los desarrolladores de Analíticas de Aprendizaje y Moodle MLB ofrecen algunas recomendaciones iniciales para programadores interesados en empezar a aprovechar estas herramientas en sus desarrollos.

  • Puedes analizar a fondo el código de Moodle MLB en su GitHub, que incluye algunos ejemplos (en inglés y para PHP únicamente).
  • Si utilizas Python, es recomendable aplicar el plugin moodlemlbackend.
  • Para visualizar resultados con Python es necesario integrar una herramienta de visualización. La más recomendable es TensorBoard, diseñada por Google específicamente para TensorFlow.
  • Moodle MLB es una solución de Aprendizaje de Máquina supervisado, que designa tareas cuyo objetivo final es conocido por el investigador. A la fecha sus creadores no han considerado sus usos en tareas de aprendizaje no supervisado.

Si no tienes experiencia en Aprendizaje de Máquina, la documentación de TensorFlow recomienda que tengas bases sólidas en programación con énfasis en datos cuantitativos, así como en matemáticas. En cuanto a programación, elementos básicos de Python y su librería científica NumPy te permitirán indagar a fondo en TensorFlow. Y para sacar el mayor provecho, reforzar elementos de matemáticas (principalmente trigonometría, álgebra y calculo) y estadística (medidas de tendencia central, histogramas, regresiones).

Lee la documentación oficial de Moodle en Analítica.

¿Quieres saber más sobre Analítica en Moodle? Lee más aquí:

Las Analíticas del Aprendizaje en Moodle 3.4: Una Caja Transparente

John Whitmer te Invita a Diseñar tus Cursos Basado en Analítica

9 Complementos de Moodle para Estimular una Enseñanza Cuantificada en 2018

Moodle en la Ciencia: Evidencia de la Ventajas de Moodle en el Desempeño de Sistemas y Estudiantes