Serviços customizados
Espanhol (pdf)
Artigo em XML
Referências do artigo
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
INTRODUCCIÓN
El uso de la Realidad Virtual (RV) aumenta cada día en diferentes contextos de la sociedad, incluso desde edades tempranas, se emplea con niños para el desarrollo de habilidades en el contexto educativo. El creciente desarrollo de la RV conduce a investigaciones sobre métodos y técnicas para la auto-adaptación de sistemas de entrenamiento para la formación. Con el objetivo de lograr mayores índices de motivación, el contexto educativo ha sido escenario de la introducción de conceptos como la gamificación y el aprendizaje adaptativo en el desarrollo de entornos Virtuales de Aprendizaje (EVA). El empleo de los EVA se ha convertido en un complemento de gran apoyo a los procesos académicos tanto presenciales como a distancia, siendo más efectivos los que constituyen entornos inmersivos (Comas-González et al., 2017).
Un sistema de aprendizaje adaptativo produce cambios en su entorno ante situaciones específicas y cuando sea necesario. Los sistemas de aprendizaje adaptativo ofrecen herramientas para la formación individualizada (Osadchyi et al., 2020). El aprendizaje adaptativo permite personalizar el aprendizaje de cada alumno utilizando los recursos ofrecidos desde una plataforma, cubriendo el contenido en profundidad de una manera racional y sirviendo como herramienta para el alumno y el profesor. Estos sistemas se apoyan en técnicas de recopilación de datos para aprender de cada alumno y proporcionan una adaptación al contenido que muestran. El procesamiento de la información recopilada de cada alumno permite realizar un seguimiento individual del progreso del alumno y proporciona esta información al profesor para realizar el seguimiento de forma más exhaustiva.
Se reconocen cuatro categorías de entornos de aprendizaje adaptativo: (1) interacción adaptativa; (2) presentación de cursos adaptables; (3) descubrimiento y montaje de contenido, y (4) soporte de colaboración adaptable (Kara & Sevim, 2020; Paramythis & Loidl-Reisinger, 2004). Los sistemas de aprendizaje adaptativo se concentran en diversas áreas de la investigación académica como las teorías de la memoria y la carga cognitiva, los sistemas de tutoría inteligente, sistema adaptativo de hipermedia, entre otros (Chen & Zhang, 2008; Weber, 2012). Entre las categorías más influyentes se encuentran los sistemas basados en contenido, que se basan en interacciones y metadatos generados por la interacción del usuario con el contenido, así como la supervisión del rendimiento.
La inmersión en entornos virtuales de aprendizaje promueve mayor motivación en los alumnos (Bachen, Hernández-Ramos, Raphael, & Waldron, 2016; Chasson et al., 2020; Comas-González et al., 2017). Las tecnologías de RV son la principal base del desarrollo de entornos inmersivos. Estas tecnologías tienen como características comunes “inmersión, percepción e interacción con el entorno” (Hudson, Matson-Barkat, Pallamin, & Jegou, 2019; Mendez et al., 2020). Los entornos inmersivos proporcionan un estímulo multisensorial, lúdico, multimedia e interactivo, y permiten controlar las condiciones de estimulación y repetir acciones como en el mundo real. Investigaciones realizadas en el contexto de entornos inmersivos en 3D muestran una fuerte conexión como tendencia entre la educación virtual y los entornos inmersivos (Comas-González et al., 2017). El aprendizaje inmersivo permite a los estudiantes conectarse a experiencias muy cercanas a las reales dentro de un entorno seguro. A través de estas experiencias, aumenta la motivación y compromiso con la actividad que realiza y deja una impresión en su psiquis que favorece la memorización del contenido. El aprendizaje adaptativo tiene un número importante de aplicaciones potenciales en los dispositivos inteligentes, el rápido desarrollo de la inteligencia artificial, la RV, y otras tecnologías (Xie, Chu, Hwang, & Wang, 2019). El presente trabajo se centra en los sistemas auto-adaptativos basados en RV.
La RV ha demostrado su efectividad particularmente con el desarrollo de simuladores inmersivos para entrenamientos en una variedad de temáticas, reflejando resultados en áreas como medicina, la rehabilitación, la biotecnología, la industria militar, entre otras (Labovitz & Hubbard, 2020; Pallavicini, Argenton, Toniazzi, Aceti, & Mantovani, 2016; Siu, Best, Kim, Oleynikov, & Ritter, 2016; Sultanova & Sharaeva, 2019; Vaughan, Gabrys, & Dubey, 2016b). Particularmente en la educación, la atención a la personalización del aprendizaje constituye el reto en el momento de hacer un simulador auto-adaptativo.
Para argumentar la concepción de simuladores auto-adaptativos en el área de la RV se abordan varios trabajos. El objetivo de este artículo es ofrecer una panorámica sobre propuestas relevantes en términos de aprendizaje adaptativo basado Realidad Virtual. El trabajo está divido en dos partes. La primera aborda los trabajos más relevantes en el estudio y sus principales aportes. La segunda parte aborda los componentes más comunes del aprendizaje adaptativo basado en RV.
MÉTODOS O METODOLOGÍA COMPUTACIONAL
La presente investigación constituye una revisión de la literatura sobre auto-adaptabilidad en simuladores virtuales. Para la búsqueda de información a incluir en el estudio se utilizaron como fuentes principales Google Scholar para identificar otras fuentes de interés científico con énfasis en las bases de datos electrónicas Science Direct, SpringerLink, IEEE Xplore y ACM Digital Library. La literatura analizada comprende artículos de revistas, eventos, reportes, y tesis de doctorado. Se consideraron principalmente publicaciones comprendidas entre 2015 y 2020 en idiomas inglés y español. Los términos de búsqueda utilizados para encontrar estudios relativos al tema fueron: “aprendizaje adaptativo”, “aprendizaje personalizado”, “realidad virtual”, “simulador”, “self-adaptive learning”, “adaptive learning”, “personalized learning”, “virtual reality”, “simulator”. La estrategia de búsqueda se basó en los términos “aprendizaje adaptativo” y “aprendizaje personalizado”, con énfasis en los conceptos categorizados en Computer Science Ontollogy (“CSO - Portal,” n.d.). Se acotaron los términos entre comillas, así mismo, se emplearon los operadores AND y OR para búsquedas avanzadas en consultas como “virtual reality” AND “adaptive learning” OR “personalized learning”. Se seleccionaron los trabajos a partir de las coincidencias, reduciendo el volumen de trabajos considerando la relevancia de los aportes a partir del análisis del contenido. En la etapa final del filtrado se seleccionaron los trabajos con mejor desarrollo de los componentes de auto-adaptabilidad siguiendo el objetivo de la investigación. La (Figura 1) muestra un resumen del proceso de filtrado de la búsqueda.
RESULTADOS Y DISCUSIÓN
Del análisis de los trabajos con mejor definición de los componentes de auto-adaptación se obtuvo el resumen que se muestra en la (Tabla 1), que agrupa los componentes más destacados para la adaptación de SRV, las principales variables a considerar y el aporte en determinadas áreas de aplicación.
Los trabajos representados en la (Tabla 1), a excepción de (Siu et al., 2016) presentan características semejantes al resto de los trabajos. Otros trabajos analizados (Agbonifo, Sarumi, & Akinola, 2020; Aftab Alam, Ullah, & Ali, 2017; Gómez-Contreras & Bonilla-Torres, 2020; Heyse, 2019; Kerr, 2016; N. Kim & Lee, 2020; S. Kim, Bera, Best, Chabra, & Manocha, 2016; León Rodriguez & Viña Brito, 2017; Lin & Wang, 2019; Llorens-Largo et al., 2016; Lourdeaux et al., 2019; Morillo Lozano & others, 2016; Ropelato et al., 2017; Sánchez Gil & others, 2020; Santos & Osório, 2004; Senno & Barcha, 2018; Shemshack & Spector, 2020; Urueta & Ogi, 2020; Valencia, Joaqui, & Segura, 2019), aunque no considerados relevantes por los objetivos de esta revisión abordan la conceptualización de adaptabilidad, aprendizaje por refuerzo, retroalimentación y otras características de sistemas auto-adaptativos.
La RV proporciona la capacidad de entrenar a los individuos para tratar con situaciones complejas sumergiéndolos en un entorno virtual. El entrenamiento basado en RV se emplea en múltiples contextos; sin embargo, su eficacia depende de la adaptación en función de las capacidades, necesidades y rendimiento del usuario. Un problema común con los sistemas de RV para la formación es que los usuarios experimentan las mismas rutinas de entrenamiento, ya que estos sistemas no están personalizados para patrones de aprendizaje individuales (Vaughan, Gabrys, & Dubey, 2016a). La principal contribución de los sistemas de aprendizaje adaptativo es la capacidad de ajustar el contenido y medir el progreso de cada estudiante, asegurando que cada estudiante mantenga su propio ritmo de aprendizaje ajustado a sus habilidades.
Un entorno de aprendizaje inmersivo y auto-adaptable debe ser capaz de ajustar los contenidos y medir el avance de cada alumno y adaptarse a sus capacidades físicas y al mismo tiempo, proporcionar retroalimentación rápida para aprovechar al máximo todas las variables implicadas en el aprendizaje. Los sistemas de RV se pueden adaptar a las capacidades físicas y cognoscitivas del alumno. La adaptación física se produce a través de dispositivos hápticos, sensores, controladores, dispositivos exoesqueletos, entre otros accesorios. La adaptación de las capacidades cognoscitivas se lleva a cabo a través del software con ajuste de contenido y dificultad, e interfaz de usuario.
Los elementos básicos de la simulación de entrenamiento basada en RV incluyen dispositivos hápticos, agentes autónomos, tecnologías adaptativas, evaluación y clasificación de retroalimentación, y pantalla montada en la cabeza (HMD). Un estudio realizado en este campo apunta a la evolución de las tecnologías auto-adaptables en el entrenamiento de RV (Vaughan, Gabrys, et al., 2016b). Estos elementos se muestran en la (Figura 2).
Fig. 2 Estructura de interacción de componentes de tecnología multiodal dentro del entrenamiento adaptativo basado en RV(Vaughan, Dubey, Wainwright, & Middleton, 2016).
Con la evolución de las tecnologías adaptativas en el campo de la RV, las áreas de aplicación de los simuladores para entrenamiento basados en RV también están aumentando, destacando: el área de la medicina, la educación, el comercio y la industria militar (Vaughan, Gabrys, et al., 2016b). La auto-adaptación de los SRV, así como las plataformas de aprendizaje adaptativo no inmersivas, requieren el procesamiento de los registros de datos de los usuarios. Los SRV auto-adaptativos toman decisiones sobre el siguiente y mejor paso a seguir durante el entrenamiento empleando diferentes métodos centrados en procesamiento de los registros del usuario. Estos registros proporcionan un historial de resultados, puntuaciones, errores cometidos y otras informaciones sobre el usuario y las actividades que ha realizado (Tabla 1).
El marco de trabajo desarrollado por (Zahabi & Abdul Razak, 2020) considera tres componentes fundamentales para adaptar un sistema de entrenamiento basado en RV: (1) medición del rendimiento del alumno; (2) variable adaptativa; y (3) lógica adaptativa. La primera etapa de este marco recopila medidas de rendimiento a partir de una combinación de mediciones en línea y en tiempo real, incluyendo información sobre el perfil del estudiante (experiencia, edad, estilo de aprendizaje), fisiología (seguimiento de ojos, frecuencia cardíaca, respuesta galvánica de la piel), rendimiento de la tarea (error y tipo) y medidas cinemáticas /cinéticas (rango de movimiento, fuerza). Una representación más detallada de este marco de trabajo se muestra en la (Figura 3).
Fig. 3 Marco de trabajo para adaptación de un sistema de entrenamiento basado en RV (Zahabi & Abdul Razak, 2020).
En (Wojtok, Bab, & Hirsch Martin, 2018), proponen un enfoque de aprendizaje adaptativo en RV compuesto en cuatro componentes: (1) modelo de usuario; (2) detección de emociones; (3) detección de interacciones; y (4) optimización. Este enfoque tiene en cuenta los objetivos, preferencias y conocimientos de cada usuario individual. Las emociones del usuario se supervisan y se combinan con la interacción. Seguidamente se observa cada parte del nuevo enfoque individualmente y se utilizan, respectivamente, para crear soluciones para abordar cada problema. Finalmente todas las piezas se combinan en un prototipo de trabajo para evaluar el nuevo enfoque.
Otros autores (Siu et al., 2016) han concentrado los estudios del aprendizaje adaptativo basado en entrenamientos de RV en la formación médica de militares, con el objetivo de minimizar errores que puedan dar lugar a mortalidad y morbilidad. El trabajo de (Siu et al., 2016) propone un marco de trabajo para entrenamiento adaptativo concebido en tres niveles (modelado, comparación y entrenamiento óptico). Asociado al marco de trabajo proponen una metodología de modelado con tres etapas: (1) análisis cognitivo de la tarea, para derivar una ontología del conocimiento y las habilidades a medir y entrenar; (2) modelado matemático, para determinar el dominio y la variación específica del individuo en la adquisición y desgaste de la habilidad; y (3) modelado cognitivo, para integrar el modelo específico de desgaste de la habilidad dentro de un modelo más general de comportamiento del estudiante, que puede combinarse con la ontología derivada del análisis de la tarea. Una representación más detallada del diseño de este marco de trabajo se muestra en la (Figura 4).
Componentes para el aprendizaje adaptativo en Realidad Virtual
Características de usuario
Entre los trabajos estudiados predomina la concepción de un modelo de usuario, también denominado “lerner model” y variables asociadas como componente fundamental en el proceso de adaptación (A Alam, Ullah, Burqi, & Ali, 2016; Aftab Alam, Ullah, & Ali, 2016; Loch et al., 2019; Martin, Chen, Moore, & Westine, 2020; Osadchyi et al., 2020; Vaughan, Gabrys, et al., 2016b; Wojtok et al., 2018; Zahabi & Abdul Razak, 2020). Entre las principales variables asociadas a este modelo se destacan las medidas de comportamiento, habilidades, conocimientos, perfiles y emociones. En trabajos analizados persiste una relación entre el comportamiento y las emociones del usuario.
Relacionado con el comportamiento, una hipótesis para identificar algunas emociones parte de los movimientos y/o el momento de la ejecución de una acción. Si un usuario permanece un determinado tiempo sin hacer movimientos o tarda demasiado en realizar una acción, podría estar confundido, frustrado o aburrido. Estas emociones pueden impactar en sus habilidades e indicar si el usuario ha adquirido determinado nivel de conocimiento sobre una actividad o si ha logrado una habilidad. Algunos de los trabajos consultados en este contexto hacen referencia a la técnica de Aprendizaje por Refuerzo (AR) (Drugan, 2019; Li, Gomez,Nakamura, & He, 2019; Rovira & Slater, 2017; Sutton & Barto, 2015).
Aprendizaje por Refuerzo
El AR es un método de aprendizaje automático en el que interviene un agente que puede aprender a realizar una tarea de toma de decisiones secuencial al interactuar con un entorno. Entre trabajos analizados se aborda el concepto de aprendizaje por refuerzo en el proceso de adaptación (Bhattacharjee, Paul, Kim, & Karthigaikumar, 2018; Zahabi & Abdul Razak, 2020; Zahabi et al., 2020) . La idea se basa en capturar los aspectos más importantes del problema real que enfrenta el agente de aprendizaje que interactúa con su entorno para lograr un objetivo" (Sutton & Barto, 2015). Dado un estado actual, el agente toma medidas y observa los cambios en el entorno. Los agentes de aprendizaje por refuerzo tienen objetivos claros y pueden percibir aspectos de su entorno y elegir acciones para influir sobre ellos.
Cuando el AR implica planificación, el agente tiene que abordar la interacción entre la planificación y la selección de acciones en tiempo real, así como la cuestión de cómo se adquieren y mejoran los modelos del medio ambiente. Cuando el AR implica un aprendizaje supervisado, lo hace por razones específicas que determinan qué capacidades son críticas y cuáles no. El AR se utiliza generalmente en Computación Gráfica y RV para controlar el comportamiento de los usuarios, observando sus movimientos, entre otros comportamientos. El AR puede influir en el comportamiento del usuario dentro de un entorno virtual inmersivo, basado en un agente de AR que aprende a guiar al usuario para ayudarle a realizar una tarea.
Retroalimentación
Entre los trabajos analizados se aborda la retroalimentación como variable asociada al proceso de adaptación (Aftab Alam et al., 2016; Zahabi & Abdul Razak, 2020; Zahabi et al., 2020). La retroalimentación en un sistema con aprendizaje adaptativo debe ocurrir en tiempo real para que el alumno se mantenga más enfocado y pueda autocorregirse fácilmente. Los sistemas adaptativos de forma continua pueden proporcionar retroalimentación personalizada a las preguntas de opción múltiple y de respuesta libre, al instante o casi al instante. Como resultado se logra un ritmo de aprendizaje que conduce a la disminución de errores, la experimentación, el desarrollo iterativo y el aprendizaje más rápido.
Autores como (Zahabi & Abdul Razak, 2020) sustentan que las ventajas del entrenamiento adaptativo también pueden ser explicadas por diferentes teorías, entre ellas la de efecto de inversión de la experiencia (Kalyuga, Ayres, Chandler, & Sweller, 2003). Esta teoría se centra en la retroalimentación adaptativa y propone que el contenido cambie constantemente a medida que el alumno se familiariza con el contenido (conocida como “bottom-up” y “top-down”). En base a esta teoría se proporciona una estrategia de retroalimentación adaptable que en principio facilita más detalles de instrucción y a medida que el usuario se familiarizan con la tarea, el entrenamiento se hace más general (bottom-up). De otro modo, a los usuarios más avanzados se les proporciona una retroalimentación en la que al principio la instrucción es más general y al cometerse errores se hace más detallado (top-down).
Optimización
Por otro lado, los sistemas adaptativos implementan estrategias, algoritmos y métodos de optimización en algunos casos basados en lógica adaptativa, y apoyados en aprendizaje automático y redes neuronales artificiales (Huang, Naghdy, Naghdy, Du, & Todd, 2018; Lang et al., 2018; Ropelato et al., 2017; Zahabi & Abdul Razak, 2020). La optimización en los SRV se produce tanto sobre el contenido como la interfaz de usuario (Wojtok et al., 2018).
El entrenamiento apoyado en simulación por RV tiene mayor ventaja sobre los métodos convencionales principalmente por la reducción de riesgos, menor costo de recursos, y optimización de tiempo. Sin embargo, el entrenamiento en SRV con aprendizaje adaptativo denota ventajas sobre los SRV convencionales y su principal contribución es la capacidad para producir cambios gráficos y de contenidos en correspondencia con un perfil de usuario, lo que conduce a mejores niveles de optimización, menos recursos y mejores tiempos procedurales, de tal forma que el alumno se complementa con el entorno y avanza a su propio ritmo. La capacidad de un SRV auto-adaptativo de reforzar el contenido y ajustar los niveles de dificultades ante tareas complejas produce más permanencia y sensación de presencia del alumno en el entorno simulado.
Aun considerando escasa la bibliografía referente al objetivo de esta investigación, se puede apreciar que el aprendizaje adaptativo basado en RV puede desarrollarse desde diferentes enfoques, mayormente a partir de experiencias del desarrollo de este concepto en Sistemas de Gestión de Aprendizaje (LMS por sus siglas en inglés). A partir de los aportes identificados del análisis realizado en la selección de trabajos, se consideran fundamentales para la auto-adaptabilidad de simuladores de RV los componentes expuestos en el epígrafe anterior.
Esta investigación estuvo limitada por la escasa literatura en español referente a la temática analizada y el predominio de aportes mayormente teóricos, lo que demuestra insuficiente desarrollo de métodos para la auto-adaptabilidad de simuladores virtuales. La mayoría de los trabajos analizados y resumidos los principales en la (Tabla 1) hacen referencia a variables de un “modelo de usuario” y un “motor de adaptabilidad”, aunque este último no concretamente definido con estos términos.
CONCLUSIONES
El principal objetivo de este artículo fue identificar propuestas relevantes en términos de aprendizaje adaptativo en simuladores virtuales. La revisión realizada de la literatura científica sobre esta temática permitió resumir los componentes sobre aprendizaje adaptativo en simuladores virtuales. A pesar de los avances logrados por otros investigadores en el desarrollo de simuladores auto-adaptativos se considera aún insuficientes los aportes prácticos en esta temática, dado que los trabajos públicos enmarcados en el período de esta revisión son mayormente teóricos y carecen de metodologías o estrategias más detalladas para producir simuladores auto-adaptativos. Por lo tanto se sugiere orientar futuras investigaciones a producir modelos y métodos de adaptación más detallados.
