Feature reduction using a RBF network for classification of learning styles in first year engineering students

Reducción de características usando una red tipo RBF para clasificar estilos de aprendizaje en estudiantes de primer año de ingeniería

Al tener un gran número de variables en la entrada de una red neuronal artificial (RNA), se plantean diferentes problemas en el diseño, la estructura y el rendimiento de la propia red. La reducción de características es la técnica de selección de un subconjunto de características "relevantes" para construir modelos de aprendizaje robustos como en una red neuronal artificial. En este trabajo, se aplica el conocido enfoque del Análisis de Componentes Principales (ACP) para abordar este fenómeno en el diseño de una RNA con Funciones de Base Radial (RBF) que se aplicará para clasificar a los usuarios según estilos de aprendizaje predefinidos. El modelo se desarrolla a partir de un conjunto de datos construidos a partir de las respuestas proporcionadas por 183 usuarios de una interfaz informática a una serie de 80 preguntas (que corresponden a características relacionadas con el estilo de aprendizaje de los usuarios), asociadas a una de las cuatro (4) posibles clasificaciones/estilos. Este conjunto de datos, sin pretratamiento, se utiliza inicialmente para entrenar una RNA de tipo Función de Base Radial (RBF). A continuación, se utiliza el análisis de componentes principales (PCA) para preprocesar el conjunto de datos, se reduce la cantidad de dimensiones (80 características medidas) que son la entrada de la RNA. El objetivo principal es ver la relevancia que podría tener una RNA como elemento clasificador en los Sistemas Adaptativos al Usuario (SAU).

INTRODUCCIÓN

Un modelo de usuario es una representación de los conocimientos y preferencias que un sistema "cree" que tiene su usuario. Son representaciones de las características y decisiones del usuario que son accesibles para el sistema de software. Un sistema que utiliza este tipo de modelo puede adaptar su comportamiento a las necesidades del usuario y es capaz de construir dinámicamente una representación de los intereses del usuario y sus características. Para nuestros propósitos se han recopilado una serie de estilos de aprendizaje de los usuarios, siguiendo el esquema de Alonso [1] y utilizando una herramienta específica [27]. La idea es que los datos recogidos inicialmente por esta herramienta, puedan ser utilizados como feedback para que el proceso de inferencia de un sistema clasificador pueda seguir el comportamiento del usuario en el sistema. De esta forma se obtendrá la adaptación del sistema al comportamiento y preferencias que el usuario desarrolle durante un proceso de enseñanza-aprendizaje.

Dado que uno de los aspectos cruciales del esquema de adaptación anteriormente descrito es el uso adecuado del clasificador y que tener muchas variables (o atributos) en la entrada de una Red Neural Artificial (RNA) genera problemas en el diseño, estructura y rendimiento de la propia red (que es el caso de los datos recogidos de los usuarios) la precisión predictiva de un clasificador puede degenerar, especialmente cuando se enfrenta a atributos irrelevantes.