Modelación matemática y algorítmica de los términos de la teoría del socioconstructivismo para un entorno educativo digital

Palabras clave: desarrollo cognitivo, eLearning, nivel de capacitación, teoría del rasgo latente, etapas de desarrollo, psicometría, indicadores educativos, trayectoria de enseñanza-aprendizaje

Resumen

Este trabajo presta especial atención al concepto de Next Generation Digital Learning Environment (Entorno Educativo Digital de Próxima Generación, NGDLE) y proporciona una lista de componentes típicos que se pueden integrar en el entorno educativo de acuerdo con el modelo NGDLE. Consideramos la posibilidad de sumergir la teoría del socio-constructivismo de Lev Vygotsky en un entorno digital. El significado de la teoría sociocultural del desarrollo cognitivo consiste en el cambio sucesivo de zonas de desarrollo de acuerdo con el esquema "zona de desarrollo real⇒ zona de desarrollo próximo⇒ zona de desarrollo posterior". Para este propósito se plantea la tarea de construir un modelo matemático de la zona de desarrollo próximo, basado en la teoría de medición de rasgos latentes y psicometría computacional. Para comparar el ancho de la zona del desarrollo próximo del valor numérico, utilizamos la idea de su proporcionalidad al nivel de capacitación, que a su vez se considera como una variable latente. Para una descripción formal de este indicador, se propone una lista de indicadores de medición: indicadores de actividad educativa y el patrón de interacción del usuario con el entorno digital. El modelo construido de la zona de desarrollo se utiliza para la gestión adaptativa del E-learning, el cual presenta un algoritmo de gestión adaptativa que implementa el aprendizaje del desarrollo. Se describe la técnica de evaluar la conveniencia de aplicar el modelo de la zona de desarrollo proximal. Para evaluar la viabilidad, se utiliza material experimental: datos sobre los resultados de las actividades educativas de los sujetos. Como resultado del estudio, se confirmó la hipótesis de que el nivel de preparación alcanzado en el curso del desarrollo de la educación es mayor que los resultados del aprendizaje electrónico, sin tener en cuenta la teoría del desarrollo de la educación. Además, se consideran enfoques de la arquitectura del moderno entorno educativo digital.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Marina Kosonogova, Universidad Estatal Tecnologica de Belgorod

Ingeniera en Sistemas y Tecnologias de Información, PhD en ciencias tecnicas. Docente de la Facultad de energía, tecnologías de información y sistenas de control de la Universidad Estatal Tecnologica de Belgorod, Rusia. La investigación y las publicaciones están relacionadas con el campo del e-learning: entornos educativos digitales de una nueva generación, desarrollo de enfoques con base científica para medir el nivel de logros educativos. Fue el ejecutor del proyecto sobre el desarrollo de métodos para la evaluación cuantitativa de habilidades basadas en el análisis del comportamiento de los estudiantes. Participó en varias escuelas científicas, cuyo perfil está asociado con la aplicación de la teoría de la medición de rasgos latentes.

Jesennia Cárdenas Cobo, Universidad Estatal de Milagro

Analista de Sistemas, Diplomada en Educación Superior, Magíster en Administración de Empresas, Candidata a Doctor en Ingeniería de Software por la Universidad de Sevilla (España). Docente Titular y Decana de la Facultad de Ciencias e Ingeniería la Universidad Estatal de Milagro. Cuenta con más de 16 años de experiencia profesional en el área de educación superior, analista y jefa de proyectos de desarrollo de Software en el área comercial y gubernamental en importantes empresas del sector público y privado. Área de Investigación: línea de productos de software & inteligencia artificial aplicado a la enseñanza de ingeniería, aseguramiento de la calidad de la educación superior.

Citas

Abbakumov, D., Desmet, P. & Van den Noortgate, W. (2018). Measuring student's proficiency in MOOCs: multiple attempts extensions for the Rasch model. Heliyon, 4(12), 1-15. DOI: 10.1016/j.heliyon.2018.e01003
Birjalia, M., Beni-Hssanea, A. & Erritalib, M. (2018). A novel adaptive e-learning model based on Big Data by using competence-based knowledge and social learner activities. Applied Soft Computing, 69, 14–32. DOI: 10.1016/j.asoc.2018.04.030
Bosco, E.B. (2013). Los límites de la escuela. Educación, desigualdad y aprendizajes. México: El Colegio de Mexico AC.
Ferreyra, H.A. & Pedrazzi, G. (2007). Teorías y enfoques psicoeducativos del aprendizaje. Buenos Aires: Noveduc Libros.
Hakkarainen, P. & Korepanova, I. (2009). The status of the Vygotsky’s «Zone of proximal development» in Russian psychology today. Journal of Russian & east European psychology, 47 (6), 3–8.
Kosonogova, M. (2016). Методы и средства управления образовательной траекторией в системах электронного обучения (Métodos y herramientas de control de la trayectoria educativa en los sistemas de e-learning) - Tesis doctoral. Kursk, Rusia: La Suroeste Universidad Estatal (en rusa).
Lazo, C., Osuna-Acedo, S. & Quintana, J. (2019). sMOOC: A pedagogical model for social inclusión. Heliyon, 5(3), e01326. DOI: 10.1016/j.heliyon.2019.e01326
Lin, H.-Y., Tseng, S.-S., Weng, J.-F. & Su, J.-M. (2009). Design and Implementation of an Object Oriented Learning Activity System. Educational Technology & Society, 12(3), 248–265.
Maslak, A. (2016). Теория и практика измерения латентных переменных в образовании (Teoría y práctica de medición de variables latentes en educación). Moscú: Urait (en rusa).
Maslak, A. (2012). Измерение латентных переменных в социальных системых (Medición de variables latentes en sistemas sociales). Slavyansk-on-Kuban: Centro editorial de KubSU (en rusa).
Pozo, I.J., Scheuer, N., Pérez, M., Mateus, M. & Martín, E. (2006). Nuevas formas de pensar la enseñanza y el aprendizaje: Las concepciones de profesores y alumnos. Barcelona: Grao.
Rasch, G. (1980). Probabilistic models for some intelligence and attainment tests. Chicago: University of Chicago Press.
Rodrigues, M.W., Isotani, S. & Zárate, L. E. (2018). Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics. 35(2018), 1701-1717. DOI: 10.1016/j.tele.2018.04.015
Tsatsou, D., Vretos, N. & Daras, P. (2019). Adaptive game-based learning in multi-agent educational settings. Journal of Computers in Education, 6(2), 215-239. DOI: 10.1007/s40692-018-0118-9
Tzuriel, D. (2000). The Seria-Think Instrument: Development of a Dynamic Test for Young Children. School Psychology International, 21 (2), 177–194.
Vázquez, P.G., & Camacho, J.M. (2008). Teorías del aprendizaje y práctica docente. Sevilla: Wanceulen Educación.
Vygotsky, L. (2008). Pensamiento y Lenguaje. México: Quinto Sol.
Wilson, K. & Nichols, Z. (2015). The Knewton Platform. A General-Purpose Adaptive Learning Infrastracture. А Knewton white paper.
Publicado
30-09-2020
Cómo citar
Ivanov, I., Kosonogova, M., & Cárdenas Cobo, J. (2020). Modelación matemática y algorítmica de los términos de la teoría del socioconstructivismo para un entorno educativo digital. Revista De Educación a Distancia (RED), 20(64). https://doi.org/10.6018/red.409761
Sección
Theories of learning and instructional theory for digital education