Por favor, use este identificador para citar o enlazar este ítem:
http://cimat.repositorioinstitucional.mx/jspui/handle/1008/1151| CLASIFICADOR DE LA DIFICULTAD DEL USO DE LA MEMORIA DE TRABAJO POR LA MEDICIÓN DE CARGA COGNITA A TRAVÉS DE SEGUIMIENTO OCULAR | |
| Jorge Sánchez Rodríguez | |
| Acceso Abierto | |
| Atribución-NoComercial | |
| INGENIERÍA EN SOFTWARE | |
| La memorización es un proceso cognitivo clave en el contenido de aprendizaje. Un curso con tareas de memoria difícil puede provocar una sobrecarga cognitiva y frustración en un grupo de alumnos y, por su parte, con tareas de memoria fácil, se puede evocar baja carga cognitiva que llevaría a los alumnos al aburrimiento; ambos casos con malos resultados para el aprendizaje. Para controlar la carga cognitiva en los cursos de aprendizaje de forma no invasiva, primero hay que medirla. Sin embargo, en los estudios de seguimiento ocular, no hay clasificadores de carga cognitiva ni de dificultad de tareas de memoria. En este trabajo se propone un clasificador de dificultad de tareas de memoria de trabajo, tomando como bases características de carga cognitiva con datos del tamaño de la pupila implementando un rastreador ocular remoto. Para ello, se realizaron dos experimentos, uno en donde la carga cognitiva es inducida por tareas de memoria auditivas y el otro con tareas de memoria visual. En el primero se identifican dos niveles de dificultad: fácil y difícil. Estos niveles se consiguieron solicitándole a los participantes que hablaran con la verdad en una entrevista o respondieran con una mentira. Posteriormente, fueron clasificados con una máquina de soporte vectorial (SVM, del íngles: Support Vector Machine) y el clasificador de análisis discriminante lineal (QDA, del íngles: Quadratic Discriminant Analysis). En el segundo caso, se realiza un análisis de los datos de la pupila a partir de tres tareas de memorización con dificultad fácil, media y alta. Se seleccionaron las características con diferencias significativas y se entrenaron los clasificadores más precisos utilizados en la investigación de eye tracking como la máquina de soporte vectorial (SVM), árbol de decisión (DT, del íngles: Decision Tree), análisis discriminante lineal (LDA, del íngles: Linear Discriminant Analysis) y bosque aleatorio (RF, del íngles: Random Forests). | |
| 19-04-2021 | |
| Trabajo de grado, maestría | |
| OTRAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Tesis del CIMAT |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ZAC TE 78.pdf | 2.5 MB | Adobe PDF | Visualizar/Abrir |