PLATAFORMA ADAPTATIVA PARA REFUERZO DE SUMAS UTILIZANDO REDES NEURONALES Y SISTEMAS DE REPUTACIÓN BAYESIANO

Abstract

El presente proyecto consiste en la creación de una plataforma para practicar sumas, destinada a que estudiantes de primer grado de primaria practiquen sumas, con la finalidad de que refuercen sus conocimientos. Las aplicaciones existentes en el mercado cuentan con una dificultad estática que no se ajusta al desempeño ni necesidades del jugador, sino que tienen un conjunto de ejercicios predefinido que se presentan de forma aleatoria. La propuesta consiste en generar una plataforma adaptativa basada en el desempeño del jugador, cuyos ejercicios y dificultad vayan acorde a sus habilidades. Para lograrlo, se implementaron cinco niveles de dificultad tomando como referencia los Derechos Básicos del Aprendizaje V.2 del 2016 (DBA) enfocados en niños de primer grado, donde se crea una suma de la forma a+b=c y la dificultad reside en la cantidad de cifras que tienen los operandos y la respuesta. Se diseñó una Red Neuronal Artificial (ANN) que estima un porcentaje de ejercicios por dificultad para presentar a un jugador cuando se une al juego por primera vez. Esta cantidad de ejercicios pasa por un algoritmo de Generación de Contenidos Procedimental (PCG) que crea sumas a partir de ello. Finalmente, el desempeño del niño al realizar los ejercicios pasa por un Sistema de Reputación Bayesiano (BRS) que calcula el nuevo porcentaje de ejercicios para cada dificultad.

This project’s goal is to develop a platform for practicing sums, whose target are elementary school children. Although this kind of application (app) is not new to the market, the existing ones only offer a static difficulty in the sense that the shown exercises per difficulty by an app are generated randomly from a predefined dataset on which the app itself is built with. So a drawback of those apps is that the shown exercises are not generated according to each player’s performance. Our proposal is then to create an adaptive platform that considers the player’s performance to generate exercises, i.e according to the player’s abilities and progress during the game, the platform will generate content for them. In order to achieve this, five difficulty levels were implemented following the guidelines of the document Derechos Básicos del Aprendizaje V.2 of 2016 (DBA), which provides the Learning Objectives (LOs) focusing on first and second grade. Also, the shown exercises were designed using the template a+b=c, where the difficulty associated with them relies on the number of digits for each operand and the result. Furthermore, an Artificial Neural Network (ANN) was designed to estimate a percentage of exercises per LO when a new player joins the game. This value in turn goes through a Procedural Content Generation (PCG) algorithm that creates sums with the previous established template. Finally, after the player completes a level, their performance is recorded and sent to a Bayesian Reputation System (BRS) to return a new percentage of exercises according to the difficulty.