Universidad Carlos III de Madrid Departamento de Ingeniería Telemática
Home / Personal / Profesores Titulares / Pedro Manuel Moreno Marcos
anteriorsiguiente

 

Proyecto ASESOR-IA
Analítica del aprendizaje como Soporte a los Estudiantes para Optimizar su Rendimiento en entornos educativos con Inteligencia Artificial

Financiado por la Universidad Carlos III de Madrid (UC3M) mediante las Ayudas para la Actividad Investigadora de los Jóvenes Doctores, del Programa Propio de Investigación de la UC3M

Investigador Principal: Pedro Manuel Moreno Marcos



 DESCRIPCIÓN

    En el ámbito educativo, la analítica del aprendizaje (learning analytics, LA) es una herramienta muy útil para poder comprender mejor qué está ocurriendo en el curso y poder anticiparse a los posibles problemas que pueden ocurrir. En este contexto, se han realizado numerosos trabajos en torno al modelado del aprendizaje y comportamientos de los estudiantes, y en modelos predictivos, principalmente enfocados al abandono.

    Sin embargo, el estudio de estos modelos tiene un amplio recorrido y tienen diversas limitaciones que deben analizarse: 1) falta de análisis con datos no estructurados o provenientes de nuevos entornos de aprendizaje, por ejemplo los que han emergido recientemente tras la inclusión de la IA generativa en la docencia, 2) falta de análisis en cuanto a la generalización de los modelos en distintos entornos educativos y los posibles sesgos de los modelos, y 3) falta de retroalimentación a estudiantes y profesores a partir de los modelos, pues estos se han analizado principalmente como una aproximación post hoc.

    Teniendo esto en cuenta, la hipótesis de partida de este proyecto es que es posible mejorar los modelos de LA en base a 1) nuevas variables y análisis de nuevos comportamientos, 2) inclusión de aspectos generalmente no considerados como la generalización o los sesgos, 3) y la integración de los modelos con sistemas de retroalimentación, para hacer un aprendizaje más personalizado.

    Para estos modelos, se utilizarán técnicas de inteligencia artificial, tanto de Machine Learning o Deep Learning como de inteligencia artificial generativa. Esta última puede ser tanto fuente de nuevas variables (p.ej., interacción de alumnos con la IA), como un instrumento para el análisis de datos (p.ej., no estructurados) o de ayuda para la generación de la retroalimentación.

    Así, pues el objetivo principal de este proyecto es caracterizar y tratar de mejorar los modelos de estudiantes de LA y mejorar la retroalimentación proporcionada utilizando herramientas de IA. Para ello, se utilizará una metodología de investigación de la ciencia del diseño (DSRM), y el proyecto propondrá: 1) un marco de investigación y tecnológico que aborde el desarrollo de nuevos modelos de LA, 2) soluciones de LA que aborden los problemas mencionados anteriormente, y 3) experiencias piloto para evaluar las soluciones propuestas.

    Se espera que los resultados del proyecto puedan contribuir a una mejora en el aprendizaje, que tenga un impacto positivo tanto para docentes como para estudiantes, y contribuyan tanto a distintas comunidades científicas sobre tecnologías educativas como en los Objetivos de Desarrollo Sostenibles relacionados con la educación de calidad y los planes estatales sobre la mejora de la educación.

 NOTICIAS CORTAS

  • [05/11/2025] El artículo "Analysis and Evaluation of Gemini for Question Generation in Two Engineering Courses"" ha sido presentado en el congreso FIE 2025 en Nashville (Tennessee)
  • [04/11/2025] El artículo "Analysis of Students' Patterns and Prediction Using edX Data and Learning Analytics" ha sido presentado en el congreso FIE 2025 en Nashville (Tennessee)
  • [23/10/2025] El artículo "Memory Bias: Analysis of the Effect of Memory on Skill Acquisition" ha sido presentado en el congreso TEEM 2025 en Oporto
  • [17/07/2025] El artículo "Integration of multiple sources to anticipate student performance using learning analytics" ha sido presentado en el congreso ICALT 2025 en Changhua, en la isla de Taiwan.
  • [30/06/2025] El artículo "Analysis of the Generalization of Students' Success Predictive Models in a Series of Java MOOCs on edX" ha sido presentado en el congreso eMOOCs 2025 en Palaiseau, cerca de París.
  • [04/03/2025] La publicación "Evaluation of traditional machine learning algorithms for featuring educational exercises" ha sido publicada en la revista "Applied Intelligence"
  • [09/01/2025] El proyecto ASESOR-IA ha sido seleccionado para su financiación por la la Universidad Carlos III de Madrid (UC3M) mediante las Ayudas para la Actividad Investigadora de los Jóvenes Doctores, del Programa Propio de Investigación de la UC3M
 PUBLICACIONES

Publicaciones en revistas ISI JCR
  1. Alberto Jiménez-Macías, Pedro J. Muñoz-Merino, Pedro Manuel Moreno-Marcos, and Carlos Delgado Kloos. 2025. Evaluation of traditional machine learning algorithms for featuring educational exercises. Applied Intelligence, 55, 501. DOI: 10.1007/s10489-025-06386-5. Factor de impacto 2024: 3.5. JCR-SCI (Q2). Datos en abierto. Repositorio GitHub.
Publicaciones en congresos
  1. Pedro Manuel Moreno-Marcos, Josué Gutiérrez Ledesma, Pedro J. Muñoz-Merino, and Carlos Delgado Kloos. 2025. Memory Bias: Analysis of the Effect of Memory on Skill Acquisition. In Proccedings of the 13th International Conference on Technological Ecosystems for Enhancing Multiculturality, Salamanca, Spain, October 2025 (TEEM '25), 10 pages (accepted). Enlace a la presentación en el congreso. Repositorio GitHub.
  2. Pedro Manuel Moreno-Marcos, Javier Gil Santiuste, Pedro J. Muñoz-Merino, Carlos Alario-Hoyos, and Carlos Delgado Kloos. 2025. Analysis and Evaluation of Gemini for Question Generation in Two Engineering Courses. In Proceedings of the 2025 IEEE Frontiers in Education Conference, Nashville, Tennessee, United States, November 2025 (FIE '25), 8 pages, pp. 1-8. (Ranking: Core C, Clase 3 GII-GRIN-SCIE). DOI: 10.1109/FIE63693.2025.11328589. Enlace a la presentación en el congreso. Datos en abierto. Repositorio GitHub.
  3. Pedro Manuel Moreno-Marcos, María Sanz-Gómez, Pedro J. Muñoz-Merino, Carlos Alario-Hoyos, Iria Estévez-Ayres, and Carlos Delgado Kloos. 2025. Analysis of Students' Patterns and Prediction Using edX Data and Learning Analytics. In Proceedings of the 2025 IEEE Frontiers in Education Conference, Nashville, Tennessee, United States, November 2025 (FIE '25), 9 pages, pp. 1-9. (Ranking: Core C, Clase 3 GII-GRIN-SCIE). DOI: 10.1109/FIE63693.2025.11328216. Enlace a la presentación en el congreso. Repositorio GitHub.
  4. Pedro Manuel Moreno-Marcos, Carlos García Antolín, Carlos Alario-Hoyos, Pedro J. Muñoz-Merino, and Carlos Delgado Kloos. 2025. Integration of multiple sources to anticipate student performance using learning analytics. In Proceedings of the 25th IEEE International Conference on Advanced Learning Technologies, Changhua, July 2025 (ICALT '25), 3 pages, pp. 117-119. DOI: 10.1109/ICALT64023.2025.00039. Enlace a la presentación en el congreso. (Ranking: Core B, Clase 3 GII-GRIN-SCIE). Repositorio GitHub.
  5. Pedro Manuel Moreno-Marcos, Miguel Rodríguez Guillén, Carlos Alario-Hoyos, Pedro J. Muñoz-Merino, Iria Estévez-Ayres, and Carlos Delgado Kloos. 2025. Analysis of the Generalization of Students' Success Predictive Models in a Series of Java MOOCs on edX. In Proceedings of the 9th European MOOCs stakeholders Summit 2025, Palaiseau, France, June-July 2025 (eMOOCs '25), 10 pages, pp. 36-45. DOI: 10.1007/978-3-032-00056-9_4. Enlace a la presentación en el congreso. Link a versión en abierto en Zenodo. Repositorio GitHub.
  6. Pedro Manuel Moreno-Marcos, María Cantón Rello, Carlos Alario-Hoyos, Pedro J. Muñoz-Merino, Iria Estévez-Ayres, and Carlos Delgado Kloos. 2025. Predicting Deadline-Driven Learners and Dropout in MOOCs: An Analysis of Learners' Behaviors. In Proceedings of the Learning Analytics Summer Institute Spain 2025, Vitoria, Spain, May 2025 (LASI SPAIN '25), 8 pages, pp. 1-8. Enlace: https://ceur-ws.org/Vol-4148/Paper8.pdf. Enlace a la presentación en el congreso. Repositorio GitHub.
 ENLACES
english version

Localización | Personal | Docencia | Investigación | Novedades | Intranet
inicio | mapa del web | contacta