ADAPTACIÓN DEL ALGORITMO BAYESIAN KNOWLEDGE TRACING PARA LA ESTIMACIÓN DEL CONOCIMIENTO LATENTE SOBRE DATOS EDUCACIONALES MASIVOS

Ante la masividad de los datos que se generan en la educacion, se han tenido que cambiar los metodos tradicionales para el descubrimiento de conocimientos. Uno de los algoritmos es el Bayesian Knowledge Tracing (BKT) que permite Estimar Conocimiento Latente (ECL). La ECL no es mas que la forma de medir el conocimiento de un estudiante sobre habilidades y conceptos especificos, que es evaluada por sus patrones de correccion sobre esas habilidades. Dicho algoritmo esta disenado para ser utilizado en volumenes de datos pequenos, afectandose su rendimiento ante la presencia de grandes volumenes de datos. Para dar solucion al problema se presentara como resultado la transformacion del algoritmo BKT teniendo en cuenta la programacion paralela y distribuida; ademas, se utilizaron herramientas de procesamiento en paralelo como el marco de trabajo Apache Spark en un entorno de minado. Se valida la propuesta de solucion mediante pruebas para medir rendimiento y eficacia, usando metricas como speedup, eficiencia, error medio cuadratico del diferencial de probabilidades y error medio cuadratico del diferencial del area bajo la curva ROC; para las pruebas fueron empleadas bases de datos educacionales.