Adaptive Learning Environments using Cross-Subject Classification

Es de dominio público que el aprendizaje se forma tanto por las características de la persona que aprende como por el material que es aprendido.

Según la teoría „Cognitive Load Theory“ (CLT) (Sweller et al. 1998) el modo y la cantidad  de la carga cognitiva en la memoria de trabajo son decisivos para el éxito de aprendizaje. Por eso teóricos de instrucción recomiendan mantener la carga cognitiva mientras aprendiendo por estructuración adecuada de los alrededores de aprendizaje (si es posible) en una zona óptima de la persona que aprende. Adecuado para la capacidad cognitiva individual el material que es aprendido debería desarrollado de esta manera que se puede adaptar a los estados mentales de la persona que aprende, como por ejemplo a conocimientos previos, los recursos de la memoria de trabajo o el intervalo de la atención.

Una medición continuada en línea de la carga cognitiva mientras aprendiendo es necesario para garantizar estas condiciones.

Como para poder medir una carga cognitiva contemporáneamente Antoneko et al. 2010 recomienda el uso de datos de electroencefalograma (EEG).

Por eso nuestro objetivo es desarrollar un ambiente de aprendizaje basado en ordenador que se puede adaptar en línea a los estados de la carga cognitiva individual de la persona que aprende.

En un ambiente de aprendizaje adaptativo sin embargo no es posible usar datos del mismo objeto de experimentación y del mismo ejercicio para el training de clasificación y la prueba de la clasificación.
Por eso queremos mostrar en nuestra presentación como se puede usar Cross-subject clasificación basado en datos de EEG para desarrollar un ambiente de aprendizaje adaptativo basado en ordenador que soporta la persona que aprende de forma óptima en su proceso de aprendizaje.