Page 66 - Sistemas de aprendizaje e-learning: técnicas de inteligencia artificial para las inteligencias múltiples

Sistemas de Aprendizaje e-learning: técnicas de 65
inteligencia artificial para las inteligencias múltiples

Tabla 4.14. Los 10 Resultados más altos de la regresión
con EC, ANN y ANFIS de 30 y 300 épocas con las IM.
NO. DESCRIPCIÓN ANFIS R(30) ANFIS R(300) ANN R EC R
1 Text 0.60379 0.63661 0.2424 0.135
2 PracSports 0.61261 0.64205 0.26129 0.207
3 Exam 0.61244 0.64231 0.16732 0.06
4 Games 0.60687 0.64419 0.23243 0.123
5 ExamplesInLab 0.62487 0.64419 0.1271 0.099
6 HelpTutorial 0.60314 0.63661 0.19884 0.135
7 Ebooks 0.61205 0.64205 0.15044 0.096
8 ListeningMusic 0.59879 0.64231 0.31736 0.249
9 Experimenting 0.62189 0.64419 0.24708 0.081
10 ListeningRadio 0.62789 0.64816 0.20763 0.139

De Membresía (en este caso, Gausianas) para cada entrada, 128 reglas difusas if-then y una salida.

Figura 4.2. Arquitectura resultante del ANFIS y las IM.

4.4. ANÁLISIS DE RESULTADOS UTILIZANDO LOS ESTILOS DE
APRENDIZA JE (VARK) Y LAS INTELIGENCIAS MÚLTIPLES (IM)

4.4.1. ANÁLISIS UTILIZANDO VARK CON EC, ANN Y ANFIS
Utilizando ANFIS, podemos mejorar la regresión, en este caso se pueden utilizar los 10 estilos
de preferencias más altos en orden de construir objetos de aprendizaje, los cuales se enfoquen
en las características de estos estilos de preferencias y también se pueden utilizar las reglas
difusas en la construcción de los objetos de aprendizaje, los cuales pueden ser utilizados en
un sistema hipermedia educativo.