Formación automática de grupos colaborativos: Una

propuesta que considera estilos de aprendizaje y

rendimiento académico

Alberto Palavecino1, Germán Lescano1,2, Rosanna Costaguta1, Daniela Missio1

1
Instituto de Investigación en Informática y Sistemas de Información (IIISI)
Facultad de Ciencias Exactas y Tecnologías (FCEyT)
Universidad Nacional de Santiago del Estero (UNSE)
2
Consejo Nacional de Investigaciones Científicas y Técnica (CONICET)

Abstract. El Aprendizaje Colaborativo Soportado por Computadora (ACSC) es

una modalidad de enseñanza y de aprendizaje últimamente muy utilizada en los
ámbitos educativos. Mediante el aprendizaje colaborativo los estudiantes
interactúan en pequeños grupos mediados por computadoras para ayudarse a
aprender unos a otros. Sin embargo, crear grupos e instar a sus miembros a
resolver una consigna de manera colaborativa, no garantiza en forma alguna
que el comportamiento y el rendimiento de esos grupos sean adecuados, ni que
la experiencia de enseñanza y de aprendizaje sea exitosa. Por esta razón, en este
artículo se presenta una línea de investigación enfocada en la formación
automática de grupos on-line. En particular, se propone una herramienta para
efectuar la creación de grupos de estudiantes teniendo en cuenta sus estilos de
aprendizaje, y combinándolos de tal forma que se promueva un buen
rendimiento académico. En el artículo se presentan los objetivos de la
investigación, el enfoque propuesto para concretar la formación automática de
grupos colaborativos, y algunos antecedentes relevantes.

1 Introducción

El aprendizaje colaborativo (AC) es la modalidad a través de la cual los estudiantes

aprenden en un proceso en el que se proponen y comparten ideas para resolver una
tarea, favoreciéndose con el diálogo, la reflexión sobre las propuestas propias y las de
los compañeros [1]. El avance tecnológico que se ha producido en las últimas décadas
permitió al AC adoptar herramientas computacionales que facilitan la colaboración, la
coordinación y la comunicación transformándolo en Aprendizaje Colaborativo
Soportado por Computadora (ACSC). Así, el rol de la tecnología es fundamental en
escenarios de ACSC, pero también puede jugar el papel de gestor y organizador para
dar soporte, por ejemplo, a la formación de grupos de aprendizaje. La dificultad para
la introducción de estas tecnologías en este caso reside en ofrecer ventajas concretas y
perceptibles por los usuarios frente a las alternativas tradicionales [1].
 En los sistemas de ACSC los estudiantes trabajan en grupos interactuando
mediante el uso de computadoras. Cada integrante de un grupo se comporta de una
manera determinada al colaborar, manifestando así un determinado estilo de
aprendizaje [2]. Uno de los factores que afectan el resultado de una experiencia de
aprendizaje colaborativo es la composición del grupo [3]. En ACSC se han
implementado diferentes enfoques para formar grupos. Es posible seleccionar al azar
a los miembros, dejar que ellos mismos se elijan o que el profesor lo haga siguiendo
algún criterio preestablecido [3]. Sin embargo, la asignación al azar puede generar
grupos muy desequilibrados que probablemente no resulten eficaces; la autoselección
puede causar discriminación entre los estudiantes con dificultades para mantener
vínculos sociales; y la creación manual por parte del profesor es inviable cuando el
número de estudiantes es alto, o cuando los criterios de selección son complejos [3].
En esta investigación se propone un nuevo enfoque para realizar la creación
automática de grupos en ACSC considerando para ello los estilos de aprendizaje de
los estudiantes y un algoritmo genético especialmente diseñado que buscará
maximizar la cantidad de grupos que obtengan un buen rendimiento académico. El
algoritmo genético empleará en su función de evaluación (fitness) conocimiento
descubierto a través de reglas de asociación, en relación a las combinaciones de
estilos de aprendizaje presentes en grupos calificados con un buen rendimiento
académico.
El artículo se organiza como sigue. En la sección 2 se describe el enfoque
propuesto para realizar la conformación automática de los grupos colaborativos. En la
sección 3 se enuncian algunos antecedentes relevantes. Finalmente, la sección 4
contiene algunas conclusiones.

2 Enfoque propuesto

Actualmente existe una aplicación que da soporte al ACSC a algunas asignaturas

de la carrera Licenciatura en Sistemas de Información (LSI) perteneciente a la
Facultad de Ciencias Exactas y Tecnologías (FCEyT) de la UNSE
(http://fce.unse.edu.ar/seacunse/ProyectChatDB/). Esta aplicación fue desarrollada en
el marco del proyecto de investigación “Sistemas de información web basados en
agentes para promover el aprendizaje colaborativo soportado por computadora”, en
ejecución desde 2012.
La aplicación desarrollada por [4] cuenta con una interfaz basada en oraciones de
apertura diseñada para modelar el conjunto de atributos colaborativos incluidos en la
taxonomía de Soller [5] (Figura 1). Una oración de apertura es una frase predefinida
que se utiliza para comenzar una contribución en un diálogo. Generalmente se
implementan mediante menús con botones, brindando al usuario la opción de
completar su mensaje en un área de texto libre [6][7].
La línea de investigación que se presenta en este artículo extenderá la
funcionalidad de la aplicación antes mencionada, incorporándole un módulo para la
formación automática de grupos. Actualmente, la distribución de los estudiantes en
los diferentes grupos de trabajo es realizada de manera manual por el administrador
de la aplicación según las indicaciones del profesor a cargo. Se espera que en el corto
plazo esta nueva funcionalidad disponible en la aplicación utilice un algoritmo
genético especialmente diseñado, que como criterio para la formación automática de
los grupos tenga en cuenta los estilos de aprendizaje de los estudiantes involucrados.

Fig. 1. Interfaz de chat basada en oraciones de apertura disponible en la plataforma de ACSC

Por otro lado, se está incluyendo otra funcionalidad que permitirá al docente
registrar las calificaciones de los estudiantes de cada grupo. También se posibilitará al
profesor efectuar consultas sobre las calificaciones almacenadas, a fin de facilitarle
las tareas vinculadas con el seguimiento de los rendimientos individuales y grupales.
Asimismo, se prevé la posibilidad de emitir reportes y el envío de avisos. Los
reportes estarán destinados a los docentes quienes a través de esta funcionalidad
podrán generar informes sobre la calificación de los grupos y de sus integrantes. Los
avisos estarán dirigidos a los alumnos, serán enviados inmediatamente después de
crear los grupos y también cuando el profesor asigne las calificaciones.
La Figura 2 muestra un esquema conceptual de la propuesta a realizar, donde como
se explicó en los párrafos previos, el profesor podrá armar los grupos (manual o
automáticamente), calificar las tareas grupales y generar los reportes y avisos
correspondientes.
 Fig. 2. Incorporación del Módulo de gestión de grupos

Encarar el diseño de un algoritmo de agrupamiento automático de estudiantes no es

una tarea trivial, ya que encontrar la condición óptima para agruparlos es un problema
NP-Hard [8] que requiere tiempos exponenciales para resolverlo. Por esta razón
suelen utilizarse algoritmos de aproximación que, si bien no necesariamente llegan a
la solución óptima se acercan considerablemente, constituyéndose así en una solución
apropiada. Uno de los algoritmos más usados para resolver problemas de este tipo son
los algoritmos genéticos [9].
El enfoque propuesto incluirá al algoritmo genético planteado por Lescano et al.
[10] en el módulo correspondiente a la nueva funcionalidad asociada con la formación
automática de grupos colaborativos. Este algoritmo genético permite la conformación
de grupos de manera automática considerando los estilos de aprendizaje de los
estudiantes involucrados. Cada solución factible se denomina población y codifica un
conjunto G de m grupos los cuales son construidos cuando los n estudiantes de la
clase son divididos. Las soluciones codificadas a su vez se conocen como
cromosomas. Al tratarse de un problema del tipo permutativo es factible considerar
que una forma adecuada de representar los grupos es como una lista de números
enteros en donde cada elemento de la lista representa un alumno. La lista a su vez es
subdividida en sublistas de longitud k, siendo k la cantidad de integrantes que
conformarán cada grupo (valor especificado por el profesor). En la Figura 3 se ilustra
la estructura de un cromosoma.

Cromosoma x
x1 x2 x3 … xm

Fig. 3. Representación codíficada de una solución

La función de evaluación o función fitness usada por el algoritmo es una expresión

matemática a través de la cual se busca maximizar la cantidad de grupos con buen
rendimiento. Se consideran grupos con buen rendimiento a aquellos que obtienen una
calificación cuantitativa superior a 7, o cualitativa igual o superior a Muy Bueno. La
expresión matemática empleada por el algoritmo genético en su función de evaluación
hace uso del conocimiento descubierto mediante la aplicación de reglas de asociación
sobre información histórica [11].
Dada la característica permutativa del problema, en el algoritmo genético se
emplearon mecanismos de cruce y mutación adecuados a tal efecto. Como mecanismo
de cruce, se implementaron los de orden y PMX; en tanto que, para mutación, se
implementaron los métodos por intercambio y por mezcla. Referente al mecanismo de
selección de padres se implementaron las técnicas por torneo y por ranking. El
propósito de esta selección es enfatizar los individuos más aptos en la población para
reproducirlos con la esperanza de que sus hijos tengan mejor fitness.
Por último, la estrategia de selección de sobrevivientes se usa para crear una nueva
población a partir de la población actual y las nuevas soluciones generadas. Este
proceso se repite hasta alcanzar un criterio de detenimiento. Para este proceso se
utilizaron los métodos de reemplazo generacional y elitismo.
Para definir la mejor manera de combinar los operadores genéticos descriptos en
los párrafos previos, se llevaron a cabo diferentes experimentos variando las
condiciones iniciales, es decir, la cantidad total de estudiantes y la cantidad de
estudiantes a incluir en cada grupo. Los resultados obtenidos fueron analizados
considerando varianza y desvío estándar. En [10] pueden encontrase mayores detalles
sobre el diseño del algoritmo y las pruebas efectuadas.

3 Antecedentes

La exploración bibliográfica realizada permitió identificar algunas investigaciones

donde se aplicaron algoritmos genéticos para la formación de grupos.
Sukstrienwong et al. [12] plantean el uso de un algoritmo genético para la
formación de grupos heterogéneos de estudiantes para proyectos de desarrollo de
software, a fin de asegurar que los productos software puedan ser entregados a
tiempo. Los autores proponen un algoritmo genético para la formación de grupos que
busca maximizar las habilidades en los grupos formados. Los autores describen un
experimento y analizan los resultados.
Barati Jozan et al. [13] proponen el uso de un algoritmo genético y dos funciones
de evaluación: una intragrupal y otra intergrupal. Los autores buscan heterogeneidad
intragrupal y homogeneidad intergrupal para que la agrupación sea óptima. El
algoritmo propuesto es genérico en el sentido que se le pueden proporcionar las
características que uno desee y el rango en el cual se consideran aceptables.
Wang et al. [14] introducen un sistema de agrupación heterogéneo que hace uso de
factores psicológicos. Este sistema llamado DIANA utiliza un algoritmo genético para
formar grupos heterogéneos con el mismo tamaño y mismo nivel de diversidad para
lograr justicia y equidad en la formación de los grupos.
Yannibelli y Amandi [15] proponen el uso de un algoritmo genético para la
creación de grupos bien balanceados con respecto a los nueve roles de equipo
conocido como roles de Belbin.
 Por último, Ani et al. [16] proponen un algoritmo genético, donde los miembros de
los grupos se definen considerando sus habilidades de programación en Java.
Como puede observarse en los antecedentes descriptos, el enfoque presentado en
este artículo resulta original al contemplar combinaciones de estilos de aprendizaje en
los grupos de estudiantes y su rendimiento académico asociado.

4 Conclusiones

En el presente artículo se presenta una línea de trabajo en curso dedicada a

conformar grupos de manera automática mediante un algoritmo genético
considerando estilos de aprendizaje, con el objetivo de maximizar la cantidad de
grupos con buen rendimiento. En particular, la línea tiene por objetivos generales:
Promover el uso de la computación evolutiva como método para generar grupos de
estudiantes en ACSC, e Innovar en el uso de tecnologías que asistan al docente en la
formación automática de grupos en entornos de aprendizaje. El objetivo específico
fue definido como: Crear un algoritmo genético que considerando los estilos de
aprendizaje de los estudiantes permita conformar grupos que obtengan en el futuro un
buen rendimiento académico.
Al finalizar la ejecución se esperan obtener los siguientes resultados: a) Una
herramienta que ayude al profesor a generar de manera automática el agrupamiento de
los estudiantes de acuerdo con sus estilos de aprendizaje y tendiendo a obtener los
mejores resultados, b) El desarrollo de un algoritmo genético para la formación de
grupos considerando buenas combinaciones de los estilos de aprendizaje individuales
de los estudiantes, c) Un documento que compruebe la hipótesis de investigación
planteada, respaldado con datos experimentales, y c) Una nueva funcionalidad que
permite conformar grupos de manera automática en un entorno disponible para el
trabajo colaborativo síncrono y asíncrono.
A la fecha, se avanzó en el diseño y desarrollo del algoritmo genético descripto en
[17], y se están evaluando las acciones a seguir para llevar a cabo su integración con
la aplicación colaborativa existente, así como también se trabajó en el diseño y
codificación del resto de funcionalidades que estarán disponibles para el profesor.
Una vez integrado todo en la aplicación, se realizará su validación experimental
mediante su uso en sesiones colaborativas reales, en las que participarán estudiantes y
docentes de la carrera LSI de la UNSE.

Referencias

[1] B. Barros and M. F. Verdejo, “Entornos para la Realización de Actividades de

Aprendizaje Colaborativo a Distancia,” Intel. Artif., vol. 5, no. 12, pp. 39–49,
2001.
[2] R. Costaguta and M. de los Angeles Menini, “An Assistant Agent for Group
Formation in CSCL Based on Student Learning Styles,” Proc. 7th Euro Am.
Conf. Telemat. Inf. Syst., p. 24:1--24:4, 2014.
[3] R. Costaguta, “Algorithms and Machine Learning Techniques in
 Collaborative Group Formation,” Adv. Artif. Intell. Its Appl., vol. 9414, pp.
249–258, 2015.
[4] D. Yanacon and R. Costaguta, “Manifestación de habilidades de colaboración
en grupos de aprendizaje síncronos y asíncronos,” in XIX Congreso Argentino
de Ciencias de la Computación (CACIC 2013), 2013.
[5] A. Soller, “Supporting Social Interaction in an Intelligent Collaborative
Learning System,” Int. J. Artif. Intell. Educ., vol. 12, no. 1, pp. 40–62, 2001.
[6] A. W. Lazonder, P. Wilhelm, and S. A. W. Ootes, “Using sentence openers to
foster student interaction in computer-mediated learning environments,”
Comput. Educ., vol. 41, no. 3, pp. 291–308, 2003.
[7] R. Costaguta and A. Amandi, “Training Collaboration Skills to Improve
Group Dynamics Entrenando Habilidades de Colaboración para Mejorar la
Dinámica de Grupos,” in EATIS ’08 Proceedings of the 2008 Euro American
Conference on Telematics and Information Systems, 2008.
[8] Y.-T. Lin, Y.-M. Huang, and S.-C. Cheng, “An automatic group composition
system for composing collaborative learning groups using enhanced particle
swarm optimization,” Comput. Educ., vol. 55, no. 4, pp. 1483–1493, 2010.
[9] S. Sivanandam and S. Deepa, Introduction to Genetic Algorithms. Chapter 1
Evolutionary Computation. Berlin, Heidelberg: Springer-Verlag, 2008.
[10] G. Lescano, R. Costaguta, and A. Amandi, “Genetic Algorithm for Automatic
Group Formation Considering Student ’ s Learning Styles,” in 2016 8th Euro
American Conference on Telematics and Information Systems (EATIS), 2016.
[11] R. Costaguta, M. de los Á. Menini, and G. Lescano, “Applying Data Mining
to Discover Successful Collaborative Groups Styles,” in 2016 8th Euro
American Conference on Telematics and Information Systems (EATIS), 2016.
[12] A. Sukstrienwong, “Genetic Algorithm for Forming Student Groups Based on
Heterogeneous Grouping,” in 3rd European Conference of Computer Science
(ECCS ’12), 2012, pp. 92–97.
[13] M. M. B. Jozan, F. Taghiyareh, and H. Faili, “An Inversion-based Genetic
Algorithm for Grouping of students,” in The 7th International Conference on
Virtual Learning ICVL 2012, 2012, pp. 152–161.
[14] D. Wang, S. S. J. Lin, and C. T. Sun, “DIANA : A computer-supported
heterogeneous grouping system for teachers to conduct successful small
learning groups,” Comput. Human Behav., vol. 23, no. 2007, pp. 1997–2010,
2010.
[15] V. Yannibelli and A. Amandi, “Expert Systems with Applications A
deterministic crowding evolutionary algorithm to form learning teams in a
collaborative learning context,” Expert Syst. Appl., vol. 39, no. 10, pp. 8584–
8592, 2012.
[16] Z. C. Ani, A. Yasin, M. Z. Husin, and Z. A. Hamid, “A Method for Group
Formation Using Genetic Algorithm,” Int. J. Comput. Sci. Eng., vol. 2, no. 9,
pp. 3060–3064, 2010.
[17] G. Lescano, R. Costaguta, and A. Amandi, “Genetic Algorithm for Automatic
Group Formation Considering Student ’ s Learning Styles,” in 2016 8th Euro
American Conference on Telematics and Information Systems (EATIS), 2016.