Análisis de aprendizaje humano

Modelos supervisados para predecir cuántos ensayos de práctica en VR necesita una persona para aprender una tarea, a partir de métricas del primer ensayo en planilla (may–jun 2024, ENIB).

Proyecto académico desarrollado con un compañero francés (ENIB).

Python
Pandas
NumPy
Scikit-learn
Seaborn
Matplotlib
Jupyter

Problema

A partir de registros anonimizados de una tarea de aprendizaje en realidad virtual, predecir cuántos ensayos necesitaría cada participante. Los datos VR ya estaban recolectados; el trabajo fue preparar features y modelos que generalicen a participantes nuevos.

Preparación de datos

Carga del Excel con Pandas, orden de ensayos y features del primer ensayo (tiempo de manipulación, inactividad, consulta de instrucciones, errores, etc.) para predecir el total de ensayos. EDA con histogramas, correlaciones, scatter y outliers; transformaciones log1p y split train/test.

Pipeline de la planilla a la predicción — Planilla VR → EDA → features del 1er ensayo → modelos sklearn → predicción de ensayos.

Modelado y evaluación

Comparación de Dummy, regresión lineal, árbol de decisión, SVR (GridSearch) y Random Forest con Scikit-learn. Evaluación con MSE en validación cruzada, scatter verdadero/predicho y heatmaps Seaborn tras redondear predicciones. La regresión lineal fue la mejor entre los baselines iniciales; la precisión global siguió limitada en este dataset.