Browsing by Subject "Educational data mining"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Publication
    Open Access
    Una aproximación del efecto en el aprendizaje de una lengua extranjera debida a la obtención de datos a través de exámenes en línea de idiomas
    (Universidad de Murcia, Servicio de Publicaciones, 2017) Magal-Royo, Teresa; García Laborda, Jesús
    La Inteligencia Artificial orientada a la educación (AIEd) permite adecuar y/o adaptar los itinerarios del aprendizaje de un usuario mediante procesos inductivos basados en la extracción de datos obtenidos de las evidencias formativas que genera a lo largo de su vida escolar. El Big data, o datos masivos es el almacenamiento de grandes cantidades de datos que pueden ser analizados por diversos procedimientos y que permite encontrar patrones repetitivos o formulas predictivas que pueden generar un aprendizaje sobre nosotros mismos y sobre todo en la red. En el caso de los datos masivos que se generan a través de los exámenes utilizados en el aprendizaje y certificación de conocimiento de idiomas como segunda lengua a nivel nacional encontramos que podría ser útil aplicar las metodologías de procesamiento del Big Data para conocer mejor si la información generada a través de los test pueden mejorar o crear nuevas estrategias de aprendizaje o establecer criterios formales en el diseño de las pruebas, teorías de adquisición de se segunda lengua o incluso políticas educativas. La novedad de artículo se centra en establecer directrices viables para aplicar los conceptos más genéricos del Big Data en el contexto específico de los test de evaluación de idiomas como segunda lengua y donde existe a priori una gran cantidad de información a procesar a nivel educativo. El artículo muestra algunas directrices que podrían aplicarse en los mecanismos aplicados en la extracción de datos educativos del aprendizaje de idiomas a gran escala en el entorno específico de los test de evaluación de idiomas como lengua extranjera
  • Thumbnail Image
    Publication
    Open Access
    Data-driven detection and characterization of communities of accounts collaborating in MOOCs
    (Elsevier, 2021-12) Jaramillo Morillo, Daniel; Joksimovic, Srecko; Kovanovic, Vitomir; Muñoz Merino, Pedro J.; Gasevic, Dragan; Ruipérez Valiente, José Antonio; Ingeniería de la Información y las Comunicaciones
    Collaboration is considered as one of the main drivers of learning and it has been broadly studied across numerous contexts, including Massive Open Online Courses (MOOCs). The research on MOOCs has risen exponentially during the last years and there have been a number of works focused on studying collaboration. However, these previous studies have been restricted to the analysis of collaboration based on the forum and social interactions, without taking into account other possibilities such as the synchronicity in the interactions with the platform. Therefore, in this work we performed a case study with the goal of implementing a data-driven approach to detect and characterize collaboration in MOOCs. We applied an algorithm to detect synchronicity links based on their submission times to quizzes as an indicator of collaboration, and applied it to data from two large Coursera MOOCs. We found three different profiles of user accounts, that were grouped in couples and larger communities exhibiting different types of associations between user accounts. The characterization of these user accounts suggested that some of them might represent genuine online learning collaborative associations, but that in other cases dishonest behaviors such as free-riding or multiple account cheating might be present. These findings call for additional research on the study of the kind of collaborations that can emerge in online settings.
  • Thumbnail Image
    Publication
    Open Access
    Large scale analytics of global and regional MOOC providers: differences in learners’ demographics, preferences, and perceptions
    (Elsevier, 2022-04) Staubitz, Thomas; Jenner, Matt; Halawa, Sherif; Zhang, Jiayin; Despujol, Ignacio; Maldonado-Mahauad, Jorge; Montoro, German; Peffer, Melanie; Rohloff, Tobias; Lane, Jenny; Turro, Carlos; Li, Xitong; Pérez-Sanagustín, Mar; Reich, Justin; Ruipérez Valiente, José Antonio; Ingeniería de la Información y las Comunicaciones
    Massive Open Online Courses (MOOCs) remarkably attracted global media attention, but the spotlight has been concentrated on a handful of English-language providers. While Coursera, edX, Udacity, and FutureLearn received most of the attention and scrutiny, an entirely new ecosystem of local MOOC providers was growing in parallel. This ecosystem is harder to study than the major players: they are spread around the world, have less staff devoted to maintaining research data, and operate in multiple languages with university and corporate regional partners. To better understand how online learning opportunities are expanding through this regional MOOC ecosystem, we created a research partnership among 15 different MOOC providers from nine countries. We gathered data from over eight million learners in six thousand MOOCs, and we conducted a large-scale survey with more than 10 thousand participants. From our analysis, we argue that these regional providers may be better positioned to meet the goals of expanding access to higher education in their regions than the better-known global providers. To make this claim we highlight three trends: first, regional providers attract a larger local population with more inclusive demographic profiles; second, students predominantly choose their courses based on topical interest, and regional providers do a better job at catering to those needs; and third, many students feel more at ease learning from institutions they already know and have references from. Our work raises the importance of local education in the global MOOC ecosystem, while calling for additional research and conversations across the diversity of MOOC providers.
  • Thumbnail Image
    Publication
    Open Access
    Modelos predictivos de riesgo académico en carreras de computación con minería de datos educativos
    (Universidad de Murcia, Servicio de Publicaciones, 2021) Ayala Franco, Enrique; López Martínez, Rocío Edith; Menéndez Domínguez, Víctor Hugo
    Los problemas de bajo rendimiento académico y rezago son recurrentes en instituciones educativas de nivel superior, especialmente al inicio de los estudios universitarios. En el contexto local, análisis diagnósticos han mostrado altos índices de reprobación y bajo rendimiento académico. En este trabajo, se utilizaron datos sociodemográficos y resultados de exámenes de admisión de 415 alumnos de las carreras del área de computación de la Universidad Autónoma de Yucatán (México), inscritos entre 2016 y 2019. El objetivo es generar modelos predictivos de riesgo académico, empleando métodos de la minería de datos educativa, que sirvan como herramientas de detección temprana de condiciones de riesgo académico y faciliten el despliegue de estrategias de intervención educativa. Se siguieron las etapas del Proceso de Extracción de Conocimiento en Bases de Datos, concretamente, se aplicaron técnicas de clasificación para el análisis, obtención y validación de los modelos. Los resultados muestran que el mejor modelo corresponde al algoritmo LMT, con un valor de precisión de 75.42% y un 0.805 para el área bajo la curva ROC. Se logró identificar a los mejores atributos predictores, particularmente las pruebas del examen de ingreso a licenciatura fueron muy significativas. Se propone el desarrollo de herramientas informáticas para la detección precoz de riesgo académico y estrategias de intervención educativa oportuna