Variables que influyen en el rendimiento de los estudiantes de postgrado: Una perspectiva desde la analítica del aprendizaje

Autores/as

DOI:

https://doi.org/10.36390/telos231.04

Resumen

En la última década, el uso de la analítica de aprendizaje y la gestión de grandes volúmenes de datos han contribuido sustancialmente en la manera como las instituciones de educación superior dan seguimiento, analizan la información y predicen el desempeño de los estudiantes. El objetivo del presente trabajo fue identificar las variables que influyen en el desempeño académico de estudiantes de postgrado, mediante la aplicación de técnicas de learning analytics basado en el modelo de Chatti, et al. (2012). Se aplicaron los algoritmos selección de atributos y árboles de decisión a partir de la teoría de Witten, Frank, Hall, Pal (2016) a una muestra de datos recolectadas de 136 estudiantes de posgrado de forma aleatoria simple. Se identificó que en general prefieren estudiar por la tarde y que invierten 43.83% de su tiempo en la revisión del contenido del curso mientras se encuentran activos en la plataforma; el 10.92% del tiempo participan en foros y el 31.10% del tiempo realizan actividades. Mediante el algoritmo selección de atributos se identificaron a las cuatro variables más importantes que influyen en el desempeño, a saber: tiempo total invertido en el curso de consulta del curso, elaboración de tareas, participaciones en foros y trabajo en equipo. También, aplicando árboles de decisión se establecen 6 patrones que determinan alguna nota final, cuya variable más importante es el tiempo total invertido en la plataforma. Finalmente, se determina que las variables: tiempo invertido en la plataforma en la consulta del contenido, trabajo en equipo, tareas y actividad en foros, influyen de manera positiva en el desempeño satisfactorio del estudiante de posgrado y aquellas variables relacionadas con las consultas, hora y día de estudio no intervienen en dicho desempeño, estos hallazgos dan la pauta para centrar esfuerzos en la construcción de contenidos significativos y tareas enfocadas en el logro de los aprendizajes deseados apoyados por actividades en equipo.

 

Palabras clave: analítica de aprendizaje; desempeño académico; patrones de comportamiento; estudiantes de posgrado.

Citas

Arnold, Kimberly; Pistilli, Mattew. (2012). Course signals at Purdue: Using learning analytics to increase student success. 2nd International Conference on Learning Analytics and Knowledge, ACM. Vancouver, BC. Canadá. Extraído de https://bit.ly/3koVTw0

Baepler, Paul; James-Murdoch, Cynthia. (2010). Academic Analytics and Data Mining in Higher Education. International Journal for the Scholarship of Teaching and Learning. 4(2), USA. (Pp. 1-9). Extraído de https://bit.ly/2F3cbdI

Berlingerio, Michelle; Bonchi, Francesco; Gärtner, Thomas; Hurley, Neil: Ifrim, Georgiana. (2019). Machine Learning and Knowledge Discovery in Databases: European Conference, Ecml Pkdd 201. Dublin, Ireland.

Bird, Steven; Klein, Ewan; Loper, Edward. (2009). Natural Language Processing with Python. O´Really Media, Inc. USA.

Blackboard. (2019). Ayuda sobre la aplicación Blackboard. Extraído de https://bit.ly/3n4davI

Brownlee, Jason. (2014). Feature Selection to Improve Accuracy and Decrease Training Time. Extraído de https://bit.ly/3a3GXP2

Chatti, Mohamed Amine; Dyckhoff, Anna Lea; Schroeder, Ulrik; Thüs, Hendrik. (2012). A reference model for learning analytics. International Journal of Technology Enhanced Learning. 4(56), Switzerland. (Pp. 318-331). Extraído de https://bit.ly/3koB03X

Clow, Doug. (2013). An overview of learning analytics. Teaching in Higher Education, 18(6), England. (Pp. 683-695). https://doi.org/10.1080/13562517.2013.827653

Daniel, Ben. (2014). Big Data and analytics in higher education: Opportunities and challenges. British Journal of Educational Technology. 46(5),UK. (Pp. 904-920). https://doi.org/10.1111/bjet.12230

Dietz-Uhler, Beth; Hurn, Janet. (2013). Using Learning Analytics to Predict (and Improve) Student Success: A Faculty Perspective. Journal of Interactive Online Learning. 12(1), USA. (Pp. 17-26). Extraído de https://bit.ly/2C8XZ1H

García Herrero, Jesús; Berlanga de Jesús, Antonio; Patricio Guisado, Miguel Ángel; Padilla, Washintong. (2018). Ciencia de datos: Técnicas analíticas y aprendizaje estadístico en un enfoque práctico (Primera ed.). Alfaomega. Colombia.

Hernández-Sampieri, Roberto; Mendoza-Torres, Christian Paulina (2018). Metodología de la investigación: Rutas cuantitativa, cualitativa y mixta (Sexta ed.). McGraw Hill. México.

López, Jorge; Pazmiño Maji, Rubén; García Peñalvo, Francisco. (2019). Entornos de aprendizaje en la Escuela Superior Politécnica de Chimborzo, transformación mediante moodle y Google Analytics. Identidad Bolivariana, Volumen Edición Especial. Bolivia. (Pp. 1-10). Extraído de https://bit.ly/2XFfQEY

Lu, Owen; Huang, Anna; Huang, Jeff; Lin, Albert; Ogata Hiroaki; Yang, Stephen. (2018). Applying Learning Analytics for the Early Prediction of Students' Academic Performance in Blended Learning. Educational Technology and Society, 21(2), Japón. (Pp. 220-232). Extraído de https://bit.ly/3a3LP6O

Mitchell, Tom (2000). Decision Tree Learning. Extraído de https://bit.ly/2GqqYNq

Muñoz-Díaz, Joaquín Ignacio. (2017). Estudio de la relación entre entre la actividad online y el rendimiento académico de estudiantes de ingeniería y educación en dos sistemas de aprendizaje. Tesis de pregrado. Ingeniería industrial. Universidad de Chile. Chile

Park, Yeonjeong; Jo, II-Hyun. (2015). Development of the Learning Analytics Dashboard to Support Students’ Learning Performance. Journal of Universal Computer Science, 21(1), Austria. (Pp. 110-133).

Picciano, Anthony. (2012). The Evolution of Big Data and Learning Analytics in American Higher Education. Journal of Asynchronous Learning Network. 16(3), España. (Pp. 9-20). Extraído de https://bit.ly/31ya9tw

Rossetti López, Sergio; Verdugo Tapia, María; Bayliss Bernal, Daniel. (2017). Learning analytics para determinar la relación entre uso de un learning management system y rendimiento académico. XXII Congreso Internacional de Contaduría, Administración e Informática. Extraído de https://bit.ly/30ZVe9P

Sclater, Niall; Peasgood, Alice; Mullan, Joel. (2016). Learning Analytics in Higher Education: A review of UK and international practice. Extraído de https://bit.ly/2kbqMUC

Van-Barneveld, Angela; Arnold, Kim; Campbell, John. (2012). Analytics in Higher Education: Establishing a Common Language. EDUCAUSE: Learning Initiative. 2012(1). USA. (Pp 1-11). Extraído de https://bit.ly/2PApvbC

Witten, Ian; Frank, Eibe; Hall, Mark; Pal, Christopher. (2016). Data mining: Practical Machine Learning Tools and Techniques. 4th ed. Morgan Kauffman. USA.

Yáñez, Patricio. (2016). El proceso de aprendizaje: fases y elementos fundamentales. Revista San Gregorio. 1(11), Ecuador. (Pp. 70-81). Extraído de https://bit.ly/3gQ9IRC

Yu, Taeho; Jo, II-Hyun. (2014). Educational technology approach toward learning analytics: relationship between student online behavior and learning performance in higher education. Proceedings of the Fourth International Conference on Learning Analytics and Knowledge. Extraído de https://bit.ly/33DLPt2

Publicado

2021-01-04

Número

Sección

Artículos