Aprendizaje analítico en un curso virtual no lineal
Autores: Mercado, Jhon; Mendoza-Cardenas, Carlos; Fletscher, Luis; Gaviria-Gomez, Natalia
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Aprendizaje analítico en un curso virtual no lineal
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Analítica del aprendizaje
Cursos no lineales
Auto-ritmo
Predicción de rendimiento
Patrones de aprendizaje en línea
Retroalimentación personalizada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
Los investigadores han explorado extensamente la analítica del aprendizaje en cursos en línea, centrándose principalmente en estructuras de cursos lineales donde los estudiantes progresan secuencialmente a través de lecciones y evaluaciones. Sin embargo, los cursos no lineales, que permiten a los estudiantes completar tareas en cualquier orden, presentan desafíos únicos para la analítica del aprendizaje debido a la variabilidad en la progresión del curso entre los estudiantes. Este estudio propone un método para aplicar la analítica del aprendizaje a cursos no lineales y de ritmo propio estilo MOOC, abordando la predicción temprana del rendimiento y la detección de patrones de aprendizaje en línea. La novedad de nuestro enfoque radica en la introducción de una agregación de características personalizada que se adapta al progreso de cada estudiante en lugar de estar definida en plazos fijos. Evaluamos tres tipos de características: compromiso, comportamiento y rendimiento, utilizando datos de un curso Moodle no lineal a gran escala diseñado para preparar a estudiantes de secundaria para un examen de ingreso a la universidad pública. Nuestro enfoque predijo el rendimiento temprano del estudiante, logrando un puntaje F1 de 0.73 en una evaluación acumulativa del 20%. El análisis de la importancia de las características reveló que el rendimiento y el comportamiento fueron los predictores más fuertes, mientras que las características de compromiso, como el tiempo dedicado a los recursos educativos, también desempeñaron un papel significativo. Además de la predicción del rendimiento, realizamos un análisis de agrupamiento que identificó cuatro patrones distintos de aprendizaje en línea que se repiten en varias evaluaciones acumulativas. Estos patrones proporcionan información valiosa sobre el comportamiento y el rendimiento de los estudiantes y tienen implicaciones prácticas, lo que permite a los educadores brindar retroalimentación más personalizada e intervenciones dirigidas para satisfacer las necesidades individuales de los estudiantes.
Descripción
Los investigadores han explorado extensamente la analítica del aprendizaje en cursos en línea, centrándose principalmente en estructuras de cursos lineales donde los estudiantes progresan secuencialmente a través de lecciones y evaluaciones. Sin embargo, los cursos no lineales, que permiten a los estudiantes completar tareas en cualquier orden, presentan desafíos únicos para la analítica del aprendizaje debido a la variabilidad en la progresión del curso entre los estudiantes. Este estudio propone un método para aplicar la analítica del aprendizaje a cursos no lineales y de ritmo propio estilo MOOC, abordando la predicción temprana del rendimiento y la detección de patrones de aprendizaje en línea. La novedad de nuestro enfoque radica en la introducción de una agregación de características personalizada que se adapta al progreso de cada estudiante en lugar de estar definida en plazos fijos. Evaluamos tres tipos de características: compromiso, comportamiento y rendimiento, utilizando datos de un curso Moodle no lineal a gran escala diseñado para preparar a estudiantes de secundaria para un examen de ingreso a la universidad pública. Nuestro enfoque predijo el rendimiento temprano del estudiante, logrando un puntaje F1 de 0.73 en una evaluación acumulativa del 20%. El análisis de la importancia de las características reveló que el rendimiento y el comportamiento fueron los predictores más fuertes, mientras que las características de compromiso, como el tiempo dedicado a los recursos educativos, también desempeñaron un papel significativo. Además de la predicción del rendimiento, realizamos un análisis de agrupamiento que identificó cuatro patrones distintos de aprendizaje en línea que se repiten en varias evaluaciones acumulativas. Estos patrones proporcionan información valiosa sobre el comportamiento y el rendimiento de los estudiantes y tienen implicaciones prácticas, lo que permite a los educadores brindar retroalimentación más personalizada e intervenciones dirigidas para satisfacer las necesidades individuales de los estudiantes.