Analítica del aprendizaje para la visualización y compresión de patrones de estudiantes en edX

Sanz Gómez, María

Publication:
Analítica del aprendizaje para la visualización y compresión de patrones de estudiantes en edX

dc.contributor.author	Sanz Gómez, María
dc.contributor.departamento	UC3M. Departamento de Ingeniería Telemática	es
dc.contributor.tutor	Moreno-Marcos, Pedro Manuel
dc.date.accessioned	2023-03-14T19:17:14Z
dc.date.available	2023-03-14T19:17:14Z
dc.date.issued	2022-07-15
dc.date.submitted	2022-07-15
dc.description.abstract	El concepto de MOOCs (Massive Open Online Course) ha revolucionado la educación online en los últimos años. Estos cursos aportan una gran fuente de datos generados a partir de interacciones del usuario con los distintos cursos. Existen muchas plataformas de MOOCs de las cuales este trabajo se va a centrar en una de las principales, edX. Interpretar adecuadamente los datos extraídos de MOOCs puede conllevar un gran avance en la enseñanza y en el aprendizaje a nivel educativo. Por ello, el propósito de este Trabajo de Fin de Grado es implementar dos herramientas. La función de la primera de ellas es procesar los datos extraídos de la plataforma edX con Python, de tal manera, que se obtenga un fichero resumido con todos los patrones que los estudiantes generan en cualquier curso de edX. La segunda herramienta es una aplicación web cuya finalidad es crear un panel con varias visualizaciones a partir del fichero anterior. Primero se introducirán conceptos previos y una descripción del uso de las dos herramientas implementadas con el objetivo de que puedan ser utilizadas en un futuro por personas ajenas para extraer conclusiones de sus propios MOOCs. Posteriormente, se emplearán las dos herramientas para realizar un estudio con datos correspondientes a un curso de introducción de programación en Java extraídos de edX. El estudio realizado muestra que los estudiantes aprobados son los que más eventos relacionados con el foro generan y por lo tanto los que más interactúan con él. También se analiza la deserción del curso, ya que sólo un 2,12% de participantes lo superan. Se han investigado algunas de las causas de abandono, estas podrían ser el gran número de recursos de vídeo que tiene el curso, así como la longitud y duración de estos. Otra de las conclusiones que se puede extraer observando los datos es que los estudiantes que no supera el curso no suelen frecuentar el foro y muchos de ellos ni si quiera interactúan con el curso las primeras semanas. Algunos de los patrones que más se repiten son: iniciar sesión y ver un vídeo, interactuar con un vídeo, un problema o el foro más de una vez, hacer un problema tras ver un vídeo o viceversa, hacer un problema y luego ver un vídeo. Finalmente, se evaluará la relación entre la nota final y los patrones obtenidos, y el poder predictivo de estos. La correlación muestra que los comportamientos que tienen los estudiantes dentro del curso tienen una vinculación con la nota final, siendo los valores más altos los relacionados con los problemas (video_problem, problem_video, problem_ problem y problem_foro). El carácter predictivo de los patrones se valorado usando modelos de maching learning. Los resultados que estos han mostrado han sido que los patrones elegidos, los relacionados con foro, vídeos y problemas, tienen una estrecha relación con la nota final y son buenos predictores. Ya que, en modelos como random forest y ridge regression, tan sólo se han diferido de la media en 0.13 y 0.15 puntos sobre 1.	es
dc.description.abstract	The concept of MOOC (Massive Open Online Course) has revolutionized the online education in recent years. These courses provide us a large source of data generated from the user interactions with the different courses. There are many MOOCs platforms, but this work will be focus on one of the main ones, edX. Properly interpreting the data extracted from MOOCs can lead to a progress in teaching and learning at the educational level. Therefore, the purpose of this Thesis is to implement two tools. The role of the first of them is to process the data extracted from the edX platform with Python, to obtain a summary file with all the patterns that students generate in any edX course. The second tool is a web application whose purpose is create a dashboard with multiple visualizations from the file above. First, previous concepts and a description of the use of the two tools will be introduced due to they can be used in the future by outsiders to draw conclusions from their own MOOCs. Subsequently, the two tools will be used to do a study with data from an introductory Java programming course extracted from edX. The study shows that students who have passed the exam are the ones who generate the most events related to the forum and therefore those who interact with it. The dropout rate is also analysed, because only 2.12% of participants pass the course. Some of the causes of drop-out have been investigated, these could be the large number of video resources that the course has, as well as the length and duration of these videos. Another conclusion that can be extracted by looking at the data is that students who do not pass the course do not usually attend the forum and many of them do not even interact with the course the first weeks. Some of the most common patterns are: sign in and watch a video, interact with a video, a problem or forum more than once, make a problem after watching a video or the other way around, make a problem and then watch a video. Finally, the relationship between the final note and the obtained patterns, and the predictive power of these will be evaluated. The correlation shows that the behaviour of students within the course is linked to the final grade, with the highest values being the ones related to problems (video_problem, problem_video, problem_problem and problem_ foro). The predictive character of patterns is valued using maching learning models. The results have shown that the chosen patterns, those related to forum, videos and problems, have a close relationship with the final note and are good predictors. Because with models such as random forest and ridge regression, final mark have only differed from in 0.13 and 0.15 points out of 1.	es
dc.description.degree	Ingeniería en Tecnologías de Telecomunicación	es
dc.identifier.uri	https://hdl.handle.net/10016/36841
dc.language.iso	spa	es
dc.rights	Atribución-NoComercial-SinDerivadas 3.0 España	*
dc.rights.accessRights	open access	es
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/es/	*
dc.subject.eciencia	Telecomunicaciones	es
dc.subject.other	Analítica de aprendizaje	es
dc.subject.other	MOOC (Massive Open Online Course)	es
dc.subject.other	Learning analytics	es
dc.subject.other	edX	es
dc.subject.other	Patrones de aprendizaje	es
dc.subject.other	Learning patterns	en
dc.title	Analítica del aprendizaje para la visualización y compresión de patrones de estudiantes en edX	es
dc.type	bachelor thesis	*
dspace.entity.type	Publication