RT Generic
T1 Analítica del aprendizaje para la visualización y compresión de patrones de estudiantes en edX
A1 Sanz Gómez, María
AB El concepto de MOOCs (Massive Open Online Course) ha revolucionado la educaciónonline en los últimos años. Estos cursos aportan una gran fuente de datos generados apartir de interacciones del usuario con los distintos cursos. Existen muchas plataformasde 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 granavance en la enseñanza y en el aprendizaje a nivel educativo. Por ello, el propósito deeste Trabajo de Fin de Grado es implementar dos herramientas. La función de la primerade 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 encualquier curso de edX. La segunda herramienta es una aplicación web cuya finalidad escrear un panel con varias visualizaciones a partir del fichero anterior.Primero se introducirán conceptos previos y una descripción del uso de las dos herramientasimplementadas con el objetivo de que puedan ser utilizadas en un futuro porpersonas ajenas para extraer conclusiones de sus propios MOOCs. Posteriormente, seemplearán las dos herramientas para realizar un estudio con datos correspondientes a uncurso de introducción de programación en Java extraídos de edX.El estudio realizado muestra que los estudiantes aprobados son los que más eventosrelacionados con el foro generan y por lo tanto los que más interactúan con él. Tambiénse analiza la deserción del curso, ya que sólo un 2,12% de participantes lo superan. Sehan investigado algunas de las causas de abandono, estas podrían ser el gran número derecursos de vídeo que tiene el curso, así como la longitud y duración de estos. Otra delas conclusiones que se puede extraer observando los datos es que los estudiantes que nosupera el curso no suelen frecuentar el foro y muchos de ellos ni si quiera interactúan conel curso las primeras semanas. Algunos de los patrones que más se repiten son: iniciarsesión 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 elpoder predictivo de estos. La correlación muestra que los comportamientos que tienenlos estudiantes dentro del curso tienen una vinculación con la nota final, siendo los valoresmás altos los relacionados con los problemas (video_problem, problem_video, problem_problem y problem_foro). El carácter predictivo de los patrones se valorado usandomodelos de maching learning. Los resultados que estos han mostrado han sido que lospatrones elegidos, los relacionados con foro, vídeos y problemas, tienen una estrecha relacióncon la nota final y son buenos predictores. Ya que, en modelos como random foresty ridge regression, tan sólo se han diferido de la media en 0.13 y 0.15 puntos sobre 1.
AB The concept of MOOC (Massive Open Online Course) has revolutionized the onlineeducation in recent years. These courses provide us a large source of data generated fromthe user interactions with the different courses. There are many MOOCs platforms, butthis work will be focus on one of the main ones, edX.Properly interpreting the data extracted from MOOCs can lead to a progress in teachingand learning at the educational level. Therefore, the purpose of this Thesis is toimplement two tools. The role of the first of them is to process the data extracted fromthe edX platform with Python, to obtain a summary file with all the patterns that studentsgenerate in any edX course. The second tool is a web application whose purpose is createa dashboard with multiple visualizations from the file above.First, previous concepts and a description of the use of the two tools will be introduceddue to they can be used in the future by outsiders to draw conclusions from theirown MOOCs. Subsequently, the two tools will be used to do a study with data from anintroductory Java programming course extracted from edX.The study shows that students who have passed the exam are the ones who generatethe most events related to the forum and therefore those who interact with it. The dropoutrate is also analysed, because only 2.12% of participants pass the course. Some ofthe causes of drop-out have been investigated, these could be the large number of videoresources that the course has, as well as the length and duration of these videos. Anotherconclusion that can be extracted by looking at the data is that students who do not passthe course do not usually attend the forum and many of them do not even interact with thecourse 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 watchinga 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 thepredictive power of these will be evaluated. The correlation shows that the behaviourof students within the course is linked to the final grade, with the highest values beingthe 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 withmodels such as random forest and ridge regression, final mark have only differed from in0.13 and 0.15 points out of 1.
YR 2022
FD 2022-07-15
LK https://hdl.handle.net/10016/36841
UL https://hdl.handle.net/10016/36841
LA spa
DS e-Archivo
RD 17 jul. 2024