Contributions to learning analytics focused on assessment and self-regulated learning
UNIVERSAL IDENTIFIER: http://hdl.handle.net/11093/4612
UNESCO SUBJECT: 1209.03 Análisis de Datos ; 1209.14 Técnicas de Predicción Estadística ; 1203.04 Inteligencia Artificial
DOCUMENT TYPE: doctoralThesis
ABSTRACT
In recent years, the data mining and analysis disciplines have seen an important increase in relevance, both for enterprises and in research. The set of techniques belonging to these knowledge fields have applications in a very wide variety of contexts, among which is the educational one. The particularizations of these two disciplines for the educational area are known as educational data mining (EDM) and learning analytics (LA). The latter is the main topic of this project. They are defined as a series of techniques for the measurement, acquisition, analysis and representation of data about students and their contexts, with the objective of understanding and optimizing learning and the environments in which it occurs.
The proposed research project will explore the possibilities that learning analytics can offer with the goal of improving the learning process in university courses, paying special attention to assessment tasks and self-regulated learning (SRL) approaches. In order to do this, student data will be analyzed. This data can be obtained from learning management systems (LMS), which are commonly used in current university courses. As a result of analysis, indicators of student progress, as well as performance predictions, will be obtained. These results can be useful for instructors to identify struggling students at an early stage, as well as providing statistics so that the students themselves can effectively assess their own progress.
This project fits into an important research category inside the education technologies field. The main goal will be to propose original contributions to the learning analytics discipline, achieving a positive impact within the reaserch community in this knowledge field. A lo largo de los últimos años, las disciplinas de minería y análisis de datos han adquirido un creciente interés tanto en el ámbito de la empresa como en el de la investigación. Las técnicas derivadas de estos campos de conocimiento tienen aplicaciones en una gran variedad de contextos, entre los que se encuentra el educativo. Las particularizaciones de estas dos disciplinas al ámbito educativo se conocen como minería de datos en educación (EDM: Educational Data Mining) y analíticas de aprendizaje (LA: Learning Analytics). Las analíticas de aprendizaje constituyen la temática central del trabajo. Se definen como una serie de técnicas para la medida, adquisición, análisis y representación de datos acerca de estudiantes y sus contextos, con la finalidad de entender y optimizar el aprendizaje y los entornos en los que ocurre.
El proyecto de trabajo de investigación propuesto explorará las posibilidades que las técnicas de analíticas de aprendizaje pueden ofrecer con el objectivo de mejorar el proceso de aprendizaje en contextos de educación universitaria, prestando especial atención a los procesos de evaluación y a las aproximaciones basadas en el aprendizaje autorregulado (SRL: Self-Regulated Learning). Para esto, se establecerá un proceso de análisis de datos sobre estudiantes, que se pueden obtener de las plataformas de apoyo en línea comúnmente usadas en cursos universitarios en la actualidad (LMS: Learning Management System). Como resultado del análisis, se obtendrán indicadores de progreso del alumno durante el curso, así como predicciones de rendimiento. Estos resultados pueden ser útiles para que los instructores sean capaces de identificar en una etapa temprana a estudiantes con dificultades, así como otorgar estadísticas para que los propios estudiantes puedan evaluar con efectividad su progreso.
Este trabajo se encuadra dentro de una rama importante de investigación en el campo de las tecnologías educativas. Mediante este proyecto se buscará realizar contribuciones originales a la disciplina de analíticas de aprendizaje, logrando así un impacto positivo dentro de la comunidad de investigadores en este campo. Ao longo dos últimos anos, as disciplinas de minaría e análise de datos teñen adquirido un crecente interese tanto no ámbito da empresa como no da investigación. As técnicas derivadas destes campos de coñecemento teñen aplicacións nunha grande variedade de contextos, entre os que se atopa o educativo. As particularizacións destas dúas disciplinas ao ámbito educativo coñécense como minaría de datos en educación (EDM: Educational Data Mining) e analíticas de aprendizaxe (LA: Learning Analytics). As analíticas de aprendizaxe constitúen a temática central do traballo. Defínense como unha serie de técnicas para a medición, adquisición, análise e representación de datos acerca de estudantes e os seus contextos, coa finalidade de entender e optimizar a aprendizaxe e os entornos nos que ocorre.
O proxecto de traballo de investigación proposto explorará as posibilidades que as técnicas de analíticas de aprendizaxe poden ofertar co obxectivo de mellorar o proceso de aprendizaxe en contextos de educación universitaria, prestando especial atención aos procesos de avaliación e ás aproximacións baseadas na aprendizaxe autorregulada (SRL: Self-Regulated Learning). Para isto, establecerase un proceso de análise de datos sobre estudantes, que se poden obter das plataformas de apoio en liña comunmente usadas en cursos universitarios na actualidade (LMS: Learning Management System). Como resultado da análise, obteranse indicadores de progreso do alumno durante o curso, así como predicións de rendemento. Estes resultados poden ser útiles para que os instructores poidan identificar nunha etapa temprana a estudantes con dificultades, así como outorgar estatísticas para que os propios estudantes poidan evaluar con efectividade o seu progreso.
Este traballo encádrase dentro dunha rama importante de investigación no campo das tecnoloxías educativas. Mediante este proxecto buscarase realizar contribucións orixinais á disciplina das analíticas de aprendizaxe, logrando así un impacto positivo dentro da comunidade de investigadores neste campo.