2026-04-28T11:38:24Zhttps://riubu.ubu.es/oai/request

oai:riubu.ubu.es:10259/62612021-12-10T08:50:12Zcom_10259_4145com_10259_5086com_10259_2604com_10259_4219com_10259_5841col_10259_4146col_10259_4220col_10259_5842

Sáiz Manzanares, María Consuelo 510 600 Marticorena Sánchez, Raúl 338 600 Arnaiz González, Álvar 39 600 0000-0001-6965-0237 Escolar Llamazares, María del Camino 160 600 Queiruga Dios, Miguel Ángel 457 600 2021-12-09T13:58:53Z 2021-12-09T13:58:53Z 2018-12 2174-8144 http://hdl.handle.net/10259/6261 10.30552/ejihpe.v8i3.273 La forma de enseñar y de aprender en la sociedad del siglo XXI ha cambiado. Actualmente, en un porcentaje alto la docencia se realiza en los Learning Management System. Estos sistemas permiten aplicar técnicas de Learning Analytics. La utilización de dichas herramientas, facilita, entre otros, conocer el patrón de aprendizaje de los estudiantes y la predicción de los alumnos en riesgo. El objetivo de este estudio fue conocer en orden jerárquico de importancia los patrones de aprendizaje más efectivos de los estudiantes en la plataforma. Se trabajó durante dos cursos académicos con una muestra de 122 estudiantes de Ciencias de la Salud. Los instrumentos utilizados fueron la plataforma Moodle v.3.1 y el análsis de los logs con técnicas de Machine Learning de regresión. Los resultados indican que el Modelo de Predicción Lineal Automático detectó en orden de importancia: las visitas medias por día, la realización por parte del estudiante de cuestionarios de autoevaluación, y la consulta al feedback del docente. El porcentaje de varianza explicada de estas variables sobre los resultados finales fue de un 50.8%. Asimismo, la efectividad del patrón conductual explicó 64.1% de la varianza de dichos resultados, hallándose tres clústeres de efectividad en el patrón conductual detectado. The way of teaching and learning in twenty-first century society continues to change. At present, a high percentage of teaching takes place through Learning Management Systems that apply Learning Analytics Techniques. The use of these tools, among other things, facilitates knowledge of student learning patterns and the detection of at-risk students. The aim of this study is to establish the most effective learning patterns of the students on the platform in a hierarchical order of importance. It was conducted over two academic years with 122 students of Health Sciences. The instruments used were the Moodle v.3.1 platform and the analysis of logs with Machine Learning regression techniques. The results indicated that the Automatic Linear Prediction Model detected by order of importance: average visits per day, student self-assessment questionnaires, and teacher feedback. The percentage variance of the final results explained by these variables was 50.8%. Likewise, the effectiveness of the behavioral pattern explained 64.1% of the variance in those results, finding three clusters of effectiveness in the behavioral patterns that were detected. Ayudas concedidas al GID de Universidad de Burgos B-Learning en Ciencias de la Salud: Vicerrectorado de Investigación y Transferencia del Conocimiento para la difusión de la investigación 2018 y Vicerrectorado de Personal Docente e Investigador 2018 de la Universidad de Burgos, a la difusión de los resultados de la innovación docente. application/pdf spa ASUNIVEP European Journal of Investigation in Health, Psychology and Education. 2018, V. 8, n. 3, p. 129-142 https://doi.org/10.30552/ejihpe.v8i3.273 Atribución 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess Learning management system Learning analytics Automatic lineal model At-risk students University Modelo lineal automático Alumno en riesgo Universidad Enseñanza superior Psicología Informática Education, Higher Psychology Computer science Detección del alumno en riesgo en titulaciones de Ciencias de la Salud: aplicación de técnicas de Learning Analytics Detection of at-risk students with Learning Analytics Techniques info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion THUMBNAIL Saiz-ejihpe_2018.pdf.jpg Saiz-ejihpe_2018.pdf.jpg IM Thumbnail image/jpeg 4398 https://riubu.ubu.es/bitstream/10259/6261/4/Saiz-ejihpe_2018.pdf.jpg 4cebc0f61cdcff62559530942ae541f7 MD5 4 LICENSE license.txt license.txt text/plain; charset=utf-8 999 https://riubu.ubu.es/bitstream/10259/6261/3/license.txt b295bcbce42e2caabeb0c623d3860c06 MD5 3 CC-LICENSE license_rdf license_rdf application/rdf+xml; charset=utf-8 908 https://riubu.ubu.es/bitstream/10259/6261/2/license_rdf 0175ea4a2d4caec4bbcc37e300941108 MD5 2 ORIGINAL Saiz-ejihpe_2018.pdf Saiz-ejihpe_2018.pdf application/pdf 664708 https://riubu.ubu.es/bitstream/10259/6261/1/Saiz-ejihpe_2018.pdf 5a50b0d68c5320f6ffb9c2642f450faa MD5 1 10259/6261 oai:riubu.ubu.es:10259/6261 2021-12-10 09:50:12.597 Repositorio Institucional de la Universidad de Burgos bubrep@ubu.es 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