Detección del alumno en riesgo en titulaciones de Ciencias de la Salud: aplicación de técnicas de Learning Analytics

Abstract

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.