Mejora de los procesos de evaluación mediante analítica visual del aprendizaje

• Álvarez-Arana, Ainhoa ^[1] ; Villamañe-Gironés, Mikel ^[1] ; Larrañaga-Olagaray, Mikel ^[1]
  1. [1] Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Leioa, España

     
• Localización: Education in the knowledge society (EKS), ISSN 1138-9737, ISSN-e 2444-8729, Nº. 21, 2020
• Idioma: español
• DOI: 10.14201/eks.22914
• Títulos paralelos:
  • Improving Assessment Using Visual Learning Analytics
• Enlaces
  • Texto completo
• Resumen
  • español

    Las principales tendencias actuales en la educación universitaria implican la integración de aprendizaje presencial, de aprendizaje en línea y el uso de tecnologías que den soporte a diversos aspectos del proceso de enseñanza-aprendizaje. Uno de los principales aspectos que tienen en cuenta todas las tendencias educativas son los procesos de evaluación efectivos, que implican un análisis continuo de los resultados del alumnado para poder detectar anomalías lo antes posible y proporcionar feedback con el fin de resolverlas. Sin embargo, en un entorno de aprendizaje en el que se produce una gran cantidad de información heterogénea se necesita integrar dicha información para poder analizarla correctamente. En este artículo se presenta COBLE, una herramienta que posibilita la integración de información proveniente de diferentes fuentes para poder, a continuación, analizarla utilizando técnicas de analítica visual del aprendizaje. El sistema incorpora un módulo de feedback que proporciona información visual sobre el proceso de evaluación tanto a docentes como a alumnado para facilitarles sus procesos de toma de decisión. Las visualizaciones proporcionadas pueden adaptarse a las necesidades de cada asignatura o usuario. COBLE ha sido evaluado mediante su uso en un entorno real donde diferentes docentes han integrado información proveniente de diferentes fuentes (Moodle, hojas de cálculo personales, etc.) sobre el desempeño del alumnado. A continuación, tanto el profesorado como el alumnado utilizaron las visualizaciones de COBLE para extraer información sobre el proceso de evaluación. El resultado de esta evaluación ha sido muy satisfactorio obteniéndose una buena aceptación del sistema tanto por parte del alumnado como del profesorado.

  • English

    Current trends in higher education involve the integration of face-to-face learning, online learning and the use of information technologies that support diverse aspects of the learning-teaching process. One of the main aspects considered in all the educational tendencies is the use of effective assessment processes that entail a continuous analysis of students’ results in order to detect anomalies and provide adequate feedback so as to solve them. However, in learning-teaching environments where there is a great amount of heterogeneous information, this must be integrated in order to be adequately analyzed. This paper presents COBLE, a tool that makes possible the integration of information from different sources to analyze it using visual learning analytics techniques. COBLE incorporates a feedback module that provides both teachers and students with visual information related to the assessment process in order to facilitate their decision-making processes. The provided visualizations can be adapted to the requirements of each course or user. The evaluation of COBLE has been carried out using it in a real blended learning environment where different teachers have integrated information from different sources (Moodle, personal spreadsheets, etc.), related to the performance of students. Next, both teachers and students used COBLE and its visualizations to extract information regarding the assessment process. The result of the system’s evaluation has been very satisfactory, obtaining a good acceptance of the diverse users involved.

• Referencias bibliográficas
  • Biel, C., Cierniak, G., D. Johnson, M., Bull, S., & Hesse, F. W. (2016). Influencing Cognitive Density and Enhancing Classroom Orchestration....
  • Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted...
  • Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340....
  • Djoub, Z. (2017). Assessment for learning: Feeding back and feeding forward. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher...
  • Dunlap, K., & Piro, J. S. (2016). Diving into data: Developing the capacity for data literacy in teacher education. Cogent Education,...
  • Garrison, D. R., & Vaughan, N. D. (2007). Blended Learning in Higher Education: Framework, Principles, and Guidelines. San Francisco,...
  • Gómez-Aguilar, D. A., García-Peñalvo, F.-J., & Therón, R. (2014). Analítica visual en e-learning. El Profesional de la Informacion, 23(3),...
  • Gómez-Aguilar, D. A., Hernández-García, Á., García-Peñalvo, F. J., & Therón, R. (2015). Tap into visual analysis of customization of grouping...
  • Guàrdia, L., Crisp, G., & Alsina, I. (2017). Trends and Challenges of E-Assessment to Enhance Student Learning in Higher Education. En...
  • Hattie, J. (2008). Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement. Abingdon, UK: Routledge.
  • Henri, M., Johnson, M. D., & Nepal, B. (2017). A Review of Competency-Based Learning: Tools, Assessments, and Recommendations: A Review...
  • Idrissi, M. K., Hnida, M., & Bennani, S. (2017). Competency-Based Assessment: From Conceptual Model to Operational Tool. En E. Cano &...
  • Kay, J., & Bull, S. (2015). New Opportunities with Open Learner Models and Visual Learning Analytics. En C. Conati, N. Heffernan, A. Mitrovic,...
  • Miller, H. G., & Mork, P. (2013). From Data to Decisions: A Value Chain for Big Data. IT Professional, 15(1), 57-59. doi:https://doi.org/10.1109/MITP.2013.11
  • Pardo, A., & Dawson, S. (2016). Learning Analytics: How can Data be used to Improve Learning Practice. En P. Reimann, S. Bull, M. Kickmeier-Rust,...
  • Romero, C., Romero, J. R., & Ventura, S. (2014). A Survey on Pre-Processing Educational Data. En A. Peña-Ayala (Ed.), Educational Data...
  • Shields, M. (2005). Information Literacy, Statistical Literacy, Data Literacy. IASSIST Quarterly, 28(2), 7-14. doi:https://doi.org/10.29173/iq790
  • Taherdoost, H. (2018). A review of technology acceptance and adoption models and theories. Procedia Manufacturing, 22, 960-967. doi:https://doi.org/10.1016/j.promfg.2018.03.137
  • Vaughan, N. (2014). Student Engagement and Blended Learning: Making the Assessment Connection. Education Sciences, 4(4), 247-264. doi:https://doi.org/10.3390/educsci4040247
  • Villamañe, M., Alvarez, A., & Larrañaga, M. (2018). Supporting competence-based learning with visual learning analytics and recommendations....
  • Wahdain, E. A., & Ahmad, M. N. (2014). User Acceptance of Information Technology: Factors, Theories and Applications. Journal of Research...
  • Yudelson, M. V., Koedinger, K. R., & Gordon, G. J. (2013). Individualized Bayesian Knowledge Tracing Models. En H. C. Lane, K. Yacef,...