Evaluación del resultado académico de los estudiantes a partir del análisis del uso de los Sistemas de Control de Versiones

• Alexis Gutiérrez Fernández ^[1] ; Ángel Manuel Guerrero Higueras ^[1] ; Miguel Ángel Conde González ^[1] ; Camino Fernández Llamas ^[1]
  1. [1] Universidad de León

     Universidad de León

     León, España

     
• Localización: RIED: revista iberoamericana de educación a distancia, ISSN 1138-2783, Vol. 23, Nº 2, 2020 (Ejemplar dedicado a: Analítica del aprendizaje y educación basada en datos: Un campo en expansión), págs. 127-145
• Idioma: español
• DOI: 10.5944/ried.23.2.26539
• Títulos paralelos:
  • Evaluation of students’ academic results through the analysis of their use of Version Control Systems
• Enlaces
  • Texto completo
• Resumen
  • español

    Una de las herramientas más utilizadas por los profesionales de las tecnologías de la información y la comunicación son los sistemas de control de versiones. Estas herramientas permiten, entre otras cosas, monitorizar la actividad de las personas que trabajan en un proyecto. Por tanto, es recomendable que se utilicen también en las instituciones educativas. El objetivo de este trabajo es evaluar si el resultado académico de los estudiantes se puede predecir monitorizando su actividad en uno de estos sistemas. Para tal efecto, hemos construido un modelo que predice el resultado de los estudiantes en una práctica de la asignatura Ampliación de Sistemas Operativos, perteneciente al segundo curso del grado en Ingeniería Informática de la Universidad de León. Para obtener la predicción, el modelo analiza la interacción del estudiante con un repositorio Git. Para diseñar el modelo, se evalúan varios modelos de clasificación y predicción utilizando la herramienta MoEv. Esta herramienta permite entrenar y validar diferentes modelos de clasificación y obtener el más adecuado para un problema concreto. Además, la herramienta permite identificar las características más discriminantes dentro de los datos de entrada. El modelo resultante ha sido entrenado utilizando los resultados del curso 2016 – 2017. Posteriormente, para asegurar que el modelo generaliza correctamente, se ha validado utilizando datos del curso 2017 – 2018. Los resultados concluyen que el modelo predice el éxito de los estudiantes con un alto porcentaje de acierto.

  • English

    Version Control Systems are commonly used by Information and Communication Technology professionals. These systems allow for monitoring programmers’ activity working in a project. Thus, the usage of such systems should be encouraged by educational institutions. The aim of this work is to evaluate if students’ academic success can be predicted by monitoring their interaction with a Version Control System. In order to do so, we have built a model that predicts students’ results in a specific practical assignment of the Operating Systems Extension subject. A second-year subject in the degree in Computer Science at the University of León. In order to obtain a prediction, the model analyzes students’ interaction with a Git repository. To build the model, several classifiers and predictors have been evaluated by using the MoEv tool. The tool allows for evaluating several classification and prediction models in order to get the most suitable one for a specific problem. Prior to the model development, Moev performs a feature selection from input data to select the most significant ones. The resulting model has been trained using results from the 2016 – 2017 course year. Later, in order to ensure an optimal generalization, the model has been validated by using results from the 2017 – 2018 course. Results conclude that the model predicts students’ outcomes? with a success high percentage

• Referencias bibliográficas
  • Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M. Á., & Hernández-García, Á. (2014). Can we predict success from log data...
  • Barber, R., & Sharkey, M. (2012). Course correction: using analytics to predict course success. Vancouver, British Columbia, Canada: Association...
  • Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
  • Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
  • Corbet, J., Rubini, A., & Kroah-Hartman, G. (2005). Linux Device Drivers: Where the Kernel Meets the Hardware: " O'Reilly Media,...
  • Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), 303-314.
  • De Alwis, B., & Sillito, J. (2009). Why are software projects moving from centralized to decentralized version control systems? Paper...
  • Devroye, L., Györfi, L., & Lugosi, G. (2013). A probabilistic theory of pattern recognition (Vol. 31): Springer Science & Business...
  • Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification: John Wiley & Sons.
  • Fischer, M., Pinzger, M., & Gall, H. (2003). Populating a Release History Database from Version Control and Bug Tracking Systems. Paper...
  • Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional...
  • Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine learning, 63(1), 3-42.
  • Griffin, T., & Seals, S. (2013). GitHub in the classroom: not just for group projects (Vol. 28): Consortium for Computing Sciences in...
  • Guerrero-Higueras, Á. M., DeCastro-García, N., & Matellán, V. (2018). Detection of Cyber-attacks to indoor real time localization systems...
  • Guerrero-Higueras, Á. M., DeCastro-García, N., Matellán, V., & Conde, M. Á. (2018). Predictive models of academic success: a case study...
  • Guerrero-Higueras, Á. M., DeCastro-García, N., Rodríguez-Lera, F. J., & Matellán, V. (2017). Empirical analysis of cyber-attacks to an...
  • Guerrero-Higueras, Á. M., Matellán-Olivera, V., Costales, G. E., Fernández-Llamas, C., Rodriguez-Sedano, F. J., & Conde, M. Á. (2018)....
  • Guerrero-Higueras Ángel, M., DeCastro-García, N., Rodriguez-Lera Francisco, J., Matellán, V., & Conde Miguel, Á. (2019). Predicting academic...
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction: Springer...
  • Koller, D., & Friedman, N. (2009). Probabilistic graphical models: principles and techniques: MIT press.
  • Kovacic, Z. (2012). Predicting student success by mining enrolment data. Research in Higher Education Journal, 15, 1-20.
  • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective: MIT Press.
  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Dubourg, V. (2011). Scikit-learn: Machine learning...
  • Pilato, C. M., Collins-Sussman, B., & Fitzpatrick, B. W. (2008). Version Control with Subversion: Next Generation Open Source Version...
  • Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation. (No. ICS-8506). California...
  • Siemens, G., Dawson, S., & Lynch, G. (2013). Improving the quality and productivity of the higher education sector. Policy and Strategy...
  • Siemens, G., & Gasevic, D. (2012). Guest editorial-learning and knowledge analytics. Journal of Educational Technology & Society,...
  • Spinellis, D. (2005). Version control systems. IEEE Software, 22(5), 108-109.
  • Torvalds, L., & Hamano, J. (2010). Git: Fast version control system. URL http://git-scm.com.
  • Zhang, H. (2004). The optimality of naive Bayes. AA, 1(2), 3.