Efectos de los patrones de aprendizaje en línea sobre el rendimiento académico desde una perspectiva de la minería de datos
- Autores: Moises Riestra González
- Directores de la Tesis: María Puerto Paule Ruiz (dir. tes.)
, Francisco Ortín Soler (dir. tes.) - Lectura: En la Universidad de Oviedo ( España ) en 2022
- Idioma: español
- Número de páginas: 106
- Tribunal Calificador de la Tesis: Manuel Ortega Cantero (presid.) , Juan Ramón Pérez Pérez (secret.) , Estefanía Martín Barroso (voc.) , Daniel Fernández Lanvín (voc.) , Carmen Lacave Rodero (voc.)
- Enlaces
- Tesis en acceso abierto en: RUO
- Resumen
La predicción temprana del rendimiento de los estudiantes es un recurso valioso para mejorar su aprendizaje. Ser capaces de detectar alumnos en riesgo o excelentes en las etapas iniciales del curso permitiría disponer de más tiempo para tomar acciones orientadas a mejorar o incentivar su rendimiento respectivamente. Idealmente, la predicción a realizar no debería ser específica de una asignatura, metodología, área de conocimiento, duración o sistema de evaluación, pudiendo así ser aplicada a un número variado de asignaturas. Existen estudios orientados a predecir el rendimiento de los estudiantes mediante el análisis de archivos de registro de las interacciones que realizan los alumnos dentro de las plataformas de aprendizaje (Learning Management System, LMS). La mayoría de los trabajos crean modelos predictivos a partir de los registros de las interacciones de los alumnos al finalizar el curso académico. Sin embargo, estos modelos no son útiles para la predicción temprana, porque la información utilizada para entrenar los modelos no es la misma que la empleada en fase de inferencia. Algunos estudios sí abordan la predicción mediante el entrenamiento con datos tomados únicamente de etapas iniciales de las asignaturas. No obstante, la principal carencia de estos trabajos es que únicamente se centran en un tipo particular de asignatura. Esto hace que los modelos creados no sean reutilizables en otras asignaturas, además, en muchos casos poseen un rendimiento inferior.
