1 research outputs found
Metodología para el análisis del comportamiento y el desempeño de los estudiantes en un curso en línea
No full textAlthough many researchers have studied student performance prediction in online courses, they have primarily focused on courses with a linear structure, where students complete lessons and assessments sequentially. However, non-linear courses allow students to take lessons and assessments in any order, making performance prediction more challenging due to varying cumulative assessment percentages among students at any given time. This master's thesis aims to develop a data-driven method for early student performance prediction in non-linear courses.
We created a feature extractor and evaluated three types of features: engagement, behavior, and performance. The data comes from Moodle courses designed to prepare high school students for a public university entrance exam. Our method achieved early predictions at 20% of cumulative weight assessment with an F1-score of 0.73 for binary classification and an R² of 0.40 for regression. We also conducted a feature importance analysis, showing that performance and behavior features are the most significant predictors, with engagement features, such as time spent on educational resources, also contributing significantly.
In addition to predicting student performance, we performed a clustering analysis and identified four patterns that consistently appear across various cumulative weight assessments. These patterns significantly impact performance and can help educators provide better feedback and more personalized attention to students' needs.Aunque muchos investigadores han estudiado la predicción del rendimiento de los estudiantes en cursos en línea, se han centrado principalmente en cursos con una estructura lineal, en los que los estudiantes completan las lecciones y las evaluaciones de forma secuencial. Sin embargo, los cursos no lineales permiten a los estudiantes realizar las lecciones y evaluaciones en cualquier orden, lo que hace que la predicción del rendimiento sea más difícil debido a la variación de los porcentajes de evaluación acumulada entre los estudiantes en un momento dado. Esta tesis de máster tiene como objetivo desarrollar un método basado en datos para la predicción temprana del rendimiento de los estudiantes en cursos no lineales.
Creamos un extractor de características y evaluamos tres tipos de características: compromiso, comportamiento y rendimiento. Los datos proceden de cursos de Moodle diseñados para preparar a estudiantes de secundaria para un examen de acceso a una universidad pública. Nuestro método logró predicciones tempranas al 20% de la evaluación del peso acumulado con una puntuación F1 de 0.73 para la clasificación binaria y un R² de 0.40 para la regresión. También llevamos a cabo un análisis de la importancia de las características, mostrando que las características de rendimiento y comportamiento son los predictores más significativos, con características de compromiso, como el tiempo dedicado a los recursos educativos, que también contribuyen significativamente.
Además de predecir el rendimiento de los alumnos, realizamos un análisis de agrupación e identificamos cuatro patrones que aparecen de forma consistente en varias evaluaciones de peso acumulativo. Estos patrones influyen significativamente en el rendimiento y pueden ayudar a los educadores a proporcionar mejores comentarios y una atención más personalizada a los estudiantes.ModelamientoCOL0044448MaestríaMagíster en Ingeniería de Telecomunicacione
