Publication: Análisis multivariante del uso de espacios virtualizados por estudiantes pregraduados en Ciencias de la Salud
Loading...
Full text at PDC
Publication Date
2021-12
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Fundación Educación médica
Citations
Exportar
Abstract
Introducción: Los entornos virtuales de aprendizaje permiten crear espacios dinámicos y facilitadores del aprendizaje. Investigar el uso dado por los estudiantes puede identificar patrones de comportamiento y detectar tempranamente alumnos en riesgo de abandono, habiéndose descrito correlaciones entre su uso y el rendimiento académico.
Material y métodos: Se estudiaron 7 espacios virtualizados correspondientes a 4 asignaturas de 3 grados de Ciencias de la Salud impartidas en los cursos 2017-18 y 2018-19, con un total de 517 estudiantes. Previamente se extrajeron, depuraron y anonimizaron los registros de cada espacio. Las variables analizadas fueron: número de visitas al campus virtual (CV), de accesos a recursos, a URL y uso del foro. Se aplicó un análisis de correspondencias múltiples seguido de un análisis de conglomerados jerárquico.
Resultados: Se obtuvieron 4 clústeres, con tamaños entre el 20,9% y 29,4% de los estudiantes, caracterizados por comportamientos diferenciales en cuanto al uso del CV, y estableciéndose relaciones con las calificaciones finales, las notas teóricas y prácticas de las asignaturas. Se observa que, a menor interacción en el CV, menor rendimiento académico mientras que, a mayor actividad registrada, mejores calificaciones.
Conclusiones: Nuestro estudio revela grupos de estudiantes con comportamientos homogéneos según su uso del CV y establece relaciones con el rendimiento académico.
Introduction: Virtual Learning Environments enable users to create dynamics and learning facilitator spaces. To investigate the students’ use can identify patterns and help to an early detection of students at high risk of dropping out since correlations between its use and the academic performance have been described. Material and methodology: Seven virtualized spaces corresponding to 4 courses from 3 Health Sciences degrees taught in 2017/18 and 2018/19, with a total of 517 students were studied. Previously, logs had been extracted from every space, debugged and anonymized. Number of logins, of access to resources and to URL as well as the forums use were considered. A multiple correspondence analysis was applied followed by a hierarchical clustering analysis. Results: 4 clusters, with sizes between 20.9% and 29.4% of the students, were obtained and characterized by differential behaviors of the VC use. Relationships can be established with final grades as well as theory’ and practical’ grades. Results pointed out that the lower interaction in VC, the lower the grades, while the higher interaction, the higher the marks. Conclusions: Our study pinpoints different student clusters with homogeneous VC behavior and establishes relationships with the academic performance.
Introduction: Virtual Learning Environments enable users to create dynamics and learning facilitator spaces. To investigate the students’ use can identify patterns and help to an early detection of students at high risk of dropping out since correlations between its use and the academic performance have been described. Material and methodology: Seven virtualized spaces corresponding to 4 courses from 3 Health Sciences degrees taught in 2017/18 and 2018/19, with a total of 517 students were studied. Previously, logs had been extracted from every space, debugged and anonymized. Number of logins, of access to resources and to URL as well as the forums use were considered. A multiple correspondence analysis was applied followed by a hierarchical clustering analysis. Results: 4 clusters, with sizes between 20.9% and 29.4% of the students, were obtained and characterized by differential behaviors of the VC use. Relationships can be established with final grades as well as theory’ and practical’ grades. Results pointed out that the lower interaction in VC, the lower the grades, while the higher interaction, the higher the marks. Conclusions: Our study pinpoints different student clusters with homogeneous VC behavior and establishes relationships with the academic performance.
Description
Keywords
Citation
1. Gros Salvat B. La construcción del conocimiento en la red: límites y posibilidades. Education in the Knowledge Society. 2004; 5.
2. Buchner A, Anand S, Mulvenna M, Hughes J. Discovery Internet Marketing intelligence through web log mining. Proc. Unicom99. Data Mining & Datawarehousing: Realising the full value of Business Data. 1999; 127-138.
3. Groth R. Data Mining building competitive advantage. Editorial Prentice Hall; 2000.
4. Castañeda J, Rodríguez M. La Minería de Datos como herramienta de Marketing: Delimitación y Medidas de Evaluación del resultado. España. Universidad de Granada, Dpto de Comercialización e investigación de mercados; 2003.
5. Romero C, Ventura S. Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery. 2020; 10:e1355.
6. Long P, Siemens G. Penetrating the fog: Analytics in Learning and Education. EDUCAUSE Rev. 2011; 4:5.
7. Daniel B. Big data and analytics in higher education: Opportunities and challenges. Br J Educational Tech. 2015; 46,5:904-920.
8. Porter S. Survey research policies: An emerging issue for higher education. New Directions in Institutional Research. 2005; 127:5-15.
9. Kennedy G, Corrin L, Lockyer L, Dawson S, Williams D, Mulder RA, et al. Completing the loop: returning learning analytics to teachers. Rhetoric and reality. Critical perspectives on educational technology. Proceedings ascilite Dunedin. 2014:436-440.
10. Universidata. 2020. Disponible en: https://www.universidata.es
11. Caminal de Mingo A, Vila B, García P, Puigcerver M. Análisis del uso de Moodle por parte de alumnos de la asignatura Matemáticas, Ciencias Experimentales y Educación, del Grado de Educación Infantil de la Universidad de Barcelona. En El aula Moodle: aprender y enseñar en la UB. Barcelona: Ed Octaedro. 2015; 9: 105-112.
12. Caminal de Mingo A, Puigcerver M. Diseños de campus virtual: Descripción de la oferta actual en la enseñanza de las ciencias experimentales y su influencia en el uso por parte del alumnado universitario. Diddacticae. 2017; 2: 119-133.
13. Hernández Estrada A, Martínez Rodríguez ME, Casado de Lucas D, Peñaloza Figueroa JL, Pérez Martín M, Arteaga Martínez B, et al. Big data en educación: tipologías de los estudiantes a partir del estudio de las interacciones dentro del triángulo pedagógico. 2017; Recuperado el 28 de diciembre de 2020 de https://eprints.ucm.es/44899/
14. Black EW, Dawson K, Priem J. Data for free: Using LMS activity logs to measure community in online courses. Internet and Higher education. 2008;11:65-70.
15. Hidalgo Cajo BG. Minería de datos en los Sistemas de gestión de aprendizaje en la Educación Universitaria”. Campus Virtuales. 2018;7,2:115-128.
16. Jenaro Río C, Castaño Calle R, Martín Pastor ME, Flores Robaina N. Rendimiento académico en educación superior y su asociación con la participación activa en la plataforma Moodle. En Estudios sobre educación. 2018;34:177-198
17. Gros B, Cano E. Educación 2018-2020. Retos, tendencias y compromisos. Barcelona: IRE-UB; 2020.
18. Lebart L, Piron M, Morineau A. Statistique exploratoire multidimensionnelle: visualisation et inférences en fouilles de données. 4ª ed. Paris: Dunod; 2006.
19. Buckingham Shum S, Ferguson R. Social Learning Analytics, Educational Technology & Society. 2012;15, 3: 3-26.
20. Brown JS, Duguid P. La vida social de la información. Buenos aires: Prentice Hall.2001.
21. Scheffel M, Drachsler H, Stoyanov S, Specht M. Quality indicators for learning analytics. Educational Technology & Society. 2014;17, 4:117-132.
22. Ellis RA, Han F, Pardo A. Improving Learning Analytics - Combining observational and self-report data on student learning. Educational Technology & Society. 2017; 20, 3: 158-169.
23. Chaparro Peláez J, Iglesias Pradas S, Pascual Miguel F. Uso del registro de actividad de Moodle para un estudio del rendimiento académico de alumnos en entornos en línea y presencial. En 4th International Conference on Industrial Engineering and Industrial Management, 2010: 753-760.
24. Agudo-Peregrina ÁF, Iglesias-Pradas S, Conde-González MÁ, Hernández-García Á. Can we predict success from log data in VLEs? Classification of interactions of learning analytics and their relation with performance in VLE-supported F2F and online learning. Computers in Human Behavior. 2014; 31:542-550.
25. Gasevic D, Dawson S, Siemens G. Let’s not forget: learning analytics are about learning. Tech-Trends 2015; 59,1: 64-71.
26. Liu DY-T, Froissard JC, Richards D, Atif A. An enhanced learning analytics plugin for Moodle: student engagement and personalized intervention. In T. Reiners, B.R. von Konsky, D. Gibson, V. Chang, L. Irving, K. Clarke (Eds), Globally connected, digitally enabled. Proceedings ascilite. 2015; 168-177.
27. Vinueza Morales SX, Morocho Macas ÁA. Análisis del rendimiento académico en la Cátedra de Fisiología y Fisiopatología usando como herramienta el aula virtual” En 3C TIC: Cuadernos de desarrollo aplicados a las TIC. 2017; 6,3:43-60
28. Angulo Carrere MT, Álvarez-Méndez AM, Bravo-Llatas C, Cristóbal Barrios J, Álvarez Vázquez MP. Diferencias de comportamiento entre estudiantes de dos asignaturas de CC de la Salud. En Actas de IN-RED2020; 2020:71-82.
29. Granados-Zúñiga J. Relación entre el uso del aula virtual y el rendimiento académico en estudiantes del curso de Bioquímica para Enfermería de la Universidad de Costa Rica. Revista Educación; 2019; 43, 2:561-576.
30. Cantabella M, Martínez-España R, Ayuso B, Yañez JA, Muñoz A. Analysis of student behavior in learning management systems through a Big Data framework. Future Generation Computer Systems. 2019; 90:262-272.
31. Álvarez-Méndez A, Angulo Carrere MT, Cristóbal Barrios J, Bravo-Llatas C, Álvarez Vázquez MP. Application of DATA MINING in Moodle platform for the analysis of the academic performance of a subject of Podiatry Degree. In Proceedings of INTED2020. 2020:984-992.
32. Álvarez Vázquez MP, Angulo Carrere MT, Cristóbal Barrios J, Bravo-Llatas C, Álvarez-Méndez AM. Learning Analytics in Human Histology reveals different student’ clusters and different academic performance. In Proceedings of INTED2020. 2020:66-72.
33. Álvarez Vázquez MP, Angulo Carrere MT, Bravo-Llatas MC, Cristóbal Barrios J, Álvarez-Méndez AM. Análisis de los registros en Moodle para estudiar la actividad desarrollada por estudiantes de Histología Humana y su relación con el rendimiento académico. En Actas de IN-RED2020. 2020:48-60.
34. Motz B, Quick J, Schroeder N, Zook J, Gunkel M. The validity and utility of activity logs as a measure of student engagement. In LAK19 The 9th International Learning Analytics & Knowledge Conference. 2019: 300-309.
35. Ferguson R, Barzilai S, Ben-Zvi D, Chinn CA, Herodotou C, Hod Y, et al. Innovating pedagogy 2017: Open University innovation report 6, Milton Keynes: The Open University, UK. 2017.