Acceso usuarios
En la última década, el uso de la analítica de aprendizaje y la gestión de grandes volúmenes de datos han contribuido sustancialmente en la manera como las instituciones de educación superior dan seguimiento, analizan la información y predicen el desempeño de los estudiantes.
El objetivo del presente trabajo fue identificar las variables que influyen en el desempeño académico de estudiantes de postgrado, mediante la aplicación de técnicas de learning analytics basado en el modelo de Chatti, et al. (2012). S e aplicaron los algoritmos selección de atributos y árboles de decisión a partir de la teoría de Witten, Frank, Hall, Pal (2016) a una muestra de datos recolectadas de 136 estudiantes de posgrado de forma aleatoria simple. Se identificó que en general pref ieren estudiar por la tarde y que invierten 43.83% de su tiempo en la revisión del contenido del curso mientras se encuentran activos en la plataforma; el 10.92% del tiempo participan en foros y el 31.10% del tiempo realizan actividades. Mediante el algori tmo selección de atributos se identificaron a las cuatro variables más importantes que influyen en el desempeño, a saber: tiempo total invertido en el curso de consulta del curso, elaboración de tareas, participaciones en foros y trabajo en equipo. También , aplicando árboles de decisión se establecen 6 patrones que determinan alguna nota final, cuya variable más importante es el tiempo total invertido en la plataforma. Finalmente, se determina que las variables: tiempo invertido en la plataforma en la consu lta del contenido, trabajo en equipo, tareas y actividad en foros, influyen de manera positiva en el desempeño satisfactorio del estudiante de posgrado y aquellas variables relacionadas con las consultas, hora y día de estudio no intervienen en dicho desem peño, estos hallazgos dan la pauta para centrar esfuerzos en la construcción de contenidos significativos y tareas enfocadas en el logro de los aprendizajes deseados apoyados por actividades en equipo.
In the last decade, the use of learning analytics and the management of large volumes of data have contributed substantially to the way higher education institutions track, analyze information and predict student performance (Clow, 2013). The objective of this work was to identify the variables that influence the academic performance of graduate students, through the application of learning analytics techniques (Chatti, et al., 2012). The algorithms selection of attributes and decision trees (Witten, Frank, Hall, Pal, 2016) were applied to a sample of data collect ed from 136 graduate students in a simple random way. It was identified that in general they prefer to study in the afternoon and that they invest 43.83% of their time in the review of the course content while they are active in the platform; 10.92% of the time they participate in forums and 31.10% of the time they carry out activities. Through the algorithm of attribute selection, the four most important variables that influence performance are defined, namely: total time invested in the course of course c onsultation, elaboration of tasks, participation in forums and teamwork. Also, applying decision trees, 6 patterns are established that determine some final note, whose most important variable is the total time spent on the platform. Finally, it is determi ned that the variables: time invested in the platform in the consultation of content, teamwork, tasks and forum activity, positively influence the satisfactory performance of the graduate student and those variables related to the consultations, time and d ay of study do not intervene in such performance, these findings give the guideline to focus efforts on building meaningful content and tasks focused on achieving the desired learning supported by team activities.
