Machine Learning para la mejora de la experiencia con MOOC: el caso de la Universitat Politècnica de València

Autores/as

DOI: https://doi.org/10.6018/riite.466251
Palabras clave: MOOC, Machine Learning, Analíticas de aprendizaje, predicciones, abandono

Resumen

El trabajo que se presenta tiene como objetivo el diseño de una propuesta de mecanismos automatizados fundamentados en machine learning para la mejora de la experiencia de los participantes en los cursos MOOC de la Universitat Politécnica de Valencia y la reducción de las tasas de abandono. Siguiendo una estrategia de investigación basada en el diseño IBD, en la que se ha priorizado siempre las decisiones pedagógicas por encima de las propias analíticas de datos, se han realizado tres iteraciones con distintos patrones metodológicos (revisión sistemática de literatura, machine learning basado en los datos de 260 cursos y más de 700.000 estudiantes, y creación de mecanismos automatizados) que siempre finalizan con la presentación de resultados y la realimentación por parte del equipo de la universidad. Las principales conclusiones de este trabajo indican que, de los veinticinco indicadores pedagógicos de abandono referidos por las revisiones bibliográficas en la iteración 1, solo se validan diez de ellos con los cursos de la UPV (no se tienen datos automáticos ni automatizables de los otros), y de esos finalmente solo seis de ellos son posibles predictores del abandono del alumnado, con los datos utilizados. Se proponen finalmente un conjunto de mecanismos automatizados que se aplicarán en la plataforma EdX de la universidad, para la mejora de la experiencia de los usuarios y la reducción de la tasa de abandonos en los cursos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Bartolomé-Pina, A., & Steffens, K. (2015) ¿Son los MOOC una alternativa de aprendizaje? Comunicar, 22(44), 91-99. http://dx.doi.org/10.3916/C44-2015-10

Bean, J., & Metzner, B. (1985). A Conceptual Model of Nontraditional Undergraduate Student Attrition. Review of Educational Research, 55(4), 485–540. https://doi.org/10.3102/00346543055004485

Billings, D. M., Connors, H. R., & Skiba, D. J. (2001). Benchmarking best practices in Webbased nursing courses. Advances in Nursing Science, 23, 41-52. https://doi.org/10.1097/00012272-200103000-00005

Bishop C.M. (2006) Pattern recognition and machine learning. Springer-Verlag.

Borrella, I., Caballero-Caballero, S., & Ponce-Cueto, E. (2019). Predict and Intervene: Addressing the Dropout Problem in a MOOC-based Program. In Proceedings of the Sixth (2019) ACM Conference on Learning@ Scale, 1-9. https://doi.org/10.1145/3330430.3333634

Chickering, A. W., & Gamson, Z. F. (1987). Seven principles for good practice in undergraduate education. AAHE bulletin, 3(7). https://doi.org/10.1080/13562517.2013.827653

De Benito, B., & Salinas, J. (2016). La Investigación Basada en Diseño en Tecnología Educativa. Revista Interuniversitaria de Investigación en Tecnología Educativa, 0, 44-59. https://doi.org/10.6018/riite2016/260631

Escanés, G., Herrero, V., Merlino, A., & Ayllón, S. (2014). Deserción en educación a distancia: factores asociados a la elección de modalidad como desencadenantes del abandono universitario. Virtualidad, Educación Y Ciencia, 5(9), 45–55. https://bit.ly/31UD380

García-Tinizaray, D., Ordoñez-Briceño, K., & Torres-Diaz, J. C. (2015). Learning analytics para predecir la deserción de estudiantes a distancia. Campus virtuales, 3(1), 120-126. https://bit.ly/3wA06my

Halawa, S., Greene, D., & Mitchell, J. (2014). Dropout prediction in MOOC using learner activity features. Proceedings of the Second European MOOC Stakeholder Summit, Lausanne, Switzerland, 58-65.

Henderikx, M. A., Kreijns, K., & Kalz, M. (2017). Refining success and dropout in massive open online courses based on the intention–behavior gap. Distance Education, 38(3), 353-368. https://doi.org/10.1080/01587919.2017.1369006

Hmedna, B., El Mezouary, A., & Baz, O. (2020). A predictive model for the identification of learning styles in MOOC environments. Cluster Comput, 23, 1303–1328. https://doi.org/10.1007/s10586-019-02992-4

Jin, C. (2020). MOOC student dropout prediction model based on learning behavior features and parameter optimization. Interactive Learning Environments. https://doi.org/10.1080/10494820.2020.1802300

Kember, D. (1989). A longitudinal-process model of drop-out from distance education. The Journal of Higher Education, 60(3), 278–301. https://doi.org/10.1080/00221546.1989.11775036

Kizilcec, R. F., Pérez-Sanagustín, M., & Maldonado, J. J. (2017). Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & education, 104, 18-33. https://doi.org/10.1016/j.compedu.2016.10.001

Kloft, M., Stiehler, F., Zheng, Z., & Pinkwart, N. (2014). Predicting MOOC dropout over weeks using machine learning methods. Proceedings of the EMNLP 2014 Workshop on Analysis of Large Scale Social Interaction in MOOC, 60-65. https://doi.org/10.3115/v1/w14-4111

Lee, Y., & Choi, J. (2011). A Review of Online Course Dropout Research: Implications for Practice and Future Research. Educational Technology Research and Development, 59(5), 593–618. https://doi.org/10.1007/s11423-010-9177-y

León-Urrutia, M., Vázquez-Cano, E., & López-Meneses, E. (2017). MOOC learning analytics using real-time dynamic metrics. @tic. Revista d'innovació educativa, 18(3). https://doi.org/10.7203/attic.18.10022

Li, W., Gao, M., Li, H., Xiong, Q., Wen, J., & Wu, Z. (2016). Dropout prediction inMOOCusing behavior features and multi-view semi-supervised learning. Proceedings of the 2016 International Joint Conference on Neural Networks (IJCNN), 3130-3137. https://doi.org/10.1109/IJCNN.2016.7727598

Liang, J., Yang, J., Wu, Y., Li, C., & Zheng, L. (2016). Big data application in education: dropout prediction in edx MOOC. Proceedings of the IEEE Second International Conference on Multimedia Big Data (BigMM), 440-443, https://doi.org/10.1109/BigMM.2016.70

Martinez-Navarro, J. A. (2021). Indicadores de abandono en contextos MOOC, una aproximación pedagógica desde la literatura. Universitas Tarraconensis. Revista de Ciències de l’Educació, 3, 36-59. https://doi.org/10.17345/ute.2020.3.3031

Mi, F., & Yeung, D. Y. (2015). Temporal Models for Predicting Student Dropout in Massive Open Online Courses. 2015 IEEE International Conference on Data Mining Workshop. https://doi.org/10.1109/icdmw.2015.174

Millecamp, M., Gutiérrez, F., Charleer, S., Verbert, K., & De Laet, T. (2018). A qualitative evaluation of a learning dashboard to support advisor-student dialogues. Proceedings of the 8th International Conference on Learning Analytics and Knowledge, 56-60. https://doi.org/10.1145/3170358.3170417

Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018) Foundations of machine learning. MIT press, 1 (1–3).

Ortega-Arranz, A., Bote-Lorenzo, M.L., Asensio-Pérez, J.I., Martínez-Monés, A., Gómez-Sánchez, E., & Dimitriadis, Y. (2019). To reward and beyond: Analyzing the effect of reward-based strategies in a MOOC, Computers & Education, 142, 103639, https://doi.org/10.1016/j.compedu.2019.103639.

Rolfe, V. (2015). A systematic review of the socio-ethical aspects of massive online open courses. European Journal of Open, Distance and e-Learning, 18(1), 52–72. https://bit.ly/31RC2xp

Rosé, C. P., Carlson, R., Yang, D., Wen, M., Resnick, L., Goldman, P., & Sherer, J. (2014). Social factors that contribute to attrition in MOOC. Proceedings of the first ACM conference on Learning@ scale conference, 197-198. https://doi.org/10.1145/2556325.2567879

Ruipérez-Valiente, J. A. (2020). El Proceso de Implementación de Analíticas de Aprendizaje. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), 88-101 http://dx.doi.org/10.5944/ried.23.1.26283

Russo, C., Ramón, H., Alonso, N., Cicerchia, L., Esnaola, L., & Tessore, J.P. (2016). Tratamiento masivo de datos utilizando técnicas de machine learning. XVIII Workshop de Investigadores en Ciencias de la Computación WICC 2016. https://bit.ly/31Vub1S

Shah, D. (2016). Monetization over Massiveness: A Review of MOOC Stats and Trends in 2016. Class Central. https://bit.ly/2PzTxjl

Sinha, T., Jermann, P., Li, N., & Dillenbourg, P. (2014). Your click decides your fate: Inferring information processing and attrition behavior from mooc video clickstream interactions. Proceeding of the 2014 conference on Empirical Methods in Natural Language Processing (EMNLP), 3-14. https://bit.ly/3usQKqQ

Tinto, V. (1999). Taking retention seriously: Rethinking the first year of college. NACADA Journal, 19(2), 5–9. https://doi.org/10.12930/0271-9517-19.2.5

Veletsianos, G., Collier, A., & Schneider, E. (2015). Digging deeper into learners' experiences in MOOC s: Participation in social networks outside of MOOC s, notetaking and contexts surrounding content consumption. British Journal of Educational Technology, 46(3), 570-587. https://doi.org/10.1111/bjet.12297

Veletsianos, G., & Shepherdson, P. (2016). A systematic analysis and synthesis of the empirical MOOC literature published in 2013–2015. The International Review of Research in Open and Distributed Learning, 17(2), 198–221. https://doi.org/10.19173/irrodl.v17i2.2448

Publicado
01-06-2021
Cómo citar
Martinez Navarro, J. A., & Despujol Zabala, I. (2021). Machine Learning para la mejora de la experiencia con MOOC: el caso de la Universitat Politècnica de València. RiiTE Revista interuniversitaria de investigación en Tecnología Educativa, (10), 91–104. https://doi.org/10.6018/riite.466251
Número
Sección
ARTÍCULOS