Aplicando minería de datos para descubrir rutas de aprendizaje frecuentes en Moodle

Barra lateral del artículo

PDF
Publicado: Jan 1, 2016
DOI: https://doi.org/10.21071/edmetic.v5i1.4017
Palabras clave:
Base de datos, aprendizaje, estudiante, red de información

Contenido principal del artículo

Alejandro Bogarín Vega
Universidad de Córdoba
Cristóbal Romero Morales
Universidad de Córdoba
Rebeca Cerezo Menéndez
Universidad de Oviedo

Resumen

En este artículo, aplicamos técnicas de minería de datos para descubrir rutas de aprendizaje frecuentes. Hemos utilizado datos de 84 estudiantes universitarios, seguidos en un curso online usando Moodle 2.0. Proponemos agrupar a los estudiantes, en primer lugar, a partir de los datos de una síntesis de uso de Moodle y/o las calificaciones finales de los alumnos en un curso. Luego, usamos los datos de los logs de Moodle sobre cada cluster/grupo de estudiantes separadamente con el fin de poder obtener más específicos y  precisos modelos de procesos del comportamiento de los estudiantes.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Bogarín Vega, A., Romero Morales, C., & Cerezo Menéndez, R. (2016). Aplicando minería de datos para descubrir rutas de aprendizaje frecuentes en Moodle. EDMETIC, 5(1), 73–92. https://doi.org/10.21071/edmetic.v5i1.4017
Número
Vol. 5 Núm. 1 (2016): Estado de la cuestión IV: Innovación e investigación para la mejora educativa
Sección
Artículos

1. Política propuesta para revistas que ofrecen acceso abierto

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
  1. Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
  2. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
  3. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).

2. Política propuesta para revistas que ofrecen acceso abierto diferido

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
  1. Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra [ESPECIFICAR PERIODO DE TIEMPO], el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
  2. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
  3. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).

Bibliografía

AZEVEDO, R., BEHNAGH, R., DUFFY, M., HARLEY, J., y TREVORS, G. (2012). Metacognition and self-regulated learning in student-centered leaning environments. Theoretical foundations of student-centered learning environments, 171-197.

KLÖSGEN, W., y ZYTKOW, J. M. (2002). Handbook of data mining and knowledge discovery. Oxford: University Press, Inc.

MULDNER, K., BURLESON, W., VAN DE SANDE, B., y VANLEHN, K. (2011). An analysis of students’ gaming behaviors in an intelligent tutoring system: predictors and impacts. User Modeling and User-Adapted Interaction, 21(1-2), 99-135.

PECHENIZKIY, M., TRCKA, N., VASILYEVA, E., VAN DER AALST, W., y DE BRA, P. (2009). Process Mining Online Assessment Data. International Working Group on Educational Data Mining.

PEDRAZA-PEREZ, R., ROMERO, C., &y VENTURA, S. (2011). A Java desktop tool for mining Moodle data. En Proceedings of 4th International Conference on Educational Data Mining (pp. 319-320).

PERERA, D., KAY, J., KOPRINSKA, I., YACEF, K., y ZAÏANE, O. R. (2009). Clustering and sequential pattern mining of online collaborative learning data. Knowledge and Data Engineering, IEEE Transactions on, 21(6), 759-772.

RABBANY, R., TAKAFFOLI, M., y ZAÏANE, O. R. (2011). Analyzing participation of students in online courses using social network analysis techniques. En Proceedings of educational data mining.

ROMERO, C., y VENTURA, S. (2010). Educational data mining: a review of the state of the art. Systems, Man, and Cybernetics, Part C: Applications and Reviews. IEEE Transactions on, 40(6), 601-618.

ROMERO, C., VENTURA, S., y GARCÍA, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368-384.

ROMERO, C., VENTURA, S., ZAFRA, A., y BRA, P. D. (2009). Applying Web usage mining for personalizing hyperlinks in Web-based adaptive educational systems. Computers & Education, 53(3), 828-840.

SIEMENS, G., & D BAKER, R. S. (2012, April). Learning analytics and educational data mining: towards communication and collaboration. En Proceedings of the 2nd international conference on learning analytics and knowledge (pp. 252-254). ACM.

SOUTHAVILAY, V., YACEF, K., y CALVO, R. A. (2010, June). Process Mining to Support Students' Collaborative Writing. En EDM (pp. 257-266).

TRCKA, N., & PECHENIZKIY, M. (2009, November). From local patterns to global models: Towards domain driven educational process mining. En Intelligent Systems Design and Applications, 2009. ISDA'09. Ninth International Conference on (pp. 1114-1119). IEEE.

VAN DER AALST, W. M. (2011). Discovery, Conformance and Enhancement of Business Processes. Springer, Heidelberg.

WITTEN, I. H., y FRANK, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.