Resumen de Un recomendador para ayudar en la evaluación de la participación en foros de aulas virtuales

Javier Luis Cánovas Izquierdo, José Antonio Hernández López, Jesús Sánchez Cuadrado, David Bañeres

• español

  Los canales de comunicación virtuales como los foros de debate se ofrecen en numerosas asignaturas de titulaciones universitarias. La participación del estudiantado en estos espacios permite evaluar competencias como su capacidad comunicativa escrita, de argumentación o de trabajo en equipo, entre otras. Así, en muchas asignaturas se proponen actividades donde el alumnado ha de trabajar en grupo, argumentando y llegando a acuerdos para elaborar la solución. Esta argumentación puede ser representada como grafos de colaboración que permiten analizar y visualizar el entorno discursivo del foro. En este trabajo presentamos una solución basada en técnicas de aprendizaje automático que recomienda una calificación de la participación de cada estudiante en foros de debate virtuales a partir de grafos de colaboración, ayudando al profesorado en el proceso de evaluación. Analizamos dos arquitecturas de aprendizaje automático: modelos que usan métricas del grafo y redes neuronales de grafos; siendo la segunda la que ofrece mejores resultados en términos de error.

• English

  Virtual communication channels such as discusión forums are offered in many subjects of bachelor’s degrees. The students’ participation in these spaces allows the assessment of skills such as written communication, argumentation ability or collaborative work, among others. Thus, many subjects propose activities where students have to work collaboratively, discuss and reach agreements to develop a solution. This discussion can be represented as collaboration graphs that allow visualising the discursive environment of the forum. In this work, we present a solution based on Machine Learning techniques that recommends an assessment mark of the students’ participation in virtual discussion forums based on collaboration graphs, thus helping the teaching staff in the evaluation process. We analyze two machine learning architectures: models using graph metrics and graph neural networks, being the latter the one that offers the lowest error rate.