Detección de Estudiantes con Comportamiento Atípico en Entornos de Aprendizaje e-Learning

• Autores: Félix Castro, Alfredo Vellido Alacena, Angela Nebot Castells, Julià Minguillón
• Localización: TICAI 2006: TICs para el Aprendizaje de la Ingeniería / coord. por Martín Llamas Nistal, Carlos Vaz de Carvalho, Carlos Rueda Artunduaga, 2008, ISBN 978-84-8158-375-5, págs. 23-30
• Idioma: español
• Títulos paralelos:
  • Detecting atypical student behaviour on an e-learning system
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    Los sistemas e-learning representan una alternativa real a los sistemas tradicionales de educación a distancia, debido a que aprovechan las ventajas de Internet y permiten la distribución y recolección de información en diferentes formas y prácticamente en tiempo real. El conocimiento extraído puede ser utilizado para definir estrategias de personalización y retroalimentación a los estudiantes y profesores, mejorando el proceso de enseñanzaaprendizaje. En este capítulo se presenta un modelo para detectar estudiantes con comportamiento atípico como parte del proceso de agrupamiento de estudiantes con características de aprendizaje similar, el cual es aplicado a datos de dos cursos reales: uno impartido por la Universitat Oberta de Catalunya (UOC) y otro por el Centro de Estudios en Comunicación y Tecnologías Educativas (CECTE). Los experimentos realizados con estos datos muestran que es posible detectar e interpretar comportamientos atípicos de los estudiantes mediante un modelo novedoso que, a un tiempo, minimiza el impacto negativo de los casos atípicos en el algoritmo de agrupamiento.

  • English

    E-learning systems such as virtual campus environments have established themselves as a strong alternative to traditional distance university education. In this scenario, the Internet allows the gathering of information on many aspects of students’ online behaviour in nearly real time. The knowledge extracted from this information can be used to define personalization strategies tailored to the students’ needs and requirements. In this chapter we introduce a model to detect atypical behaviour on the grouping structure of the users from two real courses of the Open University of Catalonia (UOC) and the Center of Studies in Communication and Educational Technologies (CECTE). Experiments carried out on these data indicate that atypical students’ behaviour can be identified and interpreted with a novel model that, simultaneously, neutralizes the negative impact of outliers on the data clustering process.