Contribuciones de la analítica del aprendizaje a la implicación de los estudiantes de enseñanzas científico-técnicas

• José V. Benlloch-Dualde ^[1] ; G. Moltó ^[1] ; J.D. Segrelles ^[1] ; D. de Andrés ^[1] ; M.P. Bonet ^[1]
  1. [1] Universitat de València

     Universitat de València

     Valencia, España

     
• Localización: Ikaskuntza-irakaskuntza akademikoaren eremu berriak arakatzen / Universidad del País Vasco - Euskal Herriko Unibertsitatea (aut.), 2019, ISBN 978-84-1319-033-4, págs. 1049-1056
• Idioma: español
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    En las enseñanzas universitarias y, más particularmente, en las titulaciones científico-técnicas, eshabitual el uso de entornos digitales para dar soporte al aprendizaje. se entiende como tales las típicasplataformas (lms) como moodle o sakai, pero también los numerosos entornos utilizados en ingenieríapara aprender a programar o a diseñar sistemas electrónicos digitales, por citar dos ejemplos. Una delas principales ventajas de estos sistemas es que la interacción de los estudiantes con los mismos proporcionauna “huella” de su actividad que se puede registrar. La recopilación y posterior análisis de losdatos generados se engloba en las técnicas de analítica del aprendizaje (learning analytics).En este trabajo se plantea estudiar cómo el uso de estas técnicas ayuda a conocer muchos aspectosde los procesos de aprendizaje, lo que podría contribuir a mejorar la implicación del estudiante. Paraello, en cada uno de los contextos de aplicación, primero se seleccionan los indicadores o fuentes de datosque serán objeto de análisis, tales como: acceso a recursos didácticos, entrega de tareas y su relacióncon los plazos fijados, realización de cuestionarios y sus resultados. Dependiendo de los entornos empleadostambién se podría utilizar información mucho más específica, por ejemplo: tiempo empleadoen la realización de las actividades, porcentajes de progreso, actividades pendientes de realizar o, parael caso particular de determinados entornos de programación: intentos fallidos, errores cometidos en laejecución, indicadores de calidad del código generado...A partir del análisis de los datos recogidos, los profesores que gestionan estos entornos pueden obtenerdeterminados informes, como típicamente sucede en los LMS. Sin embargo, para poder mejorar laautorregulación del aprendizaje, es imprescindible abordar la metacognición, informando al estudiantesobre su evolución, preferiblemente mediante visualizaciones efectivas de los datos. En este trabajo,además de mostrar ejemplos de las visualizaciones proporcionadas por los entornos utilizados, se describentambién algunos dashboards diseñados específicamente para que los estudiantes tomen concienciade sus propios logros. De este modo, se facilita la mejora en la implicación de los estudiantes y, consecuentemente,sus logros de aprendizaje.

  • English

    In the context of higher education and, more particularly, in stem-related degrees, it is common touse digital environments to support learning. In addition to the typical learning management systemsas moodle or sakai, there are many other platforms frequently used in engineering to learn programmingor digital electronic systems design, to give a couple of examples. One of the main advantages of these systems is that the interaction of the students with them provides a “footprint” that can be recorded.The collection and subsequent analysis of the generated data are known as learning analyticstechniques.In this paper the main goal is to study how using these techniques can help to get some insightabout learning processes, which could contribute to improve student involvement. To accomplish that,in each of the application contexts, firstly the indicators or data sources to be analysed, will be selected.For instance, access to learning resources, delivery of tasks and its relationship with the deadlines, orperformance in completing questionnaires. Depending on the particular environments, much more specificinformation could also be used, for example: time spent to perform some activities, percentages ofprogress, remaining activities or, for the case of certain programming environments: failed attempts, errorscommitted in the execution, quality indicators of the generated code and so on.Starting from the analysis of the collected data, instructors managing these environments can obtaincertain reports, as typically happens in the LMSs. However, in order to improve self-regulation, itis essential to address metacognition, informing the student about its progress, preferably through effectivedata visualizations. In this work, in addition to show examples of the visualizations providedby the own environments, some specifically designed dashboards to make students aware of their ownachievements are described. In this way, student engagement is fostered and, accordingly, learning outcomesare improved.