Analitica del Aprendizaje

  • 214 views
Uploaded on

Presentación hecha en CcITA 2014 acerca de la Analítica del Aprendizaje

Presentación hecha en CcITA 2014 acerca de la Analítica del Aprendizaje

More in: Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
214
On Slideshare
0
From Embeds
0
Number of Embeds
2

Actions

Shares
Downloads
6
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide
  • SAS/Davenport
  • Key (to UMBC) is that CMS usage ALONE is established as an indicator of student success. To date, many academic analytics projects have focused on predictive data models that may have more to do with what students did or where they came from BEFORE stepping foot on campus.
  • Highly interactive online courses are predictive of student success, but variability among faculty course design means the LMS can never rise above “the course level” in terms of a “one size fits all” intervention solution.

Transcript

  • 1. Analítica del Aprendizaje Xavier Ochoa Escuela Superior Politécnica del Litoral (ESPOL)
  • 2. http://www.slideshare.net/xaoch
  • 3. Grupo de Investigación en Tecnologías para la Enseñanza y el Aprendizaje • El material adecuado en el momento adecuado. • Medir el proceso de aprendizaje. • Muchos tutores por estudiante.
  • 4. Los datos son valiosos…
  • 5. Los datos revelan: • Nuestros sentimientos • Nuestras actitudes • Nuestas conexiones sociales • Nuestras intenciones • Lo que hicimos • Lo que hacemos • Lo que haremos
  • 6. Los datos son valiosos… Si les podemos dar sentido
  • 7. Sensemaking “Sensemaking is a motivated, continuous effort to understand connections . . . in order to anticipate their trajectories and act effectively” (Klein et al. 2006)
  • 8. Analítica
  • 9. Inteligencia de Negocio
  • 10. BI • Prediction
  • 11. Otros campos
  • 12. E-Ciencia
  • 13. Que pasa en Educación ¿Cómo va tu curso? ¿Están tus estudiantes aprendiendo? ¿Funcionan tus estrategias? ¿Porqué los alumnos se retiran? ¿En que invertir los fondos? ¿Como van nuestros profesores? ¿Estoy estudiando suficiente? ¿Que hago para mejorar? ¿Donde estoy fallando?
  • 14. Siemens, George, and Phil Long. "Penetrating the fog: Analytics in learning and education." Educause Review 46.5 (2011): 30-32.
  • 15. Analítica del Aprendizaje Business Intelligence Big Data EDM Métodos Estadísticos Tutores Inteligentes Personalización Aprendizaje Adaptativo Raices de la Analítica del Aprendizaje
  • 16. CASOS Y EJEMPLOS
  • 17. “Colleges Mine Data to Predict Dropouts” “At the University System of Georgia, researchers monitored how frequently students viewed discussion posts and content pages on course Web sites for three different courses to find connections between online engagement and academic success. In the graph below, students who were "successful" received an A, B, or C in the class, and students who were "unsuccessful" received a D, F, or an incomplete.” - 5/30/08 Chronicle of Higher Ed.
  • 18. http://www.itap.purdue.edu/studio/signals/
  • 19. http://www.itap.purdue.edu/studio/signals/
  • 20. http://www.itap.purdue.edu/studio/signals/
  • 21. Bb Check My Activity (CMA)
  • 22. 26 Govaerts,Sten;Verbert,Katrien,Duval,Erik; Pardo,Abelardo,The Student Activity Meter for Awarenessand Self-reflection.Proceedings of CHI Conference on Human Factors in Computing Systems,2012,Austin,Texas,ACM.
  • 23. http://jlsantoso.blogspot.com/
  • 24. http://research.uow.edu.au/learningnetworks/seeing/snapp/index.html
  • 25. Cohere • Annotations or discussion as a network of rhetorical moves • Users must reflect on, and make explicit, the nature of their contribution Simon Buckingham Shum, Anna De Liddo
  • 26. Open Mentor Analyse, visualise and compare quality of feedback Denise Whitelock
  • 27. EJEMPLO DE ANALÍTICA ACADEMICA
  • 28. Estimación de la Dificultad ¿Cúan difícil es un curso?
  • 29. GPA vs. Calificación en el Curso Calificación > GPA Calificación < GPA 0 Calificación = GPA Tres escenarios: Diferencias entre el GPA y la calificación en el curso > 0< 0
  • 30. Ejemplos Reales
  • 31. Tres métricas de estimación
  • 32. Cursos Difíciles (Top 10) Percibido Estimado Algorithms Analysis Operating Systems Physics A Differential Equations Linear Algebra Programming Fundamentals Object-Oriented Programming Differential Calculus Data Structures Statistics Operating Systems Statistics Differential Equations Linear Algebra Programming Languages Electrical Networks I Artificial Intelligence Programming Fundamentals Data Structures Hardware Architecture and Organization
  • 33. Percepción != Estimación ¿Que hace a un curso difícil?
  • 34. Coherencia del Programa Como los cursos se agrupan juntos
  • 35. CORE - CS CURRICULUM Basic Physics Integral Calculus Multivariate Calculus Electrical Networks Digital Systems I Hardware Architectures Operative Systems General Chemistry Programming Fundamentals Object-oriented Programming Data Structures Programming Languages Database Systems I Software Engineering I Software Engineering II Oral and Written Communication Techniques Computing and Society Discrete Mathematics Algorithms Analysis Human-computer Interaction Differential Calculus Linear Algebra Differential Equations Ecology and Environmental Education Statistics Economic Engineering I Artificial Intelligence PROFESSIONAL TRAINING HUMANITIES BASIC SCIENCE
  • 36. Técnica Exploratory Factor Analysis (EFA)
  • 37. 62
  • 38. Estructura Subyacente Electrical Networks Differential Equations Software Engineering II Software Engineering I HCI Oral and Written Communication Techniques General Chemistry Programming Languages Object-Oriented Programming Data Structures Artificial Intelligence Operative Systems Software Engineering Object-Oriented Programming Economic Engineering Hardware Architectures Database Systems Digital Systems I HCI Differential and Integral Calculus Linear Algebra Multivariate Calculus Digital Systems I Basic Physics Programming Fundamentals Discrete Mathematics General Chemistry Statistics Data Structures Computing and Society Algorithms Analysis Differential Equations Ecology and Environmental Education Object-Oriented Programming FACTOR 1: Ciencias Básicas FACTOR 2: CS Avanzado FACTOR 3: Interacción con el Cliente FACTOR 4: Programación FACTOR 5: El factor ?
  • 39. La agrupación no es como esperábamos ¿Qué hacer con las materias que no se agrupan?
  • 40. Caminos de Falla Que cursos llevan a los estudiantes a retirarse
  • 41. Reprobación y Deserción Tiempo (semestres) 0 1 2 3 4 Deserción Todos comienzas felices, pero…
  • 42. Técnica Sequence Mining (Sequential PAttern Discovery using Equivalence classes - SPADE)
  • 43. Caminos de Falla Sequence Support <Physics A, Dropout> 0.608196721 <Differential Calculus , Dropout> 0.570491803 <Programming Fundamentals , Dropout> 0.532786885 <Integral Calculus , Dropout> 0.496721311 <Physics A, Differential Calculus , Dropout> 0.43442623 <Linear Algebra , Dropout> 0.432786885 <Differential Calculus, Integral Calculus , Dropout> 0.385245902 <Physics C , Dropout> 0.347540984 <Physics A, Integral Calculus , Dropout> 0.327868852 <General Chemistry , Dropout> 0.319672131 <Differential Equations , Dropout> 0.31147541
  • 44. Deserción en Cursos de Ciencia ¿Deberían empezar con CS? ¿Mucha presión en cursos de ciencias?
  • 45. Gráfico Carga/Desempeño Lo que los estudiantes creen poder vs. lo que realmente pueden
  • 46. Técnica Simple Visualisation: Density Plot of Difficulty taken vs. Difficulty approved Visual Flow
  • 47. Gráfico Carga/Desempeño
  • 48. Gráfico Carga/Desempeño
  • 49. Gráfico Carga/Desempeño
  • 50. Carga Recomendada Irreal ¿Como presentar el programa de mejor manera? ¿Cómo recomendar a los estudiantes su carga adecuada?
  • 51. EJEMPLO DE ANALÍTICA DE APRENDIZAJE
  • 52. Math Data Corpus
  • 53. Video: Uso de la Calculadora was on hat ved in- and ing by ent was core ven iffi- on, ex- ath t et formations capabilities provided by OpenCV. While there were some frames in which this matching was not possible due to object occlusions or changes in the illumination of the calculator, in general the described detection technique was robust and provided useful position and direction data. Figur e 1: D et er m inat ion of which st udent is using
  • 54. Video: Distancia de la Cabeza al Centro de la Mesa lem d to cu- par- spe- d as pre- ode- ant mall ndi- here ned de- ary ude, re- om and then, the average of these distances is obtained by prob- lem (see Figure 3). Additionally, the variance of the average distance head to table (SD-DHT), was calculated to deter- mine if a participant remains mostly static or varies his or her distance to the table. Figure 3: Calculat ion of t he dist ance of t he st udent ’s
  • 55. Audio: Cantidad de veces que dicen números o términos matemáticos
  • 56. Pluma Digital: Características del Trazo
  • 57. Resultado • Tres Caracteristicas: – Escritor más rápido (Digital Pen) – Porcentaje del Uso de la Calculadora (Video) – Número de Veces en se mencionan Números (Audio) • Pueden predecir quien es el experto 80% del tiempo • Puden predecir quien resolverá el problema correctamente 60% del tiempo
  • 58. CONCLUSIONES
  • 59. Analítica del Aprendizaje • Ya está aquí y está teniendo resultados. ¿Ud. la usa en su institución? • No resuelve los problemas, solo inicia las discusiones para resolverlos • Necesita una nueva especie de profesional: El científico de datos educativos
  • 60. QUÉ HACER PARA UNIRSE
  • 61. http://www.solaresearch.org/
  • 62. http://lak15.solaresearch.org/
  • 63. http://www.sigmla.org/mla2014
  • 64. Gracias / Thank you / Obrigado Xavier Ochoa xavier@cti.espol.edu.ec http://ariadne.cti.espol.edu.ec/xavier Twitter: @xaoch