Analizando el rendimiento de los estudiantes en cursos en línea

A medida que la educación en línea se vuelve más común, entender cómo se desempeñan los estudiantes en los cursos en línea en comparación con aquellos en aulas tradicionales es muy importante. Aunque la gente suele mirar las notas finales para medir el éxito, también es esencial examinar cómo los estudiantes interactúan con los materiales del curso. Este artículo habla sobre un estudio que utiliza un nuevo enfoque para analizar las interacciones de los estudiantes y predecir su desempeño en cursos en línea.

#La Importancia del Aprendizaje en Línea

La pandemia de COVID-19 obligó a muchas instituciones educativas a cambiar al aprendizaje en línea. Este cambio no solo incluyó clases completamente en línea, sino que también alteró la forma en que se llevaban a cabo las clases presenciales, mezclando contenido en línea con métodos tradicionales. Aun con este cambio, persisten las preocupaciones sobre la efectividad del aprendizaje en línea, como las altas tasas de deserción y el bajo compromiso de los estudiantes. Para abordar estos problemas, los educadores están utilizando cada vez más la Analítica del Aprendizaje para evaluar datos de plataformas en línea y mejorar los resultados educativos.

#El Curso Bajo Revisión

El enfoque de este estudio está en un curso introductorio de programación en Python ofrecido por Georgia Tech, disponible tanto en formato en línea como en aula. Ambos tipos de cursos comparten las mismas conferencias y tareas y utilizan la plataforma EdX para la entrega. Sin embargo, los estudiantes en la clase presencial suelen ser universitarios que buscan un título y siguen un horario semestral, mientras que los aprendices en línea pueden venir de cualquier parte y no tienen un cronograma fijo para completar el curso. Este enfoque crea una oportunidad única para comparar los dos estilos de aprendizaje.

#Comparando Modalidades de Aprendizaje

A través de este estudio, los investigadores buscan entender cómo las diferentes estructuras del aprendizaje en línea y presencial impactan en el desempeño de los estudiantes. Cada método de enseñanza tiene sus propios beneficios.

• Los estudiantes de los cursos en línea aprecian la libertad de aprender a su propio ritmo. Pueden acceder a los materiales cuando quieran y elegir en qué temas enfocarse.
• Las clases presenciales ofrecen más oportunidades para la interacción social, permitiendo a estudiantes y maestros conectar de manera más personal.

Anteriormente, muchos cursos en línea se consideraban menos efectivos debido a las bajas tasas de finalización. Sin embargo, los programas en línea más nuevos y estructurados se asemejan a los cursos tradicionales y han mostrado una mejora en el éxito de los estudiantes.

#Analizando el Comportamiento de Aprendizaje

Los investigadores utilizaron Datos de Clickstream, que capturan cómo los estudiantes interactúan con los materiales en línea, para analizar el comportamiento de aprendizaje. Estos datos pueden proporcionar información sobre cuándo y cómo los estudiantes se comprometen con los recursos, ayudando a rediseñar los cursos para adaptarse mejor a sus necesidades. Estudios previos han utilizado con éxito varios modelos para predecir riesgos para los estudiantes en cursos en línea a su propio ritmo.

Al convertir el entorno de aprendizaje en un grafo, los investigadores pueden visualizar cómo los estudiantes avanzan a través de los materiales del curso. Los grafos permiten una comprensión más clara de las relaciones entre estudiantes, videos y evaluaciones. Las Redes Neuronales Convolucionales de Grafos (GCNs) representan uno de los métodos de uso de esta información para clasificar el compromiso de los estudiantes e identificar a aquellos en riesgo según sus comportamientos.

#Creando el Grafo de Conocimiento

Para llevar a cabo esta investigación, el equipo construyó un Grafo de Conocimiento Heterogéneo (HKG) que capturó diferentes elementos del curso: estudiantes, videos, evaluaciones y sus interacciones. Este grafo sirvió como base para el modelo GCN, que ayuda a predecir los resultados de los estudiantes según el contenido con el que han interactuado en el curso.

#Vista General del Contenido del Curso

El curso introductorio de Python consiste en varios módulos, cada uno con videos cortos, materiales escritos y evaluaciones. Los estudiantes tenían la opción de elegir diferentes submódulos y completar ejercicios interactivos que no contaban para sus notas finales. También había tareas calificadas y un examen final al final de cada módulo.

El conjunto de datos utilizado en este estudio incluía millones de eventos de clickstream recopilados de versiones de cursos en línea y presenciales. Los investigadores se centraron en los datos iniciados por los usuarios, incluidas las vistas de videos y las entregas de evaluaciones, que proporcionaron información relevante sobre cómo los estudiantes se comprometieron con los materiales.

#Implementación del Modelo

El modelo GCN fue construido usando el HKG y diseñado para predecir la probabilidad de que un estudiante aprobara tareas específicas basado en sus interacciones previas. El modelo se entrenó en un subconjunto de los datos, descartando información menos relevante para asegurar la precisión.

Los investigadores encontraron que el modelo funcionó bien, logrando una tasa de precisión del 70-90% en la predicción del éxito de los estudiantes. Se observaron variaciones en el rendimiento según el tipo de curso-en línea versus presencial-y cada instancia del curso mostró diferentes resultados para predecir los resultados de los estudiantes.

#Resultados y Discusión

El modelo GCN proporcionó resultados interesantes, con puntajes AUC que indicaban cuán bien podía predecir el éxito. Para los cursos en el campus, los puntajes variaron entre el 50-80%, mientras que los resultados agregados de múltiples ejecuciones mostraron una mayor capacidad predictiva para todo el conjunto de datos. En contraste, los cursos en línea mostraron resultados más consistentes.

Un hallazgo notable fue que la efectividad del modelo variaba significativamente entre diferentes instancias del curso. Esta variabilidad indica que algunos cursos presentaron más desafíos para predecir con precisión el desempeño de los estudiantes, probablemente debido a diferencias en el número de participantes y sus niveles de compromiso.

#Variabilidad en las Predicciones

A pesar del éxito del modelo GCN, surgieron inconsistencias dentro de las instancias individuales del curso. Esta inconsistencia sugiere que las clases más pequeñas pueden sesgar las predicciones, llevando a resultados menos confiables. En comparación, los cursos en línea más grandes mostraron resultados más estables.

Además, el modelo GCN demostró no ser transferible entre diferentes instancias del curso debido a la naturaleza variable de los datos. Para obtener una mejor precisión, debe desarrollarse un método para unificar diferentes componentes del curso de una manera que mejore las predicciones del modelo.

#Direcciones Futuras

Esta investigación destaca el potencial para mejorar la comprensión del desempeño y la participación de los estudiantes en cursos en línea. Sin embargo, se necesita más trabajo para ampliar estos hallazgos. Los estudios futuros deberían explorar otros cursos y diferentes trayectorias educativas para proporcionar una perspectiva más amplia.

Además, incorporar más datos sobre las interacciones de los estudiantes, como la participación en foros de discusión y patrones más detallados de compromiso con los videos, podría ayudar a mejorar las predicciones. Desarrollar un método para conectar varios componentes del curso a través de diferentes ofertas solidificará aún más la capacidad de predecir resultados.

#Conclusión

Estudiar el desempeño de los estudiantes en cursos en línea es crucial en el panorama educativo actual. Al usar métodos innovadores como los datos de clickstream y las Redes Neuronales Convolucionales de Grafos, los investigadores pueden obtener conocimientos más profundos sobre cómo los estudiantes interactúan con los materiales.

Mientras que los resultados de este estudio son prometedores, se necesita más investigación para comprender completamente las complejidades del aprendizaje en línea. A medida que el sector educativo continúa evolucionando, adoptar estas nuevas herramientas analíticas ayudará a los educadores a adaptar las experiencias de aprendizaje para satisfacer mejor las necesidades de los estudiantes, lo que eventualmente llevará a mejores resultados para todos.