Contribuciones al descubrimiento de patrones de comportamiento de estudiantes en plataformas MOOC

Abstract

Este trabajo de investigación presenta una aproximación de la representación de las rutas de aprendizaje de estudiantes en plataforma en línea masivas. El desarrollo del mismo aportó un modelo de representación para aplicarlo en plataformas MOOC, una herramienta de visualización para docentes y estudiantes que quieran identificar las rutas en cada módulo y sesión de clase. La adaptación de algoritmos para identificar patrones de comportamiento y la aplicación de un caso de estudio en la universidad del Cauca. Los eventos de los estudiantes en la plataforma, específicamente los relacionados con actividades en vídeos, foros y evaluaciones; se pudieron representar secuencialmente en grafos dirigidos cuyos vértices fueron el tipo de actividad realizada y las aristas la transición o saltos entre los contenidos. Para la construcción de los grafos se tuvo como base un modelo de representación propuesto en este trabajo y adaptado a los datos recolectados de la actividad de clickstream de los estudiantes en las plataformas. El proceso de recolección de la actividad de los estudiantes se basó en un trabajo previo de Maestría de la Universidad del Cauca del estudiante Daniel Jaramillo quien logró implementar n recolector de eventos extraídos de archivos log de las plataformas. El modelo propuesto permite identificar 4 tipos de grafos diferentes: IW: individual por periodo, IWS: individual por periodo y por sesión, IS: Individual por sesión e GW: grupal por período. La investigación logró la transformación de las interacciones de los estudiantes con MOOCs en grafos que pueden representar patrones de comportamiento con una base de datos centradas en grafos. Fue posible también desarrollar una herramienta de visualización, orientada para que los docentes puedan revisar la interacción de sus estudiantes con los contenidos del curso. Se definió una arquitectura software, un modelo de procesado enfocado en grafos con el fin de que los docentes puedan interpretar fácilmente las rutas de aprendizajes por la que los estudiantes optaron y se desplegó en un servidorWeb para que el docente pueda acceder a la herramienta desde cualquier lugar con conexión a internet. Pensando en una interpretación de los grafos obtenidos, se propuso un análisis estadístico proponiendo algoritmos para la comparación de las rutas de los estudiantes frente a la ruta definida por el docente. También se presentó una forma de identificar los saltos más comunes entre los contenidos en cada período junto con el cálculo de las medidas de centralidad que son posibles obtener con la teoría de grafos.

This research work presents an approximation of the representation of student learning paths in a massive online platform. Its development provided a representation model to apply it on MOOC platforms, a visualization tool for teachers and students who want to identify the routes in each module and class session. The adaptation of algorithms to identify behavior patterns and the application of a case study at the University of Cauca. Student events on the platform, specifically those related to video activities, forums, and assessments; they could be represented sequentially in directed graphs whose vertices were the type of activity carried out and the edges the transition or jumps between the contents. The construction of the graphs was based on a representation model proposed in this work and adapted to the data collected from the clickstream activity of the students on the platforms. The process of collecting the activity of the students was based on a previous work of the Master’s Degree of the University of Cauca of the student Daniel Jaramillo who managed to implement an event collector extracted from the log files of the platforms. The proposed model allows identifying 4 different types of graphs: IW: individual by period, IWS: individual by period and by session, IS: Individual by session and GW: group by period. The research achieved the transformation of student interactions with MOOCs into graphs that can represent behavioral patterns with a graph-centric database. It was also possible to develop a visualization tool, oriented so that teachers can review the interaction of their students with the course contents. A software architecture was defined, a processing model focused on graphs so that teachers can easily interpret the learning paths that students chose and it was deployed on a Web server so that the teacher can access the tool from anywhere with an internet connection. Thinking about an interpretation of the obtained graphs, a statistical analysis was proposed proposing algorithms for the comparison of the students’ routes against the route defined by the teacher. A way to identify the most common jumps between the contents in each period was also presented, together with the calculation of the centrality measures that are possible to obtain with graph theory.