Un modelo de Sistema de Recomendación integrado con Metodologías Activas, EDM y Learning Analytics para la reducción del abandono en Educación a Distancia
DOI:
https://doi.org/10.17398/1695-288X.22.2.185Palabras clave:
Recommendation System, Active Methodologies, Educational Data Mining, Learning Analytics, DropoutResumen
La Educación a Distancia posibilitó prácticas educativas basadas en plataformas digitales. A pesar de su amplia adopción, las altas tasas de abandono son un motivo de preocupación para los maestros y gerentes institucionales. Existen iniciativas para mitigar esta situación, como Educational Data Mining (EDM), Learning Analytics (LA) y el uso de Sistemas de Recomendación (SR). Si bien son efectivas en aspectos específicos, estas técnicas carecen de mecanismos para la motivación de los estudiantes y la intervención pedagógica de los docentes, ya que no presentan propuestas metodológicas para incentivar el aprendizaje. Por tanto, este artículo describe un modelo de SR que presenta como diferencial la integración del enfoque pedagógico de las Metodologías Activas con el apoyo de técnicas de EDM y LA para identificar a los estudiantes con riesgo de abandono y potenciar la permanencia. Para ello, se implementó un prototipo y se realizó un estudio de caso con profesores de dos universidades para evaluar la funcionalidad y aceptación. Según el modelo TAM, más del 87% de los docentes está de acuerdo con la facilidad de uso y el 77% coincide en que la SR puede ser útil en el proceso de enseñanza y aprendizaje de los estudiantes. Por tanto, se puede concluir que el modelo contribuye a las prácticas docentes, fomenta el aprendizaje colaborativo y favorece el seguimiento de este proceso y de las actividades desarrolladas por los estudiantes.
Descargas
Referencias
Acosta, O. C.; Reategui, E. B. & Behar, P. A. (2018). Recomendação de conteúdo em um ambiente colaborativo de Aprendizagem Baseada em Projetos. Revista Brasileira de Informática na Educação, 26(1), 91-111. http://dx.doi.org/10.5753/rbie.2018.26.01.91
Almeida, C. M. M.; Scheunemann, C. M. B. & Lopes, P. T. C. (2020). Sala de aula invertida com tecnologias digitais e ferramenta metacognitiva para potencializar as aulas do ensino superior. Revista Latinoamericana de Tecnologia Educativa, 19(2), 65-81. https://doi.org/10.17398/1695-288X.19.2.65
Alves, M. O.; Medeiros, F. P. A. & Melo, L. B. (2020). Levantamento do estado da arte sobre Aprendizagem baseada em Problemas na Educação a Distância e Híbrida. In: Simpósio Brasileiro de Informática na Educação (SBIE), 61-71. https://doi.org/10.5753/cbie.sbie.2020.61
Andrade, T. L., Rigo, S. J., Barbosa, J. L. V. (2021). Active Methodology, Educational Data Mining and Learning Analytics: A Systematic Mapping Study. Informatics in Education, 20(2): 171-204. https://doi.org/10.15388/infedu.2021.09
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Brito, M.; Medeiros, F. & Bezerra, E. P. (2019). An Infographics-based Tool for Monitoring Dropout Risk on Distance Learning in Higher Education. In: International Conference on Information Technology Based Higher Education and Training (ITHET). IEEE. https://doi.org/10.1109/ITHET46829.2019.8937361
Campos, A.; Hollerweger, L.; Santos, G.; Farias, A. F. & Behar, P. A. (2017). Mapeamento de soluções tecnológicas em sistemas de recomendação educacionais em âmbito brasileiro. Informática na Educação: teoria e prática, 20(3), 79–96. http://hdl.handle.net/10183/173928
Chandrasekaran, D.; Thirunavukkarasu, G. S. & Littlefair , G. (2016). Collaborative Learning Experience of Students in Distance Education. In: International Symposium on Project Approaches in Engineering Education and Active Learning in Engineering Education Workshop, 90-99. https://www.researchgate.net/publication/305983309_Collaborative_Learning_Experience_of_Students_in_Distance_Education
Costa, E.; Aguiar, J. & Magalhães, J. (2013). Sistemas de Recomendação de Recursos Educacionais: conceitos, técnicas e aplicações. In: Jornada de Atualização em Informática na Educação (JAIE), 57-78. http://www.br-ie.org/pub/index.php/pie/article/view/2589/0
Cunha, F. O. M. & Siebra, C. A. (2016). Mapeamento sistemático na literatura acadêmico-científica sobre abordagens para a formação de grupos em E-Learning. Revista Brasileira de Informática na Educação, 24(3), 17-30. http://dx.doi.org/10.5753/rbie.2016.24.3.16
Fernández-Robles, J. L.; Ramírez-Ramírez, L. N.; Hernández-Gallardo, S. C. & García-Ruiz, M. Á. (2019). Formación profesional en ambientes e-learning. Estudio de caso sobre Aprendizaje Basado en Proyectos (ABP) en un curso de posgrado virtual. Revista Latinoamericana de Tecnologia Educativa, 18(1), 91-105. https://doi.org/10.17398/1695-288X.18.1.91
Ferreira, L. G. A.; Barbosa, J. L. V.; Gluz, J. C. & Vicari, R. (2015). UbiGroup: um modelo de recomendação ubíqua de conteúdo para grupos dinâmicos de aprendizes. Revista Brasileira de Informática na Educação, 23(3), 40-55. http://dx.doi.org/10.5753/rbie.2015.23.03.40
Ferreira, V. A. S.; Vasconcelos, G. C. & França, R. S. (2017). Mapeamento sistemático sobre Sistemas de Recomendações Educacionais. In: Simpósio Brasileiro de Informática na Educação (SBIE), 253–262. http://dx.doi.org/10.5753/cbie.sbie.2017.253
Guo, R.; Li, L. & Han, M. (2018). On-demand virtual lectures: Promoting active learning in distance learning. In: International Conference on E-Education, E-Business and E-Technology, 1-5. ACM. https://doi.org/10.1145/3241748.3241757
Kostopoulos, G.; Karlos, S. & Kotsiantis, S. (2019). Multiview Learning for Early Prognosis of Academic Performance: A Case Study. IEEE Transactions on Learning Technologies, 12(2), 212-224. IEEE. https://doi.org/10.1109/TLT.2019.2911581
Leite, L. S. & Ramos, M. B. (2017). A metodologia ativa no Ambiente Virtual de Aprendizagem. Metodologia ativa na educação, 85-101. Pimenta Cultural. https://www.pimentacultural.com/metodologia-ativa-na-educacao
Leite, R. R.; Pitangui, C. G.; De Assis, L. P. & Andrade, A. V. (2019). Sistemas de Recomendação em Ambientes Educacionais: estado da arte e perspectivas futuras. In: Simpósio Brasileiro de Informática na Educação (SBIE), 109-118. http://dx.doi.org/10.5753/cbie.wcbie.2019.109
Lewis, D. D. (1998). Naive Bayes at forty: The independence assumption in information retrieval. In: Machine Learning: European Conference on Machine Learning (ECML), 4-15. https://link.springer.com/content/pdf/10.1007%2FBFb0026666.pdf
Lima, E. & Siebra, C. (2017). CollabEduc: Uma Ferramenta de Colaboração em Pequenos Grupos para Plataformas de Aprendizagem a Distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1707–1716. http://dx.doi.org/10.5753/cbie.sbie.2017.1707
Lima, J. V. V.; Silva, C.; Alencar, F & Santos, W. (2020). Metodologias Ativas como forma de reduzir os desafios do ensino em Engenharia de Software: diagnóstico de um survey. In: Simpósio Brasileiro de Informática na Educação (SBIE), 172–181. https://doi.org/10.5753/cbie.sbie.2020.172
Marques, L. T.; Castro, A. F.; Marques, B. T.; Silva, J. C. P. & Queiroz, P. G. G. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: um mapeamento sistemático da literatura. Revista Novas Tecnologias na Educação (RENOTE), 17(3), 194-203. https://doi.org/10.22456/1679-1916.99470
Moraes, T. C. H. & Stiubiener, I. (2019). Sistemas híbridos para recomendações educacionais: uma revisão sistemática da literatura. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1331-1340. http://dx.doi.org/10.5753/cbie.sbie.2019.1331
Queiroga, E. M.; Cechinel, C. & Aguiar, M. S. (2019). Uma abordagem para predição de estudantes em risco utilizando algoritmos genéticos e mineração de dados: um estudo de caso com dados de um curso técnico à distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), 119-128.
http://dx.doi.org/10.5753/cbie.wcbie.2019.119
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S.; Souza, F. F. D.; Zambom, E. G. & Rodrigues, R. L. (2017). Um Modelo Preditivo da Evasão dos Alunos na EAD a partir dos Construtos da Teoria da Distância Transacional. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1227-1236. http://dx.doi.org/10.5753/cbie.sbie.2017.1227
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S. & Rodrigues, R. L. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1463-1472. http://dx.doi.org/10.5753/cbie.sbie.2018.1463
Rolim, V. B.; Mello, R. F. L. & Costa, E. B. (2017). Utilização de técnicas de aprendizado de máquina para acompanhamento de fóruns educacionais. Revista Brasileira de Informática na Educação, 25(3), 112-130. http://dx.doi.org/10.5753/rbie.2017.25.03.112
Santos, R. M. M.; Pitangui, C. G.; Andrade, A. V. & Assis, L. P. (2016). Uso de Séries Temporais e Seleção de Atributos em Mineração de Dados Educacionais para Previsão de Desempenho Acadêmico. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1146-1155. http://dx.doi.org/10.5753/cbie.sbie.2016.1146
Waheed, H.; Hassan, S.; Aljohani, N. R.; Hardman, J.; Alelyani, S. & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104(1), 1-13. Elsevier. https://doi.org/10.1016/j.chb.2019.106189
Widyahastuti, F. & Tjhin, U. (2018). Performance Prediction in Online Discussion Forum: state-of-the-art and comparative analysis. In: International Conference on Computer Science and Computational Intelligence, 302-314. Elsevier. https://doi.org/10.1016/j.procs.2018.08.178
Descargas
Publicado
Número
Sección
Licencia
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 International (CC BY-NC-ND), que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
