Analítica

Saltar a: navegación, buscar
¡Nueva característica
en Moodle 3.4!


Vista general

Comenzando con la versión 3.4, el núcleo de Moodle ahora implementa analítica del aprendizaje transparente, de próxima-generación, de código abierto, usando backends de aprendizaje de máquina que van más allá de la analítica descriptiva simple, para proporcionar predictores de éxito del estudiante, y diagnóstico final y prescripciones (recomendaciones) para estudiantes y profesores.

En Moodle 3.4, este sistema viene con dos modelos interconstruidos:

El sistema puede ser extendido fácilmente con nuevos modelos personalizados, basados en metas, indicadores y otros componentes reutilizables. Para más información, vea la documentación en idioma inglés para desarrolladores Analytics API.

Características destacadas

  • Dos modelos de predicción interconstruídos: "Estudiantes en riesgo de abandonar cursos" y "Sin actividad de enseñanza".
  • Un conjunto de indicadores de compromiso del estudiante basados en la Community of Inquiry.
  • Herramientas interconstruídas para evaluar modelos contra sus datos del sitio
  • Notificaciones proactivas para instructores usando Eventos
  • Los instructores pueden enviar con facilidad mensajes a los estudiantes identificados por el modelo, o saltar al Reporte de perspectiva para ese estudiante para ver más detalles acerca de la actividad del estudiante
  • Una API para construir indicadores y modelos de predicción para plugins Moodle de terceros
  • Tipo de plugin de backend para aprendizaje de máquina - soporta PHP y Python, y puede ser extendido para implementar otros backends de aprendizaje de máquina

Nota: PHP 7.x es requerido.

Limitaciones

Esta versión de Analítica del Aprendizaje Moodle tiene las siguientes limitaciones:

  • Los modelos incluidos en esta versión necesitan ser "entrenados" en un sitio que tenga cursos previamente completados; idealmente usando la característica de finalización del curso de Moodle. Los modelos actuales no pueden hacer predicciones en un sitio mientras no se haya hecho esto.
  • El modelo de predicción incluido con esta versión requiere que los cursos tengan fechas fijas de inicio y fin del curso, y no están diseñados para ser usados con cursos con inscripciones contínuas. Los modelos que soporten una más amplia gama de cursos serán incluidos en versiones futuras de Moodle.
  • Los modelos y las predicciones solamente son visibles para los profesores y administradores actualmente.

Nosotros continuamos mejorando la Analítica del Aprendizaje de Moodle y las capacidades expandidas serán liberadas conforme avancemos. Para ayudar a contribuir a nuestro progreso, por favor únase a la conversación en idioma inglés en Moodle Learning Analytics Community. En particular, nosotros aun necesitamos conjuntos de datos de una amplia varidad de instituciones que usan Moodle para poder producir un modelo de predicción funcional que no dependa de datos locales del sitio antes de que pueda ser usado.

Configuraciones

Usted puede acceder a Configuraciones de Analítica desde Adminsitración del sitio > Analítica > Configuraciones de Analítica.

Procesador de predicciones

Selección del procesador de predicciones

Los procesadores de predicción son los 'backends' del aprendizaje de máquina que procesan los conjuntos de datos generados de los indicadores calculados y las metas y regresan las predicciones. El núcleo de Moodle incluye 2 procesadores de predicción:

  • El procesador PHP es el elegido por defecto. No hay otros requisitos del sistema para usar este procesador.
  • El Python es más poderoso y genera gráficas que explican el desempeño del modelo. Requiere la configuración de herramientas extra: Python mismo (https://wiki.python.org/moin/BeginnersGuide/Download) y el paquete moodlemlbackend python. Tenga en cuenta que Usted necesitará compilar la dependencia tensorflow desde el código fuente si está usando Python 3 porque Google no generó paquetes tensorflow pip para Python 3
   pip install moodlemlbackend

Métodos de división del tiempo

Los métodos de división del tiempo permiten que las intuiciones generadas de un curso sean usadas en otro curso, aunque los dos cursos no tengan exactamente la misma duración.

Métodos de división del tiempo

Cada método de división del tiempo divide la duración del curso en segmentos. Al final de cada segmento definido, el motor de predicciones correrá y generará intuiciones. Se le recomienda que solamente habilite los métodos de división del tiempo que Usted está interesado en usar; el proceso de evaluación iterará por todos los métodos de división del tiempo habilitados; por lo que, mientras más métodos de división del tiempo tenga habilitados, tanto más lento será el proceso de evaluación.

Directorio de salida de modelos

Directorio de salida de modelos

Esta configración le permite definir un directorio en donde serán almacenados los datos de los 'backends' del aprendizaje de máquina. Asegúrese de que este directorio exista y de que sea escribible por el servidor web.

Gestión del modelo

Moodle puede soportar varios modelos de predicción a la vez, aun adentro del mismo curso. Esto puede usarse para probar A/B para comparar el desempeño y la exactitud de múltiples modelos.

El núcleo de Moodle vienen con dos modelos de predicción: Estudiantes en riesgo de abandonar y Sin enseñanza . Modelos de predicción adicionales pueden ser creados usando Analytics API. Cada modelo está basado en la predicción de una única "meta" específica, o resultado (sea deseable o indeseable), basada en un número de indicadores selccionados.

Usted puede gestionar sus modelos del sistema desde Administración del sitio > Analítica > Modelos analíticos.

prediction-models-list.jpeg

Estas son algunas de las acciones que Usted puede realizar sobre un modelo:

  • Obtener predicciones: Entrenar algoritmos de aprendizaje de máquina con nuevos datos disponibles y obtener predicciones para cursos en operación. Las predicciones no están limitadas a los cursos en operación; esto depende del modelo.
  • Evaluar: (deshabilitado por defecto) Evaluar el modelo de predicción al obtener todos los datos de entrenamiento disponibles en el sitio, calculando todos los indicadores y la meta y pasando los conjuntos_de_datos de resultados a los 'backends' de aprendizaje de máquina; ellos dividirán los conjuntos_de_datos en datos para entrenamiento y datos de prueba y calcularán su precisión. Tome nota de que el proceso de evaluación usa toda la información disponible en el sitio, aunque sea muy antigua; la precisión regresada por el proceso de evaluación genralmente será menor que la precisión real del modelo ya que los indicadores serán calculados de forma más confiable después de que estén disponible los datos de entrenamiento, debido a que el estado del sitio cambia con el tiempo. La métrica usada como precisión es el Coeficiente de correlación de Matthew (buena métrica para clasificaciones binarias)
  • Bitácoras: Ver la bitácora de evaluaciones anteriores, incluyendo la precisión del modelo y también otra información técnica generada por los 'backends' de aprendizaje de máquina como las curvas ROC, gráficas de curvas del aprendizaje, el 'tensorboard log dir' o el coeficiente de correlación de Matthew del modelo. La información disponible dependerá del 'backend' de aprendizaje de máquina en uso.
  • Editar: Usted puede editar los modelos al modificar la lista de indicadores o el método para divisón del tiempo. Todos los indicadores anteriores serán eliminados cuando un modelo sea modificado. Los modelos basados en presunciones (modelos estáticos) no pueden ser editados.
  • Habilitar / Deshabilitar: El trabajo agendado que entrena los algoritmos del aprendizaje de máquina con los nuevos datos disponibles en el sistema y obtienen predicciones para los cursos en operación se saltan los modelos deshabilitados. Las predicciones anteriores generadas por modelos deshabilitados no estarán disponibles hasta que el modelo sea habilitado de nuevo.
  • Exportar: Exporte los datos de entrenamiento del sitio para compartirlos con sus instituciones socias.
  • Elementos inválidos del sitio: Reportes sobre cuales elementos del sitio no pueden ser analizados por este modelo
  • Borrar predicciones: Borrar todos los datos de entrenamiento y predicciones de modelos

model-evaluation.jpeg

Usted puede forzar el proceso de evaluación del modelo para que se ejecute desde la línea de comandos:

$ admin/tool/analytics/cli/evaluate_model.php 

Modelos del núcleo

Estudiantes en riesgo de abandonar

Este modelo predice estudiantes que están en riesgo de no-finalizar (abandonar / desertar) de un curso Moodle, basándose en un bajo compromiso del estudiante. En este modelo, la definición de "abandonar" es "sin actividad del estudiante en el último cuarto del curso." Este modelo de predicción usa el modelo de la Community of Inquiry de compromiso del estudiante, que consiste de tres partes:

  • Presencia cognitiva
  • Presencia social
  • Presencia del profesor

Este modelo de predicción puede analizar y sacar conclusiones de una amplia variedad de cursos, y puede aplicar esas conclusiones para hacer predicciones sobre cursos nuevos. El modelo no está limitado a hacer solamente predicciones sobre éxito de estudiantes en duplicados exactos de cursos ofrecidos en el pasado. Sin embargo, hay algunas limitaciones:

  1. Este modelo de predicción asume que los cursos tienen fechas fijas para inicio y fin, y no está diseñado para usarse con cursos con inscripciones contínuas. Los modelos que soportan una más amplia gama de tipos de cursos serán incluidos en versiones futuras de Moodle. Por esta presunción del diseño del modelo, es muy importante el configurar correctamente las fechas de inicio y fin del curso para cada curso para usar este modelo. Si ambos, tanto los cursos pasados como los cursos en operación no tuvieran adecuadamente configuradas sus fechas de inicio y fin, las predcciones no pueden ser exactas. Debido a que la fecha para fin del curso fue introducida en Moodle 3.2 y que algunos cursos podrían no tener configurada una fecha de inicio del curso en el pasado, hemos incluido un script para la interfaz por línea de comandos:
$ admin/tool/analytics/cli/guess_course_start_and_end.php 

Este script intenta estimar las fechas pasadas de inicio y fin del curso al revisar las incripciones de los estudiantes y sus bitácoras de actividad. Después de ejecutar este script, por favor revise que las fechas estimadas de inicio y fin arrojadas por el script sean razonablemente correctas.

  1. Este modelo requiere una cierta cantidad de datos de Moodle con los cuales hacer las predicciones. Actualmente (marzo 2017), solamente las Actividades del núcleo estándar de Moodle están incluidas en el conjunto del indicador (vea abajo). Los cursos que no incluyan varias Actividades estándar del núcleo de Moodle por “rebanada de tiempo” tendrán un pobre soporte predictivo en este modelo. Este modelo de predicción será más efectivo con cursos que sean totalmente en-línea o “híbridos” o “blended” con componentes en-línea sustanciales.

Sin enseñanza

Las intuiciones de este modelo le informarán a los mánagers (gestores) del sitio sobre cursos con una fecha de inicio próxima que no tienen actividad de enseñanza. Este es un modelo simple y no usa el backend de aprendizaje de máquina para regresar predicciones. Basa las predicciones en supuestos; por ejemplo, no hay enseñanza si no hubiera estudiantes.

Predicciones e Intuiciones

Los modelos comenzarán a generar predicciones en diferentes momentos, dependiendo de los modelos de predicción del sitio y las fechas de inicio y fin de los cursos del sitio.

Cada modelo define cuales predicciones generarán intuiciones y cuales predicciones serán ignoradas. Este es un ejemplo del modelo de predicción de Estudiantes en riesgo de abandonar; si un estudiante está predicho como no-en-riesgo, no se generará intuición, ya que lo que es interesante es saber cuales estudiantes sí están en riesgo de abandonar los cursos, no los que no están en riesgo.

prediction-model-insights.jpeg