Diferencia entre revisiones de «Estudiantes en riesgo de abandonar»

Saltar a: navegación, buscar
({{Urgente de traducir}})
(tidy up)
(No se muestran 2 ediciones intermedias del mismo usuario)
Línea 79: Línea 79:
 
=== Niveles de indicador potencial para módulos de actividad seleccionados ===
 
=== Niveles de indicador potencial para módulos de actividad seleccionados ===
  
This diagram shows the potential cognitive depth and social breadth of all core activities and select non-core activities:
+
Este diagrama muestra la profundidad cognitiva potencial y la amplitud social de todas las actividades del núcleo y algunas actividades no-del-núcleo seleccionadas:
  
[[Image:07_depth_breadth.png|frame|center|Potential cognitive depth and social breadth]]
+
[[Image:07_depth_breadth.png|frame|center|Profundidad cognitiva potencial y amplitud social]]
  
 
By categorizing each activity by potential cognitive depth and social breadth, we can anticipate what level of engagement is supported (and possibly expected) of the learner, even without a history of many learners’ actions in that activity instance. Note that higher levels along each axis include all lower levels, i.e. an activity that involves a student and all peers (social breadth 3) automatically includes levels 1 (student only) and 2 (student +1). In many cases, the specific level can only be determined by analyzing the parameter settings for the activity. (Note that the model included in Moodle 3.4 only supports activities in Moodle Core. Some non-Core activities are included here as examples.)
 
By categorizing each activity by potential cognitive depth and social breadth, we can anticipate what level of engagement is supported (and possibly expected) of the learner, even without a history of many learners’ actions in that activity instance. Note that higher levels along each axis include all lower levels, i.e. an activity that involves a student and all peers (social breadth 3) automatically includes levels 1 (student only) and 2 (student +1). In many cases, the specific level can only be determined by analyzing the parameter settings for the activity. (Note that the model included in Moodle 3.4 only supports activities in Moodle Core. Some non-Core activities are included here as examples.)
Línea 87: Línea 87:
 
== Analizable ==
 
== Analizable ==
  
The "analysable" element of Moodle for this model is the Course. This indicates that the model will iterate through the courses on the site and process each one, either to train the model or to make predictions. Predictions are made for each "sample" entity (see below) within the context of the course.
+
El elemento "analizable (analysable)" de Moodle para este modelo es el Curso. Esto indica que el modelo iterará por los cursos en el sitio y procesará cada uno, ya sea para entrenar el modelo o para hacer predicciones. Las predicciones son hechas para cada entidad "muestra (sample)" (ve adebajo) dentro del contexto del curso.
  
For scalability reasons all calculations at course level are executed in per-course basis and the resulting datasets are merged together once all site courses analysis is complete.
+
Por razones de de escalabilidad todos los cálculos al nivel del curso son ejecutados en base por-curso y los conjuntos_de_datos resultantes son juntados una vez que todos los análisis del sitio estén completos.
  
 
== Muestras ==
 
== Muestras ==
  
"Samples" in the context of machine learning indicate the unit of analysis. In this model, the samples are student enrolments in courses. Predictions will be made for each student enrolment in a course, based on the data observed during the training of the model for all previous student enrolments in courses that have ended.
+
"Muestras" en el contexto de aprendizaje de máquina indican la unidad de análisis. en este modelo, las muestras son inscripciones de estudiantes en cursos. Las predicciones se harán para cada inscripción de estudiante en un curso, basándose en los datos observados durante el entrenamiento del modelo para todas las inscripciones de estudiantes anteriores en cursos que han terminado.
  
 
=== Muestras válidas ===
 
=== Muestras válidas ===
  
Valid samples are defined for each model in terms of model training and model predictions. For this model, the criteria are:
+
Las muestras válidas son definidas para cada modelo en términos de las predicciones del modelo y el entrenamiento del modelo. Para este modelo, los criterios son:
  
* For prediction = ongoing courses
+
* Para predicción = cursos en marcha
* For training = finished courses with activity
+
* Para entrenamiento = cursos terminados con actividad
  
 
== Intuiciones ==
 
== Intuiciones ==
Línea 122: Línea 122:
 
== Métodos de División del Tiempo Recomendados ==
 
== Métodos de División del Tiempo Recomendados ==
  
This depends on the typical length of courses and the length of the add/drop period (if relevant). If you wish to see predictions within the first two weeks of a 16 week course, you will need to use "tenths." (16 weeks = 112 days, so predictions will be calculated approximately every 11 days.) However, if you wish to see predictions every two weeks in an 8 week course, "quarters" will suffice. Remember, the evaluation process will iterate through all enabled time-spitting methods, so the more time-splitting methods enabled, the slower the evaluation process will be each time it runs (and the longer the model will take to train).
+
Esto depende de la duración típica de los cursos y la duración del período de altas_y_bajas (si fuera relevante). Si Usted desea ver predicciones dentro de las primeras dos semanas de un curso de 16 semanas, Usted necesitará usar "décimos (tenths)." (16 semanas = 112 días, por lo que las predicciones serán calculadas aproximadamente cada 11 días). Sin embargo, si Usted desara ver predicciones cada dos semanas en un curso de 8 semanas, "cuartos (quarters)" serán suficientes. Recuerde, el proceso de evaluación iterará por todos los métodos para dividir el tiempo habilitados; por lo que, mientras más métodos para división del tiempo tenga habilitados, tanto más lento será el proceso de evaluación cada vez que corra (y tomará más tiempo ppara entrenar el modelo).
  
 
[[Categoría:Analítica]]
 
[[Categoría:Analítica]]
  
 
[[en:Students at risk of dropping out]]
 
[[en:Students at risk of dropping out]]

Revisión del 18:57 12 mar 2018

¡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. En Moodle 3.4, este sistema incluye un modelo interconstruido llamado "Estudiantes en riesgo de abandonar". Esta documentación describe este modelo en detalle.

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

Vea debajo para más detalles acerca de como estos constructos están definidos dentro del modelo.

Características principales

  1. Al abstraer los conceptos de "presencia cognitiva" y "presencia social," este modelo de predicción puede analizar y sacar conclusiones de una amplia variedad de cursos, y aplicar esas conclusiones para hacer predicciones acerca de nuevos cursos, incluso cursos que nunca hayan sido enseñados en el sistema Moodle anteriormente. El modelo no está limitado a hacer predicciones acerca del éxito de estudiantes solamente en duplicados exactos de cursos ofertados en el pasado.

Limitaciones

Nota: Urgente de Traducir. ¡ Anímese a traducir esta muy importante página !.     ( y otras páginas muy importantes que urge traducir)

  1. This prediction model assumes that courses have fixed start and end dates, and is not designed to be used with rolling enrollment courses. Models that support a wider range of course types will be included in future versions of Moodle.
    1. Because of this model design assumption, it is very important to properly set course start and end dates for each course to use this model. If both past courses and ongoing courses start and end dates are not properly set predictions cannot be accurate.
    2. Courses will not be included in training or predictions if the end date is before the start date.
  2. This model requires the use of sections within the courses, in order to split all activities into time ranges.
  3. Courses with start and end dates further than one year apart will not be used.
  4. This model requires a certain amount of in-Moodle data with which to make predictions. At the present time, only core Moodle activities are included in the indicator set (see below). Courses which do not include several core Moodle activities per “time slice” will have poor predictive support in this model. This prediction model will be most effective with fully online or “hybrid” or “blended” courses with substantial online components.

Because the course end date field was only introduced in Moodle 3.2 and some courses may not have set a course start date in the past, we include a command line interface script:

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

This script attempts to estimate past course start and end dates by looking at the student enrolments and students' activity logs. After running this script, please check that the estimated start and end dates script results are reasonably correct.

Meta

La meta aquí es "estudiantes abandonan el curso" (meta negativa) y está definida como: Estudiantes inscritos no muestran actividad en el cuarto final del curso.

Adicionalmente,

  1. Enrolments in which the time end is before the current start date in the course will be excluded from predictions.
  2. Enrolments lasting more than 1 year are excluded
  3. Course completion can be used as a success metric if it is enabled
  4. Otherwise, activity within the last quarter of the course is considered "not dropping out"

The code for this target is located at moodlesite/opt/app/lib/classes/analytics/target/course_dropout.php

where moodlesite is the root directory of your moodle site.

Indicadores

Los indicadores pueden ser definidos en cualquier nivel de contexto. Los indicadores usados en este modelo están implementados para cada uno de los módulos de actividad del núcleo.

Profundidad cognitiva

Cognitive depth is a measure of the construct "cognitive presence" within the Community of Inquiry theoretical framework. Cognitive presence is defined as “The extent to which the participants in any particular configuration of a community of inquiry are able to construct meaning through sustained communication” (Garrison, Anderson & Archer, 2000, p 89). Cognitive presence has usually been determined in research by manual content analysis. In this model, we define this construct based on the type of activity offered to the student, and the extent to which the student demonstrates cognitive engagement in that activity. The level of depth ranges from 0 to 5, where 0 indicates that the learner has not even viewed the activity. The levels of potential cognitive depth are:

  1. The learner has viewed the activity details
  2. The learner has submitted content to the activity
  3. The learner has viewed feedback from an instructor or peer for the activity
  4. The learner has provided feedback to the instructor or a peer within the activity
  5. The learner has revised and/or resubmitted content to the activity

This model begins by assigning a maximum potential value of cognitive depth to each activity module. For example, the Assignment module allows up to cognitive depth of 4. See below for more details of how these levels are assigned for core activity modules.

Once the potential levels are assigned, each student enroled in a course is evaluated based on the proportion of the potential depth reached. For example, if an activity only supports up to level 3 and the student has reached level 3, the student is participating at 100 percent of the possible level of cognitive depth.

Amplitud social

Social breadth is a measure of the construct "social presence" within the Community of Inquiry theoretical framework. It is defined as “The ability of participants to identify with the group or course of study, communicate purposefully in a trusting environment, and develop personal and affective relationships progressively by way of projecting their individual personalities” (Garrison, 2009, p 352). In the past, social presence has usually been measured via post-course surveys and manual discourse analysis, though there have been increasing attempts to automate this process. This model implements social presence as "social breadth" by examining the breadth of opportunities the participant has to communicate with others. The level of breadth ranges from 0 to 5, where 0 indicates the learner has not interacted with anyone. The levels of potential social breadth are:

  1. The learner has not interacted with any other participant in this activity (e.g. they have read a page)
  2. The learner has interacted with at least one other participant (e.g. they have submitted an assignment or attempted a self-grading quiz providing feedback)
  3. The learner has interacted with multiple participants in this activity, e.g. posting to a discussion forum, wiki, database, etc.
  4. The learner has interacted with participants in at least one "volley" of communications back and forth
  5. The learner has interacted with people outside the class, e.g. in an authentic community of practice

This model begins by assigning a maximum potential value of social breadth to each activity module. For example, the Assignment module allows up to social breadth of 2. See below for more details of how these levels are assigned for core activity modules.

Once the potential levels are assigned, each student enroled in a course is evaluated based on the proportion of the potential depth reached. For example, if an activity only supports up to level 3 and the student has reached level 3, the student is participating at 100 percent of the possible level of social breadth.

Niveles de indicador potencial para módulos de actividad seleccionados

Este diagrama muestra la profundidad cognitiva potencial y la amplitud social de todas las actividades del núcleo y algunas actividades no-del-núcleo seleccionadas:

Profundidad cognitiva potencial y amplitud social

By categorizing each activity by potential cognitive depth and social breadth, we can anticipate what level of engagement is supported (and possibly expected) of the learner, even without a history of many learners’ actions in that activity instance. Note that higher levels along each axis include all lower levels, i.e. an activity that involves a student and all peers (social breadth 3) automatically includes levels 1 (student only) and 2 (student +1). In many cases, the specific level can only be determined by analyzing the parameter settings for the activity. (Note that the model included in Moodle 3.4 only supports activities in Moodle Core. Some non-Core activities are included here as examples.)

Analizable

El elemento "analizable (analysable)" de Moodle para este modelo es el Curso. Esto indica que el modelo iterará por los cursos en el sitio y procesará cada uno, ya sea para entrenar el modelo o para hacer predicciones. Las predicciones son hechas para cada entidad "muestra (sample)" (ve adebajo) dentro del contexto del curso.

Por razones de de escalabilidad todos los cálculos al nivel del curso son ejecutados en base por-curso y los conjuntos_de_datos resultantes son juntados una vez que todos los análisis del sitio estén completos.

Muestras

"Muestras" en el contexto de aprendizaje de máquina indican la unidad de análisis. en este modelo, las muestras son inscripciones de estudiantes en cursos. Las predicciones se harán para cada inscripción de estudiante en un curso, basándose en los datos observados durante el entrenamiento del modelo para todas las inscripciones de estudiantes anteriores en cursos que han terminado.

Muestras válidas

Las muestras válidas son definidas para cada modelo en términos de las predicciones del modelo y el entrenamiento del modelo. Para este modelo, los criterios son:

  • Para predicción = cursos en marcha
  • Para entrenamiento = cursos terminados con actividad

Intuiciones

Intuiciones son las predicciones específicas generadas por un modelo para cada unidad definida en la muestra (en este caso, inscripciones de estudiantes en un curso) dentro del contexto de ese modelo (en este caso, cada curso). El contexto es usado para definir quien recibirá notificaciones basadas en la capacidad moodle/analytics:listinsights para ese contexto. Para este modelo, este permiso está definido para el Rol de profesor por defecto.

En este modelo, las intuiciones son binarias; por ejemplo, "estudiante con riesgo de abandonar" o "estudiante sin riesgo de abandonar".

Acciones

Cada intuición puede tener una o más acciones definidas. Para este modelo, las acciones son:

  • Enviar un mensaje al estudiante
  • Ver el Reporte de Vista general para el estudiante en este curso
  • Ver detalles de la predicción
  • Darse por enterado de la notificación
  • Marcar la notificación como "no útil"
Intuiciones y Acciones

Métodos de División del Tiempo Recomendados

Esto depende de la duración típica de los cursos y la duración del período de altas_y_bajas (si fuera relevante). Si Usted desea ver predicciones dentro de las primeras dos semanas de un curso de 16 semanas, Usted necesitará usar "décimos (tenths)." (16 semanas = 112 días, por lo que las predicciones serán calculadas aproximadamente cada 11 días). Sin embargo, si Usted desara ver predicciones cada dos semanas en un curso de 8 semanas, "cuartos (quarters)" serán suficientes. Recuerde, el proceso de evaluación iterará por todos los métodos para dividir el tiempo habilitados; por lo que, mientras más métodos para división del tiempo tenga habilitados, tanto más lento será el proceso de evaluación cada vez que corra (y tomará más tiempo ppara entrenar el modelo).