Estudiantes en riesgo de abandonar

¡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

1. Este modelo de predicción asume que los cursos tienen fechas de inicio y finalización fijas, y no está diseñado para ser utilizado con cursos de inscripción continua. Los modelos que admiten una gama más amplia de tipos de cursos se incluirán en futuras versiones de Moodle.
   1. Debido a este supuesto de diseño de modelo, es muy importante establecer correctamente las fechas de inicio y finalización del curso para que cada curso utilice este modelo. Si los cursos anteriores y los cursos en curso, las fechas de inicio y finalización no se configuran correctamente, las predicciones no pueden ser precisas.
   2. Los cursos no se incluirán en la capacitación o en las predicciones si la fecha de finalización es anterior a la fecha de inicio.
2. Este modelo requiere el uso de secciones dentro de los cursos, para dividir todas las actividades en intervalos de tiempo.
3. No se utilizarán cursos con fechas de inicio y finalización superiores a un año.
4. Este modelo requiere una cierta cantidad de datos in-Moodle con los que hacer predicciones. En este momento, solo se incluyen las actividades principales de Moodle en el conjunto de indicadores (ver más abajo). Los cursos que no incluyen varias actividades principales de Moodle por "intervalo de tiempo" tendrán un apoyo predictivo deficiente en este modelo. Este modelo de predicción será más efectivo con cursos completamente en línea o "híbridos" o "combinados" con componentes en línea sustanciales.

Debido a que el campo de fecha de finalización del curso solo se introdujo en Moodle 3.2 y algunos cursos pueden no haber establecido una fecha de inicio del curso en el pasado, incluimos un script de interfaz de línea de comandos:

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

Este guión intenta estimar las fechas de inicio y finalización del curso anterior mirando las inscripciones de los estudiantes y los registros de actividad de los estudiantes. Después de ejecutar este script, verifique que los resultados estimados de las fechas de inicio y finalización sean razonablemente correctos.

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. Las inscripciones en las que el tiempo finaliza antes de la fecha de inicio actual en el curso se excluirán de las predicciones.
2. Se excluyen inscripciones de más de 1 año.
3. La finalización del curso se puede utilizar como una métrica de éxito si está habilitado
4. De lo contrario, la actividad dentro del último trimestre del curso se considera "no abandono"

El código para este objetivo se encuentra en moodlesite/lib/classes/ analytics/target/course_dropout.php donde moodlesite es el directorio raíz de su sitio moodle.

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

Al categorizar cada actividad por amplitud social y profundidad cognitiva potencial, nosotros podemos anticipar que nivel de compromiso está soportado (y posiblemente esperado) del estudiante, aunque no haya una historia de las acciones de muchos estudiantes en esa instancia de actividad. Tome nota de que los niveles altos a lo largo de cada eje incluyen a todos los niveles inferiores; por ejemplo, una actividad que involucra a un estudiante y a todos sus pares (amplitud social 3) automáticamente incluye a los niveles 1 (estudiante solamente) y 2 (estudiante +1). En muchos casos, el nivel específico solamente pued ser determinado al analizar las configuraciones de los parámetros para la actividad (tome nota de que el modelo incluido en Moodle 3.4 solamente soporta actividades dentro del núcleo estándar de Moodle. Aquí están incluidas algunas actividades que no están dentro del núcleo estándar de Moodle como ejemplos.)

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).