Estudiantes en riesgo de abandonar
- Para administradores del sitio
- Modelos de analítica del aprendizaje
- Para profesores
- Para desarrolladores
- Para investigadores
¡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 (Comunidad de Investigación) 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
- 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
- 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.
- 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.
- Los cursos no se incluirán en la capacitación o en las predicciones si la fecha de finalización es anterior a la fecha de inicio.
- Este modelo requiere el uso de secciones dentro de los cursos, para dividir todas las actividades en intervalos de tiempo.
- No se utilizarán cursos con fechas de inicio y finalización superiores a un año.
- Este modelo requiere una cierta cantidad de datos dentro-de-Moodle con los que hacer predicciones. En este momento, solamente 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 script 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,
- Las inscripciones en las que el tiempo finaliza antes de la fecha de inicio actual en el curso se excluirán de las predicciones.
- Se excluyen inscripciones de más de 1 año.
- La finalización del curso se puede utilizar como una métrica de éxito si está habilitado
- De lo contrario, la actividad dentro del último trimestre del curso se considera "no abandono"
El código para este objetivo se encuentra en moodlesite/course/classes/analytics/target/course_dropout.php donde moodlesitees 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 de Moodle.
Profundidad cognitiva
La profundidad cognitiva es una medida del constructo "presencia cognitiva" dentro del marco teórico de la Community of Inquiry (Comunidad de Investigación) . Presencia cognitiva es definida como “La extensión en la cual los participantes en cualquier configuración particular de una Community of Inquiry (Comunidad de Investigación) pueden construir significado mediante comunicación sostenida” (Garrison, Anderson & Archer, 2000, p 89). Presencia cognitiva usualmente ha sido determinada en investigación por análisis manual de contenido. En este modelo, nosotros definimos este constructobasado en el tipo de actividad ofrecido al estudiante, y la extensión en la que el estudiante demuestra compromiso cognitivo en esa actividad. El nivel de profundidad varía de 0 a 5, donde 0 indica que el estudiante ni siquiera ha visto la actividad. Los niveles de profundidad cognitiva potencial son:
- El estudiante ha visto los detalles de la actividad
- El estudiante ha enviado contenido a la actividad
- El estudiante ha visto retroalimentación de un instructor o de uno de sus pares para la actividad
- El estudiante ha proporcionado retroalimentación al instructor o a uno de sus pares dentro de la actividad
- El estudiante ha revisado o ha re-enviado contenido a la actividad
El modelo inicia al asignar un valor potencial máximo de profundidad cognitiva a cada módulo de actividad. Por ejemplo, el módulo de Tarea permite hasta una profundidad cognitiva de 4. Vea debajo para más detalles sobre como estos niveles son asignados para módulos de actividad del núcleo de Moodle.
Una vez que los niveles potenciales son asignados, cada estudiante inscrito en un curso es evaluado basado en la proporción de las profundidades potenciales alcanzadas. Por ejemplo, si una actividad solamente soporta hasta el nivel 3 y el estudiante ha alcanzado nivel 3, el estudiante está participando al 100 por ciento del nivel posible de profundidad cognitiva.
Amplitud social
Amplitud social es una medida del constructo "presencia social" dentro del marco teórico de la Community of Inquiry (Comunidad de Investigación). Está definida como “La habilidad de los participantes para identificar(se) con el grupo o curso de estudio, comunicarse intencionalmente en un entorno de confianza, y desarrollar relaciones personales y afectivas progresivamente por medio de proyectar sus personalidades individuales” (Garrison, 2009, p 352). En el pasado, la presencia social usualmente ha sido medida vía encuestas posteriores al curso y análisis manual del discurso, aunque ha habido intentos crecientes para automatizar este proceso. Este modelo implementa presencia social como una "amplitud social" al examinar la amplitud de oportunidades que el participante tiene para comunicarse con otros. El nivel de amplitud social varía de 0 a 5, donde 0 indica que el estudiante no ha interactuado con nadie.Los niveles de amplitud social son:
- El estudiante no ha interactuado con ningún otro participante en esta actividad (por ejemplo, ellos han leído una página)
- El estudiante ha interactuado con al menos un (otro) participante (por ejemplo, ellos han enviado una tarea o intentado un examen que se auto-califica y que proporciona retroalimentación)
- El estudiante ha interactuado con múltiples participantes en esta actividad, por ejemplo al publicar en un foro de discusión, wiki, base de datos, etc.
- El estudiante ha interactuado con participantes en al menos una "retahila" de comunicaciones de ida y vuelta
- El estudiante ha interactuado con personas fuera de la clase, por ejemplo en una auténtica comunidad de práctica
Este modelo inicia al asignar un valor potencial máximo de amplitud social a cada módulo de actividad. Por ejemplo, el módulo de Tarea permite hasta una amplitud social de 2. Vea debajo para más detalles acerca de como son asignados estos niveles para los módulos de actividad del núcleo de Moodle.
Una vez que los niveles potenciales son asignados, cada estudiante inscrito en un curso es evaluado basado en la proporción de profundidad potencial alcanzada. Por ejemplo, si una actividad solamente soporta hasta el nivel 3 y el estudiante ha alcanzado nivel 3, el estudiante está participando al 100 por ciento del nivel posible de amplitud social.
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:
Al categorizar cada actividad por amplitud social y profundidad cognitiva potencial, nosotros podemos anticipar qué 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. Tenga en cuenta 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 (tenga en cuenta 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 (sample) entidad "muestra" (vea debajo) dentro del contexto del curso.
Por razones 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"
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 habilitados para dividir el tiempo; por lo que, mientras más métodos para división del tiempo tenga habilitados, tanto más lento será el proceso de evaluación cada vez que ejecute (y tomará más tiempo para entrenar el modelo).