La Universidad en la Nube
Learning analytics para predecir la deserción de estudiantes a distancia
Learning analytics to predict dropout of distance students
Daysi García-Tinizaray. Loja (Ecuador)
Karla Ordoñez-Briceño. Loja (Ecuador)
Juan Carlos Torres-Diaz. Loja (Ecuador)
Resumen/Abstract
-
Resumen / Abstract
Los datos que se generan como producto del trabajo de los estudiantes en un entorno virtual tienen el potencial de convertirse en información valiosa para la toma de desiciones y para anticiparse en el tiempo y prevenir la deserción. En esta investigación se explora un conjunto de esos datos en una universidad de Ecuador cuyos estudiantes realizan sus estudios en modalidad a distancia. Se aplican métodos multivariantes y se obtiene un conjunto reducido de variables con las que se predice la deserción. El artículo abarca el desarrollo de un modelo predictivo aplicando regresión logística, los resultados muestran que las variables relacionadas al acceso a un entorno virtual, la participación en foros y la subida y descarga de recursos educativos son las que determinan una portencial deserción.
The data generated as a result of the work of students in a virtual environment has the potential to become valuable information for decision making and prevent dropout. In this research a set of data is analyzed in a distance learning Ecuadorian university. Multivariate methods are used to obtain a reduced set of variables which predicts students dropout. The article covers the development of a predictive model using logistic regression; the results show that the variables related to access to a virtual environment, participation in forums and upload and download educational resources are determinants of dropout. Palabras Clave/Keywords
-
Palabras Clave / Keywords
Learning analytics, Deserción, Factorial, Logística, Educación, Predictivo.
Learning analytics, Dropout, Factorial, Logistic, Education, Predictive. Referencias/References
-
Referencias / References
Arnold, K. (2010). Signals: Applying Academic Analytics. EDUCAUSE Quarterly, 33(1). Retrieved from http://www.educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterlyMagazineVolum/SignalsApplyingAc
Bach, C. (2010). Learning Analytics: Targeting Instruction, Curricula and Student Support. In International Instruction on Informatics and Systemics Conference. Orlando, USA. Retrieved from http://www.iiis.org/CDs2010/CD2010SCI/EISTA_2010/PapersPdf/EA655ES.pdf
Barber, R., & Sharkey, M. (2012). Course correction: using analytics to predict course success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge(LAK '12), Simon Buckingham Shum, Dragan Gasevic, and Rebecca Ferguson (Eds.). ACM, New York, NY, USA, 259-262. DOI=10.1145/2330601.2330664 http://doi.acm.org/10.1145/2330601.2330664
Becker, B. (2013). Learning Analytics: Insights Into the Natural Learning Behavior of Our Students, Behavioral & Social Sciences Librarian, 32:1, 63-67, DOI: 10.1080/01639269.2013.751804, Recuperado de: http://dx.doi.org/10.1080/01639269.2013.751804
Beltrán, A., & Cosolito, P. (2009). Variables que condicionan la deserción y retención durante el trayecto universitario de alumnos de la carrera de Ingeniería Agronómica de la Universidad Nacional de Rosario. Revista de Epistemología y Ciencias Humanas.
Bienkowski, M., Feng, M., Means, B. (2012). Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief. Educational Technology.
Buckingham, S., & Ferguson, R. (2011). Social Learning Analytics. Learning. Retrieved from http://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf
Campbell, J., DeBlois, P., & Oblinger, D. (2007). Academic analytics a new tool for a new era. EDUCAUSE review, 41–51.
Casini, R., Gonzalez, M., Gertel, H., & Giuliodori, R. (2012). Métodos estadísticos aplicados para el análisis de deserción y rendimiento académico de estudiantes de tres facultades de la universidad nacional de córdoba. In X Congreso Latinoamericano de sociedades de estadística córdoba. Córdova, Argentina.
Castaño-Muñoz, J., Duart, J. M., & Sancho-Vinuesa, T. (2013). The Internet in face-to-face higher education: Can interactive learning improve academic achievement? British Journal of Educational Technology. doi:10.1111/bjet.12007
Chávez, M., & Zurita, G. (2007). Estudio estadístico acerca de la deserción estudiantil de la Espol: el Caso de las facultades de ingenierías. Quito, Ecuador.
Daniel, J. (2012). Making Sense of MOOCs: Musings in a Maze of Myth, Paradox and Possibility.
Díaz De Rada, J. V. (1998). Diseño de tipologías de consumidores mediante la utilización conjunta del Análisis Cluster y otras técnicas multivariantes. Revista Española de Economía Agraria, 182, 75–104. Retrieved from http://dialnet.unirioja.es/servlet/autor?codigo=173331
Dyckhoff, A. L. Zielke, D. Bültmann, M., C., Mamed, A. & Schroeder, U. (2012). Design and Implementation of a Learning Analytics Toolkit for Teachers. Recuperado de: http://www.ifets.info/journals/15_3/ets_15_3.pdf
Dietz-Uhler, B. & Hurn, J. (2013): Using learning analytics to predict (and improve) student success: a faculty perspective. Journal of Interactive Online Learning, 12(1), 17-26.
Garman, G. 2010. A Logistic Approach to Predicting Student Success in Online Database Courses. American Journal of Business Education. 3(12), 1-5.
Girón, L., & González, E. (2006). Determinantes del rendimiento académico y la deserción estudiantil, en el programa de Economía de la Pontificia Universidad Javeriana de Cali. Revista de Economía.
Johnson, L., Smith, R., Willis, H., Levine, A., & Haywood, K. (2011). The horizon report. Media. Austin, Texas: The New Media Consortium.
Sánchez, M. (2013). Los MOOCs como ecosistema para el desarrollo de prácticas y culturas digitales. Campus Virtuales, 1(2), 112–123.
Ramos, C. & Yudko, E. 2008. “Hits” (Not “Discussion Posts”) Predict Student Success in Online Courses: A Double Cross-Validation Study. Computers & Education. 50(4), 1174-1182.
Schroeder, U., (2009). Web Based Learning - Yes we can! Proceedings of the International Conference on Advances In Web-Based Learning 2009. Lecture Notes in Computer Science, 5686, 25-33.
Siemens, G. (2010). What are Learning Analytics? (LA). elearnspace learning, networks, knowledge, technology, community. Retrieved June 17, 2011, from http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/
Siemens, G. (2012). Learning analytics: envisioning a research discipline and a domain of practice. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12), Simon Buckingham Shum, Dragan Gasevic, and Rebecca Ferguson (Eds.). ACM, New York, NY, USA, 4-8. DOI=10.1145/2330601.2330605 http://doi.acm.org/10.1145/2330601.2330605
Smith, V. C., Lange, A., & Huston, D. R. (2012). Predictive modeling to forecast student outcomes and drive effective interventions in online community college courses. Journal of Asynchronous Learning Networks, 16(3), 51-61.
Torres-Diaz, J. C. (2013). Análisis de las relaciones entre los niveles de ingreso, edad y género de los estudiantes, los usos de internet y el rendimiento académico en un grupo de universidades ecuatorianas presenciales. UOC.
Cómo citar/How to cite
-
Cómo citar / How to cite
García-Tinizaray, D., Ordoñez-Briceño, K. & Torres-Diaz, J. C. (2014). Learning analytics para predecir la deserción de estudiantes a distancia. Campus virtuales, 3(1), 120-126.
García-Tinizaray, D., Ordoñez-Briceño, K. & Torres-Diaz, J. C. (2014). Learning analytics to predict dropout of distance students. Campus virtuales, 3(1), 120-126.