Interacción de los estudiantes con las actividades de Moodleun estudio basado en Web Mining
- Juan Pedro Muñoz Gea 1
- Francisco Javier Pérez de la Cruz 2
- Sonia Busquier Sáez 1
- María Magdalena Silva Pérez 1
- Carlos Angosto Hernández 1
-
1
Universidad Politécnica de Cartagena
info
- 2 Universidad Politécnica de Cartagnea
ISSN: 2695-9933
Año de publicación: 2016
Volumen: 5
Número: 1
Páginas: 19-28
Tipo: Artículo
Otras publicaciones en: TECHNO REVIEW: International Technology, Science and Society Review / Revista Internacional de Tecnología, Ciencia y Sociedad
Resumen
El propósito de este artículo es analizar el aprendizaje a un conjunto de datos obtenidos de la plataforma Moodle y hacer seguimiento de la actividad del alumno como requerimiento imprescindible para este nuevo proceso de enseñanza-aprendizaje interactivo en la implantación del Espacio Europeo de Enseñanza Superior (EEES), ha supuesto una modifica-ción sustancial en los procesos de evaluación. Se utiliza como metodología la minería web distintas de las asignaturas para extraer información utilizando variables que aportan información acerca de la forma en la que los estudiantes interactúan con distintas actividades configuradas en la plataforma virtual Moodle, así como el seguimiento que hacen de la asignatura teniendo en cuenta variables temporales. Se evidencia en los resultados que los sistemas para la gestión del aprendizaje, Learning Management System (LMS), en forma de plataformas virtuales de enseñanza almacenan gran cantidad de informa-ción que permiten extraer las distintas interactuaciones con asignaturas previstas en la plataforma virtual Moodle. Se con-cluye que existe relación entre las interacciones con Moodle y el rendimiento académico, así como el uso de los estudiantes y profesores de dicha plataforma.
Referencias bibliográficas
- Agudo-Peregrina, A. F., Iglesias-Pradas, S., Conde-González, M. A., Hernández-García, A. (2013). Can we predict success from log data in VLEs? Classification of interactions for leaning analyticis and their relation with performance in VLE-supported F2F and online learning. Computers in Human Behaviour, accepted to be published.
- Baker, R., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future revisions. Journal of Educational Data Mining, 1(1), pp. 3-17.
- Balgojevic, M., & Micic, Z. (2013). A web-based intelligent report e-learning system using data mining techniques. Computers and Electrical Engineering, 39, pp. 465-474.
- Donnelly, R. (2010). Interaction analysis in a ‘Learning by Doing’problem-based professional development context. Computers & Education, 55(3), pp. 1357-1366.
- Ferguson, R. (2012).The state of learning analytics in 2012: A review and future challenges. Technical report KMI-12-01. UK: Knowledge Media Institute, The Open University. Google Analytics, http://www.google.com/analytics/Moodle, https://www.moodle.org/
- Mostow, J., & Beck, J. (2006). Some useful tactics to modify, map and mine data from intelligent tutors. Natural Language Engineering, 12(02), pp. 195-208.
- Philips, R., Maor, D., Preston, G., & Cumming-Potvin, W. (2012). Exploring learning analytics as indicators of study behavior. In: World Conference on Educational Multimedia, Hypermedia and Telecommunications (EDMEDIA), pp. 2861-2867.
- Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33(1), pp. 135-146.
- Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computer & Education, 51(6), pp. 368-384.
- Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 40(6), pp. 601-618.
- Sims, R. (1999). Interactivity on stage: Strategies for learner-designer communication. Australian Journal of Educational Technology, 15(3), pp. 257-272.