Variables de comportamiento para desarrollar un modelo de interacción en los LMSs

Abstract

El objetivo principal de esta tesis doctoral es descubrir variables de comportamiento de los alumnos en los LMSs que puedan ser empleadas en un modelo de interacción y adaptación con el fin de mejorar el proceso E-A. Para alcanzar este objetivo, se ha desarrollado un modelo teórico de interacción y adaptación para LMSs que permita la mejora del proceso E-A y se han obtenido patrones y variables de comportamiento en los LMSs que influyen en los procesos de aprendizaje de los alumnos. En primer lugar, se describe un modelo de interacción y adaptación LMSs que, utilizando variables centrales en el proceso de aprendizaje, permite aplicar reglas adaptativas a los distintos tipos de contenidos y conocimientos que se han de transmitir o adquirir. A nivel aplicado, el modelo obtenido permite desarrollar cursos adaptados que dan soporte y promueven el aprendizaje y la autorregulación dentro de los entornos de aprendizaje virtuales. Además, se presenta una implementación de un prototipo del modelo en la arquitectura Moodle En segundo lugar, se estudiaron los procesos de aprendizaje de los alumnos en LMSs empleando el enfoque de la Minería de Datos Educacional (EDM). Se empleó un conjunto de datos extraído a través de los logs de interacción de los alumnos (N = 140) en una plataforma Moodle. Se agruparon a los alumnos según su interacción mediante clustering y se relacionaron con distintos tipos de rendimiento, en base a variables relacionadas con el esfuerzo, el tiempo de trabajo y la procrastinación. Se descubrieron cuatro patrones de aprendizaje diferentes con distintos niveles de rendimiento. Además, los resultados mostraron que hay variables que tienen mayor relación con el rendimiento de los alumnos y con la idioneadad para configurar los clusters. En base a estos resultados, los clusters se etiquetaron de la siguiente manera: dos grupos orientados a la actividad (enfoque individual o social) y dos grupos no orientados a la actividad (procrastinadores o no procrastinadores). Los resultados obtenidos tienen implicaciones en el diseño de programas de intervención para mejorar tanto los procesos de aprendizaje de los alumnos, como el rendimiento en los LMSs. Por último, se realizó un estudio, basado en técnicas de EDM, para evaluar la relación del comportamiento procrastinador de los alumnos en un LMS y el rendimiento obtenido. Se emplearon dos conjuntos de datos (N1 = 67 y N2 = 73) de dos años consecutivos, obtenidos de los logs de interacción de los alumnos en un curso sobre una plataforma Moodle. Se seleccionaron variables relacionadas con la procrastinación, el tiempo de estudio y el esfuerzo, y el rendimiento obtenido por los alumnos. Posteriormente, se analizó la muestra mediante reglas de asociación con clase (CAR), con un mínimo de 0,80 de precisión, empleando en el consecuente los diferentes niveles de rendimiento (bajo, medio y alto). Se obtuvieron 111 reglas de asociación entre los dos conjuntos de datos, tres de ellas presentes en ambos conjuntos. Los resultados obtenidos, confirman la relación inversa del comportamiento procrastinador y el rendimiento de los alumnos en LMSs, así como el valor predictivo, en cursos sucesivos, de las reglas de asociación basadas en este tipo de variables.