Construcción de un modelo para determinar el rendimiento académico de los estudiantes basado en learning analytics (análisis del aprendizaje), mediante el uso de técnicas multivariantes

Abstract

Las plataformas de enseñanza virtual tales como WEbCT, Moodle, Blackboard, Claroline, Dokeos y recientemente las plataformas MOOC (Massive Open Online Courses) permiten a las universidades monitorizar en tiempo real la actividad de los estudiantes. La integración de esta información con otras variables está en el origen de las técnicas de extracción de conocimiento útil para la mejora del proceso de enseñanza-aprendizaje, conocidas como análisis del aprendizaje (learning analytics). El objetivo central de la tesis es emplear el análisis del aprendizaje para identificar los factores y covariables que influyen en el rendimiento académico de los estudiantes universitarios, y construir un modelo multivariante de cómo influyen. Las preguntas que ha pretendido responder la investigación son: ¿Qué proporción de la variación en el rendimiento académico puede atribuirse a las variables que engloba el learning analytics?; ¿Cuál es la influencia que existe entre variables sociodemográficas y académicas sobre el rendimiento académico del colectivo de estudiantes universitarios ecuatorianos de modalidad a distancia?; ¿Existe una relación entre el rendimiento académico y el contexto de los estudiantes y aulas así como entre éstas dos a través del contexto de las escuelas?. Para ello en el capítulo 1 se revisan los tipos de análisis de datos que se están aplicando actualmente en el ámbito educativo, como son: Data Mining , Academic Analytics y el propio análisis del aprendizaje, ampliando la revisión de este último. En el capítulo 2 se hace una revisión teórica sobre el rendimiento académico y de los modelos estadísticos que se han venido aplicando a la hora de medirlo. El capítulo 3 recoge una revisión de las técnicas estadísticas aplicadas en la investigación educativa. En el capítulo 4 se introduce la metodología de estudio, selección de casos y variables que permiten justificar la elección de los modelos multivariantes. En el capítulo 5 se obtienen los resultados del modelo empírico multinivel estimando el modelo jerárquico con 2 y 3 niveles: estudiante (nivel inferior), aula (nivel intermedio) y escuela (nivel superior), utilizando el software Stata/SE 12.0. En el capítulo 6 se desarrolla un modelo logístico bivariante binario y un modelo logístico bivariante ordinal, los parámetros de los modelos se estiman usando el software R con la plataforma RStudio. En el capítulo 7 se presentan los resultados, así respecto al modelo multinivel, el de mejor ajuste para el rendimiento académico incluye: Tres covariables del Nivel 2: tasa de repetidores, ciclo y tipo de docente; Ocho variables del Nivel 1: edad, rinde supletorio, repite materia, participa en chat, participa en foro, participa en videocolaboración, N° comentarios, N° accesos al LMS; Cuatro interacciones multinivel; La varianza de cinco pendientes del Nivel 1. Los modelos logísticos bivariantes permiten confirmar que las covariables más relevantes son la edad de ingreso a la universidad y la participación activa en línea. Esta investigación, al identificar la influencia que ejercen sobre el rendimiento académico las variables consideradas, permite a las instituciones educativas mejorar la focalización de las intervenciones y los servicios de apoyo a estudiantes con mayor riesgo de fracaso académico.