Análisis de patrones de comportamiento estudiantil en aprendizaje en línea para la caracterización de cursos

Abstract

La educación en línea ha experimentado un crecimiento significativo en los últimos años, impulsado por la necesidad de ofrecer mayor accesibilidad y flexibilidad tanto a estudiantes como a profesores. Plataformas como Open edX no solo facilitan el aprendizaje en entornos virtuales, sino que también generan grandes volúmenes de datos del comportamiento de los estudiantes a través de registros de eventos. Estos datos ofrecen una excelente oportunidad para analizar cómo los estudiantes interactúan con los cursos y detectar patrones de comportamiento. Este trabajo tiene como objetivo desarrollar un sistema automatizado de clasificación de cursos en línea basándose en estos patrones de comportamiento, con el fin de identificar relaciones entre el diseño instruccional y las dinámicas de aprendizaje. A partir de este análisis, se busca optimizar la efectividad de los cursos ofrecidos en la plataforma EOL de la Universidad de Chile, mejorando así la experiencia educativa y los resultados de aprendizaje.

La investigación se estructura en varias etapas. Primero, se realizó la adquisición de datos a partir de registros de eventos en la plataforma. Luego, se aplicó un preprocesamiento para limpiar los datos y complementarlos con información necesaria para identificar las sesiones de estudio. A partir de estas sesiones, se calcularon métricas de Learning Analytics con el fin de medir el engagement y la autoinstrucción. Posteriormente, se aplicaron técnicas de preprocesamiento de características, incluyendo filtrado de outliers, selección de variables y reducción de dimensionalidad. Finalmente, se entrenaron múltiples modelos de clustering, seleccionando el modelo ganador basado en métricas de desempeño y realizando un perfilamiento de los clusters obtenidos para relacionarlos con el diseño instruccional de los cursos.

El análisis identificó varios patrones de comportamiento estudiantil que permitieron caracterizar los cursos en función de las métricas de aprendizaje utilizadas. Se obtuvo un modelo de clustering que segmentó los cursos en tres grupos con características distintivas, reflejando diferentes niveles de engagement y autoinstrucción. Además, se establecieron relaciones significativas entre las variables de diseño instruccional y los clusters identificados, proporcionando información valiosa para mejorar el diseño de los cursos.

El estudio demuestra que es posible clasificar automáticamente cursos en línea mediante el análisis de datos de comportamiento estudiantil. Los resultados sugieren que ciertas características del diseño instruccional de los cursos influyen significativamente en los patrones de interacción de los estudiantes. Esta clasificación permite a los docentes identificar oportunidades de mejora y personalizar la experiencia educativa de los estudiantes. La implementación de estos hallazgos puede contribuir a una oferta educativa más efectiva y adaptada a las necesidades de los estudiantes.