Análisis de gráficos de visibilidad para datos educativos: potencialidades y un estudio de caso para predecir...

Área de la Ciencia:

• Minería de datos educativos
• Ciencia de las redes
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje en línea genera grandes cantidades de datos temporales.
• El análisis de las interacciones de los estudiantes es crucial para identificar patrones de aprendizaje y predecir resultados.
• Los métodos tradicionales pueden no capturar completamente la complejidad del comportamiento de los estudiantes en entornos digitales.

Objetivo del estudio:

• Introducir y evaluar el análisis de gráficos de visibilidad para datos de series temporales educativas.
• Demostrar su eficacia en la predicción de estudiantes en riesgo en contextos de aprendizaje en línea.
• Proporcionar información interpretable sobre el comportamiento de los estudiantes a través de características teóricas de gráficos.

Principales métodos:

• Conversión de datos de series temporales educativas en gráficos de visibilidad.
• Aplicación de las métricas teóricas de los gráficos (por ejemplo, eficiencia global, asortatividad, centralidad intermedia).
• Utilizando algoritmos de aumento de gradiente para la clasificación de los estudiantes en riesgo.

Principales resultados:

• El análisis del gráfico de visibilidad predice con precisión a los estudiantes en línea en riesgo basado en datos de flujo de clics.
• Se ha logrado una precisión de clasificación superior al 87% mediante el aumento de gradiente.
• La metodología proporciona información interpretable sobre el comportamiento del estudiante, superando algunos enfoques de aprendizaje profundo.

Conclusiones:

• El análisis de gráficos de visibilidad es una herramienta complementaria valiosa para la minería de datos educativos.
• Ofrece información interpretable y una predicción efectiva de los resultados del aprendizaje.
• Se necesita más investigación para optimizar la selección de modelos y gráficos para conjuntos de datos educativos específicos.