Mejora de los procesos de evaluación mediante analítica visual del aprendizaje

  1. Álvarez-Arana, Ainhoa 1
  2. Villamañe-Gironés, Mikel 1
  3. Larrañaga-Olagaray, Mikel 1
  1. 1 Universidad del País Vasco UPV/EHU
Revista:
Education in the knowledge society (EKS)

ISSN: 2444-8729 1138-9737

Año de publicación: 2020

Número: 21

Tipo: Artículo

DOI: 10.14201/EKS.22914 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Education in the knowledge society (EKS)

Objetivos de desarrollo sostenible

Resumen

Las principales tendencias actuales en la educación universitaria implican la integración de aprendizaje presencial, de aprendizaje en línea y el uso de tecnologías que den soporte a diversos aspectos del proceso de enseñanza-aprendizaje. Uno de los principales aspectos que tienen en cuenta todas las tendencias educativas son los procesos de evaluación efectivos, que implican un análisis continuo de los resultados del alumnado para poder detectar anomalías lo antes posible y proporcionar feedback con el fin de resolverlas. Sin embargo, en un entorno de aprendizaje en el que se produce una gran cantidad de información heterogénea se necesita integrar dicha información para poder analizarla correctamente. En este artículo se presenta COBLE, una herramienta que posibilita la integración de información proveniente de diferentes fuentes para poder, a continuación, analizarla utilizando técnicas de analítica visual del aprendizaje. El sistema incorpora un módulo de feedback que proporciona información visual sobre el proceso de evaluación tanto a docentes como a alumnado para facilitarles sus procesos de toma de decisión. Las visualizaciones proporcionadas pueden adaptarse a las necesidades de cada asignatura o usuario. COBLE ha sido evaluado mediante su uso en un entorno real donde diferentes docentes han integrado información proveniente de diferentes fuentes (Moodle, hojas de cálculo personales, etc.) sobre el desempeño del alumnado. A continuación, tanto el profesorado como el alumnado utilizaron las visualizaciones de COBLE para extraer información sobre el proceso de evaluación. El resultado de esta evaluación ha sido muy satisfactorio obteniéndose una buena aceptación del sistema tanto por parte del alumnado como del profesorado.

Información de financiación

Este trabajo ha sido financiado por el Gobierno Vasco (IT980-16), y el Vicerrectorado de Innovación, Compromiso Social y Acción Cultural de la Universidad del País Vasco a través del SAE-HELAZ (HBT-Adituak 2018-19/6).

Financiadores

  • icerrectorado de Innovación, Compromiso Social y Acción Cultural de la Universidad del País Vasco Spain
    • HBT-Adituak 2018-19/6
  • Gobierno Vasco Spain
    • HBT-Adituak 2018-19/6

Referencias bibliográficas

  • Biel, C., Cierniak, G., D. Johnson, M., Bull, S., & Hesse, F. W. (2016). Influencing Cognitive Density and Enhancing Classroom Orchestration. En P. Reimann, S. Bull, M. Kickmeier-Rust, R. Vatrapu, & B. Wasson (Eds.), Measuring and Visualizing Learning in the Information-Rich Classroom. doi:https://doi.org/10.4324/9781315777979
  • Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253-278. doi:https://doi.org/10.1007/BF01099821
  • Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340. doi:https://doi.org/10.2307/249008
  • Djoub, Z. (2017). Assessment for learning: Feeding back and feeding forward. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 19-35). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0
  • Dunlap, K., & Piro, J. S. (2016). Diving into data: Developing the capacity for data literacy in teacher education. Cogent Education, 3(1), 1132526. doi:https://doi.org/10.1080/2331186X.2015.1132526
  • Garrison, D. R., & Vaughan, N. D. (2007). Blended Learning in Higher Education: Framework, Principles, and Guidelines. San Francisco, CA, USA: John Wiley & Sons, Inc. doi:https://doi.org/10.1002/9781118269558
  • Gómez-Aguilar, D. A., García-Peñalvo, F.-J., & Therón, R. (2014). Analítica visual en e-learning. El Profesional de la Informacion, 23(3), 236-245. doi:https://doi.org/10.3145/epi.2014.may.03
  • Gómez-Aguilar, D. A., Hernández-García, Á., García-Peñalvo, F. J., & Therón, R. (2015). Tap into visual analysis of customization of grouping of activities in eLearning. Computers in Human Behavior, 47, 60-67. doi:https://doi.org/10.1016/j.chb.2014.11.001
  • Guàrdia, L., Crisp, G., & Alsina, I. (2017). Trends and Challenges of E-Assessment to Enhance Student Learning in Higher Education. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 36-56). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0.ch003
  • Hattie, J. (2008). Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement. Abingdon, UK: Routledge.
  • Henri, M., Johnson, M. D., & Nepal, B. (2017). A Review of Competency-Based Learning: Tools, Assessments, and Recommendations: A Review of Competency-Based Learning. Journal of Engineering Education, 106(4), 607-638. doi:https://doi.org/10.1002/jee.20180
  • Idrissi, M. K., Hnida, M., & Bennani, S. (2017). Competency-Based Assessment: From Conceptual Model to Operational Tool. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 55-78). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0.ch004
  • Kay, J., & Bull, S. (2015). New Opportunities with Open Learner Models and Visual Learning Analytics. En C. Conati, N. Heffernan, A. Mitrovic, & M. F. Verdejo, (Eds.), Artificial Intelligence in Education. AIED 2015 (pp. 666-669). Cham: Springer. doi:https://doi.org/10.1007/978-3-319-19773-9_87
  • Miller, H. G., & Mork, P. (2013). From Data to Decisions: A Value Chain for Big Data. IT Professional, 15(1), 57-59. doi:https://doi.org/10.1109/MITP.2013.11
  • Pardo, A., & Dawson, S. (2016). Learning Analytics: How can Data be used to Improve Learning Practice. En P. Reimann, S. Bull, M. Kickmeier-Rust, R. Vatrapu, & B. Wasson (Eds.), Measuring and Visualizing Learning in the Information-Rich Classroom (pp. 41-55). New York, USA: Routledge. doi:https://doi.org/10.4324/9781315777979
  • Romero, C., Romero, J. R., & Ventura, S. (2014). A Survey on Pre-Processing Educational Data. En A. Peña-Ayala (Ed.), Educational Data Mining (Vol. 524, pp. 29-64). Cham: Springer. doi:https://doi.org/10.1007/978-3-319-02738-8_2
  • Shields, M. (2005). Information Literacy, Statistical Literacy, Data Literacy. IASSIST Quarterly, 28(2), 7-14. doi:https://doi.org/10.29173/iq790
  • Taherdoost, H. (2018). A review of technology acceptance and adoption models and theories. Procedia Manufacturing, 22, 960-967. doi:https://doi.org/10.1016/j.promfg.2018.03.137
  • Vaughan, N. (2014). Student Engagement and Blended Learning: Making the Assessment Connection. Education Sciences, 4(4), 247-264. doi:https://doi.org/10.3390/educsci4040247
  • Villamañe, M., Alvarez, A., & Larrañaga, M. (2018). Supporting competence-based learning with visual learning analytics and recommendations. 2018 IEEE Global Engineering Education Conference (EDUCON) (pp. 1572-1575). USA: IEEE. doi:https://doi.org/10.1109/EDUCON.2018.8363421
  • Wahdain, E. A., & Ahmad, M. N. (2014). User Acceptance of Information Technology: Factors, Theories and Applications. Journal of Research and Innovation in Information Systems, 6, 17-25.
  • Yudelson, M. V., Koedinger, K. R., & Gordon, G. J. (2013). Individualized Bayesian Knowledge Tracing Models. En H. C. Lane, K. Yacef, J. Mostow, & P. Pavlik (Eds.), Artificial Intelligence in Education. AIED 2013, (pp. 171-180). Berlin: Springer. doi:https://doi.org/10.1007/978-3-642-39112-5_18