The Effect of Personality and Course Attributes on Academic Performance in MOOCs

Analítica de aprendizaje como estrategia de apoyo al aula invertida en cursos de programación: una revisión sistemática de literatura

“…Las máquinas de vectores de soporte son otro método importante de clasificación, el análisis se centró en la predicción del rendimiento académico, el abandono y el riesgo de los estudiantes. Se identificaron varios trabajos que utilizan SVM, uno examina los clics generados en el material de estudio, con el fin de identificar el número de visitas al contenido y la cantidad de veces que se observa un video [19]; otro predice el rendimiento académico de los estudiantes, a partir de los datos recopilados en LMS y las actividades relacionadas con los resultados de aprendizaje [8] y un estudio predice los estudiantes en riesgo, identificando patrones de aprendizaje en el desarrollo de cuestionarios y la retroalimentación del docente [16]. También se analizaron otras investigaciones que utilizan SVM para predecir la calidad de la colaboración entre grupos de trabajo [20]; el control de la reproducción de videos a partir de los gestos generados por los estudiantes en sus teléfonos móviles [21]; la toma de decisiones para generar asesoría con base a los antecedentes emocionales de los aprendices [9] y el análisis automático del contenido enviado en los mensajes por los estudiantes [13].…”

“…Un estudio utiliza la validación cruzada con el fin de clasificar y evaluar si un aprendiz es líder o no, a partir de un conjunto de características que incluyen comportamientos y actividades generadas en redes sociales [10]. Otro artículo utiliza esta técnica para analizar si los niveles de colaboración y la cantidad de interacciones pueden afectar el rendimiento académico de los estudiantes [19]. De la misma forma,…”

“…Se analizó una investigación que utiliza la regresión logística para predecir si el estudiante abandonará un curso o recibirá un certificado de finalización, las variables utilizadas para la predicción son personalidad y colaboración [19]; existe un estudio que utiliza un modelo con regresión logística que permite identificar patrones de éxito de los aprendices a través de calificaciones y las experiencias de aprendizaje [24]; otras investigaciones utilizan regresión logística para identificar la relación entre los elementos de los LMS y el rendimiento académico, a partir de las características de los estudiantes y datos derivados del seguimiento [8,29]. Existe una investigación que utiliza la regresión logística para identificar patrones de aprendizaje, utilizados por los estudiantes en cursos online, en el estudio se analizan las visitas por días, los cuestionarios y la retroalimentación del docente [16].…”

“…También se utilizó esta técnica para agrupar los estudiantes de acuerdo a sus compromisos de aprendizaje en línea, analizando sus comportamientos semanales a partir de un sistema de tutoría inteligente basado en ontología [46]. Otro trabajo examinó el efecto de la personalidad con el rendimiento académico, aplicaron PCA para predecir el rendimiento a partir de la personalidad y el nivel de colaboración [19]. También existe una investigación que analiza las diferencias entre los logros de aprendizaje y la participación de los estudiantes con diferentes estilos cognitivos [47].…”