Learning analytics to predict students’ performance: a case study of a neurodidactics-based collaborative learning platform

Abstract

En este trabajo se definieron e implementaron 29 características para extraerlas y analizarlas en el contexto de NeuroK, una plataforma de aprendizaje dentro del paradigma de la neurodidáctica. La neurodidáctica es un paradigma educativo que aborda el aprendizaje y enseñanza desde la perspectiva del funcionamiento del cerebro. En este contexto, las características extraídas pueden introducirse en diversos algoritmos de aprendizaje automático para predecir el rendimiento de los alumnos. El método propuesto se probó con datos de un curso internacional con 698 estudiantes. Se obtuvieron precisiones superiores a 0,99 en la predicción del rendimiento final de los estudiantes. El mejor modelo se obtuvo con el algoritmo Random Forest. Seleccionó 7 características relevantes, todas ellas con una interpretación clara en el proceso de aprendizaje. Estas características están relacionadas con los principios de la neurodidáctica, y reflejan la importancia de un enfoque social, constructivista y de aprendizaje en este campo. Este trabajo constituye un primer paso en la relación de las herramientas de la analítica del aprendizaje con la neurodidáctica. El método, tras su adaptación para captar características relevantes correspondientes a diferentes contextos, podría ser en otras plataformas de gestión del aprendizaje, y aplicarse a otros cursos en línea con el objetivo de predecir el rendimiento de los estudiantes, incluido el seguimiento en tiempo real de su progreso y el riesgo de abandono.

In this work, 29 features were defined and implemented to be automatically extracted and analysed in the context of NeuroK, a learning platform within the neurodidactics paradigm. Neurodidactics is an educational paradigm that addresses optimization of the learning and teaching process from the perspective of how the brain functions. In this context, the features extracted can be fed as input into various machine learning algorithms to predict the students’ performance. The proposed approach was tested with data from an international course with 698 students. Accuracies greater than 0.99 were obtained in predicting the students’ final performance. The best model was achieved with the Random Forest algorithm. It selected 7 relevant features, all with a clear interpretation in the learning process. These features are related to the principles of neurodidactics, and reflect the importance of a social learning and constructivist approach in this context. This work constitutes a first step in relating the tools of learning analytics to neurodidactics. The method, after its adaptation to capture relevant features corresponding to different contexts, could be implemented on other management learning platforms, and applied to other online courses with the aim of predicting the students’ performance, including real-time tracking of their progress and risk of dropout.