Please use this identifier to cite or link to this item: http://hdl.handle.net/10662/17038
Full metadata record
DC FieldValueLanguage
dc.contributor.authorPérez Sánchez, Carlos Javier-
dc.contributor.authorCalle Alonso, Fernando-
dc.contributor.authorVega Rodríguez, Miguel Ángel-
dc.date.accessioned2023-03-14T12:52:43Z-
dc.date.available2023-03-14T12:52:43Z-
dc.date.issued2022-
dc.identifier.issn1360-2357-
dc.identifier.urihttp://hdl.handle.net/10662/17038-
dc.description• Financiación de acceso abierto gracias al acuerdo CRUE-CSIC con Springer Naturees_ES
dc.description.abstractEn 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.es_ES
dc.description.abstractIn 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.es_ES
dc.description.sponsorshipThis research was supported by the Agencia Estatal de Investigación - Spain (projects MTM2017-86875-C3- 2-R and PID2019-107299GB-I00/AEI/10.13039 /501100011033), the Junta de Extremadura - Spain and the European Union (European Regional Development Fund) (projects GR21057 and GR21017), and Cátedra/Aula ASPgems-UEx (project 213/15).es_ES
dc.format.extent26 p.es_ES
dc.format.mimetypeapplication/pdfen
dc.language.isoenges_ES
dc.publisherSpringeres_ES
dc.rightsAttribution-NonCommercial 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectAprendizaje colaborativoes_ES
dc.subjectAnalítica del aprendizajees_ES
dc.subjectHerramientas de e-learninges_ES
dc.subjectSistemas de gestión del aprendizajees_ES
dc.subjectAprendizaje automático aprendizajees_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectNeurodidácticaes_ES
dc.subjectCollaborative learninges_ES
dc.subjectE-learning toolses_ES
dc.subjectLearning analyticses_ES
dc.subjectLearning management systemses_ES
dc.subjectMachine learninges_ES
dc.subjectNeurodidacticses_ES
dc.titleLearning analytics to predict students’ performance: a case study of a neurodidactics-based collaborative learning platformes_ES
dc.typearticlees_ES
dc.description.versionpeerReviewedes_ES
europeana.typeTEXTen_US
dc.rights.accessRightsopenAccesses_ES
dc.subject.unesco6104.01 Procesos Cognitivoses_ES
dc.subject.unesco6104 Psicopedagogíaes_ES
dc.subject.unesco6109.07 Evaluación del Rendimientoes_ES
dc.subject.unesco1203.10 Enseñanza Con Ayuda de Ordenadores_ES
europeana.dataProviderUniversidad de Extremadura. Españaes_ES
dc.identifier.bibliographicCitationPérez Sánchez, C.J., Calle-Alonso, F. & Vega-Rodríguez, M.A. Learning analytics to predict students’ performance: a case study of a neurodidactics-based collaborative learning platform. Educ Inf Technol 27, 12913–12938 (2022). https://doi.org/10.1007/s10639-022-11128-yes_ES
dc.type.versionpublishedVersiones_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Didáctica de las Ciencias Experimentales y Matemáticases_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Matemáticases_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Tecnología de los Computadores y de las Comunicacioneses_ES
dc.relation.publisherversionhttps://doi.org/10.1007/s10639-022-11128-yes_ES
dc.identifier.doi10.1007/s10639-022-11128-y-
dc.identifier.publicationtitleEducation and Information Technologieses_ES
dc.identifier.publicationissue27es_ES
dc.identifier.publicationfirstpage12913es_ES
dc.identifier.publicationlastpage12938es_ES
dc.identifier.e-issn1573-7608-
dc.identifier.orcid0000-0001-6385-9080es_ES
dc.identifier.orcid0000-0003-2334-2321es_ES
dc.identifier.orcid0000-0002-3003-758Xes_ES
Appears in Collections:DDCEM - Artículos
DMATE - Artículos
DTCYC - Artículos

Files in This Item:
File Description SizeFormat 
s10639-022-11128-y.pdf841,37 kBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons