Data mining moodle

Clase 1: Introducción a la minería de datos

Con 32 millones de usuarios en aproximadamente 3 millones de cursos en todo el mundo, Moodle ha demostrado ser una herramienta inmensamente popular e importante en la educación. Moodle ofrece una rica fuente de información sobre el acceso de los estudiantes al material en línea. Aunque importante, esta información se presenta en un formato bruto con pocas indicaciones sobre cómo podría utilizarse. En este artículo, examinamos las estadísticas de visualización de Moodle de una institución irlandesa de tercer nivel. Examinamos las correlaciones entre estas estadísticas y los resultados de los estudiantes en cursos de grado y máster. Identificamos las circunstancias en las que la correlación puede ayudar a predecir un bajo rendimiento (y, por tanto, permitir una intervención temprana). En el análisis encontramos algunas asociaciones interesantes entre el comportamiento de los estudiantes en Moodle y su calificación final. Algunas de estas asociaciones refuerzan las creencias que los autores ya tenían sobre el uso de Moodle, y algunos resultados fueron sorprendentes

Kevin Casey, John Paul Gibson. (m)Oodles of data : mining Moodle to understand student behaviour. ICEP 2010 : International Conference on Engaging Pedagogy, Jan 2011, Maynooth, Ireland. pp.61 – 71. ⟨hal-01354792⟩

Minería de datos | Cuadernos Jupyter | Ejemplos de código en vivo y

ResumenConstruir un sistema de e-learning adaptativo basado en los estilos de aprendizaje es una tarea muy difícil. Se utilizan principalmente dos enfoques para determinar el estilo de aprendizaje de los estudiantes: el uso de cuestionarios o técnicas de minería de datos en los datos de registro del LMS. Con el fin de construir un LMS Moodle adaptativo basado en estilos de aprendizaje nuestro objetivo es construir y utilizar un enfoque mixto. 63 estudiantes de dos cursos que cursaron la misma asignatura «Interfaz de usuario» completaron el cuestionario ILS (Índice de Estilos de Aprendizaje) basado en el modelo de Felder-Silverman. Este modelo de estilos de aprendizaje se utiliza para evaluar las preferencias en cuatro dimensiones (activo/reflexivo, sensitivo/intuitivo, visual/verbal y secuencial/global). Moodle guarda registros detallados de todas las actividades que realizan los estudiantes, que pueden utilizarse para predecir el estilo de aprendizaje para cada dimensión. En este trabajo hemos analizado los datos de registro de los estudiantes de Moodle LMS utilizando técnicas de minería de datos para clasificar sus estilos de aprendizaje centrándonos en una dimensión del estilo de aprendizaje de Felder-Silverman: visual/verbal. Se comparan varios algoritmos de clasificación proporcionados por WEKA como J48 Decision Tree classifier, Naive Bayes y Part. Se utilizó una validación cruzada de 10 veces para evaluar los clasificadores seleccionados. Los experimentos mostraron que Naive Bayes alcanzó el mejor resultado con una precisión del 71,18%.

EDM 2021 – Premio a la Prueba del Tiempo: Minería de datos educativos

Los sistemas clasificadores desempeñan un papel fundamental en el aprendizaje automático y los sistemas basados en el conocimiento, y el trabajo de Ross Quinlan sobre ID3 y C4.5 es ampliamente reconocido por haber realizado algunas de las contribuciones más significativas a su desarrollo. Este libro es una guía completa del sistema C4.5 implementado en C para el entorno UNIX. Contiene una completa guía de uso del sistema, el código fuente (unas 8.800 líneas) y notas de implementación. El código fuente y los conjuntos de datos de muestra también están disponibles en un disquete de 3,5 pulgadas para una estación de trabajo Sun.

C4.5 parte de grandes conjuntos de casos pertenecientes a clases conocidas. Los casos, descritos por cualquier mezcla de propiedades nominales y numéricas, se examinan en busca de patrones que permitan discriminar las clases de forma fiable. A continuación, estos patrones se expresan como modelos, en forma de árboles de decisión o conjuntos de reglas si-entonces, que pueden utilizarse para clasificar nuevos casos, haciendo hincapié en que los modelos sean comprensibles además de precisos. El sistema se ha aplicado con éxito a tareas que implicaban decenas de miles de casos descritos por cientos de propiedades. El libro parte de métodos de aprendizaje básicos y sencillos y muestra cómo pueden elaborarse y ampliarse para hacer frente a problemas típicos como la falta de datos y el exceso de aciertos. Se discuten las ventajas y desventajas del enfoque C4.5 y se ilustran con varios casos prácticos.

Minería de datos | Cuadernos Jupyter | Google Colaboratory

Los entornos virtuales de aprendizaje facilitan el aprendizaje en línea, generando y almacenando grandes cantidades de datos durante el proceso de aprendizaje/enseñanza. Estos datos almacenados permiten extraer información valiosa mediante la minería de datos. En este artículo, presentamos un mapeo sistemático, que contiene 42 trabajos, donde se aplican técnicas de minería de datos para predecir el rendimiento de los estudiantes utilizando datos de Moodle. Los resultados muestran que los árboles de decisión son el enfoque de clasificación más utilizado. Además, las interacciones de los estudiantes en los foros son el principal atributo de Moodle analizado por los investigadores.