Mejora de los procesos de evaluación mediante analítica visual del aprendizaje

Ainhoa Álvarez-Arana, Mikel Villamañe-Gironés, Mikel Larrañaga-Olagaray

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.


Palabras clave


Evaluación; Analítica visual del aprendizaje; Retroalimentación; Aprendizaje combinado

Texto completo:

PDF

Referencias


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




DOI: http://dx.doi.org/10.14201/eks.22914





Creative Commons License
This work is licensed under a Creative Commons Attribution 3.0 License.