1.
Detección precoz de dificultades en el
aprendizaje.
Herramienta para la predicción del
rendimiento de los estudiantes
Carlos J. Villagrá-Arnedo
Francisco J. Gallego-Durán
Faraón Llorens-Largo
Patricia Compañ-Rosique
Rosana Satorre-Cuerda
Rafael Molina-Carmona

2.
introducción
mejorar el rendimiento de los estudiantes …
… conocer el progreso real de estos …
… y tratar de predecir los resultados en etapas
tempranas del proceso docente

3.
introducción
herramientas computacionales
Learning Analytics
Machine Learning
Support Vector Machines

4.
objetivo
diseñar y construir un sistema predictivo,
de ayuda para el docente y para los propios estudiantes,
que permita detectar de forma precoz los problemas de
aprendizaje,
que presente un alto grado de automatización,
que ofrezca predicciones sobre el aprendizaje efectivo del
estudiante y las competencias adquiridas,
que sea perdurable en el tiempo y que utilice, en cada etapa,
datos nuevos acumulados a la experiencia adquirida

5.
PLMan
PLMan es un
sistema automatizado y gamificado
para aprender pensamiento lógico
asignatura Lógica Computacional
primer curso
Grados en Ingeniería Informática
e Ingeniería Multimedia

6.
PLMan

7.
PLMan
• Sistema gamificado:
– Autonomía: el alumno elige el nivel de dificultad
– Recompensa: a mayor dificultad, mayor nota
– Niveles: que se desbloquean cuando avanzamos
– Prueba y error: no se penaliza el fallo
– Retroalimentación: respuesta inmediata sobre el resultado
– Y además … ¡tiene forma de juego!

8.
PLMan
• Genera una gran cantidad de datos:
¿podemos hacer algo con ellos?

9.
arquitectura del sistema
sus correspondientes SVMs. Estas predicciones se
añaden a la base de datos de predicciones, donde se
almacenan las de las semanas anteriores. Por último,
estas predicciones se proporcionan a estudiantes y
profesores en forma de progresión estimada del
rendimiento de los estudiantes en el tiempo.
Figura 1: Arquitectura global del sistema.
4. Experimen
El sistema propues
primer cuatrimestre d
actividad en octubre d
de 2015. Como se m
estado funcionando e
para la asignatura M
aprendizaje de Lógica
clases prácticas. Habí
registrados, de los qu
en las clases de prácti
habitual.
Aunque el cuatrime
se, se imparten 13 cl
sesiones realmente só
guimiento, ya que en
introducción general
forma, el sistema pr
semanas de prediccio
proporcionando la not
Como ya se ha dich
bajo es proporcionar
sobre la tendencia d
predicciones progresiv
vo, el sistema produce
tivas como las de las
muestran las probab
estudiante tenga un r

10.
recolección de datos
• De todos los eventos que se producen en PLMan,
elegimos datos de dos tipos (7 características):
– De uso
– De progreso del estudiante
Número de visitas al frontal
Número de descargas de mapas
Número de entregas por fase
Promedio de notas por fase (porcentaje)
Tiempo empleado en superar cada fase (segundos)
Tiempo empleado en superar cada mapa (segundos)
Nivel de dificultad seleccionados por mapa

11.
sistema de predicción
• Es un clasificador Support Vector Machine (SVM)
• Tres clases:
– Estudiante de rendimiento alto: nota>8.05
– Estudiante de rendimiento intermedio: 5.75≤nota≤8.05
– Estudiante de rendimiento bajo: nota<5.75

12.
sistema de predicción
• Fase de entrenamiento
– Entrenamiento con 336 estudiantes
– Se entrenan 336 SVM
– Para cada SVM se usan 335 ejemplos (cross validation)
– Se almacenan semanalmente las predicciones
– 10 semanas/predicciones (13 semanas del curso, menos
las dos introductorias y la final)

13.
sistema de predicción
• Fase de clasificación:
– El sistema de predicción nos devuelve 3 probabilidades
• Probabilidad de que el estudiante termine con una nota alta
• Probabilidad de que el estudiante termine con una nota
intermedia
• Probabilidad de que el estudiante termine con una nota baja

14.
resultados

15.
gráficas de predicción

16.
gráficas de predicción

17.
gráficas de predicción

18.
conclusiones
• Sistema de predicción, progresivo y automatizado, basado en
las actividades semanales de los estudiantes:
• Resultado en forma de gráficas.
• Guía para mejorar el rendimiento de los estudiantes desde
etapas tempranas.
• Datos referentes a resultados de aprendizaje.

19.
trabajos futuros
• Incorporar en la predicción los resultados de los
estudiantes cada curso.
• Estudiar otras características que aporten más
información y permitan mejorar la predicción.
• Estudiar de forma más pormenorizada las gráficas
representativas de las tendencias de los estudiantes.
• No sólo diagnosticar sino también proponer los
aspectos que permitan mejorar el rendimiento.

20.
Detección precoz de dificultades en el
aprendizaje.
Herramienta para la predicción del
rendimiento de los estudiantes
Carlos J. Villagrá-Arnedo
Francisco J. Gallego-Durán
Faraón Llorens-Largo
Patricia Compañ-Rosique
Rosana Satorre-Cuerda
Rafael Molina-Carmona