De datos en crudo a información inteligente en sistemas de e-Learning: un

caso de estudio con la plataforma de Khan Academy

Pedro J. Muñoz-Merinopedmume@it.uc3m.espedmume@it.uc3m.es

Universidad Carlos III de Madrid

2

Sobrecarga de datos

Imagen tomada de http://www.datadial.net/blog/index.php/2011/08/24/why-your-website-isnt-as-fast-as-it-should-be/

3

Recomendador de anuncios

4

Información sobre partido de tenis

Imagen tomada de http://www.fieldtown.co.uk/protrackertennis/protracker_screenshots.htm

ProTracker Tennis

5

Datos en telefonía móvil

Imagen tomada de http://news.bbc.co.uk/2/hi/technology/8205940.stm

6

Datos en e-learning

Imagen de Duvien tomada de http://duvien.com/blog/building-your-own-social-networking-site-24-hours

7

Inversión de la clase: Plataforma Khan Academy

8

Khan Academy: Videos

9

Khan Academy: Ejercicios

10

Khan Academy: Gamificación

11

Khan Academy: Informe por estado de destrezas

12

Khan Academy: Informe por progreso en destrezas

13

Khan Academy: Informe por tiempo en temáticas

14

Khan Academy: Informe por actividad diaria

15

Khan Academy: Informe por detalles de ejercicios

16

Extensión de analítica de Khan Academy

Uso total de la plataforma

Progreso adecuado en la

plataforma

Distribución temporal de la utilización

de la plataforma

Tipo de jugador

Hábitos en la

resolución de

ejercicios

17

Extensión de KA: Progreso adecuado en la plataforma

● ¿Van los alumnos bien preparados para abordar las clases presenciales?―Peso de temáticas, videos y ejercicios

―Ver suficientemente los videos

―Resolución correcta de los ejercicios Se hace al menos 1 ejercicio bien en la temática

Se obtiene la proficiency

Estados intermedios

Depende de la semántica de cada ejercicio (por ejemplo si todos son ejercicios paramétricos)

18

Extensión de KA: Eficiencia

19

Extensión de KA: Uso total en la plataforma

● Los que no han conseguido el aprovechamiento, ¿Es porque no han utilizado nada la plataforma o se han esforzado?―Peso de temáticas, videos y ejercicios

―Uso de videos. Porcentaje que se ha visto

―Uso de ejercicios. Tiempo invertido, número de intentos, etc.

20

Extensión de KA: Gamificación

● ¿Los alumnos resuelven ejercicios motivados por los elementos de gamificación?

Imagen tomada de http://myengaming.com/2012/05/13/gamification-insights-and-emerging-trends-2/

21

Extensión de KA: Constancia

● ¿Los alumnos son constantes durante su aprendizaje a lo largo de los días?

22

Extensión de KA: Modo de resolución de ejercicios

¿Ha resuelto correctamente?

Acceso a un ejercicio

¿Ha visto videos relacionados?

Comportamiento correctoSí

NoNo Incrementar “evitador de

videos” (depende número y tipo de videos y tiempo)

¿Ha realizado ejercicios previos?

NoIncrementar “evitador de

ejercicios previos”

¿Ha pedido pistas?

¿Ha invertido suficiente tiempo?

No Incrementar “evitador de pistas”

Comportamiento correcto

No Incrementar “no reflexivo” (depende del tiempo invertido)

Sí

23

Conclusiones

Transformación mediante procesamiento

de datos

Datos de bajo nivel

Información de alto nivel

Visualizador

Recomendador

Actuador

● Determinar en cada entorno qué se puede inferir―Limitaciones

● Mejor manera de inferir información―Incertidumbre de las predicciones: precisión

● Retos de visualización, recomendación, etc.

● Generalización a otros ámbitos

De datos en crudo a información inteligente en sistemas de e-Learning: un

caso de estudio con la plataforma de Khan Academy

Pedro J. Muñoz-Merinopedmume@it.uc3m.espedmume@it.uc3m.es

Universidad Carlos III de Madrid