Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD
El análisis de la información generada por los estudiantes a través de la plataforma MOODLE, se convierte en un opción muy importante a la hora de conocer patrones académicos, con el objetivo de establecer estrategias que conlleven a una mejor interacción entre los actores involucrados en este proce...
- Autores:
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2020
- Institución:
- Universidad de Bogotá Jorge Tadeo Lozano
- Repositorio:
- Expeditio: repositorio UTadeo
- Idioma:
- spa
- OAI Identifier:
- oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/16930
- Acceso en línea:
- http://hdl.handle.net/20.500.12010/16930
http://expeditio.utadeo.edu.co
- Palabra clave:
- Análisis descriptivo
Aprendizaje por Internet
MOODLE platform
- Rights
- License
- Abierto (Texto Completo)
| id |
UTADEO2_4e4f2936e04f4147b92f4c7ac2edf0f9 |
|---|---|
| oai_identifier_str |
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/16930 |
| network_acronym_str |
UTADEO2 |
| network_name_str |
Expeditio: repositorio UTadeo |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| title |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| spellingShingle |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD Análisis descriptivo Aprendizaje por Internet MOODLE platform |
| title_short |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| title_full |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| title_fullStr |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| title_full_unstemmed |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| title_sort |
Análisis descriptivo y predictivo con la información de caracterización de los estudiantes UNAD |
| dc.contributor.advisor.none.fl_str_mv |
García Bedoya, Olmer |
| dc.subject.spa.fl_str_mv |
Análisis descriptivo |
| topic |
Análisis descriptivo Aprendizaje por Internet MOODLE platform |
| dc.subject.lemb.spa.fl_str_mv |
Aprendizaje por Internet |
| dc.subject.keyword.spa.fl_str_mv |
MOODLE platform |
| description |
El análisis de la información generada por los estudiantes a través de la plataforma MOODLE, se convierte en un opción muy importante a la hora de conocer patrones académicos, con el objetivo de establecer estrategias que conlleven a una mejor interacción entre los actores involucrados en este proceso, ayudando a determinar las mejores opciones en cuanto a franjas horarias y d as de la semana por ejemplo, para el desarrollo de actividades escolares dentro de las cuales se puede incrementar el nivel de acceso por parte de los estudiantes y de esta forma mejorar la calidad de los cursos ofrecidos y el aprendizaje. Estos datos son analizados desde las perspectiva de las anal ticas descriptiva que permite conocer la situación actual con la información generada por cada estudiante dentro de la plataforma MOODLE, la analítica predictiva que muestra que puede suceder de acuerdo a la información anterior y prescriptiva con la cual se puede sugerir acciones a tener en cuenta, convirtiendo as estos datos en información de valor con respecto, tanto al conocimiento de los datos históricos, como la generación de posibles escenarios que pueden suceder con base en lo que ha venido pasando en periodos académicos anteriores, esto con el n de encontrar patrones comportamentales desde la perspectiva académica para mejorar la interacción entre las partes. Los sistemas de información Learnig Management System (LMS) han evolucionado notoriamente con el paso del tiempo, y esto a su vez a permitido un crecimiento bastante importante en la educación virtual tanto en Colombia como a nivel mundial. Teniendo en cuenta los análisis realizados en este trabajo se puede tener un mayor conocimiento acerca de las características de los estudiantes y generar pronósticos con el objetivo de mejorar la interacción académica entre alumnos y la comunidad educativa en general. |
| publishDate |
2020 |
| dc.date.created.none.fl_str_mv |
2020-12-15 |
| dc.date.accessioned.none.fl_str_mv |
2021-01-27T16:58:12Z |
| dc.date.available.none.fl_str_mv |
2021-01-27T16:58:12Z |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado de maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| format |
http://purl.org/coar/resource_type/c_46ec |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12010/16930 |
| dc.identifier.repourl.spa.fl_str_mv |
http://expeditio.utadeo.edu.co |
| url |
http://hdl.handle.net/20.500.12010/16930 http://expeditio.utadeo.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
L. M. S. Fonseca, “La evaluaci´on y su incidencia en la deserci´on escolar:¿ falla de un sistema, de las instituciones educativas, del docente o del estudiante?” Educaci´on y humanismo, vol. 18, no. 31, pp. 313–325, 2016. J. S´anchez, “Relaci´on entre los modelos de series de tiempo univariadas con los modelos de series multivariadas,” Ph.D. dissertation, Universidad de Nari˜no, 2013. N. Medina Vela, P. J. Urbano Lozano et al., “Estudio de educaci´on superior a distancia en colombia: una reflexi´on de la modalidad como soluci´on a los requerimientos del siglo xxi.” N. E. Parra Acevedo et al., “Entornos educativos saludables en los programas ofertados por la universidad nacional abierta ya distancia unad-ccav dosquebradas.” A. Romualdo Rosario, “Factores socioecon´omicos en la deserci´on estudiantil universitaria de la universidad nacional daniel alcides carri´on, pasco 2018,” 2020. A. E. Torres-Zapata, J. R. Dom´ınguez, P. F. L´opez, M. d. P. G. Reyes, and D. A. C. ´ Trejo, “Reprobaci´on, s´ıntoma de deserci´on escolar en licenciatura en nutrici´on de la universidad aut´onoma del carmen,” RIDE Revista Iberoamericana para la Investigaci´on y el Desarrollo Educativo, vol. 10, no. 20, 2020. J. La Madriz, “Factores que promueven la deserci´on del aula virtual,” Orbis. Revista Cient´ıfica Ciencias Humanas, vol. 12, no. 35, pp. 18–40, 2016. B. R. P´erez-Guti´errez, “Comparaci´on de t´ecnicas de miner´ıa de datos para identificar indicios de deserci´on estudiantil, a partir del desempe˜no acad´emico,” Revista UIS Ingenier´ıas, vol. 19, no. 1, pp. 193–204, 2020. A. Viloria, J. G. Guliany, W. N. N´u˜nez, H. H. Palma, and L. N. N´u˜nez, “Data mining applied in school dropout prediction,” in Journal of Physics: Conference Series, vol. 1432, no. 1. IOP Publishing, 2020, p. 012092. F. d. J. N. C´ardenas, E. A. Hern´andez, A. E. G. Zenil, A. M. F. Redondo et al., “Application method of data mining using the k means algorithm for the determination of stress level in high school students using the beck depression inventory,” Ciencia Huasteca Bolet´ın Cient´ıfico de la Escuela Superior de Huejutla, vol. 8, no. 15, pp. 1–8, 2020. J. G. L´opez Mart´ınez and O. A. M´endez Aguirre, “T´ecnicas de machine learning para ´ la predicci´on de desempe˜no acad´emico en el desarrollo del espacio proyectivo del pensamiento espacial,” 2020. D. G. D´ıaz, J. P. Alcaraz, M. G. Mart´ınez, and C. H. Jacome, “Nodes: Plataforma para la predicci´on de deserci´on escolar utilizando t´ecnicas de inteligencia artificial.” N. Bedregal-Alpaca, D. Aruquipa-Velazco, and V. Cornejo-Aparicio, “T´ecnicas de data mining para extraer perfiles comportamiento acad´emico y predecir la deserci´on universitaria,” Revista Ib´erica de Sistemas e Tecnologias de Informa¸c˜ao, no. E27, pp. 592–604, 2020. S. Bouktif, A. Fiaz, A. Ouni, and M. A. Serhani, “Multi-sequence lstm-rnn deep learning and metaheuristics for electric load forecasting,” Energies, vol. 13, no. 2, p. 391, 2020. C.-F. Tsai, C.-T. Tsai, C.-S. Hung, and P.-S. Hwang, “Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation,” Australasian Journal of Educational Technology, vol. 27, no. 3, 2011. J. Villavicencio, “Introducci´on a series de tiempo,” Puerto Rico, 2010. C. H. A. Irgoin et al., “An´alisis de series de tiempo,” Contribuciones a la Econom´ıa, no. 2011-02, 2011. J. Contreras, R. Espinola, F. J. Nogales, and A. J. Conejo, “Arima models to predict next-day electricity prices,” IEEE transactions on power systems, vol. 18, no. 3, pp. 1014–1020, 2003. H. Urbisaia and J. Brufman, “An´alisis de series de tiempo univariadas y multivariadas,” Cooperativas, Buenos Aires, 2001 J. A. P´erez-Ortiz, “Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto,” 2002. J. Torres, “Redes neuronales recurrentes,” Sep 2019. [Online]. Available: https: //torres.ai/redes-neuronales-recurrentes/ lstm, “Understanding lstm networks.” [Online]. Available: https://colah.github.io/ posts/2015-08-Understanding-LSTMs/ Y. Zhang, “Converging data storytelling and visualisation,” in International Conference on Entertainment Computing. Springer, 2018, pp. 310–316. A. Bovo, S. Sanchez, O. H´eguy, and Y. Duthen, “Clustering moodle data as a tool for profiling students,” in 2013 Second International Conference on E-Learning and ETechnologies in Education (ICEEE), 2013, pp. 121–126. G. AKC¸ APINAR and A. BAYAZIT, “Moodleminer: Data mining analysis tool for moodle learning management system,” ˙Ilk¨o˘gretim Online, vol. 18, no. 1, pp. 406–415, 2019 C. Batanero, M. M. Gea, P. Arteaga, and G. Ca˜nadas, “Interpretando la correlaci´on,” 2016. J. F. B. Redondo, “Prueba de causalidad y determinaci´on de la nairu,” El Trimestre Econ´omico, pp. 663–692, 1999. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| rights_invalid_str_mv |
Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.spa.fl_str_mv |
59 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad de Bogotá Jorge Tadeo Lozano |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Ingeniería y Analítica de Datos |
| dc.source.spa.fl_str_mv |
instname:Universidad de Bogotá Jorge Tadeo Lozano reponame:Expeditio Repositorio Institucional UJTL |
| instname_str |
Universidad de Bogotá Jorge Tadeo Lozano |
| institution |
Universidad de Bogotá Jorge Tadeo Lozano |
| reponame_str |
Expeditio Repositorio Institucional UJTL |
| collection |
Expeditio Repositorio Institucional UJTL |
| bitstream.url.fl_str_mv |
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/1/ProyectoGradoMauricioLeon.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/2/license.txt https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/3/RevOG%20FOR-EFE-GDB-007_AUTORIZACION_DE_PUBLICACION_DE_TESIS_O_TRABAJO_DE_GRADO.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/4/ProyectoGradoMauricioLeon.pdf.jpg |
| bitstream.checksum.fl_str_mv |
3514492a5cc005e9950e0bb815f3a619 abceeb1c943c50d3343516f9dbfc110f 9a050868c44467cbd2a8e241f8abc119 91a0047c23a65ec664c3785a5ebb45d3 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional - Universidad Jorge Tadeo Lozano |
| repository.mail.fl_str_mv |
expeditio@utadeo.edu.co |
| _version_ |
1818152729561792512 |
| spelling |
García Bedoya, OlmerLeon Ayala, MauricioMagíster en Ingeniería y Analítica de DatosColombia2021-01-27T16:58:12Z2021-01-27T16:58:12Z2020-12-15http://hdl.handle.net/20.500.12010/16930http://expeditio.utadeo.edu.coEl análisis de la información generada por los estudiantes a través de la plataforma MOODLE, se convierte en un opción muy importante a la hora de conocer patrones académicos, con el objetivo de establecer estrategias que conlleven a una mejor interacción entre los actores involucrados en este proceso, ayudando a determinar las mejores opciones en cuanto a franjas horarias y d as de la semana por ejemplo, para el desarrollo de actividades escolares dentro de las cuales se puede incrementar el nivel de acceso por parte de los estudiantes y de esta forma mejorar la calidad de los cursos ofrecidos y el aprendizaje. Estos datos son analizados desde las perspectiva de las anal ticas descriptiva que permite conocer la situación actual con la información generada por cada estudiante dentro de la plataforma MOODLE, la analítica predictiva que muestra que puede suceder de acuerdo a la información anterior y prescriptiva con la cual se puede sugerir acciones a tener en cuenta, convirtiendo as estos datos en información de valor con respecto, tanto al conocimiento de los datos históricos, como la generación de posibles escenarios que pueden suceder con base en lo que ha venido pasando en periodos académicos anteriores, esto con el n de encontrar patrones comportamentales desde la perspectiva académica para mejorar la interacción entre las partes. Los sistemas de información Learnig Management System (LMS) han evolucionado notoriamente con el paso del tiempo, y esto a su vez a permitido un crecimiento bastante importante en la educación virtual tanto en Colombia como a nivel mundial. Teniendo en cuenta los análisis realizados en este trabajo se puede tener un mayor conocimiento acerca de las características de los estudiantes y generar pronósticos con el objetivo de mejorar la interacción académica entre alumnos y la comunidad educativa en general.#PatronesAcadémicos#PlataformaMOODLEThe analysis of the information generated by the students through the MOODLE platform, becomes a very important option when it comes to knowing academic patterns, with the aim of establishing strategies that lead to a better interaction between the actors involved in this process, helping to determine the best options in terms of time slots and days of the week for example, for the development of school activities within which the level of access can be increased by students and This way improve the quality of the courses offered and learning. These data are analyzed from the perspective of descriptive analytics that allows know the current situation with the information generated by each student within the MOODLE platform, predictive analytics that shows what can happen according to the previous and prescriptive information with which you can suggest actions to take into account, converting how this data into valuable information regarding, both the knowledge of historical data, such as the generation of possible scenarios that may occur based on in what has been happening in previous academic periods, this in order to find behavioral patterns from an academic perspective to improve the interaction between the parts. The information systems Learnig Management System (LMS) have evolved significantly over time, and this in turn has allowed quite a growth important in virtual education both in Colombia and worldwide. Having in account of the analyzes carried out in this work, it is possible to have a greater knowledge about characteristics of the students and generate forecasts with the aim of improving academic interaction between students and the educational community in general.59 páginasapplication/pdfspaUniversidad de Bogotá Jorge Tadeo LozanoMaestría en Ingeniería y Analítica de Datosinstname:Universidad de Bogotá Jorge Tadeo Lozanoreponame:Expeditio Repositorio Institucional UJTLAnálisis descriptivoAprendizaje por InternetMOODLE platformAnálisis descriptivo y predictivo con la información de caracterización de los estudiantes UNADTrabajo de grado de maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/resource_type/c_46ecAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2L. M. S. Fonseca, “La evaluaci´on y su incidencia en la deserci´on escolar:¿ falla de un sistema, de las instituciones educativas, del docente o del estudiante?” Educaci´on y humanismo, vol. 18, no. 31, pp. 313–325, 2016.J. S´anchez, “Relaci´on entre los modelos de series de tiempo univariadas con los modelos de series multivariadas,” Ph.D. dissertation, Universidad de Nari˜no, 2013.N. Medina Vela, P. J. Urbano Lozano et al., “Estudio de educaci´on superior a distancia en colombia: una reflexi´on de la modalidad como soluci´on a los requerimientos del siglo xxi.”N. E. Parra Acevedo et al., “Entornos educativos saludables en los programas ofertados por la universidad nacional abierta ya distancia unad-ccav dosquebradas.”A. Romualdo Rosario, “Factores socioecon´omicos en la deserci´on estudiantil universitaria de la universidad nacional daniel alcides carri´on, pasco 2018,” 2020.A. E. Torres-Zapata, J. R. Dom´ınguez, P. F. L´opez, M. d. P. G. Reyes, and D. A. C. ´ Trejo, “Reprobaci´on, s´ıntoma de deserci´on escolar en licenciatura en nutrici´on de la universidad aut´onoma del carmen,” RIDE Revista Iberoamericana para la Investigaci´on y el Desarrollo Educativo, vol. 10, no. 20, 2020.J. La Madriz, “Factores que promueven la deserci´on del aula virtual,” Orbis. Revista Cient´ıfica Ciencias Humanas, vol. 12, no. 35, pp. 18–40, 2016.B. R. P´erez-Guti´errez, “Comparaci´on de t´ecnicas de miner´ıa de datos para identificar indicios de deserci´on estudiantil, a partir del desempe˜no acad´emico,” Revista UIS Ingenier´ıas, vol. 19, no. 1, pp. 193–204, 2020.A. Viloria, J. G. Guliany, W. N. N´u˜nez, H. H. Palma, and L. N. N´u˜nez, “Data mining applied in school dropout prediction,” in Journal of Physics: Conference Series, vol. 1432, no. 1. IOP Publishing, 2020, p. 012092.F. d. J. N. C´ardenas, E. A. Hern´andez, A. E. G. Zenil, A. M. F. Redondo et al., “Application method of data mining using the k means algorithm for the determination of stress level in high school students using the beck depression inventory,” Ciencia Huasteca Bolet´ın Cient´ıfico de la Escuela Superior de Huejutla, vol. 8, no. 15, pp. 1–8, 2020.J. G. L´opez Mart´ınez and O. A. M´endez Aguirre, “T´ecnicas de machine learning para ´ la predicci´on de desempe˜no acad´emico en el desarrollo del espacio proyectivo del pensamiento espacial,” 2020.D. G. D´ıaz, J. P. Alcaraz, M. G. Mart´ınez, and C. H. Jacome, “Nodes: Plataforma para la predicci´on de deserci´on escolar utilizando t´ecnicas de inteligencia artificial.”N. Bedregal-Alpaca, D. Aruquipa-Velazco, and V. Cornejo-Aparicio, “T´ecnicas de data mining para extraer perfiles comportamiento acad´emico y predecir la deserci´on universitaria,” Revista Ib´erica de Sistemas e Tecnologias de Informa¸c˜ao, no. E27, pp. 592–604, 2020.S. Bouktif, A. Fiaz, A. Ouni, and M. A. Serhani, “Multi-sequence lstm-rnn deep learning and metaheuristics for electric load forecasting,” Energies, vol. 13, no. 2, p. 391, 2020.C.-F. Tsai, C.-T. Tsai, C.-S. Hung, and P.-S. Hwang, “Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation,” Australasian Journal of Educational Technology, vol. 27, no. 3, 2011.J. Villavicencio, “Introducci´on a series de tiempo,” Puerto Rico, 2010.C. H. A. Irgoin et al., “An´alisis de series de tiempo,” Contribuciones a la Econom´ıa, no. 2011-02, 2011.J. Contreras, R. Espinola, F. J. Nogales, and A. J. Conejo, “Arima models to predict next-day electricity prices,” IEEE transactions on power systems, vol. 18, no. 3, pp. 1014–1020, 2003.H. Urbisaia and J. Brufman, “An´alisis de series de tiempo univariadas y multivariadas,” Cooperativas, Buenos Aires, 2001J. A. P´erez-Ortiz, “Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto,” 2002.J. Torres, “Redes neuronales recurrentes,” Sep 2019. [Online]. Available: https: //torres.ai/redes-neuronales-recurrentes/lstm, “Understanding lstm networks.” [Online]. Available: https://colah.github.io/ posts/2015-08-Understanding-LSTMs/Y. Zhang, “Converging data storytelling and visualisation,” in International Conference on Entertainment Computing. Springer, 2018, pp. 310–316.A. Bovo, S. Sanchez, O. H´eguy, and Y. Duthen, “Clustering moodle data as a tool for profiling students,” in 2013 Second International Conference on E-Learning and ETechnologies in Education (ICEEE), 2013, pp. 121–126.G. AKC¸ APINAR and A. BAYAZIT, “Moodleminer: Data mining analysis tool for moodle learning management system,” ˙Ilk¨o˘gretim Online, vol. 18, no. 1, pp. 406–415, 2019C. Batanero, M. M. Gea, P. Arteaga, and G. Ca˜nadas, “Interpretando la correlaci´on,” 2016.J. F. B. Redondo, “Prueba de causalidad y determinaci´on de la nairu,” El Trimestre Econ´omico, pp. 663–692, 1999.ORIGINALProyectoGradoMauricioLeon.pdfProyectoGradoMauricioLeon.pdfVer documentoapplication/pdf1672423https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/1/ProyectoGradoMauricioLeon.pdf3514492a5cc005e9950e0bb815f3a619MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/2/license.txtabceeb1c943c50d3343516f9dbfc110fMD52open accessRevOG FOR-EFE-GDB-007_AUTORIZACION_DE_PUBLICACION_DE_TESIS_O_TRABAJO_DE_GRADO.pdfRevOG FOR-EFE-GDB-007_AUTORIZACION_DE_PUBLICACION_DE_TESIS_O_TRABAJO_DE_GRADO.pdfVer documentoapplication/pdf218168https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/3/RevOG%20FOR-EFE-GDB-007_AUTORIZACION_DE_PUBLICACION_DE_TESIS_O_TRABAJO_DE_GRADO.pdf9a050868c44467cbd2a8e241f8abc119MD53open accessTHUMBNAILProyectoGradoMauricioLeon.pdf.jpgProyectoGradoMauricioLeon.pdf.jpgIM Thumbnailimage/jpeg10466https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/16930/4/ProyectoGradoMauricioLeon.pdf.jpg91a0047c23a65ec664c3785a5ebb45d3MD54open access20.500.12010/16930oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/169302021-01-27 11:59:54.769open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditio@utadeo.edu.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 |