Machine Learning y predicciones para la mejora del rendimiento en MOOC: El caso de la Universitat Politècnica de València

Abstract

La presente investigación tiene como objetivo la propuesta de solución a una necesidad concreta planteada por una institución universitaria, la Universitat Politécnica de Valencia, que se propone mejorar la experiencia de su plataforma de MOOC (Massive Open Online Course) y reducir las tasas de abandono en sus cursos, a través del uso de las analíticas de aprendizaje de que dispone y mecanismos de machine learning. Los datos analizados corresponden a 700.000 participantes repartidos en 260 cursos desde el año 2015 hasta 2019. Para la resolución de este problema no se ha realizado un simple trabajo de minería de datos en los que se han combinados todos los posibles datos existentes, sino que se ha realizado una investigación basada siempre en decisiones pedagógicas en la que se utiliza la metodología de investigación educativa basada en diseño con el propósito de trazar mecanismos automatizados que contribuyan a mejorar el rendimiento de dichos cursos, a través de tres iteraciones con distintos patrones que siempre finalizan con la presentación de resultados y la realimentación por parte de los expertos de la universidad. Las principales conclusiones de este trabajo indican que, de los veinticinco indicadores pedagógicos de abandono referidos por las revisiones bibliográficas, únicamente se validan diez de ellos con los datos de la UPV (no se tienen datos automáticos ni automatizables de los otros). Se proponen finalmente un conjunto de mecanismos automatizados que se aplicarán en la plataforma edX de la universidad, para la mejora de la experiencia de los usuarios y la reducción de la tasa de abandonos en los cursos.

The aim of this research is to propose a solution to a specific need raised by a university institution, the Universitat Politécnica de Valencia, which aims to improve the experience of its MOOC (Massive Open Online Course) platform and reduce dropout rates in its courses, through the use of the learning analytics available and machine learning mechanisms. The data analyzed correspond to 700,000 participants spread over 260 courses from 2015 to 2019. To solve this problem, a simple data mining work has not been carried out in which all the possible existing data have been combined, but an investigation based always on pedagogical decisions has been carried out in which, the educational design research methodology is used in order to design automated mechanisms that improve the performance of these courses, through three iterations with different patterns that always end with the presentation of results and feedback of the experts of the university. The main conclusions of this work indicate that, of the 25 pedagogical indicators of drop-out referred to by the bibliographical reviews, only 10 of them are validated with the UPV courses (there is no automatic or automatable data for the others), and of those finally only six of them are possible predictors of student dropout. Finally, a set of automated mechanisms are proposed to be applied in the university's edX platform, in order to improve the user experience and reduce the dropout rate in the courses.