Machine Learning para la mejora de la experiencia con MOOC : el caso de la Universitat Politècnica de València

Abstract

El trabajo que se presenta tiene como objetivo el diseño de una propuesta de mecanismos automatizados fundamentados en machine learning para la mejora de la experiencia de los participantes en los cursos MOOC de la Universitat Politécnica de Valencia y la reducción de las tasas de abandono. Siguiendo una estrategia de investigación basada en el diseño IBD, en la que se ha priorizado siempre las decisiones pedagógicas por encima de las propias analíticas de datos, se han realizado tres iteraciones con distintos patrones metodológicos (revisión sistemática de literatura, machine learning basado en los datos de 260 cursos y más de 700.000 estudiantes, y creación de mecanismos automatizados) que siempre finalizan con la presentación de resultados y la realimentación por parte del equipo de la universidad. Las principales conclusiones de este trabajo indican que, de los veinticinco indicadores pedagógicos de abandono referidos por las revisiones bibliográficas en la iteración 1, solo se validan diez de ellos con los cursos de la UPV (no se tienen datos automáticos ni automatizables de los otros), y de esos finalmente solo seis de ellos son posibles predictores del abandono del alumnado, con los datos utilizados. 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 paper is to design a proposal for automated mechanisms based on machine learning to improve the experience of participants in MOOC courses at the Universitat Politécnica de Valencia and reduce dropout rates. Following a desing based research DBR design, in which pedagogical decisions have always been prioritised over data analytics, three iterations have been carried out with different methodological patterns (systematic literature review, machine learning based on data from 260 courses and 700.000 students, and creation of automated mechanisms) that always end with the presentation of results and feedback from the university team. The main conclusions of this work indicate that, of the twenty-five pedagogical dropout indicators referred to by the literature reviews in iteration 1, only ten of them are validated with UPV courses (no automated or automatable data are available for the others), and of those finally only six of them are possible predictors of student dropout, with the data used. Finally, a set of automated mechanisms are proposed to be applied in the university's EdX platform to improve the user experience and reduce the dropout rate in the courses