Los Cursos Masivos Abiertos y en Línea (MOOC) se han convertido en una tecnología disruptiva que ha buscado democratizar el acceso a la educación. Estos son cursos que se ofertan de forma abierta generalmente en alguna plataforma para MOOC como es Open edX. Estos cursos son tomados por cientos de miles de estudiantes, quienes lo siguen de forma autónoma, esto es, sin la presencia o guía de un docente. Cuando un MOOC se cierra para un número menor de estudiantes y se utiliza de forma privada integrándolo al currículo académico, se los conoce como Cursos Pequeños Privados en Línea (SPOC). Los SPOC, a diferencia de los MOOC, requieren la presencia y guía de un docente mientras los estudiantes toman el curso. Sin embargo, la plataforma Open edX carece de visualizaciones que asistan a estudiantes y docentes en la toma de decisiones durante el transcurso del curso. Es decir que el seguimiento y el monitoreo es escaso y limitado. Por este motivo, el presente trabajo propone desarrollar un componente denominado XBlock que implemente, por un lado, visualizaciones para estudiantes a fin de dar cuenta de su proceso de aprendizaje; y, por otro lado, visualizaciones para docentes a fin de que puedan monitorear, hacer seguimiento y retroalimentar a los estudiantes en un SPOC. Para lograrlo se empleó la metodología adaptada de LATUX para la planificación, diseño e implementación de un XBlock y evaluación de las visualizaciones del dashboard. Como resultado de la evaluación, se evidenció que cerca del 80% de los estudiantes perciben al XBlock desarrollado como un estímulo positivo para redirigir el comportamiento de los estudiantes. Además, contribuye como un apoyo para los docentes al momento de diseñar estrategias de enseñanza que permitan hacer el monitoreo y retroalimentar de mejor manera a los estudiantes para que puedan terminar con éxito el curso.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Antonaci, A., Klemke, R., Kreijns, K., & Specht, M. (2018). Get Gamification of MOOC right! International Journal of Serious Games, 5(3), 61–78. https://doi.org/10.17083/ijsg.v5i3.255
Ben Kei, D. (2016). Overview of big data and analytics in higher education. In Big Data and Learning Analytics in Higher Education: Current Theory and Practice (pp. 1–4). Springer International Publishing. https://doi.org/10.1007/978-3-319-06520-5_1
Boroujeni, M. S., & Dillenbourg, P. (2018). Discovery and temporal analysis of latent study patterns in MOOC interaction sequences. ACM International Conference Proceeding Series, 206–215. https://doi.org/10.1145/3170358.3170388
Dhawal Shah. (2020, November 30). MOOCs in 2020. https://www.classcentral.com/report/mooc-stats-2020/
edX Inc. (2021). Introduction to XBlocks. https://edx.readthedocs.io/projects/xblock-tutorial/en/latest/overview/introduction.html
Khalil, M., & Belokrys, G. (2020). OXALIC: An Open edX Advanced Learning Analytics Tool. Proceedings of 2020 IEEE Learning With MOOCS, LWMOOCS 2020, 185–190. https://doi.org/10.1109/LWMOOCS50143.2020.9234322
Laugwitz, B., Held, T., & Schrepp, M. (2008). Construction and evaluation of a user experience questionnaire. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 5298 LNCS, 63–76. https://doi.org/10.1007/978-3-540-89350-9_6
Maldonado-Mahauad, J., Pérez-Sanagustín, M., Kizilcec, R. F., Morales, N., & Munoz-Gama, J. (2018). Mining theory-based patterns from Big data: Identifying self-regulated learning strategies in Massive Open Online Courses. Computers in Human Behavior, 80, 179–196. https://doi.org/10.1016/j.chb.2017.11.011
Maldonado, J. J., Palta, R., Vazquez, J., Bermeo, J. L., Perez-Sanagustin, M., & Munoz-Gama, J. (2016). Exploring differences in how learners navigate in MOOCs based on self-regulated learning and learning styles: A process mining approach. Proceedings of the 2016 42nd Latin American Computing Conference, CLEI 2016. https://doi.org/10.1109/CLEI.2016.7833356
Martinez-Maldonado, R., Pardo, A., Mirriahi, N., Yacef, K., Kay, J., & Clayphan, A. (2016). LATUX: an Iterative Workflow for Designing, Validating and Deploying Learning Analytics Visualisations. Journal of Learning Analytics, 2(3), 9–39. https://doi.org/10.18608/jla.2015.23.3
Nemoto, T., & Beglar, D. (2014). c. JALT2013 Conference Proceedings, 1–8. https://dl.ndl.go.jp/info:ndljp/pid/8815334?itemId=info%3Andljp%2Fpid%2F8815334&__lang=en
Perez-Alvarez, R. A., Maldonado-Mahauad, J., Sharma, K., Sapunar-Opazo, D., & Perez-Sanagustin, M. (2020). Characterizing Learners’ Engagement in MOOCs: An Observational Case Study Using the NoteMyProgress Tool for Supporting Self-Regulation. IEEE Transactions on Learning Technologies, 13(4), 676–688. https://doi.org/10.1109/TLT.2020.3003220
Purwoningsih, T., Santoso, H. B., & Hasibuan, Z. A. (2019). Online Learners’ Behaviors Detection Using Exploratory Data Analysis and Machine Learning Approach. Proceedings of 2019 4th International Conference on Informatics and Computing, ICIC 2019. https://doi.org/10.1109/ICIC47613.2019.8985918
Ramesh, A., Goldwasser, D., Huang, B., Daume, H., & Getoor, L. (2014). Learning latent engagement patterns of students in online courses | Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence. ACM Digital Library, 1272–1278. https://dl.acm.org/doi/abs/10.5555/2893873.2894071
Ruipérez-Valiente, J. A., Muñoz-Merino, P. J., Pijeira Díaz, H. J., Ruiz, J. S., & Kloos, C. D. (2017). Evaluation of a learning analytics application for open edX platform. Computer Science and Information Systems, 14(1), 51–73. https://doi.org/10.2298/CSIS160331043R
Scheffel, M., Niemann, K., & Jivet, I. (2017). The Evaluation Framework for Learning Analytics.
Schrepp, M., Hinderks, A., & Thomaschewski, J. (2017). Design and Evaluation of a Short Version of the User Experience Questionnaire (UEQ-S). International Journal of Interactive Multimedia and Artificial Intelligence, 4(6), 103. https://doi.org/10.9781/IJIMAI.2017.09.001
Schunk, D. H., & Zimmerman, B. J. (2012). Motivation and self-regulated learning: Theory, research, and applications. Motivation and Self-Regulated Learning: Theory, Research, and Applications, 1–417. https://doi.org/10.4324/9780203831076
Sedrakyan, G., Mannens, E., & Verbert, K. (2019). Guiding the choice of learning dashboard visualizations: Linking dashboard design and data visualization concepts. Journal of Computer Languages, 50, 19–38. https://doi.org/10.1016/J.JVLC.2018.11.002
Shah, D. (2020). By The Numbers: MOOCs in 2020 — Class Central. https://www.classcentral.com/report/mooc-stats-2020/
Torre, M. V., Tan, E., & Hauff, C. (2020). EdX log data analysis made easy: Introducing ELAT: An open-source, privacy-aware and browser-based edX log data analysis tool. ACM International Conference Proceeding Series, 502–511. https://doi.org/10.1145/3375462.3375510
Vermunt, J. D., & Donche, V. (2017). A Learning Patterns Perspective on Student Learning in Higher Education: State of the Art and Moving Forward. Educational Psychology Review, 29(2), 269–299. https://doi.org/10.1007/s10648-017-9414-6