Introducción

Un estudio reciente elaborado por cuatro miembros del Grupo de Tecnologías de Información para la Gestión Empresarial (Ángel Hernández-García, Carlos Cuenca-Enrique, Laura Del-Río-Carazo y Santiago Iglesias-Pradas) profundiza en la relación entre las interacciones digitales de los estudiantes en los Sistemas de Gestión del Aprendizaje (Learning Management Systems, o LMS, por sus siglas en inglés) y su rendimiento académico. El estudio destaca la importancia de comprender cómo las acciones en línea influyen en el éxito estudiantil. Utilizando una perspectiva de aprendizaje analítico, se investigaron datos de interacciones de estudiantes en Moodle de tres cursos diversos para explorar cómo estas interacciones se relacionan con el rendimiento académico, medido como calificación final. Los resultados sugieren que una nueva categorización de interacciones, basada en el concepto de ciclo de aprendizaje y denominada CILC, mejora la capacidad predictiva en comparación con clasificaciones previas. Además, el estudio observa que el modo de entrega del curso puede influir en la capacidad predictiva de los modelos, destacando la importancia de considerar el contexto educativo. La investigación también resalta la necesidad de integrar variables informativas para desarrollar modelos más comprensibles y precisos. Aunque persisten desafíos en la interpretación de los datos de clickstream, este estudio subraya el valor de combinar enfoques teóricos y empíricos en la investigación de aprendizaje analítico.

Resumen

En el paisaje educativo moderno, la analítica de aprendizaje ha surgido como un campo crucial para comprender y optimizar los entornos de enseñanza y aprendizaje. Una parte fundamental de este campo es la exploración de la relación entre las interacciones de los estudiantes en los LMS y su rendimiento académico. Esta investigación se sumerge en esta interacción, utilizando un enfoque innovador centrado en el Ciclo de Aprendizaje para desentrañar los secretos que residen en los datos digitales de los estudiantes.

La premisa básica es simple pero poderosa: al analizar los patrones de interacción de los estudiantes en las plataformas digitales de aprendizaje, podemos obtener una visión más clara de sus comportamientos que podemos utilizar para intentar predecir su rendimiento académico. Esta investigación se sumerge en este vasto océano de datos, utilizando datos de interacciones de alumnos en Moodle de tres cursos diversos para explorar cómo estas interacciones se relacionan con el rendimiento académico, medido como calificación final.

Lo que encontramos es fascinante. En primer lugar, al revisar la investigación pasada y considerar las limitaciones de las clasificaciones existentes de interacciones, identificamos la necesidad de una nueva categorización que mejore nuestra capacidad para entender los comportamientos de los estudiantes y proporcionar información sobre cómo estas interacciones pueden explicar o predecir su rendimiento académico. Esta nueva clasificación, denominada CILC (Clasificación de Interacciones basada en el Ciclo de Aprendizaje), surge como una respuesta a esta necesidad, ofreciendo una mayor claridad y utilidad en comparación con las clasificaciones anteriores.

Los resultados de nuestro estudio respaldan la utilidad de esta nueva clasificación, especialmente en entornos de aprendizaje en línea. Observamos que la CILC tiene una mayor capacidad predictiva en cursos completamente en línea, donde las interacciones digitales son la principal ventana a la actividad de los estudiantes. Estos hallazgos sugieren que el contexto educativo y el modo de entrega del curso desempeñan un papel crucial en la eficacia de las clasificaciones de interacciones para predecir el rendimiento académico.

Además, nuestra investigación destaca la importancia de considerar el diseño instruccional al analizar las interacciones de los estudiantes. En cursos donde el aprendizaje se espera que ocurra principalmente fuera del entorno digital, como en cursos presenciales con soporte de LMS, las interacciones digitales pueden no ser buenas predictoras del rendimiento académico. Sin embargo, en cursos donde el aprendizaje está completamente mediado por tecnologías de la información, como los MOOC, las interacciones digitales pueden ser indicadores clave del éxito estudiantil.

Este estudio no solo ofrece una nueva perspectiva sobre la relación entre las interacciones en LMS y el rendimiento académico, sino que también arroja luz sobre la complejidad de este tema. Mientras que las interacciones más activas suelen estar asociadas con un mejor rendimiento académico, también encontramos que el tipo de interacciones puede variar según el contexto y el diseño del curso. Por ejemplo, en cursos donde se enfatiza el trabajo en equipo y la colaboración, las interacciones de diálogo y compartición pueden ser predictivas del rendimiento académico, mientras que en otros cursos, como aquellos con un enfoque más centrado en el contenido, las interacciones de acceso al material pueden ser más relevantes.

En última instancia, esta investigación subraya la importancia de adoptar un enfoque equilibrado hacia la analítica de aprendizaje, combinando tanto modelos tradicionales o de ‘caja blanca’ como basados de aprendizaje automático o de ‘caja negra’ para obtener una comprensión completa de los procesos educativos. Mientras que los modelos de aprendizaje automático pueden ofrecer una precisión y capacidad predictiva sin precedentes, los modelos de caja blanca, basados en teorías educativas y enfoques de aprendizaje, siguen siendo fundamentales para proporcionar una comprensión más profunda y significativa del rendimiento estudiantil.

En resumen, este estudio aporta valiosas ideas sobre la interacción entre las interacciones en LMS, el diseño instruccional y el rendimiento académico, destacando la importancia de considerar el contexto educativo al desarrollar modelos predictivos. A medida que avanzamos en el campo de la analítica de aprendizaje, es fundamental seguir explorando estas relaciones y desarrollar enfoques más sofisticados y contextuales para comprender y mejorar el proceso de enseñanza y aprendizaje.

Más información

El artículo, publicado en acceso abierto con licencia CC BY-NC-4.0, se encuentra disponible en https://doi.org/10.1016/j.chb.2024.108183.

Referencia completa

Hernández-García, Á., Cuenca-Enrique, C., Del-Río-Carazo, L., & Iglesias-Pradas, S. (2024). Exploring the relationship between LMS interactions and academic performance: A Learning Cycle approach. Computers in Human Behavior, 155, 108183. https://doi.org/10.1016/j.chb.2024.108183