La minería de datos educativa es la utilización de la minería de datos en el ámbito de la enseñanza.

La minería de datos, también conocida como Descubrimiento de Conocimiento en Bases de datos (sus siglas en inglés son KDD, por Knowledge Discovery in Databases), es el campo que nos permite descubrir información nueva y potencialmente útil de macrodatos o grandes cantidades de datos. Se ha empleado en numerosos campos, incluyendo desde los ya conocidos casos de cesta de la compra hasta la bioinformática o investigaciones contra el terrorismo. Recientemente, se ha incrementado el interés en utilizar la minería de datos en el estudio educacional, centrándose en el desarrollo de métodos de descubrimiento que utilicen los datos de plataformas educacionales y en el uso de esos métodos para comprender mejor a los estudiantes y el entorno en el que aprenden. Los métodos empleados en la minería de datos en la educación suelen diferir de los métodos más generalistas, explotando explícitamente los múltiples niveles de jerarquía presentes en los datos. Métodos psicométricos suelen ser integrados con métodos de aprendizaje máquina y textos de minería de datos para lograr los objetivos. Por ejemplo, obteniendo datos sobre cómo los estudiantes eligen utilizar el software educacional, puede ser realmente útil considerar datos a distintos niveles sobre las pulsaciones de teclas, nivel de respuestas, del alumno, de la clase o de la escuela entera. Otros temas como el tiempo, secuencia o incluso el contexto juegan papeles importantes en el estudio de datos educacionales.

Definición La minería de datos educativos (EDM) hace referencia a las técnicas, herramientas y la investigación diseñados para extraer automáticamente el significado de grandes repositorios de datos generados por o relacionados con las actividades de aprendizaje en los centros educativos. Muy a menudo, estos datos son extensos y muy precisos. Por ejemplo, varios sistema de gestión de aprendizaje rastrean información como cuando cada estudiante accede a cada objeto de aprendizaje, cuántas veces accede a él y cuántos minutos se visualiza el objeto de aprendizaje en la pantalla del ordenador del usuario. Otro ejemplo son los sistema inteligentes de tutoría, que registran datos cada vez que un alumno presenta una solución a un problema; pueden recoger el momento de la presentación, si la solución coincide con la solución esperada, la cantidad de tiempo que ha pasado desde la última presentación, el orden en que se introdujeron en la interfaz los componentes de la solución, etc. La precisión de estos datos es tal que incluso una sesión bastante corta con un entorno de aprendizaje basado en computadoras puede producir una gran cantidad de datos de proceso para el análisis.

En otros casos, los datos son menos precisos. Por ejemplo, una universidad puede contener una lista temporal ordenada de los cursos a los que asiste un estudiante, la titulación que el estudiante obtuvo en cada curso y cuándo el estudiante selecciona o cambia de carrera. La minería de datos educativos aprovecha ambos tipos de datos para descubrir información significativa sobre los diferentes tipos de alumnos y cómo aprenden, la estructura de dominio de conocimiento y el efecto de las estrategias de enseñanza integrados dentro de diversos ambientes de aprendizaje. Estos análisis proporcionan nueva información que sería difícil de discernir fijándonos únicamente en los datos en bruto. Por ejemplo, el análisis de los datos de un LMS puede revelar una relación entre los objetos de aprendizaje a los que un estudiante accede durante el curso y su calificación final. Del mismo modo, el análisis de los de un estudiante puede revelar una relación entre la calificación de un estudiante en un curso particular y su decisión de cambiar su especialidad académica. Esta información proporciona una visión en el diseño de ambientes de aprendizaje, lo que permite a los estudiantes, profesores, administradores escolares y responsables de las políticas educativas tomar decisiones informadas sobre la forma de interactuar, proveer y administrar los recursos educativos.

Historia

Mientras que el análisis de los datos de estudios no es en sí mismo una nueva práctica, los avances recientes en tecnología educativa, incluyendo el aumento de la potencia de cálculo y la capacidad de registrar los datos precisos sobre el uso de un entorno de aprendizaje basado en computadoras de los estudiantes, han dado lugar a un creciente interés en el desarrollo de técnicas para el análisis de grandes cantidades de datos generados en los centros educativos. Este interés se tradujo en una serie de talleres de celebrados del 2000 al 2007 en el marco de varias conferencias internacionales.C. Romero, S. Ventura. Educational Data Mining: A Review of the State-of-the-Art. IEEE Transaction on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 40(6), 601-618, 2010. Jump up ^ En 2008, un grupo de investigadores estableció lo que se ha convertido en una conferencia internacional de investigación anual sobre EDM, la primera de las cuales tuvo lugar en Montreal , Canadá."http://educationaldatamining.org/EDM2008/" Retrieved 2013-09-04

Como el interés en EDM siguió aumentando, los investigadores crearon una revista académica de EDM en 2009, el Diario de la minería de datos educativos, para el intercambio y la difusión de resultados de investigación. En 2011, los investigadores crearon la Sociedad Internacional para la de minería de datos educativos para conectar investigadores en EDM y que este campo siga su crecimiento.

Con la introducción de los repositorios de datos educativos públicos en 2008, tales como la Pittsburgh Science of Learning’s Centre, Datashop y el National Center for Education Statistics, los conjuntos de datos públicos han hecho que la minería de datos educativos sea más accesible y habitual, lo que contribuye a su crecimiento.Baker, Ryan. "Data Mining for Education". oxford, UK: Elsevier. Retrieved 9 February 2014.

Objetivos

Baker y YacefBaker, R.S.; Yacef, K (2009). "The state of educational data mining in 2009: A review and future visions". JEDM-Journal of Educational Data Mining 1 (1): 2017 identificaron los siguientes objetivos del EDM:

La predicción de los comportamientos de aprendizaje de los alumnos en el futuro. Este objetivo puede lograrse mediante la creación de modelos de los estudiantes que incorporan características del alumno, incluyendo información detallada, como sus conocimientos, comportamientos y motivación para aprender. La experiencia de usuario del alumno y su general satisfacción con el aprendizaje también se cuantifican. El descubrimiento o la mejora de los modelos de dominio. A través de los distintos métodos y aplicaciones del EDM, el descubrimiento de nuevos modelos y la mejora de los existentes es posible. Por ejemplo, se consigue ilustrar el contenido educativo para motivar a los estudiantes y determinar las secuencias de instrucción óptimos para apoyar el estilo de aprendizaje del alumno. El estudio de los efectos del apoyo educativo, que se puede lograr a través de los sistemas de aprendizaje. El fomento del conocimiento científico sobre el aprendizaje y los alumnos mediante la construcción y la incorporación de los modelos de estudiantes, el campo de la investigación en EDM y la tecnología y el software utilizados.

Técnicas Las técnicas de minería de datos son también conocidas como técnicas de análisis, y se emplean para encontrar un significado a la gran cantidad de datos que se dispone. Son las que permiten realizar la interpretación de los datos para darle significado que podamos comprender. Aunque pueden darse diferentes tipos de análisis, estos suele ser ser predictivos o perceptivos. En el campo educativo, se han usado para pronosticar fracaso escolar y poner en práctica acciones que permitan evitarlo. Las numerosas investigaciones han dado como resultado las técnicas de minería de datos. Esta evolución se inicia cuando toda la información y datos obtenidos se empiezan a almacenar en ordenadores, con continuas mejoras tanto en el acceso a los datos como en la tecnología. A día de hoy esto a generado que los usuarios naveguen y comprueben datos en tiempo real. El almacenamiento de grandes bases de datos es crítica para la minería de datos.

Herramientas para analíticas de aprendizajes Los miles de datos de los que se dispone se consideran un factor trascendental de información que debe ser analizada con las debidas técnicas de minería de datos, ya que si no quedaría oculta entre todo el mar de datos, sin conexión entre ellos, aislados. El desarrollo de las analíticas de aprendizaje en el ámbito educativo se ha apoyado en las ciencias de la computación, de la estadística y de las teorías del aprendizaje y el campo de la educación. En este campo se han distinguido dos aspectos de las analíticas de datos educativos: Analítica de aprendizaje: es la medida, recolección, análisis e informe de datos tanto de los estudiantes, su aprendizaje o el contexto donde se llevan a cabo, con el objetivo de comprender y optimizar el aprendizaje y el entorno donde ocurre. Academic Analytics: es la aplicación de técnicas estadísticas y de minería de datos institucionales para aportar soluciones a universidades y administradores.

Usuarios y participantes Hay cuatro usuarios y participantes implicados en la minería de datos educativos:

Los estudiantes. Interesa la comprensión de las necesidades de los alumnos y los métodos para mejorar la experiencia y el rendimiento del alumno.Romero, Cristóbal; Ventura, Sebastián (JAN-FEB 2013). "WIREs Data Mining Knowl Discov". Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery Por ejemplo, los estudiantes pueden beneficiarse de los conocimientos descubiertos por el uso de las herramientas de EDM para sugerir actividades y recursos que pueden utilizar en función de sus interacciones con las herramientas de aprendizaje en línea y las opiniones de alumnos anteriores o similares.Romero, Cristóbal; Ventura, Sebastián (2007). "Educational data mining: A survey from 1995 to 2005". Expert Systems with Applications 33 (1): 135–146. Con los estudiantes más jóvenes, la minería de datos educativa también puede servir para informar a los padres sobre el progreso de aprendizaje de sus hijos. "Assessing the Economic Impact of Copyright Reform in the Area of Technology-Enhanced Learning". Retrieved 6 April 2014 También es necesario agrupar a los alumnos de manera efectiva en el ámbito de la educación en línea. El reto es aprender del funcionamiento de estas agrupaciones basadas en datos complejos y desarrollar modelos de mejora.Azarnoush, Bahareh, et al. "Toward a Framework for Learner Segmentation." JEDM-Journal of Educational Data Mining 5.2 (2013): 102-126.