Teaching through Learning Analytics: Predicting Student Learning Profiles in a Physics Course at a Higher Education Institution

• DOI: 10.9781/ijimai.2022.01.005
• Publication Date: 2022-02-18T10:31:25Z
• Authors: Elvira G. Rincon-...; Eunice Lopez-Camacho; Juanjo Mena; Omar Olmos
• Keywords: Technology; Analytics; Predictive Analysis; Astronomy; learning systems; Data science; Sociology; Psychology; Learning analytics; Educational Data Mining; education; T; Data-driven Education; Physics; 4. Education; Institution; IJIMAI; adaptive learning; Social science; Computer science; Learning Analytics; Mathematics education; Computer Science Applications; FOS: Sociology; FOS: Psychology; Computer Science; Physical Sciences; Course (navigation); Student Performance Prediction; Educational Data Mining and Learning Analytics; predictive modelling

Learning Analytics (LA) is increasingly used in Education to set prediction models from artificial intelligence to determine learning profiles.This study aims to determining to what extent K-nearest neighbor and random forest algorithms could become a useful tool for improving the teaching-learning process and reducing academic failure in two Physics courses at the Technological Institute of Monterrey, México (n = 268).A quasiexperimental and mixed method approach was conducted.The main results showed significant differences between the first and second term evaluations in the two groups.One of the main findings of the study is that the predictions were not very accurate for each student in the first term evaluation.However, the predictions became more accurate as the algorithm was fed with larger datasets from the second term evaluation.This result indicates how predictive algorithms based on decision trees, can offer a close approximation to the academic performance that will occur in the class, and this information could be use along with the personal impressions coming from the teacher.<br/>يتم استخدام تحليلات التعلم (LA) بشكل متزايد في التعليم لوضع نماذج التنبؤ من الذكاء الاصطناعي لتحديد ملفات التعلم. تهدف هذه الدراسة إلى تحديد إلى أي مدى يمكن أن تصبح خوارزميات K - nearest والغابات العشوائية أداة مفيدة لتحسين عملية التدريس والتعلم وتقليل الفشل الأكاديمي في دورتين للفيزياء في المعهد التكنولوجي في مونتيري، المكسيك (n = 268). تم إجراء نهج شبه تجريبي ومختلط. أظهرت النتائج الرئيسية اختلافات كبيرة بين تقييمات الفصل الدراسي الأول والثاني في المجموعتين. إحدى النتائج الرئيسية للدراسة هي أن التنبؤات لم تكن دقيقة للغاية لكل طالب في تقييم الفصل الدراسي الأول. ومع ذلك، أصبحت التنبؤات أكثر دقة حيث تم تغذية الخوارزمية بمجموعات بيانات أكبر من تقييم الفصل الدراسي الثاني. تشير هذه النتيجة إلى كيفية قيام الخوارزميات التنبؤية بناءً على أشجار القرار، يمكن أن تقدم تقريبًا وثيقًا للأداء الأكاديمي الذي سيحدث في الفصل الدراسي، ويمكن استخدام هذه المعلومات جنبًا مع الانطباعات الشخصية القادمة من المعلم.<br/>Learning Analytics (LA) se utiliza cada vez más en Educación para establecer modelos de predicción a partir de la inteligencia artificial para determinar los perfiles de aprendizaje. Este estudio tiene como objetivo determinar en qué medida los algoritmos de K-vecino más cercano y de bosque aleatorio podrían convertirse en una herramienta útil para mejorar el proceso de enseñanza-aprendizaje y reducir el fracaso académico en dos cursos de Física en el Instituto Tecnológico de Monterrey, México (n = 268). Se realizó un enfoque de método cuasiexperimental y mixto. Los principales resultados mostraron diferencias significativas entre las evaluaciones del primer y segundo trimestre en los dos grupos. Uno de los principales hallazgos del estudio es que las predicciones no fueron muy precisas para cada estudiante en la evaluación del primer trimestre. Sin embargo, las predicciones se hicieron más precisas a medida que el algoritmo se alimentó con conjuntos de datos más grandes de la evaluación del segundo trimestre. Este resultado indica cómo los algoritmos predictivos basados en árboles de decisión pueden ofrecer una aproximación cercana al rendimiento académico que ocurrirá en la clase, y esta información podría usarse junto con las impresiones personales provenientes del maestro.<br/>L'analyse de l'apprentissage (LA) est de plus en plus utilisée dans l'éducation pour définir des modèles de prédiction à partir de l'intelligence artificielle afin de déterminer les profils d'apprentissage. Cette étude vise à déterminer dans quelle mesure les algorithmes du plus proche voisin K et de la forêt aléatoire pourraient devenir un outil utile pour améliorer le processus d'enseignement-apprentissage et réduire l'échec scolaire dans deux cours de physique à l'Institut technologique de Monterrey, au Mexique (n = 268). Une approche de méthode quasi-expérimentale et mixte a été menée. Les principaux résultats ont montré des différences significatives entre les évaluations du premier et du deuxième trimestre dans les deux groupes. L'une des principales conclusions de l'étude est que les prédictions n'étaient pas très précises pour chaque étudiant dans l'évaluation du premier trimestre. Cependant, les prédictions sont devenues plus précises car l'algorithme a été alimenté avec des ensembles de données plus importants à partir de l'évaluation du deuxième trimestre. Ce résultat indique comment les algorithmes prédictifs basés sur des arbres de décision peuvent offrir une approximation proche des performances académiques qui se produiront dans la classe, et cette information pourrait être utilisée avec les impressions personnelles provenant de l'enseignant.<br/>