Extracción de patrones semánticamente distintos a partir de los datos almacenados en la plataforma Paideia
En la actualidad el uso de plataformas LMS (Learning Management System) se ha convertido en una necesidad en las instituciones de educación superior. Una de las plataformas más populares es Moodle, la cual se enfoca en el uso de módulos para distribuir el contenido educativo. Sin embargo, los doc...
| Autor Principal: | Flores Lafosse, Natali |
|---|---|
| Formato: | Tesis de Maestría |
| Idioma: | Español |
| Publicado: |
Pontificia Universidad Católica del Perú
2016
|
| Materias: | |
| Acceso en línea: |
http://tesis.pucp.edu.pe/repositorio/handle/123456789/7040 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
En la actualidad el uso de plataformas LMS (Learning Management System) se
ha convertido en una necesidad en las instituciones de educación superior. Una de las
plataformas más populares es Moodle, la cual se enfoca en el uso de módulos para
distribuir el contenido educativo. Sin embargo, los docentes que utilizan la plataforma
no suelen recibir una retroalimentación sobre el comportamiento de sus alumnos en
sus cursos. Existen muchos métodos para conseguir dicha retroalimentación,
encuestas o entrevistas, sin embargo el uso de los logs del sistema presenta la ventaja
de almacenar información verídica del comportamiento de los usuarios.
La presente tesis busca utilizar algoritmos de Minería de Datos para extraer
patrones de comportamiento semánticamente distintos de los usuarios de la
plataforma, a fin de brindar retroalimentación tanto a los administradores de la
plataforma como a los docentes. Se buscan patrones semánticamente distintos para
así hacer un análisis con diferentes acercamientos a la misma búsqueda de
información. Para ello se hace uso de la metodología Descubrimiento de Conocimiento
a partir de bases de Datos (KDD por sus siglas en inglés), la cual establece una serie
de pasos a seguir.
Aplicando dicha metodología, en principio, se realizó una selección de los
datos a utilizar. A esta selección, luego, se le aplica un pre-procesamiento antes de
utilizarla como entrada de los algoritmos de Minería de Datos, usando la librería SPMF
y la aplicación Weka según sea el caso. Se usaron distintos algoritmos tanto para
clusterizar datos, descubrir itemsets frecuentes y reglas de asociación y obtener
patrones secuenciales.
Los resultados de clusterización resultaron en tres grupos, caracterizados por
las acciones que realizan. Las reglas de asociación e itemsets frecuentes mostraron
un comportamiento regular de los usuarios, quienes principalmente ingresan para “ver”
tanto “cursos” como “recursos”. Una conclusión similar se deriva la los patrones
secuenciales, los cuales repiten la acción de “ver” frecuentemente.
Finalmente, los resultados de reglas de asociación se visualizan en un grafo de
fuerzas. Parte de los patrones secuenciales se usan para un grafo similar. Estos
grafos junto a las figuras de clusterización sirven como resultados de los objetivos.
La tesis está dividida en seis capítulos. El primero es la introducción y contexto.
Le sigue el capítulo de estado del arte y marco teórico. El capítulo 3 establece los
objetivos. El capítulo 4 describe la experimentación y resultados. En el capítulo 5 se
analizan y discuten los datos recabados de la experimentación. Finalmente, en el
capítulo 6 se presentan las conclusiones, limitaciones del estudio y trabajos futuros. |
|---|