GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
2 results
Search Results
Item Aporte del Análisis Estadístico Implicativo a Learning Analytics(Programa de Doctorado Formación en la Sociedad del Conocimiento, 2021-11-23) Pazmiño Maji, R. A.En los últimos años, la Analítica de Aprendizaje (LA, del inglés Learning Analytics) es una línea de investigación que va creciendo considerablemente. Partiendo de la definición dada en la primera Conferencia de Analíticas de Aprendizaje y Conocimiento (LAK’11): “Las Analíticas de Aprendizaje son la medición, recopilación, análisis y comunicación de datos sobre los estudiantes y sus contextos, a efectos de comprender y optimizar el aprendizaje y los entornos en que se producen”; podemos observar que LA converge al aprendizaje y a la educación. El Análisis Estadístico Implicativo (ASI, del francés Analyse Statistique Implicative) se originó hace más de 40 años en la didáctica de la matemática y se aplica actualmente en la educación y otras áreas. El ASI, permite encontrar reglas de asociación entre variables y grupos de variables basándose en la definición de cuasi-implicación: si consideramos dos subconjuntos aleatorios y disjuntos X,Y∈E, elegidos al azar y de igual cardinalidad de A y B respectivamente; se dice que la cuasi-implicación entre a y b (a→b) es admisible al nivel de confianza 1-α, si y solo si Pr[Card(X∩¯Y)≤Card(A∩¯B)]≤α. LA y ASI convergen las dos al campo educativo, entonces con el propósito de profundizar en el aporte del ASI a LA, se planteó el siguiente problema de investigación ¿Existen elementos comunes entre el ASI y LA, se puede determinar el aporte del ASI a LA? Utilizando varias revisiones sistemáticas por aproximadamente 11 años y la teoría de conjuntos, se demostró que el ASI y LA al menos son comunes en el campo educativo y en tres métodos de análisis: minería de relaciones, descubrimiento de estructura y estadísticas, según las clasificaciones de Baker e Inventado y Papamitsiou y Economides. Se profundizó en la comparación de la complejidad algorítmica entre las técnicas de análisis comunes entre LA y ASI, debido a que LA frecuentemente necesita el análisis de grandes cantidades y nuevos tipos de datos surgidos de fuentes diversas tales como tuits, páginas web, redes sociales, emails, foros, chats, etc. Con este propósito, se utilizó un diseño pre-experimental del tipo un solo grupo aleatorio de la forma RGXO1. Se encontraron importantes resultados estadísticos sobre tiempo de ejecución y espacio de memoria entre cinco técnicas de análisis clúster y cuatro técnicas de reglas de asociación del ASI y LA. Los aportes encontrados se los determinaron: desde la definición de LA dada en LAK 2011, desde las técnicas del ASI y desde la comparación de la complejidad algorítmica entre técnicas comunes entre el ASI y LA. Además, se describen detalladamente las opciones adicionales de las técnicas ASI factibles de aportar a LA. Se ha promovido también la colaboración entre el Análisis Estadístico Implicativo y las Analíticas de Aprendizaje, proponiendo futuras investigaciones de beneficio común.Item Métodos de agrupamiento LA & SIA: Comparación computacional(2018-07-10) Naranjo, M.; Pazmiño, R.; Conde, M. Á.; García-Peñalvo, F. J.Las analíticas de aprendizaje son y siguen siendo una tecnología emergente según el informe Horizon del 2016, es por ello por lo que el estudio y la búsqueda de nuevas técnicas de análisis es importante. El análisis Estadístico Implicativo permite descubrir R-reglas de la forma a → b sobre un conjunto de variables o sujetos. Las reglas se representan gráficamente por dendogramas que sirven como una nueva herramienta clustering basada en el concepto de cohesión. El Clustering es una de las técnicas más utilizadas en Learning Analytics para la exploración de datos para condensarlos en grupos heterogéneos de objetos similares entre sí. El objetivo de este artículo es comparar desde la ocupación de memoria las funciones cluster utilizadas en Learning Analytics hclust.vector, dendro.variables y diana y las funciones callHierarchyTree y callSimilarityTree utilizadas en el Análisis Estadístico Implicativo, esto permitirá determinar las ventajas de las nuevas técnicas de análisis cluster basadas en el Análisis Estadístico Implicativo. El análisis comparativo se realizó mediante un diseño cuasi experimental bifactorial del tipo RGXO, para controlar las variables exógenas se utilizó similares arquitecturas de hardware (Procesador Core I7, Velocidad 2,2 Ghz y Memoria RAM 8Gb) y de software (Windows 8, Ubuntu 16.04, MacOS Sierra 10.12, R v3.4.1 y RStudio v1.0.153). El colectivo de estudio estuvo conformado por 100000 bases de datos de 1000 observaciones y 100 variables dicotómicas. Se utilizó un método de muestreo aleatorio simple, el tamaño de muestra utilizado fue de 383 bases de datos. Los resultados demuestran que no existe diferencia significativa en la ocupación de memoria entre los métodos simlrty, dendro_diana y hclust_vector, es decir estadísticamente los tres métodos son equivalentes y son los que menos memoria ocupan. El método hrarchy ocupa el segundo lugar en mayor ocupación de memoria y el método que más memoria utiliza es dendro_variables.