Artículos aceptados en Educational Data Mining 2019

Investigaciones de Fundación Ceibal, llevadas a cabo en colaboración con Jacob Whitehill (Worcester Polytechnic Institute, WPI), Monica Bulger (Future of Privacy Forum) y el equipo de Ceibal en Inglés en Plan Ceibal, han sido aceptadas en la conferencia internacional Educational Data Mining 2019 (EDM, 2019), que se celebrará del 2 al 5 de julio en Montreal, Canadá.

El primer artículo resume el trabajo realizado sobre el feedback (las devoluciones) que realizan los profesores de inglés que trabajan en entornos virtuales de aprendizaje. Este trabajo es llevado adelante en colaboración con el equipo de Ceibal en Inglés del Plan Ceibal, Jacob Whitehill (WPI) y Mónica Bulger (Future of Privacy Forum):

Title: ¿Cómo deberían los profesores de inglés (como lengua extranjera) remotos escribir sus comentarios a los estudiantes?

Autores: Cecilia Aguerrebere, Monica Bulger, Cristóbal Cobo, Sofía García, Gabriela Kaplan, Jacob Whitehill

Los autores analizan cómo los profesores escriben comentarios a los estudiantes en un entorno virtual de aprendizaje, específicamente en un entorno en el que estudiantes de secundaria aprenden inglés como idioma extranjero. ¿Qué tan complejos deben ser los comentarios de los profesores? ¿Debe adaptarse de alguna manera al nivel de dominio del inglés de cada estudiante? ¿Cómo afecta la devolución del profesor a la probabilidad de involucrar al estudiante en una conversación? Los resultados sugieren: (1) Los profesores deben adaptar la complejidad de sus comentarios al nivel de competencia de inglés de sus estudiantes. Los estudiantes que reciben comentarios que son demasiado complejos o demasiado básicos para su nivel publican un 13-15% menos de comentarios que aquellos que reciben comentarios adaptados. (2) El feedback que incluye una pregunta está asociada con una mayor razón de probabilidades (entre 17.5 y 19) de involucrar al estudiante en la conversación. (3) Para los estudiantes con bajo dominio del inglés, la devolución lenta (después de 1 semana) reduce esta proporción en 0.7. Estos resultados implican aspectos importantes a considerar por las plataformas en línea que ofrecen servicios de aprendizaje de idiomas extranjeros, en los cuales es crucial brindar la mejor experiencia de aprendizaje posible, tomando en cuenta el tiempo de dedicación requerido a los profesores.

Por otra parte, el segundo artículo resume los resultados de un proyecto sobre Recursos Educativos Abiertos, dirigido por Jacob Whitehill (WPI):

Title: ¿Saben los estudiantes qué es bueno para ellos? Calificaciones subjetivas de Recursos Educativos Abiertos para predecir las ganancias de aprendizaje.

Autores: Jacob Whitehill, Cecilia Aguerrebere y Benjamin Hylak

En este caso, los autores exploraron cómo las calificaciones/valoraciones subjetivas que los estudiantes realizan a los recursos educativos abiertos (REA), en términos de qué tan útiles los consideran, pueden predecir los aprendizajes reales asociados con esos recursos, de acuerdo a lo evaluado por tests previos y posteriores. Para este fin, desarrollaron un modelo probabilístico llamado GRAM (Gaussian Rating Aggregation Model) que combina calificaciones subjetivas de múltiples estudiantes en un puntaje agregado que da cuenta de la calidad de cada recurso. Sobre la base de un experimento realizado en Mechanical Turk, encontraron que las calificaciones subjetivas agregadas son altamente (y estadísticamente) predictivas de los aprendizajes. Además, al predecir el promedio del aprendizaje adquirido por los estudiantes, las puntuaciones subjetivas alcanzaron una precisión de predicción más alta que un modelo que utiliza directamente los datos previos y posteriores a la prueba para estimar el aprendizaje adquirido con cada recurso. Estos resultados implican repercusiones potenciales en las plataformas de aprendizaje a gran escala (por ejemplo, MOOCs, Khan Academy) que asignan recursos (tutoriales, explicaciones, sugerencias, etc.) a los alumnos en función de los aprendizajes esperados.