«Dreamcatcher»

El «Atrapa sueños» es un detector de distracciones durante el estudio online:  aplicación de técnicas de aprendizaje máquina supervisado, para detectar la pérdida de concentración en la lectura de contenidos online sin el uso de sensores, es decir, basándose solo en los datos recogidos de la plataforma de elearning (log files). Había antecedentes de estudios similares, basados en sensores de la mirada y en otros fisiológicos, pero poco utilizables todavía a gran escala debido sobre todo al coste.

Los textos utilizados en el experimento proceden del «serius game» llamado Operation ARA! (es un juego con un argumento de «salvar el mundo» orientado a desarrollar habilidades de pensamiento crítico), y emplearon dos versiones de cada texto con diferente grado de dificultad en su lectura, para valorar la influencia de este parámetro.

Aunque los resultados de la matriz de confusión son aún mejorables (véase la tabla), la combinación de técnicas para mejorar la detección y los parámetros utilizados para clasificar los textos crean unas bases muy interesantes de investigación, que sin duda irán depurando.dreamcatcher_tabla

Las aplicaciones de esta ponencia con título tan sugestivo («dreamcatcher» o «atrapa sueños», con origen en los indios Ojibwa) son innumerables para la mejora de la tutorización automática, el diseño instruccional para aprendizaje adaptativo y la predicción de abandonos para tomar medidas antes de perder al estudiante.

(MILLS, Caitlin y D’MELLO, Sidney. Toward a Real-time (Day) Dreamcatcher: Sensor-Free
Detection of Mind Wandering During Online Reading. University of Notre Dame)

Minería basada en grafos

Sports Alpine Skiing seasons by @pac_19: http://neo4j.com

Sports Alpine Skiing seasons by @pac_19: http://neo4j.com

Taller de minería de datos educativos basada en Grafos celebrado en el pasado congreso EDM Madrid 2015 : El profesor Collin Lynch nos enseñó la aplicación de herramientas como NEO4J, una base de datos orientada a grafos, para buscar respuestas a cuestiones como:

 

– ¿qué caminos siguen a través de los contenidos online los estudiantes de mejor rendimiento?

– ¿qué redes sociales pueden impulsar o disminuir el aprendizaje online?

– ¿se comportan los usuarios de formación online como los profesores esperan que lo hagan?

-¿podemos usar datos de los mejores estudiantes para proporcionar consejos significativos para los demás?

-¿podemos identificar estudiantes especialmente serviciales en un curso?

La centralidad, la dependencia, la exclusión, los componentes gigantes….dentro de las redes de aprendizaje son parámetros que cada vez utilizaremos más para analizar el estado de nuestra red, ver cómo puede evolucionar, y cómo pueden influir la posición de los nodos  o  la fuerza de las relaciones en efectos de propagación de la información y el conocimiento.

En el taller se discutieron las tendencias de investigación con estas herramientas, se compartieron «lecciones aprendidas» y se identificaron nuevos desafíos, moderados por Collin F. Lynch, Tiffany Barnes, Jennifer Albert y Michael Eagle, de la North Carolina State University.

Minería basada en grafos: haz una prueba con las herramientas. (En la biblioteca tienes bibliografía para adentrarte en el mundo de los grafos).

 

Minería de Lenguaje Natural

Scott Crossley exponiendo. CC BY SA

Tutorial de herramientas de Procesado de Lenguaje Natural (NLP) impartido en el pasado congreso de Minería de Datos Educativos celebrado en Madrid por  Scott Crossley, Laura Allen y Danielle McNamara. Pudimos instalarnos, probar herramientas como Coh-metrix, WAT, SiNLP, TAALES , TAACO, y preguntarle dudas a los profesores. Avanzados procesadores de textos en lenguaje natural (inglés, por ahora) capaces de proporcionar analíticas sobre cohesión del texto, sofisticación léxica, complejidad sintáctica o dificultad del texto.

Las aplicaciones son infinitas en minería de datos educativos, pues es a partir de aquí cuando podremos evaluar las opiniones en las redes sociales sobre una publicación, analizar las emociones en el foro asociado a un curso, y predecir así el % de abandonos, realizar resúmenes de páginas y textos web, comprobar citas de nuestros trabajos, garantizar la originalidad de publicaciones o noticias, o programar tutorías automáticas en base a las dudas que aparezcan en los foros y su frecuencia .

¿quieres bajar a la mina de datos? Pruébalo introduciendo un texto en inglés y comprueba los espectaculares datos de salida (http://www.kristopherkyle.com/).

(Citado de:  Crossley, S. A., Allen, L. K., Kyle, K., & McNamara, D.S. (2014). Analyzing discourse processing using a simple natural language processing tool (SiNLP).  Discourse Processes, 51(5-6), pp. 511-534, DOI: 10.1080/0163853X.2014.910723)