Analíticas de aprendizaje como herramienta para la interpretación del efecto de la pandemia sobre la calificación final en la asignatura Química I de la Universidad Estatal a Distancia de Costa Rica
DOI:
https://doi.org/10.22458/caes.v13i2.4489Palabras clave:
Analíticas de aprendizaje, Pandemia, Química, CalificaciónResumen
Debido a la Covid-19, las instituciones de educación deben migrar sus prácticas tradicionales a la modalidad virtual. Esto representa retos importantes en la planificación, mediación y evaluación de las asignaturas. Las analíticas de aprendizaje son un conjunto de herramientas innovadoras en el área pedagógica, en la que el uso de datos puede contribuir al mejoramiento de las asignaturas y políticas educativas. En este trabajo se pretende realizar una reflexión descriptiva de las analíticas de aprendizaje valorando el efecto de la pandemia en el aprovechamiento de la asignatura. Para esto, se realiza una investigación de tipo cuantitativo mediante el estudio de las calificaciones en la asignatura de Química I durante el periodo 2018-2021 en la UNED, Costa Rica. El aprovechamiento general de la asignatura experimenta un aumento en la calificación promedio durante el periodo 2020-2021; además, existen diferencias significativas entre los rendimientos de acuerdo con las regiones demográficas del país. Sin embargo, es necesario realizar esfuerzos que permitan medir la calidad del aprendizaje logrado en la asignatura y el grado de satisfacción de los estudiantes con lo alcanzado en la misma.
Citas
Almahdawi, M., Senghore, S., Ambrin, H y Belbase, S. (2021). High school students’ performance indicators in distance learning in chemistry during the COVID-19 pandemic. Education Sciences, 11(11). https://doi.org/10.3390/educsci11110672
Avella, J. T. ; Mansureh S. y Nunn, T.K. (2016). Learning analytics methods, benefits, and challenges in ighher Education: A systematic literature Review. Online Learning, 20(2).
Barrowman, N., Gatscha, S., & Momoli, F. (2021). vtree: Display information about nested subsets of a data frame. R Package version, 5.4.6. https://CRAN.R-project.org/package=vtree
Burnett, J. W., Burke, K. A., Stephens, N. M., Bose, I., Bonaccorsi, C., Wade, A. M. y Awino, J. K. (2020). How the covid-19 pandemic changed chemistry instruction at a large public university in the midwest: Challenges met, (some) obstacles overcome, and lessons learned. Journal of Chemical Education, 97(9), 2793–2799. https://doi.org/10.1021/acs.jchemed.0c00761
Cerro, J. P., Guitert, M. y Romeu, T. (2020). Impact of using learning analytics in asynchronous online discussions in higher education. International Journal of Educational Technology in Higher Education. https://doi.org/10.1186/s41239-020-00217-y
Chen, K.-Z. y Li, S.-C. (2021). Sequential, typological, and academic dynamics of self-regulated learners: Learning analytics of an undergraduate chemistry online course. Computers and Education: Artificial Intelligence, 2, 100024. https://doi.org/10.1016/j.caeai.2021.100024
Deng, H., Wang, X., Guo, Z., Decker, A., Duan, X., Wang, C., Alex Ambrose, G. y Abbott, K. (2019). PerformanceVis: Visual analytics of student performance data from an introductory chemistry course. Visual Informatics, 3(4), 166–176. https://doi.org/10.1016/j.visinf.2019.10.004
Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T. y Vuorikari, R. (2016). Research evidence on the use of learning analytics - implications for education Policy. En: R. Vuorikari, J. Castaño Muñoz (Eds.), Joint Research Centre Science for Policy Report (pp. 38-40). doi:10.2791/955210.
Games, P. A., Keselman, H. J. y Rogan, J. C. (1981). Simultaneous pairwise multiple comparison procedures for means when sample sizes are unequal. Psychological Bulletin, 90(3), 594–598. https://doi.org/10.1037/0033-2909.90.3.594
Hernández-Sampieri, R., Mendoza-Torres, C.P. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw Hill Education.
Hilliger, I., Ortiz-Rojas, M., Pesántez-Cabrera, P., Scheihing, E., Tsai, Y. S., Muñoz-Merino, P. J., Broos, T., Whitelock-Wainwright, A., Gašević, D. y Pérez-Sanagustín, M. (2020). Towards learning analytics adoption: A mixed methods study of data-related practices and policies in Latin American universities. British Journal of Educational Technology, 51(4), 915–937. https://doi.org/10.1111/bjet.12933
Hodges, C. Moore, S. Lockee, B. Trust, T. y Bond, A (2020). The Difference Between Emergency Remote Teaching and Online Learning. Consultado el 17 de noviembre del 2021. https://er.educause.edu
Kitchin, R. (2014). Big data, new epistemologies and paradigm shifts. Big Data & Society, 1(1). https://doi.org/10.1177/2053951714528481.
Length, R., Buerkner, P., Herve, M., Love, J., Miguez, F., Riebl, H. y Singmann, H. (2021). emmeans: Estimated Marginal Means, aka Least-Squares Means. R Package Version 1.7.0. https://CRAN.R-project.org/package=emmeans
Ortiz-Rojas, M., Maya, R., Jimenez, A., Hilliger, I., y Chiluiza, K. (2019). A step by step methodology for software design of a learning analytics tool in Latin America: A case study in Ecuador. Proceedings - 14th Latin American Conference on Learning Technologies, LACLO 2019, 116–122. https://doi.org/10.1109/LACLO49268.2019.00029
Programa Estado de la Nación. (2021). Octavo Estado de la Educación 2021.
R Core Team. (2020). The R Project for statistical computing. Consultado el [03 de enero 2022]. https://www.r-project.org
Reyes, C., Lawrie, G., Thompson, C. y Kyne, S. (2020). Evaluating Learning desing of first-year chemistry through learning analytics. Australian Conference on Science and Mathematics Education: A Science Education for Uncertain Times.
Tigaa, R. A. y Sonawane, S. L. (2020). An international perspective: teaching chemistry and engaging students during the COVID-19 pandemic. Journal of Chemical Education, 97(9), 3318–3321. https://doi.org/10.1021/acs.jchemed.0c00554
Scheffel, M., Tsai, Y., Gasevic, D. y Drachsler, H. (2019). EC-TEL 2019, LNCS 11722 (pp. 510–524). https://doi.org/10.1007/978-3-030-29736-7_38
Searle, S. R., Speed, F. M. y Milliken, G. A. (1980). Population marginal means in the linear model: An alternative to least squares means. American Statistician, 34(4), 216–221. https://doi.org/10.1080/00031305.1980.10483031
Sunasee, R. (2020). Challenges of teaching organic chemistry during COVID-19 pandemic at a primarily undergraduate Institution. Journal of Chemical Education, 97(9), 3176–3181. https://doi.org/10.1021/acs.jchemed.0c00542
Van Heuvelen, K. M., Daub, G. W. y Ryswyk, H. Van. (2020). Emergency remote instruction during the covid-19 pandemic reshapes collaborative learning in general chemistry. Journal of Chemical Education, 97(9), 2884–2888. https://doi.org/10.1021/acs.jchemed.0c00691
Van Horne, S., Curran, M., Smith, A., VanBuren, J., Zahrieh, D., Larsen, R. y Miller, R. (2018). Facilitating student success in introductory chemistry with feedback in an online platform. Technology, Knowledge and Learning, 23(1), 21–40. https://doi.org/10.1007/s10758-017-9341-0
Villalobos, W. y Villalobos, M. (2018). Estudio comparativo del éxito académico en la asignatura de Química I de la Universidad Estatal a Distancia (UNED) y la formación del estudiante en educación secundaria costarricense. Revista Electrónica Calidad en la Educación Superior, 9(2), 257- 275.
Wickham, H. (2016). Ggplot2: Elegant graphics for data analysis. Springer-Verlag. http://ggplot2.tidyverse.org
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Revista Electrónica Calidad en la Educación Superior
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista provee acceso libre inmediato a su contenido bajo el principio de que hacer disponible gratuitamente la investigación al publico, lo cual fomenta un mayor intercambio de conocimiento global.