The use of Massive Open Online Courses, MOOCs, is growing in recent years, because several universities around the world are offering them. This has allowed to generate a large amount of data related to the activities developed by students in these courses. These activities generate patterns that are recorded in the tracking.log file for xMOOC of the Open edX platform. So far there is no clear reference in the way to process the navigation patterns of this file. For this reason, this document presents a proposal to characterize the navigation patterns of students in xMOOC courses of the Open edX platform, through the vector space model and weighting based on the relative frequency of an event. Palabras claves: xMOOC, tracking.log, ponderación, patrón de navegación, evento, caracterización.
Los Cursos en Línea Abiertos y Masivos (MOOC, Massive Open Online Courses) son
una propuesta basada en el Conectivismo, para universalizar la educación y ofrecer
educación gratuita y de calidad a las personas desde cualquier lugar en el mundo [
En la plataforma Open edX, se ofrecen xMOOCs, en este curso es el profesor
quien crea la mayor parte del material de aprendizaje, el cual generalmente es
organizado para el curso; la plataforma cuenta con una estructura lineal de arriba
hacia abajo, en secciones, subsecciones y unidades, mostrando a través de la
plataforma al estudiante, la organización del curso que plantea el docente. Por otra
parte, los xMOOCs son criticados por replicar la enseñanza tradicional, basada en
conferencias o clases magistrales y no tener presente las diferentes estrategias de
aprendizaje, como la preferencia del estudiante por una estructura más o menos lineal
en la organización del material [
En el contexto del aprendizaje en línea, existen estudiantes que se sienten seguros
en entornos de aprendizaje no lineales, es decir en la definición de sus propios
caminos de aprendizaje, lo que indica que navegan libremente sin seguir
necesariamente lo sugerido por los creadores de contenido o la estructura de la
plataforma. Hay otros estudiantes, que prefieren seguir un camino de aprendizaje
definido externamente, como lo impone un profesor o el entorno de aprendizaje en
línea [
Ahora bien, el auge de los MOOC ha implicado indirectamente un crecimiento de los datos en educación y no hay un referente claro en la creación de un conjunto de datos [14], el cual permita la identificación de patrones de navegación acorde a la ponderación basada en la frecuencia relativa de un evento (EF-ISF) [12], por esta razón, en este documento se presenta una propuesta para caracterizar los patrones de navegación de los estudiantes, registrados en el archivo de texto tracking.log de cursos xMOOC de la plataforma Open edX, a través del Modelo de Espacio Vectorial y EF-ISF.
Este artículo está organizado de la siguiente manera: la sección 2, describe la estructura general del archivo tracking.log; la sección 3, caracterización del conjunto de datos y un ejemplo; la sección 4, describe los pasos generales de algoritmos para el descubrimiento de patrones de navegación y la sección 5, conclusiones y trabajo futuro. 2
Log es un registro en un archivo o medio de almacenamiento; cada vez que se realiza alguna actividad en el Sistema de Gestión de Aprendizaje (Learning Management System - LMS), se crea un historial o registro en un archivo de texto llamado tracking.log. Las actividades pueden ser las siguientes [13]: 1. Hacer clic en un enlace. 2. Ver o descargar un video. 3. Leer o descargar documentos, pdf y ppt, entre otros. Existen varios beneficios de almacenar registros para el Sistema de Gestión de Aprendizaje, entre los que se encuentran: monitoreo del progreso del estudiante, verificar el uso del material de aprendizaje en el LMS por parte del estudiante; comprobar el uso de LMS por los estudiantes, como han utilizado los estudiantes el material de aprendizaje y el foro en LMS y consultas personalizadas, responder a preguntas a partir de la información almacenada en el archivo de texto [13].
La entrada de registro, es una estructura de datos que almacena pocos campos, según el tipo de entrada o tipo de actividad, en el que la actividad también se conoce como evento. La entrada de registro es clave - valor (key - value) para los campos y sus valores, el cual se registra en formato JSON [13].
Los eventos que se guardan son generados por el servidor, navegador o dispositivo móvil, el archivo tracking.log en la plataforma Open edX se encuentra en la ruta /edx/var/log/tracking/; a pesar de que dichos eventos pueden representar acciones distintas tienen un conjunto de campos comunes, cuya estructura general se presenta a continuación [12]:
{ "username": "", "event_source": "", "name": "", "accept_language": "", "time": "", "agent": "", "page":"", "host": "", "session": "", "referer":"", "context": { "user_id":, "org_id": "", "course_id": "", "path": ""}, "ip": "", "event": "", "event_type": "" } En la siguiente tabla se describe cada uno de los eventos.
Tabla 1. Descripción de campos. Tomado de [
Campo accept_languaje agent context event event_source event_type host ip name
Tipo string string
Tiene un conjunto de sub campos que describen información del evento, los sub campos pueden ser comunes para todos los eventos como se muestra en la Tabla 2; sin embargo, pueden contener campos adicionales, ver Tabla 3.
Reconoce los campos específicos de cada evento iniciado, los campos pueden variar dependiendo del tipo de evento, los cuales pueden ser: de navegación y de inscripción, entre otros.
Determina el origen que genero el evento, los cuales pueden ser: “browser”, “mobile”, “server” y “task”.
Identifica el tipo de evento registrado acorde al campo de “event_source”.
Registra el sitio visitado por el usuario.
La dirección “ip” del usuario cuando genera el evento.
Registra el tipo de evento lanzado. page referer session
Campo course_user_tags module
Tipo object object
Descripción Registra la clave y el valor de la tabla user_api_usercoursetag para el usuario en el curso.
Registra información de los componentes que se involucran en el evento generado por el servidor. 3
Teniendo en un archivo de texto plano los eventos de navegación de los estudiantes, se procede a construir la Matriz de ponderación basada en la frecuencia relativa de un evento (Matriz EF-ISF), a través del Modelo de Espacio Vectorial, el cual permite encontrar la relación de los eventos de navegación de los estudiantes en un curso MOOC. Para dar un valor a los eventos de navegación se utiliza, la ponderación basada en la frecuencia relativa de un evento (EF-ISF), con lo que se otorga mayor relevancia a los eventos menos frecuentes en el conjunto de estudiantes; pero a su vez más frecuentes en cada estudiante, como se observa en la siguiente ecuación [12]: = ( ) (log ) donde representa el peso del evento _é del estudiante ( ⃗ ) [12].
La Matriz EF-ISF, es una matriz dispersa de pesos dispuestos en m eventos (filas) y
n estudiantes (columnas), en el que elemento ij de la Matriz es denotado por , que
corresponde al peso del evento i en el estudiante j, este peso es calculado de acuerdo a
la ecuación (1) [12], la cual se muestra a continuación [
Al procesar los eventos de navegación con la ecuación (1), en la Matriz EF-ISF, se guarda la caracterización de los patrones de navegación de los estudiantes, acorde a la ponderación basada en la frecuencia relativa de un evento.
Ahora se muestra un ejemplo del proceso de construcción de la Matriz EF-ISF, a partir de dos eventos generados por un estudiante del curso de Astronomía Cotidiana del Grupo B, del año 2017 primer periodo académico de la Universidad del Cauca.
Los eventos son obtenidos del archivo tracking.log de la plataforma Selene, de ellos se tomarán algunos campos y al estudiante se lo llamara anónimo, esto se muestra a continuación:
username: anónimo name: pause_video time: 2017-05-19T03:23:26.966429+00:00 referer:http://selene.unicauca.edu.co/courses/coursev1:Unicauca+AstronomiaCotidianaGrupoB+2017I/courseware/9ee2d4e6ba4f4c8cb5a1aea3b66220a8/ 83d11edf15c446a5be18be0014144fcb/ event:{\"code\":\"0xIv1RoSXNk\", \"id\": \"721d0f414ed44cdea917313b29848d48\", \"currentTime\": 0.793626168800354}
username: anónimo name: load_video time: 2017-05-19T03:21:00.319791+00:00 referer:http://selene.unicauca.edu.co/courses/coursev1:Unicauca+AstronomiaCotidianaGrupoB+2017I/courseware/9ee2d4e6ba4f4c8cb5a1aea3b66220a8/ 83d11edf15c446a5be18be0014144fcb/ event:{\"code\":\"P2uUPX2y8Ks\",\"id\":\"067290f9c4374d5da91cf317e5ccb863\"}
De los fragmentos del registro, se toman siete (7) campos los cuales se denominarán eventos, como se muestra a continuación: evento1 = pause_video, evento2 = AstronomiaCotidianaGrupoB evento3 = 9ee2d4e6ba4f4c8cb5a1aea3b66220a8 evento4 = 83d11edf15c446a5be18be0014144fcb evento5 = 0xIv1RoSXNk (2) evento6 = load_video evento7 = P2uUPX2y8Ks
Aplicando la ecuación (1), se obtiene la siguiente Matriz EF-ISF
Con base en los resultados de la Matriz EF-ISF, se evidencia que el primer evento del estudiante anónimo difiere del segundo, en los eventos 1 y 5; el segundo evento del estudiante anónimo se diferencia del primero, en los eventos 6 y 7; pero ambos tienen valores similares de 0.3 en la Matriz, de esta forma el patrón de navegación del estudiante, acorde a la ponderación basada en la frecuencia relativa de un evento, puede ser cualquiera de las dos navegaciones siguientes:
AstronomiaCotidianaGrupoB -> 9ee2d4e6ba4f4c8cb5a1aea3b66220a8 83d11edf15c446a5be18be0014144fcb -> pause_video -> 0xIv1RoSXNk
AstronomiaCotidianaGrupoB -> 9ee2d4e6ba4f4c8cb5a1aea3b66220a8 83d11edf15c446a5be18be0014144fcb -> load_video -> P2uUPX2y8Ks 4
Para el descubrimiento de patrones de navegación en un conjunto de estudiantes,
acorde a la ponderación basada en la frecuencia relativa de un evento (EF-ISF), se
pueden utilizar algoritmos como: Análisis Semántico Latente (LSA), LexRank con
Umbral, Máxima Cobertura y Mínima Redundancia (MCMR) y Moderador, entre
otros [
A continuación, se muestran los pasos generales del algoritmo LexRank con
Umbral [
Luego se muestran los pasos generales del algoritmo Máxima Cobertura y Mínima
Redundancia (MCMR) [
Posteriormente, se muestran los pasos generales del algoritmo Moderador, basado
en la Toma de Decisiones en Grupo (GDM) con consenso suave con doble ronda
retroalimentada [
Se describió una alternativa para caracterizar los patrones de navegación de los estudiantes, registrados en el archivo de texto tracking.log de xMOOC de la plataforma Open edX, a través del modelo de espacio vectorial y la ponderación basada en la frecuencia relativa de un evento.
Con la caracterización de los patrones de navegación de los estudiantes, registrados en el archivo de texto tracking.log de xMOOC de la plataforma Open edX, a través del modelo de espacio vectorial y la ponderación basada en la frecuencia relativa de un evento, se pueden determinar patrones de navegación acorde a EF-ISF.
Se describieron los pasos generales de los algoritmos: Análisis Semántico Latente (LSA), LexRank con Umbral, Máxima Cobertura y Mínima Redundancia (MCMR) y Moderador; para identificar patrones de navegación de un conjunto de estudiantes acorde a EF-ISF.
Como trabajo a futuro se plantea la implementación de la cartelización de los patrones de navegación, del archivo de texto tracking.log de xMOOC de la plataforma Open edX, con el modelo de espacio vectorial y la ponderación basada en la frecuencia relativa de un evento. De igual forma, la implementación de los algoritmos: Análisis Semántico Latente (LSA), LexRank con Umbral, Máxima Cobertura y Mínima Redundancia (MCMR) y Moderador.
Los autores agradecen el apoyo recibo por el proyecto MOOC-Maker Construction of Management Capacities of MOOCs in Higher Education (561533-EPP-1-2015-1ESEPPKA2-CBHE-JP) financiado por la Comisión Europea a través del Programa Erasmus+ para la realización y divulgación de los resultados expuestos en el presente artículo.
De igual manera agradecer al proyecto VRI 49694 MOOCMenTES "Construcción de capacidades para la gestión de MOOC para la formación profesional, el desarrollo rural y nuevas generaciones de estudiantes rurales en el Mejoramiento de su Tránsito a la Educación Superior", co-financiado en el marco de alianzas rurales por el Ministerio de Educación Nacional de Colombia.