=Paper=
{{Paper
|id=Vol-2231/LALA_2018_paper_20
|storemode=property
|title=Diseño de tableros de información para estudiantes e instructores en entornos cara-a-cara soportados por Sakai(Designing dashboards for students and instructors in a Sakai supported face-to-face
learning environment)
|pdfUrl=https://ceur-ws.org/Vol-2231/LALA_2018_paper_20.pdf
|volume=Vol-2231
|authors=Valeria Haro-Valle,José Benlloch-Dualde,Lenin Lemus-Zúñiga,Jorge Maldonado-Mahauad
}}
==Diseño de tableros de información para estudiantes e instructores en entornos cara-a-cara soportados por Sakai(Designing dashboards for students and instructors in a Sakai supported face-to-face
learning environment)==
https://ceur-ws.org/Vol-2231/LALA_2018_paper_20.pdf
Designing dashboards for students and instructors in a
Sakai supported face-to-face learning environment
Haro-Valle, Valeria1, Benlloch-Dualde, José-V. 1, Lemus-Zúñiga, Lenin y Maldo-
nado-Mahauad, Jorge J.2
1 Universitat Politècnica de València, Valencia 46022, Spain
vahaval@inf.upv.es, jbenlloc@disca.upv.es, lemus@upv.es
2 Universidad de Cuenca, Ecuador
jjmaldonado@uc.cl
Abstract. A very recent review of the literature in the field of Visual Learning
Analytics states that the use of these techniques is quite frequent in blended learn-
ing or online learning environments, including MOOCs. However, this is not the
case in classroom learning environments. In this context, the paper aims at stud-
ying how using Visual Learning Analytics can contribute to a better understand-
ing of the educational processes in face-to-face educational contexts, supported
by a Sakai-based Virtual Learning Environment. Considering that the institu-
tional platform reports are only available for teachers, the main objective is the
design and implementation of a learning dashboard that could help students in
their learning process. To accomplish that, it should integrate data from different
sources, generating easy to understand visual representations. Additionally, the
same data sources will be used to develop a dashboard for instructors that could
help them to provide formative feedback to their students, or to improve the
teaching materials they use. In order to create the dashboards, visualization tools
such as Tableau and QlikSense have been initially employed. However, it was
decided to use the java script library D3.js, as it allows us to create any imagina-
ble visualization and because of the interactivity it offers. To conclude, some
preliminary results are discussed, and further research is outlined.
Keywords: Visual Learning Analytics, Learning Dashboard, Face-to-Face
Learning Environment, Sakai.
1 Introducción
En la actualidad la información es, sin duda, uno de los pilares fundamentales en nuestra
sociedad y, cada vez más, las técnicas de análisis de datos se utilizan como ayuda a la
toma de decisiones en todo tipo de organizaciones y contextos. Sin embargo, a pesar de
que en el ámbito académico los volúmenes de información han crecido enormemente
por la incorporación de las TIC y, sobre todo, por los entornos virtuales de aprendizaje,
el uso de dichas técnicas tiene todavía un gran potencial.
La analítica de datos en el ámbito educativo tiene una vida relativamente corta, pues
no se empieza a utilizar el término Learning Analytics (LA) hasta el año 2009. Pocos
2
años después se acuña una definición bastante aceptada del mismo, como: “la medición,
recopilación, análisis y realización de informes de datos sobre los alumnos y sus con-
textos, con el propósito de entender y optimizar el aprendizaje y los entornos en los que
se produce” [1].
No menos importantes que las técnicas de análisis son las estrategias para visualizar
esos conjuntos de datos y cómo el tipo de representaciones escogidas contribuyen a
facilitar su interpretación. Esta disciplina se conoce como Visual Analytics (VA) y ha
sido definida como "la ciencia del razonamiento analítico facilitada por las interfaces
visuales interactivas" [2]. Si los profesores tuvieran acceso a visualizaciones efectivas
de sus datos educativos, podrían usarlos para proporcionar retroalimentación formativa
a sus estudiantes o para mejorar los materiales didácticos que emplean. Del mismo
modo, si los estudiantes pudieran tener acceso a este tipo de visualizaciones, se podría
favorecer el desarrollo de sus habilidades de autorregulación del aprendizaje y ayudar-
les a conseguir sus objetivos.
En un trabajo muy reciente [3], se realiza una revisión sistemática de la literatura en
la intersección de las áreas citadas anteriormente y se introduce el término Visual Lear-
ning Analytics (VSA) como “el uso de herramientas y métodos computacionales para la
comprensión de fenómenos educativos a través de técnicas de visualización interac-
tiva”. De los 52 trabajos revisados en el estudio, tan solo tres correspondían a contextos
de enseñanza presencial, siendo los más frecuentes los entornos híbridos (blended lear-
ning), los enteramente on-line o los MOOC. En esta línea, este trabajo se propone es-
tudiar cómo el uso de técnicas de VLA puede contribuir a comprender mejor los proce-
sos educativos en cursos de enseñanza presencial apoyados en el uso de la plataforma
institucional Poliformat [4], basada en Sakai. En este planteamiento, resulta de gran
interés un estudio anterior [5] que aborda la relación entre los datos de interacción en
la plataforma con el rendimiento académico, ya que analiza también este mismo tipo
de contextos educativos, también llamados VLE-supported F2F courses.
Tal y como apunta un reciente informe del Departamento de Educación de los Esta-
dos Unidos [6], la información proporcionada a estudiantes y profesores sobre el nivel
de logro de los objetivos de aprendizaje es más valiosa si está disponible en un lugar de
fácil acceso. Con este fin, aboga por introducir los dashboards de aprendizaje, que pue-
den utilizarse para integrar información de distintas fuentes generando representaciones
visuales fáciles de entender.
El principal objetivo de este trabajo es el diseño e implementación de un dashboard
en un entorno de enseñanza presencial donde el estudiante pueda, de manera sencilla,
interpretar las gráficas que se le presentan para monitorizar su aprendizaje durante el
curso académico. Por otro lado, se creará también un dashboard para el profesor de
modo que pueda, a partir de los datos presentados, identificar a los alumnos en riesgo,
observar el acceso a los materiales o la entrega de las tareas propuestas, entre otras, y
así poder tomar alguna medida correctora.
El resto del trabajo se estructura como sigue: la sección 2 describe la arquitectura
del sistema y los bloques que la forman; la sección 3 expone los criterios seguidos en
el diseño del dashboard; la sección 4 introduce los resultados preliminares y, por úl-
timo, la sección 5 presenta las conclusiones.
3
2 Arquitectura
Para la implementación del dashboard se considera la arquitectura descrita en la Fig.
1, donde se definen 3 bloques. En el primero, se identifican las fuentes de datos, en el
segundo se realizan procesos de extracción, limpieza y carga para preparar los datos
que serán la entrada del bloque 3 y, en este último, se diseña e implementa el dashboard.
Fig. 1. Arquitectura del dashboard
2.1 Fuentes de datos
Dado que el contexto de nuestro estudio es una enseñanza presencial soportada por
el uso de un entorno virtual de aprendizaje, los datos proporcionados por la plataforma
van a ser la principal fuente de datos. En nuestro caso, la plataforma institucional, y
más concretamente su herramienta “Estadísticas”, permite generar informes sobre las
interacciones de los usuarios con aquella, para cada uno de los cursos donde de utiliza.
Para cada informe se puede definir el tipo de actividad (visitas, eventos, acceso a recur-
sos, tiempo de estancia), el intervalo temporal al que se refiere, los usuarios a monito-
rizar y cómo se mostrarán los resultados. Una vez generados los datos, se exportan en
ficheros CSV o XLS. Si bien la cantidad y calidad de los datos que se pueden obtener
en estos informes son considerables, es importante señalar que siempre están restringi-
dos a las opciones implementadas en la herramienta y que, por tanto, no se tiene un
acceso completo a la base de datos que almacena los logs de los usuarios que acceden
a la plataforma.
Por otro lado, se utilizan también los ficheros de calificaciones de las asignaturas,
igualmente en formato CSV, que almacenan las notas de los diferentes actos de evalua-
ción y que serán de gran utilidad para relacionar la información obtenida de la plata-
forma con la de rendimiento académico.
Las fuentes de datos anteriores se podrían complementar con muchas otras, algunas
genéricas y otras dependientes del enfoque utilizado en cada asignatura, tal y como se
apunta en diversos estudios [7, 8]. Entre las primeras cabe considerar, por ejemplo, los
ficheros de asistencias a las sesiones presenciales, los accesos a las bases de datos de la
biblioteca o incluso las bases de datos donde se guardan los expedientes de los
4
estudiantes y que incluyen, entre otros, datos demográficos, notas de acceso, opciones
de matrícula, rendimiento en cursos anteriores. Aunque el acceso a estos datos puede
ser, en no pocas ocasiones, bastante difícil de obtener, las posibilidades que abren son
enormes. Respecto a las fuentes de datos específicas, en algunos cursos se utilizan apli-
caciones tales como Socrative 1 o Kahoot 2, por citar dos muy populares, para generar
cuestionarios. Las respuestas de los estudiantes se recogen en una serie de informes que
podrían ser igualmente de gran utilidad. En otros cursos se hace uso de redes sociales
como Twitter, Facebook, Instagram u otras. Las respectivas API de estas redes podrían
proporcionar igualmente fuentes de datos a incorporar a nuestro sistema. Dependiendo
de las herramientas utilizadas en cada curso, se pueden integrar distintas fuentes de
datos.
2.2 Extracción, transformación y carga (ETL)
Los procesos ETL (Extract, Transform and Load), permiten copiar los datos de una
fuente y cargarlos en otra. En la primera fase, denominada extracción, se toman los
datos de diferentes fuentes, ya sean bases de datos, archivos de texto, hojas de cálculo,
entre otras. Posteriormente, en la fase de transformación, se realiza una limpieza de
datos y se modifican para estandarizar los datos en un determinado formato. Final-
mente, estos datos serán cargados en otro repositorio durante la fase de carga.
Utilizando la herramienta Pentaho Data Integration o también conocida como
Kettle 3, se realizan varios procesos ETL con la finalidad de preparar los datos que serán
mostrados en el dashboard. En la Fig. 2 se expone el proceso ETL de los datos de la
asignatura Tecnología de Computadores (TCO), de primer curso del Grado de Ingenie-
ría Informática de la Universitat Politècnica de València, donde se recogen los informes
de los eventos realizados por cada alumno, el tiempo por día que el estudiante ha acce-
dido al sistema, los recursos a los que accede y las notas finales obtenidas por los estu-
diantes. Estos datos se recogen en archivos Excel y se integran mediante el identificador
del estudiante, además, se realizan transformaciones de datos como el reemplazo de los
datos nulos por “0” y la extracción del identificador del grupo al que pertenece el estu-
diante de una cadena de caracteres. Y durante el paso final se almacena los datos en un
nuevo archivo.
Las variables disponibles tanto para la asignaturas de Grado TCO y Fundamentos de
Computadores (FCO), como para Información Multimedia en entornos Multidisposi-
tivo (IMM) , esta última del master de Gestión de la Información (MUGI) son: el iden-
tificador del estudiante, asignatura, número de eventos realizados en la plataforma, fe-
cha del evento realizado por el estudiante, tiempo de conexión a la plataforma, número
de clases a las que asiste, recursos a los que accede y notas adquiridas en los diferentes
actos de evaluación. A partir de estos datos se crearán indicadores para el dashboard.
1https://www.socrative.com/materials/SocrativeUserGuide.pdf
2https://kahoot.com/blog/2017/02/20/download-evaluate-kahoot-results-data/
3https://www.hitachivantara.com/en-us/products/big-data-integration-analytics/pentaho-data-in-
tegration.html
5
Fig. 2. Proceso ETL para preparar los datos de la asignatura TCO
2.3 Visualización de datos
Stephen Few define un dashboard como una visualización de la información más im-
portante para lograr uno o más objetivos; información consolidada y organizada en una
sola pantalla por lo que puede ser monitoreada de un vistazo [9].
Se han desarrollado dashboards para los diferentes niveles y tipos de educación, con
diferentes tecnologías y diferentes enfoques. Con la popularidad que ha tenido la edu-
cación online en los últimos años, se han desarrollado las plataformas MOOC (Massive
open online courses) para dar soporte durante el proceso de aprendizaje, así como tam-
bién herramientas como NoteMyProgress, que permite a los usuarios del navegador
Google Chrome integrarse con las plataformas MOOC para recolectar datos y facilitarle
un dashboard al estudiante, que permite analizar información de la actividad en su
aprendizaje [10].
Otra herramienta conocida como StepUp está dirigida principalmente a los profeso-
res en un contexto de aprendizaje colaborativo asistido por computadora, y también
facilita una versión móvil dirigida a los estudiantes para brindar información de los
esfuerzos que ha realizado durante la semana y el esfuerzo general hasta la fecha [11].
Como estas herramientas mencionadas, se han desarrollado otras, como LOCO-
Analyst [12], GLASS [13], SAM y CourseSignal [14] que analizan los accesos, el uso
de los contenidos, mensajes y resultados del rendimiento del estudiante. Además, otras
herramientas como Student Success System [15], SNAPP y Narcissus extraen datos de
redes sociales para integrarlos con datos académicos y lograr de esta manera un análisis
integral del estudiante [11].
Las herramientas anteriores se han desarrollado tanto en versiones Web y móvil, lo
que permite que la herramienta esté al alcance de los estudiantes y profesores a través
de los dispositivos que utilizan diariamente. Para el desarrollo del presente proyecto se
considera la implementación de una versión Web multidispositivo que mediante la uti-
lización de mensajes en formato JSON se lleve a cabo la comunicación entre el lado
servidor (fuente de datos) y el lado cliente (herramienta de visualización).
6
3 Diseño del dashboard
Los dashboards utilizan diferentes técnicas de visualización ya sea gráficos de barras,
gráficos pastel, tablas, nube de palabras, líneas de tiempo, gráficos de dispersión, entre
otros, que son seleccionados apropiadamente dependiendo de la información que van a
representar, con el objetivo de facilitar la abstracción de la información tanto al profesor
como al estudiante.
Para la creación del dashboard, Stephen Few menciona 13 errores comunes en el
diseño que debemos evitar, los mismos que se presentan a continuación [9]:
1. Exceder los límites de una sola pantalla
2. Proveer el contexto inadecuada de los datos
3. Visualización con excesivo detalle o precisión
4. Elegir una medida deficiente
5. La elección de gráficos inapropiados
6. Incluir alguna complejidad sin sentido
7. Uso de medios de visualización mal diseñados
8. Mostrar datos cuantitativos inexactos
9. La organización pobre de los datos
10. Destacar los datos importantes erróneamente o no resaltarlos en absoluto
11. Saturación o con demasiada decoración
12. El mal uso o el uso excesivo del color
13. Diseñar una visualización poco atractiva
Para diseñar el dashboard se tomaron en cuenta estas recomendaciones y se anali-
zaron diversas opciones de herramientas de visualización de datos empleadas en el ám-
bito de la inteligencia de negocios y big data. Con el fin de ensayar distintas aproxima-
ciones hasta llegar a definir el modelo de dashboard propuesto, se utilizaron inicial-
mente algunas herramientas disponibles en el mercado, evitando así el tiempo necesario
para los correspondientes desarrollos. En particular, se optó por las aplicaciones Ta-
bleau 4 y QlikSense 5.
Tableau es un software comercial que facilita la visualización de datos de forma
interactiva, lo cual le ha hecho popular en el campo empresarial. De forma similar,
Qlik-Sense facilita la creación de gráficas para realizar el análisis de los datos y la crea-
ción de dashboards interactivos.
Por otro lado, un estudio comparativo entre Tableau y D3.js 6, explica que se puede
utilizar Tableau en el caso de que no se tengan conocimientos de programación, ya que
brinda al usuario una interfaz gráfica muy intuitiva para realizar análisis y exploración
de datos. También se afirma que el uso de D3.js es más apropiado cuando hay requisitos
de gráficos complejos o altos requisitos de interactividad [16].
Con el fin de tener mayor flexibilidad en la creación del dashboard junto con mayo-
res opciones de interactividad, para el modelo final se ha optado por un desarrollo
4 https://www.tableau.com/
5 https://www.qlik.com/es-es/products/qlik-sense
6 https://d3js.org/
7
propio, utilizando la librería java script D3.js. Esto permitirá que los estudiantes puedan
acceder fácilmente a un dashboard personalizado y escalable.
4 Resultados
Después de ensayar los distintos tipos de gráficos ofrecidos por las herramientas
citadas en la sección anterior, así como sus respectivas combinaciones, se ha optado
por el modelo de dashboard que se presenta en la Fig. 3, que se describe a continuación.
En la sección superior izquierda, una gráfica de tipo velocímetro que indica al estu-
diante mediante colores, el estado que presenta en una determinada asignatura, donde
el rojo significa riesgo, el amarillo precaución y el verde significa que el estudiante
tiene un buen rendimiento académico. Además, se muestra la nota que ha obtenido el
estudiante en las dos últimas tareas o exámenes. También se incluye un gráfico que
muestra la popularidad de los recursos que están al alcance del estudiante, y otro gráfico
de pastel para que el estudiante conozca el número de eventos, según el tipo de evento
a los que accede. En la sección de la derecha se tienen dos gráficas con el tiempo de
acceso a la plataforma para examinar el ritmo que lleva el estudiante mensualmente y
durante las últimas semanas. Incluir adicionalmente un indicador de la media del
tiempo de actividad de su clase es clave para que el estudiante pueda medir si está
comprometido en el aprendizaje de la asignatura como sus otros compañeros o, por el
contrario, necesitaría una mayor implicación.
Es importante resaltar que, en la parte superior de la Fig 3, se pueden distinguir los
filtros que puede realizar el usuario del dashboard, permitiendo la interacción del usua-
rio con la herramienta y la generación de consultas por asignatura, año o mes, y donde,
únicamente el perfil profesor, podrá realizar el filtro por un estudiante determinado o
un grupo de estudiantes.
Además, para el perfil profesor se incluyen las gráficas de barra mostradas en la Fig
4. donde, basándonos en las notas que ha obtenido el estudiante previamente, el profe-
sor se mantiene informado durante todo el periodo académico de qué estudiantes tienen
mayor riesgo en la asignatura, al tiempo que le permite identificar aquellos con mejores
resultados. Por otra parte, le permite analizar la correlación entre asistencia y califica-
ciones y monitorizar la actividad en la plataforma.
El trabajo aún está en progreso, pero en análisis preliminares y exploratorios que se
realizaron con los datos facilitados, comienzan a aparecer resultados interesantes.
Como puede observarse en la Fig. 5, en un análisis por grupos para una asignatura de
primer curso de Grado en Ingeniería Informática (TCO) existe una correlación positiva
entre el tiempo de estancia del estudiante en la plataforma y la nota final obtenida, lo
que apoya con datos la utilidad de la plataforma como soporte al aprendizaje.
8
Fig. 3. Dashboard diseñado para dar soporte al estudiante en su proceso de aprendizaje
Fig. 4. Dashboard diseñado para el profesor en la asignatura IMM
Por otro lado, se han encontrado ciertas particularidades en la utilización de la pla-
taforma Poliformat, dependiendo de la forma en que los estudiantes trabajan en cada
curso. Por ejemplo, en una de las asignaturas de máster analizadas (Información multi-
media en entornos multidispositivo), el profesor ofrece la posibilidad de realizar todos
los trabajos y tareas del curso, tanto en equipo como individualmente. Este hecho ha
causado que uno de los integrantes del grupo, apenas registre actividad en Poliformat,
lo que complica los análisis y supone mostrar datos erróneos en el dashboard, pues las
interacciones de este/a estudiante debieran asociarse a las de su compañero/a de equipo.
9
Para solucionar esta particularidad, cada estudiante pertenecerá a un grupo dentro de su
clase, así después las estadísticas podrán ser generadas en base al identificador del
grupo en lugar de usar el identificador individual del estudiante.
Fig. 5. Correlación entre el tiempo de acceso y la calificación
5 Conclusiones
Este trabajo ha indagado en el estudio de cómo el uso de técnicas de VLA puede con-
tribuir a comprender mejor los procesos educativos en cursos de enseñanza presencial
apoyados en el uso de entornos virtuales de aprendizaje, tales como Sakai. El objetivo
principal ha sido el diseño e implementación de un dashboard para soporte académico
que visualice, en una única pantalla, diferentes fuentes de datos mediante la combina-
ción de distintos tipos de gráficos. El dashboard muestra, por ejemplo, los recursos más
populares entre los estudiantes, lo que permite una mejora continua de los materiales
didácticos. Por otro lado, al informar de la actividad del estudiante en la plataforma, y
compararla con la del resto de compañeros, puede contribuir a disminuir la tasa de
abandono porque facilita la identificación anticipada de los alumnos en riesgo y da a
los estudiantes el control sobre su aprendizaje, promoviendo una cultura de autorregu-
lación y toma de decisiones basadas en datos.
Respecto al diseño, la estrategia inicial de utilizar herramientas de visualización de
datos ya disponibles en el mercado, tales como Tableau y QlikSense, mientras se definía
el modelo de dashboard, ha resultado de gran utilidad, al evitar desarrollos innecesarios
y facilitar el conocimiento de los datos mediante la exploración y el análisis. El si-
guiente paso es su desarrollo Web. Además, se pretenden incluir nuevas fuentes para
ayudar a identificar otras particularidades. Por último, está previsto realizar una fase de
evaluación para identificar la utilidad de la propuesta y recibir las recomendaciones y
sugerencias de la audiencia a quien se dirige, esto es, estudiantes y profesores.
Agradecimientos
Este trabajo ha sido financiado por el máster universitario de Gestión de la Informa-
ción (MUGI) de la ETSINF, en la Universitat Politècnica de València.
10
Referencias
1. Siemens, G., Gasevic, D.: Guest editorial-Learning and knowledge analytics. Educational
Technology & Society 15(3), 1–2 (2012).
2. Thomas, J. J., Cook, K. A.: Illuminating the path: The research and development agenda for
visual analytics. IEEE Computer Society (2005).
3. Vieira, C., Parsons, P., Byrd, V.: Visual learning analytics of educational data: A syste-matic
literature review and research agenda. Computers & Education 122, 119-135 (2018).
4. Mengod, R.: Poliformat, the Sakai-based on-line campus for UPV - history of a success. In:
Proceedings of the 5th Sakai Conference, Vancouver, BC, Canada (2006).
5. Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M.A., Hernández-García, A.:
Can we predict success from log data in VLEs? Classification of interactions for learning
analytics and their relation with performance in VLE-supported F2F and online learning.
Computers in Human Behavior 31, 542-550 (2014).
6. U.S. Department of Education: Future ready Learning: Reimagining the role of technology
in education - 2016 national education technology plan (2016). Retrieved from
http://tech.ed.gov/files/2015/12/NETP16.pdf.
7. Kitto, K., Cross, S., Waters, Z. and Lupton, M.: Learning analytics beyond the LMS: the
Connected Learning Analytics toolkit. In: Proceedings of the 5th International Learning An-
alytics and Knowledge (LAK’15) Conference, pp. 11-15. ACM, Poughkeepsie, New York,
USA (2015).
8. Buendía-García, F., Benlloch-Dualde, J.V.: Las Fuentes del Learning Analytics. Más allá de
las Platafomas de Aprendizaje. In García-Peñalvo, F.J., Mendes, A.J. (eds.). Simposio In-
ternacional de Informática Educativa (18º. 2016. Salamanca), pp. 255-260. Ediciones Uni-
versidad de Salamanca, Salamanca (2016).
9. Few, S.: "Information dashboard design: The Effective Visual Communication of Data. 1st
edn. O'Reilly Media (2006).
10. Pérez-Álvarez, R., Pérez-Sanagustín, M. and Maldonado-Mahauad, J.J.: NoteMyProgress:
Supporting learners’ self-regulated strategies in MOOCs. In: European Conference on Tech-
nology Enhanced Learning, pp. 517-520. Springer, Cham (2017).
11. Park, Y. and Jo, I.: Development of the Learning Analytics Dashboard to Support Students'
Learning Performance. Journal of Universal Computing Science 21(1), 110–133 (2015).
12. Jovanović, J. et al.: LOCO-analyst: A tool for raising teachers’ awareness in online learning
environments. In: European Conference on Technology Enhanced Learning. Springer, Ber-
lin, Heidelberg, (2007).
13. Leony, D., Pardo, A., de la Fuente Valentín, L., de Castro, D. S., & Kloos, C. D.: GLASS:
a learning analytics visualization tool. In: Proceedings of the 2nd international conference
on learning analytics and knowledge. ACM, pp. 162-163 (2012).
14. Arnold, K. E. and Pistilli, M.D.: Course signals at Purdue: Using learning analytics to in-
crease student success. In: Proceedings of the 2nd international conference on learning ana-
lytics and knowledge. ACM, pp. 267-270 (2012).
15. Essa, A. and Ayad, H.: Student success system: risk analytics and data visualization using
ensembles of predictive models. In: Proceedings of the 2nd international conference on
learning analytics and knowledge. ACM, pp. 158-161 (2012).
16. Nair L., Shetty S., Shetty S.: Interactive visual analytics on Big Data: Tableau vs D3.js.
Journal of e-Learning and Knowledge Society 12(4), 139-150 (2016).