=Paper=
{{Paper
|id=Vol-2231/LALA_2018_paper_3
|storemode=property
|title=Patrones de esfuerzo académico en contextos de vulnerabilidad(Academic effort patterns in contexts of vulnerability)
|pdfUrl=https://ceur-ws.org/Vol-2231/LALA_2018_paper_3.pdf
|volume=Vol-2231
|authors=Claudia Navarro,Valeria Henriquez,Cristian Olivares-Rodrıguez
}}
==Patrones de esfuerzo académico en contextos de vulnerabilidad(Academic effort patterns in contexts of vulnerability)==
https://ceur-ws.org/Vol-2231/LALA_2018_paper_3.pdf
Academic effort patterns in contexts of
vulnerability *
Claudia Navarro and Valeria Henriquez[0000−0002−9003−2254] y Cristian
Olivares-Rodrı́guez[0000−0002−4991−5784]
Instituto de Informática, Universidad Austral de Chile
General Lagos 2086, Valdivia, Chile
claudia.navarro.galindo@alumnos.uach.cl
[valeria.henriquez,colivares]@inf.uach.cl
http://www.inf.uach.cl
Abstract. Latin American countries shown a low performance in math-
ematics according standardized tests such as PISA
In particular, Chile shows 51.5 % of students have low performance in
mathematics. This figures increase in institutions with more vulnerable
students.
The results motivate the incorporation of b-learning in formal educa-
tion, using educational platforms such as Khan Academy, which allows
students to develop autonomous learning by using available learning re-
sources and leaving traces of their own knowledge building experience.
This paper presents a study of academic effort patterns, using data of
the students of an educational institution in Valdivia. The analysis use
the participant’s temporal behavior and socioeconomic information with
the purpose of understanding the risk of failure and school dropout. The
final analysis with clusters shown different levels of effective monthly
work throughout the academic year and different study profiles. In both
analyzes, a strong relationship with academic performance was found,
which makes it possible to have better understanding of the learning
patterns about who are at greater risk of failing in their studies. The
results represent a clear opportunity to provide effective support to risky
students.
Keywords: Academic effort · Clustering · Vulnerability.
1. Introducción
La educación universal es un indicador que refleja el desarrollo de un paı́s,
tal como declara la OCDE [1], por ende la calidad de la educación y el acceso
universal a ella es un desafı́o del cual los gobiernos, las instituciones educati-
vas y las comunidades deben velar por brindar las mismas oportunidades a las
personas [2]. Dentro de estas condiciones de partida se han detectado brechas
entre los estudiantes que provienen de diferentes contextos socioeconómicos, de
*
Estudio realizado con el soporte de Puentes Digitales.
2 C. Navarro et al.
sus hábitos de estudio o de otros factores que influyen y se reflejan en el bajo
rendimiento y la deserción escolar. Según el segundo Informe Observatorio de
Niñez y Adolescencia, Infancia [3], en Chile el 7% de los estudiantes abandonan
la educación básica y el 11% la educación media. Estas cifras adquieren una
mayor gravedad en establecimientos educacionales de alta vulnerabilidad social.
Existen estudios en Chile que han detectado las variables que inciden en el bajo
rendimiento y la deserción escolar [2], la mayorı́a de ellos están basados en datos
históricos, lo que constituye una guı́a para detectar casos de riesgo. No obstante,
estos estudios dificultan la creación de modelos actualizados que estén basados
en indicadores estándares para tomar acciones preventivas.
La educación escolar en América Latina debe hacer frente a altas tasas de
deserción o abandono escolar. Un estudio ha establecido una correlación entre
el mal rendimiento académico, la baja escolaridad de la madre y la inasistencia,
y su rol preponderante en la decisión de abandonar [4]. En Chile se elaboró un
modelo que determina cómo medir la deserción escolar en Chile, haciendo uso
de dos tipos de tasas de deserción: incidencia y prevalencia [2]. Por otra parte
Portillo-Torres [5], hace una propuesta para reducir el abandono escolar basado
en tres niveles de acción: 1) Prevención Universal, 2) Prevención Selectiva, y
3) Prevención indicada. No obstante, el estudio indica que no hay evidencia
concreta del aporte del modelo. En consecuencia, conociendo oportunamente el
rendimiento académico de los estudiantes y sus patrones de esfuerzo académico,
se podrı́a predecir su riesgo de abandono y tomar acciones preventivas.
La Fundación San Carlos del Maipo, en Chile, impulsa un sistema para pre-
venir la deserción escolar a través de un Sistema de Alerta Temprana (SAT)
junto con un programa que intenta motivar a los estudiantes con sus colegios a
través de un espacio recreativo para incentivar a los niños a reencontrarse con sus
colegios. SAT considera como factor de riesgo la insistencia a clases, por lo que
provee un seguimiento automático de las inasistencias de los estudiantes a clases
y activa a una red de profesionales cuya tarea es intervenir preventivamente.
Este sistema ha beneficiado a más de 7000 estudiantes, logrando disminuir en
promedio un 37% la deserción escolar y aumentar la asistencia en un 79% de
los casos que ingresan al programa [6]. Desde el punto de vista de los datos, un
estudio desarrollado por Bowers [7] propone un modelo de predictor del riesgo
escolar basado en el promedio de notas de los estudiantes de enseñanza secun-
daria, en todas sus asignaturas, y agrega datos obtenidos como exámenes de
entrada y test estandarizados. Este modelo se sustenta en la construcción de
modelos computacionales basados en minerı́a de datos. Asimismo, un estudio
realizado por Dekker [8] propone modelos de predicción de aprendizaje con una
muestra de 648 estudiantes de Ingenierı́a Eléctrica en Holanda. En la muestra
trabajan con más de 100 variables para cada uno de los estudiantes.
En este trabajo se propone analizar la información recopilada automáticamente
durante el año 2016 a través de la plataforma Khan Academy, la cual cuenta
con la herramienta BA-Khan (de Blended Analitics y Khan Academy) para
recopilar una gran cantidad de datos de las actividades desarrolladas por los es-
tudiantes. Estos datos resultan de utilidad en el análisis automático de patrones
Academic effort patterns in contexts of vulnerability 3
de comportamiento. Por lo tanto, se busca descubrir patrones inherentes en los
datos de comportamiento potenciados con información socio-económica de los
estudiantes. La información obtenida desde este estudio de manera automática
representa un soporte concreto para que los establecimientos educacionales com-
prendan los patrones de comportamiento académicos de sus estudiantes, en par-
ticular, los patrones de esfuerzo asociados a la deserción escolar.
Por lo tanto, las preguntas que guı́an este trabajo son:
RQ1: ¿La información socio-económica determina la deserción escolar?
RQ2: ¿Existen patrones de esfuerzo académico claramente reconocibles entre
los participantes?
RQ3: ¿Es posible determinar automáticamente patrones de esfuerzo académico
entre los participantes?
RQ4: ¿Existe un patrón de esfuerzo académico vinculado a la deserción es-
colar?
2. Materiales y métodos
Para este estudio se utilizaron datos recopilados en un establecimiento de
educación secundaria (liceo) en Valdivia-Chile, seleccionado debido a que cuenta
con dos años de utilización de la plataforma BA-Khan. El conjunto de datos
construido incorpora información socioeconómica, información de rendimiento
académico y de trabajo de los estudiantes en la plataforma Khan Academy
sobre la asignatura de matemáticas. Los datos obtenidos corresponden a 281
estudiantes (43.77% hombres), de los cuales 173 pertenecen a primer año de
educación secundaria (41.61% hombres).
Para la recolección de datos en el establecimiento se siguió el siguiente pro-
tocolo: 1) visita al establecimiento, 2) solicitud del consentimiento informado de
parte de padres/tutores de los estudiantes con el propósito de obtener los datos
requeridos para el análisis, 3) recuperación de datos de rendimiento académico
desde los libros de clases y datos socio-económicos, 4) asegurar la anonimicidad
de los estudiantes en los datos y 5) vincular datos académicos, socio-económicos
y de comportamiento. En este trabajo solo se consideran los datos correspondi-
entes a los estudiantes del establecimiento en estudio.
La metodologı́a b-learning presenta la combinación de Internet y medios dig-
itales con clases formales que requieren la presencia fı́sica de profesor y estudi-
antes. Han surgido numerosas adecuaciones que combinan estos dos elementos,
según Horn, Gu & Evans se pueden diferenciar 4 modelos para b-learning en
la educación primaria y secundaria: Rotation Model, Flex Model, Self-Blend
model y Enriched-Virtual model [9]. En particular los datos de este estudio se
recopilaron a partir de la utilización del modelo de rotación de estaciones y
de laboratorio debido a que no todos los estudiantes pertenecientes al establec-
imiento tienen acceso a Internet ni cuentan con los dispositivos adecuados para
acceder a los contenidos desde sus casas.
La herramienta Khan Academy [10] fue la elegida como LMS pues es una
plataforma web de acceso libre y gratuito, con contenido validado por decenas
4 C. Navarro et al.
de profesores especialistas de matemáticas y otras disciplinas. En la figura 1a
se puede apreciar cómo los estudiantes pueden ejercitar en Khan Academy, ver
pistas en casos de no saber resolver los ejercicios o revisar los contenidos asocia-
dos a través de un video tutorial de los conceptos asociados a la ejercitación. En
la figura 1b los estudiantes pueden analizar su esfuerzo académico basado en la
cantidad de ejercicios que realizaron sobre una temática, el tiempo dedicado a
cada uno de ellos, si pudieron completarlo de manera correcta y si utilizaron los
videos y pistas para contestar.
(a) Máquina de ejercicios. (b) Ejercitación por contenido.
Fig. 1: Plataforma Khan Academy, ejercitación.
El equipo ha enriquecido las herramientas Khan Academy desarrollando BA-
Khan Academy, la que incorpora funcionalidades de apoyo al profesor. BA-Khan
Academy periódicamente consume los servicios de Khan Academy API Explorer
y recopila la información del trabajo realizado por cada uno de los estudiantes.
La herramienta tiene principalmente dos macro funcionalidades de apoyo a la
docencia: que son: 1) Apoyo a la evaluación y calificación y 2) Gestión de aula.
Desde la perspectiva del tratamiento de los datos se utilizó los nueve pasos del
método KDD (del inglés Knowledge Discovery in Databases)[11].
3. Resultados
Los resultados se encuentran dirigidos por las cuatro preguntas de investi-
gación definidas en este estudio.
3.1. RQ1: ¿La información socio-económica determina la deserción
escolar?
Para responder a esta pregunta se analizan mediante la herramienta de IBM
Watson Analytics los factores que influyen en la aprobación de los estudiantes
debido a su relación estrecha con la deserción escolar. La Figura 2 muestra
que la situación final se ve influenciada fuertemente por el Promedio Final, el
Promedio de Matemáticas y la Asistencia, los tres con un 93%. Por lo que se
puede comprobar que obtener buenas calificaciones y asistir regularmente a clases
nos lleva a una Situación Final satisfactoria (Aprobado).
Academic effort patterns in contexts of vulnerability 5
Fig. 2: Situación final.
Por otra parte, se analiza cómo afecta el nivel educacional de los padres en el
rendimiento de los estudiantes. Se puede apreciar en el Cuadro 1 que existe una
correlación positiva entre el promedio de matemáticas obtenido por los estudi-
antes y el nivel educacional de los padres. No obstante, cuando la educación del
padre corresponde a Superior Instituto Profesional (SIP) se observa un resultado
superior en promedios de matemáticas, mientras que el promedio más bajo se
alcanza cuando la educación del padre corresponde a Básica Incompleta (BI).
Table 1: Nivel educacional de los padres.
Escolaridad (Padre) (Madre)
Promedio de Matemáticas
Sin Educación (SE) - 4,50
Educación Básica Incompleta (BI) 47,29 52,38
Educación Básica Completa (BC) 50,41 50,41
Educación Media Incompleta (MI) 53,95 53,09
Educación Media Completa (MC) 50,60 49,71
Educación Superior Instituto Profesional Incompleta (SIPI) - 62,00
Educación Superior Instituto Profesional Completa (SIP) 54,67 57,00
Educación Superior CFT Incompleta (SCFTI) - 52,00
3.2. RQ2: ¿Existen patrones de esfuerzo académico claramente
reconocibles entre los participantes?
Para responder a esta pregunta se analiza el comportamiento de los estudi-
antes en la plataforma Khan Academy asociado al aprendizaje de matemáticas,
extrayendo información de los ejercicios realizados por los estudiantes e infor-
mación vinculada a la visualización de videos.
El horario del dı́a en el cual se utiliza más la plataforma es una variable
que determina el esfuerzo académico. Para ello, se determina que el pico de
trabajo durante el dı́a es alcanzado durante la estadı́a de los estudiantes en el
establecimiento educacional, apreciando que 150 estudiantes de primer año de
secundaria y 100 estudiantes de segundo año de secundaria representan el mayor
6 C. Navarro et al.
esfuerzo conjunto. El resultado de este análisis fue calculado considerando los
datos de todo el año 2016 (Figura 3a).
Al analizar la cantidad de ejercicios totales realizados por los estudiantes
durante el año la cifra asciende a 114.516 en primero de secundaria y 71.049
en segundo de secundaria. Mientras que los cursos con mayor porcentaje de
ejercicios realizados alcanzan un mayor rendimiento académico (Figura 3b), por
lo que se puede concluir que al realizar mayor cantidad de ejercicios se logran
mejores promedios en matemáticas.
(a) Horario. (b) Ejercicios.
Fig. 3: Esfuerzo en horario y ejercicios.
Al analizar la cantidad de ejercicios realizados por cada estudiante, se con-
sideran rangos de calificaciones promedio en < 40, < 50, < 60 y <= 70. Luego
se calcula el promedio de ejercicios realizados y el promedio de notas para cada
rango, además de la cantidad de estudiantes promovidos y reprobados. Las Fig-
uras 4a y 4b evidencian que a mayor cantidad de ejercicios resueltos más alto será
el rango alcanzado por el estudiante en las notas de matemáticas. Al momento
de hacer ejercicios, los estudiantes tienen la opción de pedir pistas (count hints)
y de realizar varios intentos de respuesta (count attempt). Después de analizar
estos datos para los estudiantes de primero y segundo, no se aprecian variaciones
significativas en los datos.
(a) Primero medio. (b) Segundo medio.
Fig. 4: Ejercicios resueltos y promedio de notas.
Academic effort patterns in contexts of vulnerability 7
3.3. RQ3: ¿Es posible determinar automáticamente patrones de
esfuerzo académico entre los participantes?
Para responder a esta pregunta se analiza la información mensual (de marzo
a noviembre) del trabajo realizado por los estudiantes de primero dentro de la
plataforma BA-Khan Academy. El número de estudiantes en cada mes varı́a
debido a que no siempre trabajaron los mismos estudiantes.
Antes de llevar a cabo el análisis de grupos, se estudian los ı́ndices de verosimil-
itud para el algoritmo de clustering EM con 3 (-32,19) y 6 (-31,47) grupos, los
cuales resultan ser similares en cuanto a su confiabilidad. Sin embargo, con la ob-
tención de 3 clusters presenta grupos más reconocibles debido a que se aprecian
caracterı́sticas que hacen más fácil su diferenciación.
Posteriormente, se realiza un análisis de clúster mensual con el propósito
de obtener una visión de las diferencias de comportamiento de los estudiantes
a través del año y, asimismo, observar el cambio de comportamiento de cada
estudiante en función de los grupos automáticamente reconocidos. En conse-
cuencia, los tres clusters son Trabajo Alto (TA), Trabajo Medio (TM) y Trabajo
Bajo (TB), ya que se comprueba que los estudiantes se dividen de acuerdo al
esfuerzo académico invertido al momento de hacer ejercicios. Ası́, los nombres
de los cluster se definen en función del promedio de ejercicios existente en cada
clúster.
Al analizar los patrones de los estudiantes de cada cluster se aprecian claras
diferencias. Los estudiantes pertenecientes al clúster TB realizan más ejercicios
a inicio de año pero a medida que va pasando el tiempo la cantidad disminuye,
volviendo a subir a finales de año. Mientras que los estudiantes que pertenecen
al clúster TM trabajan de una manera más constante a lo largo del año, siendo
este trabajo mayor durante el primer semestre y disminuye de forma notoria en
el segundo semestre. Finalmente, para el clúster TA los estudiantes trabajan de
manera continua durante todo el año.
3.4. RQ4: ¿Existe un patrón de esfuerzo académico vinculado a la
deserción escolar?
Para responder a esta pregunta se analiza el patrón de esfuerzo académico
de los estudiantes y su relación con la reprobación del curso y, en consecuen-
cia, con el riesgo de deserción escolar. Para ello se realiza un nuevo análisis de
cluster, descartando del estudio aquellos estudiantes que fueron retirados del
establecimiento ya que no es posible determinar su desempeño académico. En
este estudio también se utilizó del algoritmo EM, el cual arroja como resultado
un número óptimo de tres cluster. La interpretación de los clústeres nos indica
que hay tres tipos de estudiantes, los cuales se pueden clasificar en los siguientes
grupos: 1) Estudiante precario (EP), 2) Buen estudiante (BE) y 3) Estudiante
Excelente (EE).
En la Tabla 2 se aprecian las caracterı́sticas de los estudiantes en los diferentes
grupos. Se aprecia una fuerte relación entre el patrón de trabajo a lo largo del
año con los resultados que se obtienen en cuanto a promedios de calificaciones.
8 C. Navarro et al.
En el caso de un estudiante EE, el trabajo mensual en casi todos los meses fue
TA y TM y, finalmente, obtiene a final de año una calificación promedio de 5,83
(sobre 7,0) en matemáticas. Un estudiante EP, que a lo largo del año realiza un
trabajo TB, lo lleva a un promedio de matemáticas menor a un estudiante EE y
la asistencia promedio se encuentra cercana al mı́nimo permitido para aprobar
el curso.
Table 2: Perfiles de estudiantes.
Indicador Cluster 1 Cluster 2 Cluster 3
Esfuerzo (TA,TB,TB,TB, (TA,TM,TA,TM, (TA,TA,TM,TA,
TB,TM,TM,TB) TB,TM,TM,TB) TA,TM,TM,TA)
Promedio PM 44,90 51,50 58,30
Promedio PF 51,20 55,60 60,00
En las Figuras 5a y 5b se presenta la cantidad de ejercicios realizados en
el primer y segundo semestre académico. Durante el primer semestre se observa
que un estudiante EE (cluster 3) trabaja más que sus pares, siendo muy superior
a un estudiante EP (cluster 1) donde se encuentran los estudiantes con menores
promedios. También se puede notar que, para los tres clúster el trabajo fue
similar en los meses de marzo, septiembre y octubre, por lo que se puede concluir
que los estudiantes EE y BE (clúster 2 y 3) con mejores calificaciones disminuyen
su trabajo al finalizar el año. Esto puede vincularse a que los estudiantes tenı́an
certeza de su aprobación. En cambio, un estudiante EP (clúster 1) aumenta su
trabajo en el último mes, muy probablemente por encontrarse en dificultades
de alcanzar la aprobación. Finalmente, al analizar los ejercicios incorrectos se
ve que los estudiantes pertenecientes a EE (clúster 3) en general cometen más
errores, pero debe considerarse que este grupo es el que más ejercicios realiza y
que realizar ejercicios incorrectos también es una vı́a de aprendizaje.
(a) Primer semestre. (b) Segundo semestre.
Fig. 5: Ejercicios resueltos y promedio de notas.
Academic effort patterns in contexts of vulnerability 9
4. Conclusiones
Respecto de las preguntas de investigación planteadas podemos concluir lo
siguiente:
1. ¿La información socio-económica determina la deserción escolar? Si bien los
resultados arrojan una cierta relación entre el ingreso familiar y la deserción,
esta relación es indirecta pues la influencia se ve ejercida por el nivel de
asistencia a clases. Por otra parte dado el contexto de vulnerabilidad del
establecimiento los ingresos familiares son muy similares y rondan el in-
greso mı́nimo legal. Por tanto no podemos afirmar que el ingreso familiar
en establecimeintos educacionales de vulnerabilidad determinen la deserción
escolar.
2. ¿Existen patrones de esfuerzo académico claramente reconocibles entre los
participantes? En este caso, los resultados nos permiten afirmar que exis-
ten claros patrones de comportamientos en el uso de la plataforma Khan
Academy y que las caracterı́sitcas que definen el comportamiento están vin-
culadas principalmente a esfuerzo, esto es, cantidad de ejercicios realizados,
sin importar la correctitud de ellos y las pistas revisadas para realizar la
ejercitación. Por tanto cobra vital importancia la labor docente que debe fo-
mentar la ejercitación de los estudiantes sin reprender en los casos de error.
3. ¿Es posible determinar automáticamente patrones de esfuerzo académico
entre los participantes? La determinación del esfuerzo académico a partir de
las caracteristicas relevadas del uso de la plataforma está construida a partir
de datos de recopilación automática, por ende, es posible la determinación
automática de patrones de esfuerzo academico en la medida que el proceso
de limpieza y normalización de los datos pueda ser realizada de manera
automática.
4. ¿Existe un patrón de esfuerzo académico vinculado a la deserción escolar? Al
analizar el patrón de ejercitación mensual por grupos de estudiantes se con-
cluye que el esfuerzo académico y la constancia contribuyen positivamente en
el desempeño académico, disminuyendo el riesgo de deserción y reprobación.
Además cobra relevancia el trabajo realizado en los primeros meses de clases,
pues los resultados muestran que los estudiantes con bajo esfuerzo no logran
repuntar durante el año, por ende se podrı́a considerar que los primeros tres
meses son representativos del trabajo durante el resto del año.
De esta manera y de acuerdo a los descrito en la literatura, este trabajo con-
stribuye a entender cómo los patrones de uso de plataformas educativas pueden
servir para determinar el riesgo escolar de los estudiantes, principalmente porque
al incorporar la metodologı́a b-learning al contexto formal se puede recopilar de
manera automática datos que pueden ser traducidos en asistencia, indicador
clave de la deserción escolar [6]. Adicionalmente al encontrar una relación entre
el esfuerzo en la ejercitación de los estudiantes en la asignatura de matemáticas
y las calificaciones obtenidas en el promedio de la misma asignatura y en el
promedio final, indicador del riesgo escolar [7], es posible crear indicadores tem-
pranos del nivel de esfuerzo de los estudiantes para la intervención oportuna de
10 C. Navarro et al.
los estudiantes con esfuerzo bajo y por ende en riesgo. Finalmente este trabajo
aporta evidencias de la importancia de la equivocación como parte del proceso
de aprendizaje, pues los estudiantes que logran un mayor desempeño son aque-
llos que cometen más errores durante la ejercitación y por tanto las prácticas
pedagógicas deben contribuir a que los estudiantes erren en un entorno seguro.
Referencias
1. OCDE, ”Programa para la Evaluación Internacional de Alumnos Resultados
principales PISA Estudiantes de bajo rendimiento Por Qué se Quedan Atrás
y Cómo Ayudarles a Tener Éxito”, http://www.oecd.org/pisa/keyfindings/PISA-
2012-Estudiantes-de-bajo-rendimiento.pdf. Último acceso 2016/09/01.
2. MINEDUC. Centro de Estudio, ”Serie Evidencias: Medición de la deserción escolar
en Chile”, https://bit.ly/2Ig8AZB. Último acceso 2016/08/31.
3. Observatorio Niñez y adolescencia, Ïnfancia Cuenta Chi-
le 2014 - 2o Informe Observatorio Niñez y Adolescencia”,
http://www.observatorioniñez.cl/2014/07/29/infancia-cuenta-chile-2014-2o-
informe-observatorio-ninez-y-adolescencia/.Último acceso 2016/08/31.
4. SEP, Secretarı́a de Educación Pública México, ”Movimiento contra el abandono
escolar”, https://bit.ly/2KIln5E. Último acceso 2016/09/01.
5. Portillo-Torres, M. C. Propuesta de un nuevo enfoque para reducir el abandono
escolar en secundaria. Revista Electrónica Educare, 19(2), 303-316 (2015).
6. San Carlos, ”Fundación San Carlos del Maipo Impul-
sa Novedosos Sistemas Para Combatir Deserción Escolar”,
http://docenciaeinvestigacion.blogspot.cl/2015/02/fundacion-san-carlos-del-
maipo-impulsa.html. Último acceso 2016/08/31.
7. Bowers, A. J. Analyzing the longitudinal K-12 grading histories of entire cohorts
of students: Grades, data driven decision making, dropping out and hierarchical
cluster analysis. Practical Assessment Research and Evaluation, 15(7), 1-18 (2010).
8. Dekker, G., Pechenizkiy, M., and Vleeshouwers, J. Predicting students drop out: A
case study. Proceedings of the 2nd International Conference on Educational Data
Mining, EDM’09, 41-50 (2009).
9. Horn M., Gu A., and Evans M. Knocking Down Barriers: How California Super-
intendents Are Implementing Blended Learning. Clayton Christensen Institute for
Disruptive Innovation (2014).
10. Khan S. The one world schoolhouse: Education reimagined. Twelve, New York
(2012).
11. Maimon, O., Rokach, L. Introduction to knowledge discovery in databases. In Data
Mining and Knowledge Discovery Handbook pp. 1-17. Springer US (2005).