=Paper=
{{Paper
|id=Vol-2231/LALA_2018_paper_4
|storemode=property
|title=Analítica del aprendizaje en educación continua en educación superior. Caso de Estudio: Universidad Nacional de Loja(Learning analytics in continuing training in higher education. Case study: Universidad
Nacional de Loja)
|pdfUrl=https://ceur-ws.org/Vol-2231/LALA_2018_paper_4.pdf
|volume=Vol-2231
|authors=Luis Chamba-Eras,Milton Labanda-Jaramillo,Edison Coronel-Romero,Maria Roman-Sanchez
}}
==Analítica del aprendizaje en educación continua en educación superior. Caso de Estudio: Universidad Nacional de Loja(Learning analytics in continuing training in higher education. Case study: Universidad
Nacional de Loja)==
https://ceur-ws.org/Vol-2231/LALA_2018_paper_4.pdf
Learning Analytics in Continuing Training in Higher
Education. Case Study: “Universidad Nacional de Loja”
Luis Chamba-Eras1[0000-0003-3069-9628], Milton Labanda-Jaramillo1[0000-0001-7370-3901], Edi-
son Coronel-Romero1[0000-0001-5407-9023] y Maria Roman-Sanchez2[0000-0002-4039-9461]
1
Grupo de Investigación en Tecnologías de la Información y Comunicación (GITIC), Carrera
de Ingeniería en Sistemas, Facultad de Energía, Universidad Nacional de Loja, Av. Pío Jara-
millo Alvarado y Reinaldo Espinosa EC110110, Loja, Ecuador
{lachamba,miltonlab,edisoncor}@unl.edu.ec
2
Unidad Educativa Fiscomisional "Nuestra Señora del Rosario", Ministerio de Educación, Ca-
tamayo EC110350, Ecuador
elizabeth.roman@educacion.gob.ec
Abstract. In this work, the main goal of this study is the use of descriptive learn-
ing analytics (LA) in continuous training in higher education to identifying the
behavior of participants in virtual courses. Traditionally, to the end of a course
the participant opinion about the course is based on surveys or interviews, in this
case, the LA was used for setting the interaction in the Moodle learning manage-
ment system (LMS). Learning analytics is an innovative technique for monitor-
ing and controlling the training courses that higher education institutions must
implement.
Keywords: learning analytics, e-learning, educational data mining, education,
database, computer programming, artificial intelligence, learning object.
1 Introducción
El término analítica de aprendizaje (AA) o LA (Learning Analytics) nace el 2011 de
la mano de George Siemens, que la define como la recopilación y el análisis de datos
del alumnado en un ambiente de formación [1]. Según el NMC Horizon Project 2017,
la AA es una de las tendencias a medio plazo (próximos tres a cinco años), en el campo
de las nuevas tecnologías que las instituciones de educación superior deberán adoptar
[2]. Esta tendencia, posibilita que por medio de la innovación educativa el profesorado,
alumnado y directivos, puedan tener una visión cuantitativa y medible de la educación,
sobre los diversos cursos de formación en las modalidades: virtual, semi-presencial y
presencial. Los entornos virtuales de aprendizaje (EVA), las redes sociales académicas
y otras tecnologías digitales, se destacan por la ubicuidad y la capacidad de capturar
múltiples datos en tiempo real. Datos como, el comportamiento en línea, rendimiento,
avances y dificultades de los alumnos, que se almacenan en las bases de datos, se usan
para evaluar, medir y documentar la preparación académica, el progreso del aprendi-
zaje, la adquisición de habilidades, y otras necesidades educativas [3]. Actualmente, la
AA en Latinoamérica y España tiene un campo amplio de aplicación en los diversos
2
contextos educativos, muchos investigadores y grupos de investigación han vinculado
su trabajo en experiencias en educación superior, obteniendo de a poco éxitos y expe-
riencias que permitirán a corto plazo, ser una potencia a nivel mundial en el diseño de
modelos y herramientas vinculadas a la AA [4][5].
En Ecuador, se han definido políticas sobre la formación (educación continua) del
profesorado universitario, impulsadas por el Consejo de Educación Superior (CES),
organismo que regula a las instituciones de educación superior (IES) [6]. En diferentes
cursos de formación, sea presencial, virtual o mixto en los contextos de educación su-
perior, los instructores o directivos usan como herramientas de control y seguimiento
encuestas de satisfacción al inicio, intermedio o final de los mismos, presentados por
lo general, por medio de reportes con información descriptiva poco útil a la hora de
identificar las fortalezas o debilidades en este tipo de programas de formación [7][8],
creando con ello una oportunidad para la AA en la mejora de los procesos de la forma-
ción o capacitación en Ecuador. Muchas IES ofrecen la formación del profesorado en
la modalidad virtual, con el fin de democratizar la educación y que penetre en la gran
mayoría de su comunidad universitaria y en la sociedad [9]. De acuerdo a lo mencio-
nado, se plantea la pregunta de investigación: ¿Cuáles son las características de com-
portamiento de los participantes de un curso virtual de formación del profesorado?
El objetivo principal de este trabajo es identificar por medio de la AA descriptiva,
las características de aprendizaje desarrolladas por los participantes de un curso de for-
mación virtual, que permitirá potenciar los recursos de aprendizaje y diseño instruccio-
nal en la oferta de nuevos cursos virtuales que ofertan las IES. Este trabajo se organiza
de la siguiente forma: la sección 1 presenta el problema, objetivo, definiciones prelimi-
nares y trabajos relacionados con el objeto de estudio. En la sección 2 se presenta la
metodología realizada y que servirá para replicar el trabajo en otros contextos. La sec-
ción 3 muestra los principales resultados obtenidos en relación a la AA. La sección 4
presenta la discusión de los resultados obtenidos. Finalmente, en la sección 5 se descri-
ben las conclusiones obtenidas y las líneas futuras.
1.1 Analítica de aprendizaje
La AA se define como “el uso de datos y modelos para predecir el progreso y desem-
peño del estudiante, y la habilidad para utilizar esa información” [10]. De acuerdo con
[11], la AA aprovecha la gran cantidad de información que generan los estudiantes du-
rante el proceso educativo con la finalidad de mejorar la calidad del aprendizaje y el
rendimiento académico. La AA ha surgido como un área significativa de investigación
sobre el aprendizaje potenciado por la tecnología, debido a la disponibilidad de grandes
conjuntos de datos, al surgimiento del aprendizaje en línea a gran escala y la preocupa-
ción política por los estándares educativos [12]. El proceso de AA tiene las siguientes
etapas: recolección de datos, modelizar, interpretar, predecir, intervenir, adaptar y per-
sonalizar [11]. Por otra parte, las analíticas en los LMS hacen referencia a la recopila-
ción y medición de los datos que se generan en estos entornos virtuales y también al
posterior análisis de dichos datos. Al agregar a los LMS la funcionalidad de AA, éstos
podrán obtener y medir información relevante sobre cursos, materias o capacitaciones,
así como también sobre el desempeño e interacción de los alumnos (participantes) y
3
profesores (tutores), que ayude a enriquecer las estrategias utilizadas y permite que las
IES adopten medidas destinadas a mejorar los procesos de enseñanza y de aprendizaje,
como así también potenciar los EVA (virtual, semi-presencial y presencial). Existen
AA predictivas y AA descriptivas. Las predictivas relevan posibles situaciones futuras,
en cambio las descriptivas muestran datos de lo sucedido en los cursos [8]. Las AA
permiten: (a) guiar y motivar a los participantes de una capacitación a través de un
aprendizaje que tiende al aprendizaje personalizado, (b) evaluar los programas de ca-
pacitación y las competencias que otorgan mejorar procesos, (c) transformar las estra-
tegias de enseñanza y de evaluación, (d) mejorar la comunicación entre los agentes
(participantes, tutores), (e) predecir el abandono y el desempeño de los participantes en
el curso, (f) identificar necesidades de aprendizajes, (g) perfeccionar las estrategias de
comunicación de los tutores dentro del campus y (h) optimizar los recursos de forma-
ción. Finalmente, los procesos de AA utilizan los registros que existen en los LMS
sobre: perfil del usuario, actividad en el curso, participación en el curso, evaluaciones
y calificaciones, finalización de actividades, uso e interacción con los objetos de apren-
dizaje (OA), participación e interacción en los foros, finalización de cursos, planes de
aprendizaje y competencias.
.
1.2 Trabajos relacionados
A continuación, se mencionan los trabajos relacionados con el objeto de estudio y
que permiten sustentar científicamente la investigación realizada.
Primeramente, en el trabajo de Rusinque Pineda [8] se describen los procesos de la AA
descriptiva e interpretativa, que mediante la producción documental de las prácticas y
los discursos producidos en el trayecto y funcionamiento en tres universidades, se evi-
dencian los modelos y métodos de enseñanza y aprendizaje en la formación docente,
en los distintos campos disciplinares, entre estos los más importantes: pedagogía y la
didáctica. En el trabajo de Díaz-Lázaro et al [13] se presenta una experiencia realizada
en una carrera de licenciatura, que permitió identificar cómo aprenden y colaboran los
estudiantes en entornos en línea, específicamente a través del uso de las redes sociales
(blogs, Twitter y Facebook). El análisis fue tanto cuantitativo, basado principalmente
en los datos recogidos de la AA, como cualitativo (analizando el contenido de los estu-
diantes a partir de los comentarios). La AA demuestra que existe una relación entre los
miembros del grupo y su interacción y comportamiento en las redes.
Por otro lado, en el trabajo de García-Tinizaray [11] se presenta un trabajo que tiene
como objetivo, determinar la incidencia del uso de un EVA sobre el rendimiento aca-
démico a través de un grupo de variables de interacción (participación en foro, chat,
video colaboración, número de mensajes enviados al profesor, número de comentarios
en el curso de la asignatura, número de accesos al LMS), que permita responder a las
necesidades de mejorar el rendimiento académico en la educación superior. En el tra-
bajo de Gómez-Aguilar et al [14] se describe un estudio mediante técnicas de analítica
visual, los resultados identificaron que no sólo la participación en foros de discusión,
como la lectura o la publicación, sino también el acceso a la lectura de los recursos, y
la periodicidad con que estas actividades se realizan, pueden alertar sobre el desempeño
4
del estudiante. Además, se comprobó la existencia de una fuerte relación de influencia
entre la frecuencia de acceso a la lectura y publicación a foros de discusión, así como
entre la frecuencia de acceso a la lectura a los recursos con los resultados de los estu-
diantes. En el trabajo de Celis et al [15] se presenta el uso de herramientas de la minería
de datos educativa (educational data mining) para construir un modelo que predice la
deserción estudiantil, por motivos académicos, en estudiantes de primer año del plan
común de ingeniería y ciencias, el modelo permite desarrollar intervenciones focaliza-
das en aquellos estudiantes en mayor riesgo antes que finalice el período académico.
Posteriormente, en el trabajo de Lester et al [16] se presenta una recopilación de es-
tudios en el campo de AA en educación superior, relacionados a identificar las interac-
ciones en los EVA, modelos de predicción, análisis de redes sociales, con el objetivo
de potenciar los procesos de enseñanza y aprendizaje en línea. En el trabajo de Muñoz
Del Castillo et al [17] se muestra la literatura concerniente a la formación de docentes
en competencias digitales y al uso de técnicas de AA para la recolección de datos pro-
cedentes de un EVA basado en Moodle, que servirá para evaluar el diseño de propuestas
de formación inicial de profesorado. En el trabajo de Gómez-Aguilar et al [18] se pre-
senta un modelo de análisis de datos educativos basado en analítica visual, AA y ana-
lítica académica. Se usa un software que permite realizar análisis de datos exploratorios
y confirmatorios, en interacción con la información obtenida de un EVA en la forma-
ción en línea.
Así mismo, en el trabajo de García Alcázar [19] se propone el diseño y desarrollo de
una herramienta que facilita un cuadro de mando educativo basado en AA, que me-
diante una interfaz presenta la información generada en los cursos tanto a instructores
como a administradores, de tal forma que permitió identificar qué formato de curso
recibe mejor captación en este entorno en línea y realizar un seguimiento de la trayec-
toria académica de los estudiantes a través del tiempo. En el trabajo de Castellanos-
Nieves [20] se presenta un estudio sobre el seguimiento de las experiencias de los par-
ticipantes en un EVA relacionado en materias en el campo del grado en Ingeniería In-
formática. Se identificó las métricas relevantes del aprendizaje de estudiantes y profe-
sores que permitirán proponer recomendaciones para una mayor personalización de las
asignaturas. En el trabajo de García-Tinizaray et al [21] se explora un conjunto de datos
en un contexto universitario, con el objetivo de predecir la deserción estudiantil, se usa
la AA en el desarrollado un modelo predictivo (regresión logística), los resultados
muestran que las variables relacionadas al acceso al EVA, la participación en foros y la
subida y descarga de recursos educativos son las que determinan una potencial deser-
ción.
Finalmente, en el trabajo de Sánchez Poveda [22] se ha realizado un estudio que ana-
liza de manera cualitativa el uso de Moodle y sus herramientas de AA por parte de los
docentes de una IES. En la investigación se ha identificado que un reducido número de
docentes usan las herramientas de AA que Moodle proporciona. En el trabajo de Gra-
nados et al [23] se presenta un estudio sobre el seguimiento de un curso en línea, donde
se persigue que a través de los datos recabados durante el periodo en que se impartió,
5
se pudo observar cómo se desarrolló el curso, y poder inferir si dicho comportamiento
se presenta en cualquier curso o bien, cuales son las causas que lo hagan distinto de los
demás; pudiendo incluso, luego de varios cursos registrados, planear uno nuevo o mo-
dificar el diseño de las actividades y temarios de acuerdo al desarrollo observado en
cursos pasados. Esta recopilación de datos se realizó a través de un software denomi-
nado Sistema de Monitoreo Automático de Cursos. En los trabajos de Aguilar et al y
Sánchez et al [24][25] se describe la arquitectura de implementación de la AA en un
salón de clases inteligente, para ello, se trabaja con los paradigmas de computación en
la nube y agentes inteligentes en el contexto académico universitario.
2 Metodología
2.1 Objetivo
Identificar por medio de la AA descriptiva, las características de comportamiento
desarrolladas por los participantes de un curso virtual de formación del profesorado.
2.2 Proceso y método
La investigación fue de enfoque cuantitativa, que permitió recolectar información
que servirá para expresar numéricamente por medio de la AA lo sucedido en el EVA.
El investigador es el docente (tutor) del curso de formación en línea, y se usó la obser-
vación directa, como método de apoyo a la investigación. Como una limitante, el pre-
sente estudio se basó en la AA descriptiva de doce observaciones (participantes).
2.3 Participantes
Doce participantes de la Carrera de Ingeniería en Sistemas de la Facultad de Energía
de la Universidad Nacional de Loja (http://unl.edu.ec/), período académico octubre
2017 – marzo 2018. El curso de formación del profesorado/alumnado se denominó
“Habilidades de Escritura Científica en Ingeniería Informática 1.0”, el mismo se ejecutó
de forma en línea (virtual) usando el LMS Moodle 2.8 que se encuentra alojado en el
URL1: http://tmoodle2.lachamba.ec/course/view.php?id=5
2.4 Instrumentos y procedimiento
Instrumentos:
• Herramientas para el diseño y puesta en marcha del curso: OA (proporciona-
dos por Latindex (http://www.latindex.org/latindex/inicio), INASP
(http://www.inasp.info/en/), AuthorAID (http://www.authoraid.info/en/)),
eXelearning para crear OA, para el EVA se usó el LMS Moodle 2.8.
• Observación directa: ficha de observación, usada para plantear las actividades
de aprendizaje en el curso.
• Herramientas para la AA: log de Moodle, hoja de cálculo, software R.
1
“Entrar como invitado” y en el “Acuerdo con las Condiciones del Sitio”, clic en Sí
6
• Técnica estadística: descriptiva.
Para alcanzar el objetivo planteado, se planificó el siguiente procedimiento:
• Fase 1: diseño, ejecución y finalización del curso para recoger la información.
• Fase 2: procesamiento de la información.
• Fase 3: identificación de características y comportamientos por medio de la
AA descriptiva.
3 Resultados
3.1 Fase 1
En el curso “Habilidades de Escritura Científica en Ingeniería Informática 1.0”, desa-
rrollado entre los meses de febrero y marzo del 2018 en la modalidad en línea, se regis-
tró en el EVA 13 participantes: 1 tutor, 12 alumnos. En la Tabla 1, se observa el número
de recursos y actividades de aprendizaje que se gestionaron en el EVA2.
Tabla 1. Resumen de recursos y actividades de aprendizaje que se gestionaron en el EVA.
Recursos (R)/actividades (A) Nro.
Página (R) 6
Archivo (R) 15
Paquete de contenido IMS (OA) (R) 12
Foro (A) 9
Cuestionario (A) 5
Tarea (A) 3
URL (R) 1
Total de recursos/actividades 51
3.2 Fase 2
En esta fase se usó los log del EVA (Moodle) con un total de 5437 registros. Poste-
riormente, con la ayuda de una hoja de cálculo, se procedió a obtener una matriz de
datos (dataset, 67x12, disponible en el URL: https://www.dro-
pbox.com/s/jma04zmdlvlof6w/dataset-la.xlsx?dl=0) que resume todos los rastros rea-
lizados en el EVA. En lo relacionado a la privacidad de los datos, los participantes
firmaron una carta de consentimiento informado, autorizando el uso de su información
en la investigación.
2
Más detalles de los recursos y actividades de aprendizaje ver en: http://tmoodle2.la-
chamba.ec/course/view.php?id=5
7
3.3 Fase 3
La Tabla 2 muestra los resultados del análisis que servirá para el AA.
Tabla 2. Análisis descriptivo de los datos por cada participante (Pi).
Recurso/actividad (inter-
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
acciones)
Nota final acumulada (Me-
53.05 51.13 51.08 54.43 50.22 57.12 52.39 58.12 51.98 52.4 53.6 53.37
dia=53.24)
Número total de interac-
ciones en el EVA (Me- 133 157 129 180 229 225 130 140 141 168 186 138
dia=163)
Número total de interac-
ciones con los OA (Me- 28 22 33 58 46 47 31 27 45 19 43 46
dia=37.08)
Total foros (Media=42) 31 72 28 35 55 84 18 23 25 69 46 18
4 Discusión
Considerando los resultados que se muestran en la Tabla 1, dentro del tipo de recur-
sos de aprendizaje que más se diseñaron en el curso fue “Archivo” con un total de 15,
en cambio, dentro de las actividades de aprendizaje que más se creó fue “Foro” con un
total de 9. Se tiene un total de 51 recursos/actividades que permitieron obtener los in-
sumos para realizar la AA.
De acuerdo a la matriz de datos (dataset) resultante del proceso de análisis de los log
del EVA, se identifica que, de los 12 participantes, la nota máxima acumulada es de
58.1/60, y la mínima es de 50.22/60. Otro hallazgo, fue que el recurso de aprendizaje
con más interacciones (85) fue el OA “Paquete de contenido IMS: Lección 3: Ética
para investigadores”; y la actividad de aprendizaje con más interacciones (123) fue
“Foro: Actividad práctica 5: Buscando la “revista meta” y la “revista depredadora””.
Todo lo mencionado, permite afirmar que los OA son los recursos educativos que se
deben usar en el diseño de cursos en línea, debido a que son construidos con estándares
técnicos y pedagógicos de acuerdo al contexto dónde se los use. Así mismo, se confirma
que los foros son las actividades de aprendizaje con mayor valor para aprender o dar a
conocer los puntos de vista sobre un tema particular de los cursos en línea, debido a
que es una actividad abierta, permite aprender de los participantes más experimentados
o brindar una retroalimentación a quién la solicite [14][17].
Los resultados presentados en la Tabla 2, muestran que los tres valores altos de in-
teracción en el EVA son P5(229), P6(225) y P11(186); y los tres valores altos de la
nota final acumulada son P8(58.12), P6(57.12) y P4(54.43). Por otro lado, los tres va-
lores altos de interacción con los OA son P4(58), P6(47) y P5(46); y los tres valores
altos de interacción con los foros son P6(84), P2(72) y P10(69). Finalmente, se puede
observar las características de comportamiento del participante P6, identificando que
es el que presenta más interacciones en los foros, y es el segundo participante con la
nota final acumulada más alta, además, de ser el segundo participante con altas inter-
acciones con los OA y el EVA.
8
5 Conclusiones
Como principal contribución del trabajo, tenemos que la AA descriptiva permitió
identificar las características de los participantes (profesorado) y con ello comprender
el comportamiento en los escenarios de formación virtual, respondiendo con ello la
pregunta de investigación planteada.
El uso de recursos educativos abiertos y la formación continua del profesorado en la
modalidad virtual en las IES, permitirá alcanzar la calidad a corto plazo, con la ayuda
de herramientas que ofrecen las TIC, combinadas con técnicas o recursos de la Inteli-
gencia Artificial, Realidad Virtual y Aumentada, entre otros.
La AA permite identificar con más claridad el nivel de interacción con los recursos
y actividades de aprendizaje en los cursos en línea, a diferencia del seguimiento tradi-
cional que se realiza con encuestas al finalizar los cursos.
Como líneas futuras, se puede realizar una AA predictiva, con el objetivo de prevenir
la deserción de los cursos en línea, además, se puede involucrar un AA del rastro de los
participantes que interactúan en los cursos, que por algún motivo reprueban los mismos.
Se debe realizar el estudio de correlación entre las variables, aumentando el número de
la población de los participantes, y poder validar estadísticamente las hipótesis.
Finalmente, se observa que, entre las principales características de los participantes
del curso, los recursos y las actividades de aprendizaje que más usan son los OA y los
foros respectivamente, corroborando lo identificado en los trabajos relacionados pro-
puestos por [13][14][17][23].
Agradecimientos
Este trabajo forma parte de las actividades del Grupo de Investigación GITIC, agradecemos
al profesorado y alumnado de la Carrera de Ingeniería en Sistemas de la Universidad Nacional
de Loja (UNL). Nuestro especial agradecimiento a los investigadores del Ministerio de Educa-
ción por su aporte en el trabajo y al Ing. Stalin Paladines, decano de la Facultad de Energía de la
UNL por la apertura, realización y ejecución del curso de formación del profesorado/alumnado.
Referencias
1. Siemens, G., Long, P.: Penetrating the Fog: Analytics in Learning and Education.
EDUCAUSE Review. 46, 30–32 (2011).
2. Adams Becker, S., Cummins, M., Davis, A., Freeman, A., Hall Giesinger, C.,
Ananthanarayanan, V.: NMC Horizon Report: 2017 Higher Education Edition. , Austin,
Texas (2017).
3. Consortium, T.N.M.: Crecimiento del interés en la analítica del aprendizaje.
4. Lemos dos Santos, H., Cechinel, C., Carvalho Nunes, J.B., Ochoa, X.: An Initial Review
of Learning Analytics in Latin America. In: Twelfth Latin American Conference on
Learning Technologies (LACLO). pp. 1–9 (2017).
5. Agudo-Peregrina, Á.F., Caeiro-Rodríguez, M., Conde, M.Á., Cruz-Benito, J., Delgado
Kloos, C., Menchaca, I., Larrañaga, M., Martínez-Monés, A., Robles Gómez, A.:
9
SNOLA: creando una Red sobre Analíticas de Aprendizaje en España. In: IV Congreso
Internacional sobre aprendizaje, innovación y competividad. pp. 69–73 (2017).
6. Consejo de Educación Superior, R. de E.: Reglamento de Régimen Académico, (2013).
7. Jiménez Martínez, P., Ortega Carrillo, J.A.: La satisfacción de participantes a cursos de
formación en modalidad e-learning subvencionados mediante el subsistema de
formación profesional para el empleo. Etic@net. 1–17 (2010).
8. Rusinque Pineda, J.A.: Analítica, descriptiva e interpretativa de la formación docente.
Los casos de las universidades: Distrital Francisco José de Caldas (Bogota-Colombia),
Nacional de San Luis (San Luis-Argentina) y Universidad del Tolima (Ibagué-
Colombia). , Bogotá (2016).
9. Chamba, L., Arruarte, A., Elorriaga, J.: Predominant Components of the Trust Models
in E-learning Environments. IEEE Latin America Transactions. 14, (2016).
10. Barneveld, A. Van, Arnold, K., Campbell, J.: Analytics in higher education:
Establishing a common language. Educause: Learning Initiative. 1–11 (2012).
11. García-Tinisaray, D.: Construcción de un Modelo para Determinar el Rendimiento
Académico de los Estudiantes Basado en Learning Analytics (Análisis del Aprendizaje),
Mediante el Uso de Técnicas Multivariantes, (2015).
12. Ferguson, R.: The state of learning analytics in 2012: a review and future challenges.
Technical Report KMI-12-01. 4, 18 (2012).
13. Díaz-Lázaro, J.J., Solano Fernández, I.M., Sánchez-Vera, M. del M.: Social Learning
Analytics in Higher Education. An experience at the Primary Education stage. Journal
of New Approaches in Educational Research. 6, 119–126 (2017).
14. Gómez-Aguilar, D.A., García-Peñalvo, F.J., Therón, R.: Evaluación visual de las
relaciones entre participación de los estudiantes y sus resultados en entornos de e-
learning. In: Actas del XV Simposio Internacional de Tecnologías de la Información y
las Comunicaciones en la Educación, SINTICE 2013. pp. 153–160 (2013).
15. Celis, S., Moreno, L., Poblete, P., Villanueva, J., Weber, R.: Un modelo analítico para
la predicción del rendimiento académico de estudiantes de ingeniería. Revista de
Ingeniería de Sistemas. 29, 5–24 (2015).
16. Lester, J., Klein, C., Rangwala, H., Johri, A.: Learning Analytics in Higher Education.
ASHE Higher Education Report. 43, 9–135 (2017).
17. Muñoz Del Castillo, A., Acosta Huertas, L.: Ambientes Virtuales de Aprendizaje y
Analíticas del Aprendizaje en la Formación Inicial de Maestros en la Escuela Normal
Superior de Pasto - Un Primer Avance. In: XVIII Encuentro Internacional Virtual
Educa. pp. 1–21. , Bogotá (2017).
18. Gómez-Aguilar, D., García-Peñalvo, F., Therón, R.: Analítica Visual en E-learning. El
profesional de la información. 23, 236–245 (2014).
19. García Alcázar, L.: Explotación de analíticas de aprendizaje en entornos educativos
online, (2015).
20. Castellanos-Nieves, D., Brito-Santana, J., Melián-Batista, B., Hernández Goya, C.,
Moreno-Pérez, J., Moreno-Vega, J., Caballero-Gil, P.: Analíticas de aprendizaje en
materias del Grado de Ingeniería Informática. In: VI Jornadas de Innovación Educativa.
pp. 1–2 (2015).
21. García-Tinizaray, D., Ordoñez-Briceño, K., Torres-Diaz, J.C.: Learning analytics para
predecir la deserción de estudiantes a distancia. Campus Virrtuales. 3, 120–126 (2014).
10
22. Sánchez Poveda, P.: Análisis de Moodle y sus herramientas de analítica del aprendizaje
por parte de los docentes del IES La Melva de Elda, (2017).
23. Granados, H.C., Felipe, A., Pérez, Z.: Analítica del aprendizaje : una experiencia en el
seguimiento de cursos de capacitación. In: Encuentro Internacional de Educación a
Distancia. pp. 1–12. , Guadalajara (2016).
24. Aguilar, J., Sánchez, M., Cordero, J., Valdiviezo-Díaz, P., Barba-Guamán, L., Chamba-
Eras, L.: Learning analytics tasks as services in smart classrooms. Universal Access in
the Information Society. (2017).
25. Sánchez, M., Aguilar, J., Cordero, J., Valdiviezo-Díaz, P., Chamba-Eras, L.: Cloud
Computing in Smart Educational Environments: application in Learning Analytics as
Service. In WorldCist’16 - 4th World Conference on Information Systems and
Technologies. pp. 993–1002 (2016).