IA PARA FRENAR EL FRACASO
CIENCIA ANTE EL ABANDONO. La aplicación de esta tecnología ha reducido el abandono de la carrera en una prueba piloto en la UOC. La tecnología de detección precoz del riesgo de abandono puede utilizarse en cualquier entorno de aprendizaje
Un estudiante universitario. efe
El abandono prematuro de los estudios es una de las preocupaciones principales de la educación superior en línea, especialmente durante el primer año de carrera. Un equipo interdisciplinario de investigadores de la Universitat Oberta de Catalunya (UOC) ha desarrollado un nuevo sistema basado en algoritmos de inteligencia artificial que permite detectar diariamente a los estudiantes en riesgo de suspender y que, además, es capaz de intervenir automáticamente de forma precoz con mensajes personalizados para revertir la situación. Según los investigadores, este seguimiento continuado ayuda a acortar el tiempo entre las primeras señales de riesgo y la intervención del sistema para evitar que el alumnado abandone la asignatura.
La tecnología se ha testado en una prueba piloto con 581 estudiantes matriculados en una asignatura de primer semestre en diferentes grados de los Estudios de Economía y Empresa de la UOC, lo que ha reducido el abandono de la asignatura y ha aumentado su participación durante el semestre.
La investigación está liderada por David Bañeres, del grupo Systems, Software and Models Research Lab (SOM Research Lab), del Internet Interdisciplinary Institute (IN3), que coordina a un equipo multidisciplinario en el que participan Ana Elena Guerrero, investigadora principal del grupo Technology-Enhanced Knowledge and Interaction Group (TEKING), y M. Elena Rodríguez González, también miembro de TEKING, ambas profesoras de los Estudios de Informática, Multimedia y Telecomunicación, y Pau Cortadas, investigador y profesor de los Estudios de Economía y Empresa.
Este proyecto de investigación en elearning (aprendizaje virtual) tiene el acompañamiento del eLearning Innovation Center (eLinC) de la UOC, el centro que trabaja por la innovación y la transformación educativa digital.
Estos prometedores resultados se han conseguido gracias al desarrollo de un nuevo modelo predictivo, denominado Profiled Dropout At Risk (PDAR), que se ha incorporado al Learning Intelligent System (LIS), un sistema de predicción de estudiantes en riesgo de suspender desarrollado por este equipo de investigadores y que está testándose con buenos resultados en diferentes pruebas piloto con estudiantes de la UOC desde 2019.
Hasta ahora, el sistema LIS únicamente tenía un modelo de predicción de compleción del curso basado en datos históricos de las asignaturas —recogidos en el DataMart de la Unidad de Evaluación de Proyectos Institucionales de la UOC— y en los resultados de las pruebas de evaluación continua del curso en marcha. Así, después de cada actividad el sistema LIS predice la nota mínima que el alumno debería obtener en la prueba siguiente para aprobar la asignatura y asigna un nivel de riesgo de suspender que se muestra en el espacio personal del alumno mediante una representación en forma de semáforo. En caso de detectar un alto nivel de riesgo, el sistema activa los correspondientes mecanismos de intervención en forma de mensajes a los alumnos. «Esta predicción, aunque es muy útil al estudiante, tiene deficiencias, principalmente porque limita el seguimiento a ciertos puntos de control después de cada actividad (suelen ser tres o cuatro cada semestre), de manera que la intervención asociada puede llegar tarde, cuando el estudiante ya ha abandonado el curso», explica David Bañeres. En cambio, el nuevo modelo PDAR aporta una mejora sustancial del seguimiento, puesto que, a partir de datos del perfil de los estudiantes, el rendimiento dentro del curso y los clics y otras acciones diarias en el campus en línea de la UOC, genera una predicción diaria del riesgo de abandono de la asignatura. «El modelo evalúa si el grado de implicación diaria del estudiante se adecua a la media dentro de la asignatura».