Student profiling model for the "Computer Programming" course

Abstract

Abstract. The research work presents a student profiling model, and the results after applying it to the "Computer Programming" course, which is developed partially virtual through the Virtual Intelligent Learning Platform, this is an E-Learning system that allows the students to consult the course material and to take the tests. The model identifies the profiles based on socio-economic data (age and gender), and students' behavior when using the Platform (Number of accesses to documents, exercises or videos, percentage of accesses performed in class, average session length and average absence time). The profiles found are analyzed in order to define if they are connected to the academic performance. Data of around 1000 students (those enrolled in 2014) and 20500 sessions, were used. The profiles were found through the k-Means clustering algorithm. Per each profile, the common sequences of navigation were identified. A warnings system is proposed, it uses a lazy classifier to assign a profile to the current student, and based on this profile, give timely feedback by showing alerts. A recommender system is proposed, it shows suggestions of resources that should be accessed, in order to improve the academic performance.

El trabajo de investigación presenta un modelo de perfilamiento de estudiantes, y sus resultados al haberlo aplicado al curso "Programación de Computadores", el cual es dictado de manera parcialmente virtual, por medio de la Plataforma Inteligente de Aprendizaje Virtual, éste es un Sistema en Línea, que permite la consulta del material de estudio y la presentación de los exámenes. El modelo identifica los perfiles a partir de datos socioeconómicos (edad y género), y el comportamiento en la Plataforma (Cantidad de consultas a documentos, ejercicios o videos, porcentaje de consultas realizadas en clase, tamaño promedio de la sesión y tiempo promedio de ausencia). Los perfiles son analizados para definir si están relacionados con el rendimiento académico. Se utilizaron los datos de aproximadamente 1000 estudiantes (inscritos en 2014) y 20500 sesiones. Los perfiles fueron identificados por medio del algoritmo de agrupación k-Means, y para cada uno, se identificaron las secuencias comunes de navegación. Se propone un sistema de alertas, que utiliza un clasificador perezoso para asignar al estudiante actual un perfil, y a partir de éste, da sugerencias de manera oportuna. Se propone un sistema de recomendación, que muestra al estudiante sugerencias sobre cuáles recursos se deberían consultar, con el objetivo de mejorar su rendimiento académico.