Evaluación del resultado académico de los estudiantes a partir del análisis del uso de los Sistemas de Control de Versiones

  1. Alexis Gutiérrez Fernández 1
  2. Ángel Manuel Guerrero Higueras 1
  3. Miguel Ángel Conde González 1
  4. Camino Fernández Llamas 1
  1. 1 Universidad de León, ULE (España)
Revista:
RIED: revista iberoamericana de educación a distancia

ISSN: 1138-2783

Año de publicación: 2020

Título del ejemplar: Analítica del aprendizaje y educación basada en datos: Un campo en expansión

Volumen: 23

Número: 2

Páginas: 127-145

Tipo: Artículo

DOI: 10.5944/RIED.23.2.26539 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: RIED: revista iberoamericana de educación a distancia

Resumen

Una de las herramientas más utilizadas por los profesionales de las tecnologías de la información y la comunicación son los sistemas de control de versiones. Estas herramientas permiten, entre otras cosas, monitorizar la actividad de las personas que trabajan en un proyecto. Por tanto, es recomendable que se utilicen también en las instituciones educativas. El objetivo de este trabajo es evaluar si el resultado académico de los estudiantes se puede predecir monitorizando su actividad en uno de estos sistemas. Para tal efecto, hemos construido un modelo que predice el resultado de los estudiantes en una práctica de la asignatura Ampliación de Sistemas Operativos, perteneciente al segundo curso del grado en Ingeniería Informática de la Universidad de León. Para obtener la predicción, el modelo analiza la interacción del estudiante con un repositorio Git. Para diseñar el modelo, se evalúan varios modelos de clasificación y predicción utilizando la herramienta MoEv. Esta herramienta permite entrenar y validar diferentes modelos de clasificación y obtener el más adecuado para un problema concreto. Además, la herramienta permite identificar las características más discriminantes dentro de los datos de entrada. El modelo resultante ha sido entrenado utilizando los resultados del curso 2016 – 2017. Posteriormente, para asegurar que el modelo generaliza correctamente, se ha validado utilizando datos del curso 2017 – 2018. Los resultados concluyen que el modelo predice el éxito de los estudiantes con un alto porcentaje de acierto.

Referencias bibliográficas

  • Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M. Á., & Hernández-García, Á. (2014). 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(0), 542-550. doi:http://dx.doi.org/10.1016/j.chb.2013.05.031
  • Barber, R., & Sharkey, M. (2012). Course correction: using analytics to predict course success. Vancouver, British Columbia, Canada: Association for Computing Machinery.
  • Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
  • Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
  • Corbet, J., Rubini, A., & Kroah-Hartman, G. (2005). Linux Device Drivers: Where the Kernel Meets the Hardware: " O'Reilly Media, Inc.".
  • Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), 303-314.
  • De Alwis, B., & Sillito, J. (2009). Why are software projects moving from centralized to decentralized version control systems? Paper presented at the Proceedings of the 2009 ICSE Workshop on cooperative and human aspects on software engineering.
  • Devroye, L., Györfi, L., & Lugosi, G. (2013). A probabilistic theory of pattern recognition (Vol. 31): Springer Science & Business Media.
  • Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification: John Wiley & Sons.
  • Fischer, M., Pinzger, M., & Gall, H. (2003). Populating a Release History Database from Version Control and Bug Tracking Systems. Paper presented at the Proceedings of the International Conference on Software Maintenance.
  • Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68-84. doi:https://doi.org/10.1016/j.iheduc.2015.10.002
  • Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine learning, 63(1), 3-42.
  • Griffin, T., & Seals, S. (2013). GitHub in the classroom: not just for group projects (Vol. 28): Consortium for Computing Sciences in Colleges.
  • Guerrero-Higueras, Á. M., DeCastro-García, N., & Matellán, V. (2018). Detection of Cyber-attacks to indoor real time localization systems for autonomous robots. Robotics and Autonomous Systems, 99, 75-83. doi:https://doi.org/10.1016/j.robot.2017.10.006
  • Guerrero-Higueras, Á. M., DeCastro-García, N., Matellán, V., & Conde, M. Á. (2018). Predictive models of academic success: a case study with version control systems. Salamanca, Spain: Association for Computing Machinery.
  • Guerrero-Higueras, Á. M., DeCastro-García, N., Rodríguez-Lera, F. J., & Matellán, V. (2017). Empirical analysis of cyber-attacks to an indoor real time localization system for autonomous robots. Computers & Security, 70, 422-435.
  • Guerrero-Higueras, Á. M., Matellán-Olivera, V., Costales, G. E., Fernández-Llamas, C., Rodriguez-Sedano, F. J., & Conde, M. Á. (2018). Model for Evaluating Student Performance Through Their Interaction With Version Control Systems. Paper presented at the Proceedings of the Learning Analytics Summer Institute Spain 2018, León, Spain.
  • Guerrero-Higueras Ángel, M., DeCastro-García, N., Rodriguez-Lera Francisco, J., Matellán, V., & Conde Miguel, Á. (2019). Predicting academic success through students’ interaction with Version Control Systems. Open Computer Science, 9(1), 243. doi:https://doi.org/10.1515/comp-2019-0012
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction: Springer Science & Business Media.
  • Koller, D., & Friedman, N. (2009). Probabilistic graphical models: principles and techniques: MIT press.
  • Kovacic, Z. (2012). Predicting student success by mining enrolment data. Research in Higher Education Journal, 15, 1-20.
  • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective: MIT Press.
  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Dubourg, V. (2011). Scikit-learn: Machine learning in Python. Journal of machine learning research, 12(Oct), 2825-2830.
  • Pilato, C. M., Collins-Sussman, B., & Fitzpatrick, B. W. (2008). Version Control with Subversion: Next Generation Open Source Version Control: " O'Reilly Media, Inc.".
  • Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation. (No. ICS-8506). California Univ San Diego La Jolla Inst for Cognitive Science.
  • Siemens, G., Dawson, S., & Lynch, G. (2013). Improving the quality and productivity of the higher education sector. Policy and Strategy for Systems-Level Deployment of Learning Analytics. Canberra, Australia: Society for Learning Analytics Research for the Australian Office for Learning and Teaching.
  • Siemens, G., & Gasevic, D. (2012). Guest editorial-learning and knowledge analytics. Journal of Educational Technology & Society, 15(3), 1-2.
  • Spinellis, D. (2005). Version control systems. IEEE Software, 22(5), 108-109.
  • Torvalds, L., & Hamano, J. (2010). Git: Fast version control system. URL http://git-scm.com.
  • Zhang, H. (2004). The optimality of naive Bayes. AA, 1(2), 3.
Fuente de los datos: Dialnet