Tipologías de estudiantes de Fisioterapia según el uso que hacen del campus virtual

  1. Mª Pilar Álvarez Vázquez
  2. Ana Álvarez-Méndez
  3. Carmen Bravo-Llatas
  4. Jesús Cristóbal Barrios
  5. Mª Teresa Angulo Carrere
Revista:
Revista d'innovació docent universitària: RIDU

ISSN: 2013-2298

Año de publicación: 2020

Número: 12

Páginas: 74-81

Tipo: Artículo

DOI: 10.1344/RIDU2020.12.8 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista d'innovació docent universitària: RIDU

Resumen

Presentamos en este artículo los resultados obtenidos tras procesar los registros del espacio virtual creado en la plataforma Moodle para la asignatura de “Anatomía Humana III”, del grado en Fisioterapia. El análisis se realizó mediante el software libre para computación estadística y gráficos RStudio, un entorno de desarrollo integrado para el lenguaje de programación R. Un total de 19.611 registros correspondientes a la actividad realizada en el curso académico 2017/18 fueron depurados y anonimizados y posteriormente analizados. Las variables cuantitativas elegidas fueron el número total de visitas por día al curso virtualizado, el promedio de la frecuencia de visitas a la asignatura virtualizada por día de la semana y hora del día y por meses, el número de accesos a recursos, autoevaluaciones y a URLs. Además, se realizó el análisis estadístico de los datos con el software IBM SPSS v.25, comparando el uso del campus virtual con el rendimiento académico. Se realizaron pruebas de correlación de Spearman no paramétricas y árboles de decisión con dos criterios de corte. Los resultados obtenidos mostraron que el rendimiento académico de los estudiantes de esta asignatura está influido por el uso que hacen del campus virtual. Así, se ha visto que los alumnos con calificación inferior a 5 sobre 10 presentaron menor actividad en la plataforma Moodle, en todas las variables analizadas. Por el contrario, los estudiantes con calificaciones entre 8 y 10 sobre 10 mostraron una actividad en el espacio virtual significativamente mayor, especialmente en el número de visitas y en los recursos utilizados.

Referencias bibliográficas

  • Álvarez, M.P., Álvarez-Méndez, A., Angulo, M.T., Cristóbal, J., Bravo-Llatas, M.C. (2020) Learning analytics in human histology reveals different student clusters and different academic performance. Proceedings of INTED 2020, 14th International Technology, Education and Development Conference, en prensa.
  • Angulo, M.T., Álvarez-Méndez, A. (2007) CD-ROM interactivo para valoración biomecánica de la extremidad inferior. III Jornada Campus Virtual UCM: Innovación en el Campus Virtual: metodologías y herramientas. Editorial Complutense, Madrid, pp. 299-300.
  • Brown, M. (2011) Learning Analytics: the coming third wave. EDUCAUSE Learning Initiative. https://library.educause.edu/-/media/files/library/2011/4/elib1101-pdf.pdf
  • Cerezo, R., Sánchez-Santillán, M., Puerto, M., Núñez, J.C. (2016) Students’ LMS intereaction patterns and their relationship with achievement: A case study in higher education. Computers & Education, 96, pp. 42-54.
  • Chaparro, J., Iglesias, S., Pascual, F. (2010) Uso del registro de actividad de Moodle para un estudio del rendimiento académico de alumnos en entornos en línea y presencial. 4th International Conference on Industrial Engineering and Industrial Management XIV Congreso de Ingeniería de Organización, pp. 753-760. Donostia-San Sebastián.
  • Domínguez, D., Álvarez, J., Gil-Jaurena, I. (2016) Analítica del aprendizaje y Big Data: heurísticas y marcos interpretativos. DILEMATA, International Journal of Applied Ethics, 22, pp. 87-103.
  • Jenaro, C., Castaño, R., Martín, M.E., Flores, N. (2018) Rendimiento académico en educación superior y su asociación con la participación activa en la plataforma Moodle. Estudios Sobre Educación, 34, pp. 177-198.
  • Kotsiantis, S., Telios, N., Filippidi, A., Komis, V. (2013) Using learning analytics to identify successful learners in a blended learning course. International Journal of Technology Enhanced Learning, 5(2), pp. 133-150.
  • Konstantinidis, A., Grafton, C. (2013) Using Excel Macros to Analyse Moodle Logs. Conference Proceedings. 2nd Moodle Research Conference, pp. 33-39. Sousse, Tunisia.
  • Lee, J.E., Recker, M.M., Choi, H., Hong, W.J., Kim, N.J., Lee, K., Lefler, M., Louviere, J., Walker, A. (2016) Applying Data Mining Methods to Understand User Interactions within Learning Management Systems: Approaches and Lessons Learned. Journal of Educational Technology Development & Exchange, 8(2), pp. 99-116.
  • Macfadyen, L.P., Dawson, S. (2010) Mining LMS data to develop an “earlywarning system” for educators: A proof of concept. Computers & Education, 54(2), pp. 588-599.
  • Mwalumbwe, I., Mtebe, J. (2017) Using Learning Analytics to predictt students performance in Moodle Learning Management System: A case of Meya University of Science and Technology. The Electronic Journal of Information Systems in Developing Countries (EJISDC), 79(1), pp. 1-13.
  • Rossetti, S.R., Verdugo, M.L., Bayliss, D. (2017) Learning Analitics para determinar la realción entre uso de un Learning Management System y rendimiento académico. XXII Congreso Internacional de Contaduría, Administración e Informática. Ciudad de Méjico.
  • Shahiri, A.M., Husain, W., Rashid, N.A. (2015) The Third Information Systems International Conference. Procedia Computer Science, 72, pp. 414-422.
  • Sin, K., Muthu, L. (2015) Application of Big Data in education data mining and Learning Analitics. A literature review. Ictact Journal on Soft Computing: Special Issue on Soft Computing Model and Big Data Models for Big Data, 5(4), pp. 1035-1049.
  • Torres-Porras, J., Alcántara, J., Rubio, S. (2018) Virtual platforms use: a useful monitoring tool. EDMETIC. Revista de Educación Mediática y TIC, 7(1), pp. 242-255.
  • UCM (2019) Guía docente de la asignatura Anatomía Humana III, Grado en Fisioterapia. Recuperado de: https://enfermeria.ucm.es/data/cont/media/www/pag-128986/Anatom%C3%ADa%20Humana%20III.pdf
Fuente de los datos: Dialnet