Mostrar el registro sencillo del ítem

dc.contributor.advisorRomero Morales, C.
dc.contributor.advisorCerezo Menéndez, Rebeca
dc.contributor.authorChango, Wilson
dc.date.accessioned2022-07-18T07:57:14Z
dc.date.available2022-07-18T07:57:14Z
dc.date.issued2022
dc.identifier.urihttp://hdl.handle.net/10396/23641
dc.description.abstractThe main goal of this study is to improve academic performance prediction through the mining of data and data fusion from different modalities, either by the use of learning context or, by the evaluation methodology. The ultimate goal is to enable the prevention and intervention to reduce the possible unexpected difficulties in this learning process. To accomplish the main objective, two specific objectives have been established. The first is to review the available literature about multimodal data fusion. The second is to study which data fusion approach offers better results in predicting academic performance. To achieve the first specific objective, a systematic theoretical review was carried out. While for the second, two empirical studies were executed. The empirical studies analyzed data from two samples in which data were collected with different methodologies. On the one hand, a group of 57 students of Engineer career from the University of Córdova, whose learning sessions were carried out through a Blended Learning Environment (face-to-face classes and virtual campus). On the other hand, a group of 40 students of different careers from the University of Oviedo, developed learning sessions in MetaTutorES, a hypermedia environment designed to evaluate the learning process through the multimodal methodology. As a result, the author observed how data fusion techniques have been used in different learning scenarios also, based on the merged data type and the data fusion approaches used. In addition, present and future challenges in the studied field were detected. One of them is the experimentation with different approaches to data fusion to observe which one obtains better results to predict academic performance. In this sense, the results of both empirical studies agreed that the use of ensemble technique with the selection of attributes method was the approach that presented the best accuracy and adjustment rates. These results become relevant in the educational context since the sooner and better the performance problems are predicted the sooner prevention and intervention measures could be implemented the called Early Detection Systems.es_ES
dc.description.abstractEl objetivo general de este trabajo persigue mejorar la predicción del rendimiento académico a través de la minería de datos y técnicas de fusión, provenientes de diferentes modalidades, bien sea por el contexto de aprendizaje o por la metodología de evaluación utilizada. El fin último, pretende posibilitar la prevención e intervención de ese proceso de aprendizaje para paliar las posibles dificultades que puedan acontecer. El objetivo general se concreta en dos objetivos más concretos. En primer lugar, realizar una revisión teórica de la literatura existente sobre fusión de datos multimodales, y, en segundo lugar, estudiar que aproximación de fusión de datos ofrece mejores resultados para la predicción del rendimiento académico. Para acometer el primer objetivo específico se realizó una revisión teórica sistemática y para el segundo, se llevaron a cabo dos estudios empíricos. Los estudios empíricos analizaron datos provenientes de dos muestras en las cuales se recogieron datos con diferentes metodologías. Por un lado, un grupo de 57 estudiantes de ingeniería de la Universidad de Córdoba, cuyas sesiones de aprendizaje se desarrollaron en un entorno blended learning (clases presenciales y campus virtual), por otro lado, un grupo de 40 estudiantes de diferentes titulaciones de la Universidad de Oviedo, que desarrollaron sesiones de aprendizaje en MetaTutorES, un entorno hipermedia diseñado para evaluar el proceso de aprendizaje a través de metodología multimodal. Fruto de la revisión, observamos cómo se han utilizado técnicas de fusión de datos en diferentes escenarios de aprendizaje, pero también en base al tipo de datos fusionados y a los enfoques de fusión de datos utilizados. Asimismo, se detectaron los principales retos presentes y futuros en el área de estudio, siendo uno de ellos, la experimentación con diferentes aproximaciones a la fusión de datos, para observar cuál de ellas arroja mejores resultados para predecir el rendimiento académico. En este sentido, los resultados de ambos estudios empíricos coincidieron en que el uso de la técnica ensemble junto con la selección de atributos, era la aproximación que mejores índices de precisión y ajuste presentaba. Estos resultados cobran importancia en el contexto educativo, dado que, cuanto antes y mejor puedan predecirse posibles problemas en el rendimiento, antes se podrá implementar medidas de prevención e intervención, los llamados Sistemas de Detección Temprana.es_ES
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoenges_ES
dc.publisherUniversidad de Córdoba, UCOPresses_ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/es_ES
dc.subjectModelos de predicciónes_ES
dc.subjectPredicción del rendimiento académicoes_ES
dc.subjectAprendizaje inteligentees_ES
dc.subjectAprendizaje multimodales_ES
dc.subjectAprendizaje mixtoes_ES
dc.subjectMinería de datos educativoses_ES
dc.subjectFusión de datoses_ES
dc.subjectDatos de múltiples fuenteses_ES
dc.titlePredicción de rendimiento académico en aprendizaje combinado mediante datos multimodales y técnicas de fusión y minería de datoses_ES
dc.title.alternativePredicting academic achievement in blended learning using multimodal data and fusion and data mining techniqueses_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.relation.projectIDGobierno de España. PID2020-115832GB-I00es_ES
dc.relation.projectIDGobierno de España. PID2019-107201GB-I00
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem