Definición
Es la rama que aplica métodos estadísticos y de aprendizaje automático a grandes conjuntos de datos educativos para encontrar patrones: perfiles de estudiantes, secuencias de errores frecuentes o factores asociados al abandono. Es la hermana más técnica de las analíticas de aprendizaje: le interesa sobre todo el método y el modelo.
Qué busca
Sus tareas más habituales son cuatro:
- Predicción
- Estimar un resultado futuro, como aprobar o abandonar.
- Agrupación
- Encontrar perfiles de estudiantes que se comportan de forma parecida.
- Relaciones
- Descubrir qué acciones suelen ir juntas o en qué orden.
- Modelado del conocimiento
- Estimar qué domina cada estudiante a partir de sus respuestas.
Por qué importa en la universidad
- Entender las predicciones. Explica de dónde salen los avisos de riesgo de muchas plataformas.
- Conocer sus límites. Un patrón encontrado en los datos no explica por qué ocurre.
- Investigar la docencia. Permite estudiar cómo aprende el alumnado a partir de datos reales.
Un poco de historia
Cómo se ha llegado hasta aquí
De los talleres técnicos a una comunidad propia.
2005
Primeros talleres
Investigadores de IA en educación organizan talleres sobre cómo extraer conocimiento de los registros de los tutores.
2008
Primera conferencia EDM
Se celebra en Montreal la primera conferencia internacional de minería de datos educativos.
2009
Revista propia
Aparece el Journal of Educational Data Mining.
2010
Estado de la cuestión
Romero y Ventura publican la revisión que ordena el campo.
Ejemplos en el aula
Errores frecuentes
Encontrar los ejercicios en los que falla la mayoría y por qué.
Riesgo de abandono
Leer con criterio el aviso de una plataforma antes de actuar.
Itinerarios
Ver qué orden de actividades siguen quienes mejor terminan.
Para saber más
Lecturas recomendadas
- Romero, C., y Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601-618.