Reports on E-learning, Media and Education Meetings
Vol 8 (2020): Learning, Competencies and Human Resources
EMEMITALIA2019 Peer Reviewed Papers

Analisi preliminare per la definizione di un sistema predittivo per il completamento dei Mooc di EduOpen

PDF
  • Annamaria De Santis,
  • Katia Sannicandro,
  • Claudia Bellini,
  • Tommaso Minerva
Annamaria De Santis
Università di Modena Reggio Emilia
Katia Sannicandro
Università degli Studi di Modena e Reggio Emilia
Claudia Bellini
Università degli Studi di Modena e Reggio Emilia
Tommaso Minerva
Università degli Studi di Modena e Reggio Emilia
Published January 13, 2020
Keywords
  • MOOC,
  • Learning Analytics,
  • Course Completion,
  • Users’ Profile,
  • Predictive Model
How to Cite
De Santis, A., Sannicandro, K., Bellini, C., & Minerva, T. (2020). Analisi preliminare per la definizione di un sistema predittivo per il completamento dei Mooc di EduOpen. Reports on E-Learning, Media and Education Meetings, 8(1), 82-87. Retrieved from https://www.je-lks.org/ojs/index.php/R-EMEM/article/view/1135158

Copyright (c) 2020 Reports on E-learning, Media and Education Meetings

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Abstract

Obiettivo dello studio è costruire un sistema predittivo (e adattivo) che, in un ambiente digitale di apprendimento, stima (predice) il “completamento del corso” in funzione delle caratteristiche anagrafiche, motivazionali, comportamentali degli studenti.

La piattaforma individuata per la ricerca è EduOpen, portale italiano per l'erogazione di Mooc. In particolare, l'analisi si riferisce a 7 Mooc che differiscono fra loro per categoria, livello, lingua, durata, modalità di erogazione.

Nei corsi è stato somministrato un questionario nominale composto da 15 domande a risposta chiusa che ha consentito di identificare genere, età anagrafica, titolo di studio, profilo motivazionale e altre variabili di riferimento da studiare insieme a quelle inerenti i comportamenti degli utenti (svolgimento delle attività, numero di click) e correlare con le variabili dipendenti individuate nel completamento del corso e nella percentuale di completamento delle attività. Tale processo che permette di selezionare le variabili indipendenti dal set disponibile è il passo preliminare all’individuazione della forma funzionale (o parametrica) che descrive la relazione tra le modalità d’uso dell’ambiente digitale di apprendimento, il profilo degli utenti e le caratteristiche di erogazione dei corsi.

PDF

References

  1. Akaike A. (1969), Statistical predictor identification, Annals of the Institute of Statistical Mathematics, 22, 203-217.
  2. Akaike A. (1978), Bayesian analysis of the minimum AIC procedure, Annals of the institute of Statistical Mathematics, 30, part A, 9-14.
  3. Brooks C. & Thompson C. (2017), Predictive Modelling in Teaching and Learning, in: Lang C., Siemens G., Wise A. & Gašević D. (eds.), Handbook of Learning Analytics. 61-68, SOLAR: Society for Learning Analytics Research.
  4. Brown, M. (2012). Learning Analytics: Moving from Concept to Practice. (EDUCAUSE Learning Initiative Briefs). Louisville, CO: EDUCAUSE.
  5. Gardner, J., & Brooks, C. (2018). Student success prediction in MOOCs. User Model User-Adap Inter, 28(2), 127-203.
  6. Gašević D., Tsai Y.S., Dawson S. & Pardo A. (2019), How do we start? An approach to learning analytics adoption in higher education, The International Journal of Information and Learning Technology.
  7. Paterlini, S., & Minerva, T. (2010). Regression Model Selection using Genetic Algorithms. In V., Munteanu, R., Raducanu, G., Dutica, A., Croitoru, V.E., Balas, & A. Gravilut (Eds.), Recent Advances in Neural Networks, Fuzzy Systems & Evolutionary Computing (pp. 19-28). USA: WSEAS Press.