Las tecnologías que se emplean en la actualidad permiten un gran nivel de análisis en entornos virtuales. Estos entornos se están utilizando como soporte de sistemas educativos. en esta asignatura se aborda el proceso de análisis y extracción de nueva información en un sistema de Educación con herramientas de la Analítica del aprendizaje y Minería de datos, con la perspectiva de modelar al estudiante.

Por lo tanto, hay tres áreas de conocimiento que se desarrollan:

• La analítica del aprendizaje (o Learning Analitics (LA) en inglés)
• Minería de datos en la educación.
• Modelado del estudiante.

Las tres áreas de conocimiento tienen fuertes sinergias y diferencias entre ellas que serán desveladas en los contenidos de la asignatura. Los objetivos de la asignatura son ofrecer una visión de los conceptos básicos, objetivos y técnicas de las áreas de conocimiento comentadas para que el estudiante puda desarrollar análisis, aplicaciones o sistemas que analicen y modelen a los estudiantes en un contexto educativo virtual.

Minería de datos en educación y modelado del estudiante es una asignatrua obligatoria de 6 créditos ECTS que se imparte en el primer cuatrimestre del Máster. 

Teniendo en cuenta los objetivos de la asignatura, se pueden establecer conexiones con otras materias del Master como Soporte tecnológico a procesos de enseñanza y aprendizaje y Accesibilidad del elearning.

Los estudiantes de esta asignatura no requieren conocimientos previos adicionales más allá de los que surgen del seguimiento de los requeridos por el máster, permitiendo utilizar y desarrollar las competencias correspondientes. 

Se recomienda leer en inglés con fluidez y conocimientos en programación, especialmente en Python.

La tutorización de los estudiantes se llevará a cabo por los profesores de la asignatura, a través de la plataforma de e-Learning Alf, por teléfono y por correo electrónico.

• Jesús González Boticario, teléfono 913987197, e-mail: jgb@dia.uned.es, C/Juan del Rosal, 16, Ciudad Universitaria, E-28040, Madrid (Spain).
  Horario de guardia: Lunes, de 15:00 a 19:00. Horario de Asistencia al Estudiante: Lunes y Miércoles de 10:00 a 14:00.

• Antonio Rodríguez Anaya, teléfono 91 398 6550,  e-mail: arodriguez@dia.uned.es, C/Juan del Rosal, 16, Ciudad Universitaria, E-28040, Madrid (Spain).
  Horario de guardia: Lunes, de 15:00 a 19:00. Horario de Asistencia al Estudiante: Martes de 10:00 a 14:00 y de 15:00 a 19:00.

COMPETENCIAS BÁSICAS

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

COMPETENCIAS GENERALES

CG1 Ser capaz de definir y formalizar mediante las Tecnologías de Información y las Comunicaciones (TIC) una estrategia educativa que cumpla con las necesidades del estudiante.

CG2 Ser capaz de entender y aplicar las tecnologías adecuadas que permitan evaluar y mejorar la calidad de la docencia en un entorno tecnológico.

COMPETENCIAS ESPECÍFICAS

CE6 Identificar y utilizar técnicas inteligentes de modelado y análisis de estudiantes para fomentar su aprendizaje auto-regulado.

CE7 Identificar y utilizar plataformas de aprendizaje para promover procesos educativos adaptados a los usuarios.

• Conocer, entender y saber aplicar técnicas de obtención y preprocesado de información relevante para el aprendizaje en entornos educativos.
• Conocer, entender y saber aplicar el proceso de minería y analítica de datos a un entorno educativo, cubriendo técnicas supervisadas y no supervisadas.
• Conocer, entender, saber aplicar y evaluar técnicas de analítica y minería de datos en educación que, partiendo del análisis de las interacciones, soportan el modelado del estudiante y el aprendizaje social del estudiante.
• Conocer, entender y saber aplicar técnicas básicas de modelado del apoyo educativo requeridas en sistemas educativos inteligentes.
• Conocer, entender y saber aplicar los principios éticos que deben garantizarse en el tratamiento de los datos y análisis de las interacciones implicados en el modelado del estudiante en sistemas inteligentes de educación.

En esta asignatura se enseñará como analizar entonos educativos y modelar estudiantes. Se da especial importancia, en el estudio y evaluación de la asignatura, a la realización de tareas prácticas y actividades formativas, tanto las PP.EE.CC. como las tareas complementarias, que podrán tener un componen social o de trabajo en equipo.

Se utilizará la plataforma virtual de la UNED, los cursos virtuales, como entorno virtual dinámico de interacción entre estudiantes.

Los contenidos docentes se encuentran en la plataforma de e-learning de la UNED estructurados para la mejor comprensión y utilización por parte de los estudiantes.

Las actividades formativas se organizan como sigue:

• Estudio de los contenidos: 50 horas
• Tutorías: 10 horas
• Actividades en la plataforma virtual: 20 horas
• Trabajos/Prácticas: 70 horas

Y se referirán en cada caso a:

1. Estudios de contenidos

Lectura de las orientaciones
Lectura de los materiales impresos
Visualización y audición de materiales audiovisuales
Revisión de los exámenes con los docentes

2. Tutorias

Seminarios on-line
Resolución de dudas de forma individual
Revisión de los exámenes con los docentes

2. Actividades en la plataforma virtual

Lectura de las orientaciones para la realización de las actividades prácticas planteadas
Comentarios de artículos de carácter científico
Solución de dudas de forma on-line
Interacción con estudiantes y equipo docente a través del foro

3. Trabajos/Prácticas

Realización de actividades de autoevaluación, problemas y ejercicios
Realización de actividades colaborativos siguiendo metodologías como por ejemplo Marco Lógico Colaborativo
Prueba de evaluación continua
Examen presencial

Es condición necesaria aprobar las PP.EE.CC. para poder aprobar la asignatura.

NOTA IMPORTANTE: El estudiante tiene que comprender que se le requerirá una actividad frecuente y regular en la plataforma de e-learning tanto para comunicarse con otros estudiantes como para ir realizando las tareas y prácticas.

En el curso virtual aparecerá contenido creado por el equipo docente que completará la biblografía básica.

Además, la bibliografía básica se complementa con los siguientes artículos, que ya aparecen en la sección de los contenidos de esta guía, o secciones de los mismos:

• Joksimovi, S., Kovanovi, V., & Dawson, S. (2019). The journey of learning analytics. HERDSA Review of Higher Education, 6, 27-63.
• Keim, D., Andrienko, G., Fekete, J. D., Görg, C., Kohlhammer, J., & Melançon, G. (2008). Visual analytics: Definition, process, and challenges. In Information visualization (pp. 154-175). Springer, Berlin, Heidelberg.
• Vieira, C., Parsons, P., & Byrd, V. (2018). Visual learning analytics of educational data: A systematic literature review and research agenda. Computers & Education, 122, 119-135.
• Saqr, M., & Alamro, A. (2019). The role of social network analysis as a learning analytics tool in online problem based learning. BMC medical education, 19(1), 1-11.
• Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355.
• Romero, C., Romero, J. R., & Ventura, S. (2014). A survey on pre-processing educational data. In Educational data mining (pp. 29-64). Springer, Cham.
• Manjarres, A. V., Sandoval, L. G. M., & Suárez, M. S. (2018). Data mining techniques applied in educational environments: Literature review. Digital Education Review, (33), 235-266.
• Boticario J.G., Aspectos básicos del modelado de usuario en sistemas adaptativos de educación (2022). UNED
• Bull S., Kay J. (2010) Open Learner Models. In: Nkambou R., Bourdeau J., Mizoguchi R. (eds) Advances in Intelligent Tutoring Systems. Studies in Computational Intelligence, vol 308. Springer, Berlin, Heidelberg. DOI:10.1007/978-3-642-14363-2_15 
• B Cook R., Kay J., Kummerfeld B. (2015) MOOClm: User Modelling for MOOCs. In: Ricci F., Bontcheva K., Conlan O., Lawless S. (eds) User Modeling, Adaptation and Personalization. UMAP 2015. Lecture Notes in Computer Science, vol 9146. Springer, Cham. DOI:10.1007/978-3-319-20267-9_7 
• Bull S., Kay J. (2013) Open Learner Models as Drivers for Metacognitive Processes. In: Azevedo R., Aleven V. (eds) International Handbook of Metacognition and Learning Technologies. Springer International Handbooks of Education, vol 28. Springer, New York, NY. DOI:10.1007/978-1-4419-5546-3_23 
• Kay, J. (2008). Lifelong Learner Modeling for Lifelong Personalized Pervasive Learning. IEEE Transactions on Learning Technologies, 1(4), 215–228. httpss://doi.org/10.1109/TLT.2009.9
• Paramythis, A., Weibelzahl, S., & Masthoff, J. (2010). Layered evaluation of interactive adaptive systems: Framework and formative methods. User Modeling and User-Adapted Interaction, 20(5), 383–453. httpss://doi.org/10.1007/s11257-010-9082-4 
• Tran, T. N. T., Felfernig, A., & Tintarev, N. (2021). Humanized recommender systems: State-of-the-art and research issues. ACM Transactions on Interactive Intelligent Systems (TiiS), 11(2), 1-41. 
• Fadel, C., Holmes, W., & Bialik, M. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. The Center for Curriculum Redesign, Boston, MA. Retrieved from httpss://circls.org/primers/artificial-intelligence-in-education-promises-and-implications-for-teaching-and-learning 
• Calvet Liñán, L., & Juan Pérez, Á. A. (2015). Educational Data Mining and Learning Analytics: differences, similarities, and time evolution. International Journal of Educational Technology in Higher Education, 12(3), 98-112.

La información de la bibliografía básica recoge los aspectos que son objeto de estudio.

A lo largo del curso se podrán entregar materiales adicionales que detectemos puedan ser de utilidad para el estudiante.

Para alcanzar los objetivos propuestos, el curso se va a articular, como ya se ha comentado, a través de una plataforma especialmente diseñada para facilitar el trabajo individual y colaborativo en Internet (basada en comunidades virtuales), desarrollada por la Sección de Innovación del Centro de Innovación y Desarrollo Tecnológico de la UNED: aLF.

La plataforma de e-Learning aLF proporcionará el soporte requerido para gestionar los procesos de enseñanza y aprendizaje, compartir documentos y enlaces de interés, crear y participar en comunidades temáticas y grupos de trabajo específicos, realizar proyectos de diversa naturaleza, organizar el trabajo mediante agendas compartidas e individuales, acceder y publicar noticias de interés, etc. Esta plataforma permitirá realizar el seguimiento de las actividades del curso, así como estar al tanto de cualquier información o documentación de interés relacionada con el mismo.

Se recomienda visitar los siguientes sitios web:

Sociedad para la investigación en la analítica del aprendizaje (en sus siglás en inglés SOLAR):
httpss://www.solaresearch.org

Asociación Internacional de Inteligencia Artificial en Educación (AIED):
https://iaied.org/

Asociación Internacional de Minería de Datos aplicada a la Educación:
https://www.educationaldatamining.org/

Relativo a los asuntos relacionados con los STI:
https://aitopics.org/topic/intelligent-tutoring

Organización sobre Modelado de Usuario, Personalización y Adaptación:
https://www.um.org/

Agencia española de protección de datos
httpss://www.aepd.es/es