Publicación: Análisis de redes sociales dinámicas de aprendizaje colaborativo
Cargando...
Fecha
2023-06
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Resumen
El aprendizaje en redes sociales ha revolucionado la forma en que adquirimos conocimientos y nos relacionamos con los demás. A través de estas plataformas, podemos interactuar, colaborar y compartir ideas con personas de todo el mundo. El análisis de redes sociales aplicado a entornos educativos nos permite comprender las interacciones y la estructura social en la comunidad educativa en línea. Estas herramientas nos ayudan a evaluar el progreso de los estudiantes, identificar líderes y fomentar la colaboración efectiva. En este trabajo, se explora el impacto de los factores de diseño temporal en las redes sociales, centrándose en el análisis de los mensajes de los foros de las asignaturas. Utilizando técnicas de análisis de redes sociales y procesamiento del lenguaje natural, se extraen medidas de las interacciones de los estudiantes en los foros, así como del sentimiento y las emociones expresadas en los mensajes. Estas medidas se utilizan en procedimientos de aprendizaje automático supervisado para predecir la posibilidad de que un estudiante abandone la asignatura. Para capturar las dinámicas temporales de la red y mejorar la utilidad de la predicción, se experimenta con diferentes medidas temporales, como el rango de tiempo analizado del foro, la subdivisión en bloques y su tamaño, así como el uso de sistemas de bloques secuenciales o encadenados en la obtención de las métricas de centralidad. Además, se sigue la teoría social del aprendizaje y se analiza cómo afectan a la predicción parámetros como la obtención de medidas ponderadas de la red social, el uso de medidas personales o globales, y la inclusión de medidas del sentimiento y la emoción. En conclusión, el análisis de redes sociales dinámicas con rangos de tiempo variable ha demostrado ser útil en la predicción del abandono de los estudiantes. Sin embargo, es necesario considerar varios factores, como el porcentaje de cobertura temporal, la subdivisión en bloques y la cantidad de información analizada, para obtener resultados más precisos y significativos en la predicción. Las decisiones metodológicas relacionadas con la configuración temporal de las redes sociales dinámicas son fundamentales para evaluar la eficacia de la predicción del abandono de los estudiantes en una asignatura específica. El uso de rangos temporales dinámicos y la subdivisión de bloques secuenciales o encadenados tienen una gran importancia en la captura de la evolución temporal de las interacciones en las redes sociales y in impacto en la predicción del abandono de los estudiantes. En conjunto, este trabajo destaca la importancia del análisis de redes sociales dinámicas en el contexto educativo. Proporciona ideas valiosas sobre cómo aprovechar la información de las interacciones en las redes sociales y cómo aplicar técnicas de aprendizaje automático para mejorar la predicción del abandono de los estudiantes. Las conclusiones obtenidas contribuyen al avance de la investigación en este campo y brindan recomendaciones para futuros estudios y aplicaciones prácticas en el ámbito educativo.
Learning in social networks has revolutionized the way we acquire knowledge and interact with others. Through these platforms, we can engage, collaborate, and share ideas with people from around the world. Social network analysis applied to educational environments allows us to understand interactions and the social structure within the online educational community. These tools help us evaluate students’ progress, identify leaders, and foster effective collaboration. This work explores the impact of temporal design factors on social networks, focusing on analyzing forum messages in subjects. By using social network analysis techniques and natural language processing, measures are extracted from student interactions in the forums, as well as from the sentiment and emotions expressed in the messages. These measures are used in supervised machine learning procedures to predict the likelihood of a student dropping out of a subject. To capture the temporal dynamics of the network and enhance the prediction utility, experiments are conducted with different temporal measures, such as the analyzed time range of the forum, the subdivision into blocks and their size, and the use of sequential or chained block systems in obtaining centrality metrics. Additionally, the social learning theory is followed, and the impact of parameters such as obtaining weighted measures of the social network, the use of personal or global measures, and the inclusion of sentiment and emotion measures are analyzed in prediction. In conclusion, the analysis of dynamic social networks with variable time ranges has proven to be useful in predicting student dropout. However, several factors need to be considered, such as the percentage of temporal coverage, the subdivision into blocks, and the amount of analyzed information, to obtain more accurate and meaningful results in prediction. Methodological decisions related to the temporal configuration of dynamic social networks are crucial for evaluating the effectiveness of predicting student dropout in a specific subject. The use of dynamic time ranges and the subdivision of sequential or chained blocks are highly important in capturing the temporal evolution of interactions in social networks and their impact on predicting student dropout. Overall, this work highlights the importance of dynamic social network analysis in the educational context. It provides valuable insights into leveraging information from social network interactions and applying machine learning techniques to improve the prediction of student dropout. The conclusions drawn contribute to the advancement of research in this field and offer recommendations for future studies and practical applications in the educational domain.
Learning in social networks has revolutionized the way we acquire knowledge and interact with others. Through these platforms, we can engage, collaborate, and share ideas with people from around the world. Social network analysis applied to educational environments allows us to understand interactions and the social structure within the online educational community. These tools help us evaluate students’ progress, identify leaders, and foster effective collaboration. This work explores the impact of temporal design factors on social networks, focusing on analyzing forum messages in subjects. By using social network analysis techniques and natural language processing, measures are extracted from student interactions in the forums, as well as from the sentiment and emotions expressed in the messages. These measures are used in supervised machine learning procedures to predict the likelihood of a student dropping out of a subject. To capture the temporal dynamics of the network and enhance the prediction utility, experiments are conducted with different temporal measures, such as the analyzed time range of the forum, the subdivision into blocks and their size, and the use of sequential or chained block systems in obtaining centrality metrics. Additionally, the social learning theory is followed, and the impact of parameters such as obtaining weighted measures of the social network, the use of personal or global measures, and the inclusion of sentiment and emotion measures are analyzed in prediction. In conclusion, the analysis of dynamic social networks with variable time ranges has proven to be useful in predicting student dropout. However, several factors need to be considered, such as the percentage of temporal coverage, the subdivision into blocks, and the amount of analyzed information, to obtain more accurate and meaningful results in prediction. Methodological decisions related to the temporal configuration of dynamic social networks are crucial for evaluating the effectiveness of predicting student dropout in a specific subject. The use of dynamic time ranges and the subdivision of sequential or chained blocks are highly important in capturing the temporal evolution of interactions in social networks and their impact on predicting student dropout. Overall, this work highlights the importance of dynamic social network analysis in the educational context. It provides valuable insights into leveraging information from social network interactions and applying machine learning techniques to improve the prediction of student dropout. The conclusions drawn contribute to the advancement of research in this field and offer recommendations for future studies and practical applications in the educational domain.
Descripción
Categorías UNESCO
Palabras clave
Aprendizaje colaborativo, redes sociales, grafos temporales, centralidad, análisis del sentimiento, Collaborative learning, social networks, temporal graphs, centrality, sentiment analysis
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial