Un sistema d'IA de la UOC detecta i intervé precoçment en estudiants en risc de suspendre

L'abandonament prematur dels estudis és una de les preocupacions principals de l'educació superior en línia, especialment durant el primer any de carrera. Un equip interdisciplinari d'investigadors de la Universitat Oberta de Catalunya (UOC) ha desenvolupat un nou sistema basat en algoritmes d'intel·ligència artificial que permet detectar diàriament els estudiants en risc de suspendre i que, a més, és capaç d'intervenir automàticament de manera precoç amb missatges personalitzats per revertir la situació. Segons els investigadors, aquest seguiment continuat ajuda a escurçar el temps entre els primers senyals de risc i la intervenció del sistema per evitar que l'alumnat abandoni l'assignatura.

La tecnologia s'ha testat en una prova pilot amb 581 estudiants matriculats en una assignatura de primer semestre en diferents graus dels Estudis d'Economia i Empresa de la UOC, fet que ha reduït l'abandonament de l'assignatura i n'ha augmentat la participació durant el semestre.

La investigació està liderada per David Bañeres, del grup Systems, Software and Models Research Lab (SOM Research Lab), de l'Internet Interdisciplinary Institute (IN3), que coordina un equip multidisciplinari en què participen Ana Elena Guerrero, investigadora principal del grup Technology-Enhanced Knowledge and Interaction Group (TEKING), i M. Elena Rodríguez González, també membre de TEKING, ambdues professores dels Estudis d'Informàtica, Multimèdia i Telecomunicació, i Pau Cortadas, investigador i professor dels Estudis d'Economia i Empresa.

Aquest projecte de recerca en elearning (aprenentatge virtual) té l'acompanyament de l'eLearning Innovation Center (eLinC) de la UOC, el centre que treballa per la innovació i la transformació educativa digital.

Millores en la predicció per al sistema LIS

Aquests prometedors resultats s'han aconseguit gràcies al desenvolupament d'un nou model predictiu, anomenat Profiled Dropout At Risk (PDAR), que s'ha incorporat al Learning Intelligent System (LIS), un sistema de predicció d'estudiants en risc de suspendre desenvolupat per aquest equip d'investigadors i que s'està testant amb bons resultats en diferents proves pilot amb estudiants de la UOC des del 2019.

Fins ara, el sistema LIS únicament tenia un model de predicció de compleció del curs basat en dades històriques de les assignatures —recollides en el DataMart de la Unitat d'Avaluació de Projectes Institucionals de la UOC— i en els resultats de les proves d'avaluació contínua del curs en marxa. Així, després de cada activitat el sistema LIS prediu la nota mínima que l'alumne hauria d'obtenir en la prova següent per tal d'aprovar l'assignatura i assigna un nivell de risc de suspendre que es mostra a l'espai personal de l'alumne mitjançant una representació en forma de semàfor. En el cas de detectar un alt nivell de risc, el sistema activa els corresponents mecanismes d'intervenció en forma de missatges als alumnes. "Aquesta predicció, encara que és molt útil a l'estudiant, té deficiències, principalment perquè limita el seguiment a certs punts de control després de cada activitat (solen ser tres o quatre cada semestre), de manera que la intervenció associada pot arribar tard, quan l'estudiant ja ha abandonat el curs", explica David Bañeres.

En canvi, el nou model PDAR aporta una millora substancial del seguiment, ja que, a partir de dades del perfil dels estudiants, el rendiment dins del curs i els clics i altres accions diàries en el campus en línia de la UOC, genera una predicció diària del risc d'abandonament de l'assignatura. "El model avalua si el grau d'implicació diària de l'estudiant s'adequa a la mitjana dintre de l'assignatura. És a dir, aquesta avaluació es fa depenent de cada assignatura i de cada activitat", detalla l'investigador.

Evitar els falsos positius

Un dels reptes del nou model ha estat evitar els falsos positius, persones que el sistema assenyala com en risc sense ser-ho. Aquest error es produeix principalment amb estudiants que no sempre estan actius en l'entorn virtual d'aprenentatge. Així, el nou model també té en compte una finestra temporal que es calcula automàticament segons el curs, el tipus i la dificultat de l'activitat. És a dir, per confirmar que un alumne realment es troba en risc d'abandonament i activar els corresponents mecanismes d'intervenció, ha de romandre en la categoria de risc d'abandonament durant un número consecutiu de dies determinat per a cada activitat. En cas d'estar en un nivell de risc alt d'abandonament, es genera un missatge d'intervenció automàtic a l'estudiant.

Missatges automàtics personalitzats

L'objectiu de la intervenció del sistema és augmentar la motivació de l'alumnat amb, per exemple, recomanacions sobre la gestió del temps, marcant objectius a curt termini o informant de les possibles conseqüències negatives de no completar l'activitat. També proporciona materials d'aprenentatge i exercicis complementaris per ajudar els estudiants a assolir els seus objectius. A més, el professorat de l'assignatura pot dissenyar i personalitzar el contingut dels missatges i adaptar-los segons el nivell de risc. Finalment, l'eina té diferents quadres de comandament que permeten, tant al professor com a l'estudiant, conèixer de manera individual l'estat actual i els riscs potencials.

Per avaluar la incorporació d'aquest nou model predictiu, es van comparar els resultats en l'abandonament amb el grup d'estudiants que van fer servir el sistema LIS l'any anterior —quan encara no s'havia implementat el PDAR— i també amb el grup d'estudiants que no van voler participar en l'estudi i realitzaven l'assignatura sense el suport del sistema LIS. Els resultats, publicats a la revista International Journal of Educational Technology in Higher Education, coeditada per la UOC, van mostrar que l'abandonament dels estudiants al final del curs va disminuir significativament en totes les activitats, amb una diferència del 12 % entre participants en l'estudi pilot i no participants, i amb una diferència del 5 % en comparació amb el semestre anterior, quan només es feia servir LIS sense el nou model predictiu.

Una eina al servei del professorat

Aquest nou sistema dona al professorat la possibilitat d'intervenir de manera proactiva davant els problemes del seu alumnat. "Amb aquest sistema de detecció precoç, es pot avisar l'estudiant abans que succeeixi el problema i podem fer un seguiment 24x7 del nostre alumnat", explica David Bañeres.

A més, també és una eina escalable, que permet al professorat fer un seguiment integral d'una assignatura amb un alt número d'alumnes. "Per exemple, un dels estudis pilot es va fer en una assignatura amb 1.500 estudiants, i el sistema va permetre als professors poder fer un seguiment d'estudiants amb risc d'abandonament sense sobrecarregar la tasca del professor responsable ni dels col·laboradors", destaca l'investigador.

Un sistema adaptable a qualsevol entorn d'aprenentatge en línia

Un avantatge important del sistema LIS és que no depèn d'una tecnologia de gestió de l'aprenentatge determinada i, per tant, es pot utilitzar en qualsevol entorn, sempre que hi hagi dades històriques acadèmiques d'estudiants. "Això vol dir que, encara que actualment la UOC estigui en transició cap a un nou campus basat en una altra tecnologia, com ara Canvas, el sistema es podrà utilitzar igualment adquirint les dades de la font d'informació corresponent", explica Bañeres. Com a exemple, actualment l'equip d'investigadors treballa en un projecte de personalització de l'ensenyament per a l'Oficina Europea de Patents, en què el sistema LIS es farà servir per fer el seguiment dels estudiants dins de la seva plataforma d'ensenyament, basada en Moodle.

A més, LIS es pot configurar específicament per a cada assignatura adaptant-se a les activitats que en formen part i entrenant els models de predicció necessaris amb dades d'estudiants anteriors que han passat per l'assignatura.

Aquesta recerca de la UOC afavoreix l'objectiu de desenvolupament sostenible (ODS) 4, d'educació de qualitat.

Articles relacionats

Bañeres, D., Rodríguez-González, M.E., Guerrero-Roldán, AE. et al. An early warning system to identify and intervene online dropout learners. Int J Educ Technol High Educ 20, 3 (2023). https://doi.org/10.1186/s41239-022-00371-5

D. Bañeres, M. E. Rodríguez-González and A. E. Guerrero-Roldán, "A Real Time Predictive Model for Identifying Course Dropout in Online Higher Education", in IEEE Transactions on Learning Technologies, (2023) doi: 10.1109/TLT.2023.3267275.

Contacte per a premsa

Sònia Armengou Casanovas
sarmengouc@uoc.edu
+34 619 413 823

 

UOC R&I

La recerca i innovació (R+I) de la UOC contribueix a solucionar els reptes a què s'enfronten les societats globals del segle XXI mitjançant l'estudi de la interacció de la tecnologia i les ciències humanes i socials, amb un focus específic en la societat xarxa, l'aprenentatge en línia i la salut digital.

Els més de 500 investigadors i investigadores i més de 50 grups de recerca s'articulen entorn dels set estudis de la UOC, un programa de recerca en aprenentatge en línia (e-learning research) i dos centres de recerca: l'Internet Interdisciplinary Institute (IN3) i l'eHealth Center (eHC).

A més, la Universitat impulsa la innovació en l'aprenentatge digital mitjançant l'eLearning Innovation Center (eLinC), i la transferència de coneixement i l'emprenedoria de la comunitat UOC amb la plataforma Hubbik.

Els objectius de l'Agenda 2030 per al Desenvolupament Sostenible de les Nacions Unides i el coneixement obert són eixos estratègics de la docència, la recerca i la innovació de la UOC. Més informació: research.uoc.edu.