El abandono prematuro de los estudios es una de las preocupaciones principales de la educación superior online. Un equipo interdisciplinario de investigadores de la Universitat Oberta de Catalunya (UOC) ha desarrollado un nuevo sistema basado en algoritmos de inteligencia artificial que permite detectar diariamente a los estudiantes en riesgo de suspender y que, además, es capaz de intervenir automáticamente de forma precoz con mensajes personalizados para revertir la situación. Según los investigadores, este seguimiento continuado ayuda a acortar el tiempo entre las primeras señales de riesgo y la intervención del sistema para evitar que el alumnado abandone la asignatura.
La tecnología se ha testado en una prueba piloto con 581 estudiantes matriculados en una asignatura de primer semestre en diferentes grados de los Estudios de Economía y Empresa de la UOC. Según los resultados publicados en la revista International Journal of Educational Technology in Higher Education, el abandono de los estudiantes al final del curso disminuyó hasta alcanzar una diferencia del 12% respecto a los estudiantes no participantes en el piloto.
La investigación está liderada por David Bañeres, del grupo Systems, Software and Models Research Lab (SOM Research Lab), del Internet Interdisciplinary Institute (IN3), que coordina a un equipo multidisciplinar en el que participan Ana Elena Guerrero, investigadora principal del grupo Technology-Enhanced Knowledge and Interaction Group (TEKING), y M. Elena Rodríguez González, también miembro de TEKING, ambas profesoras de los Estudios de Informática, Multimedia y Telecomunicación, y Pau Cortadas, investigador y profesor de los Estudios de Economía y Empresa.
Mayor capacidad predictiva
Estos prometedores resultados se han conseguido gracias al desarrollo de un nuevo modelo predictivo, denominado Profiled Dropout At Risk (PDAR), que se ha incorporado al Learning Intelligent System (LIS), un sistema de predicción de estudiantes en riesgo de suspender desarrollado previamente por este equipo de investigadores y que está testándose con buenos resultados en diferentes pruebas piloto con estudiantes de la UOC desde 2019.
Hasta ahora, el sistema LIS únicamente tenía un modelo de predicción de compleción del curso basado en datos históricos de las asignaturas y en los resultados de las pruebas de evaluación continua del curso en marcha. Así, después de cada actividad el sistema LIS predice la nota mínima que el alumno debería obtener en la prueba siguiente para aprobar la asignatura y asigna un nivel de riesgo de suspender que se muestra en el espacio personal del alumno mediante una representación en forma de semáforo.
En caso de detectar un alto nivel de riesgo, el sistema activa los correspondientes mecanismos de intervención en forma de mensajes a los alumnos. «Esta predicción, aunque es muy útil al estudiante, tiene deficiencias, principalmente porque limita el seguimiento a ciertos puntos de control después de cada actividad(suelen ser tres o cuatro cada semestre), de manera que la intervención asociada puede llegar tarde, cuando el estudiante ya ha abandonado el curso», explica David Bañeres.
En cambio, el nuevo modelo PDAR aporta una mejora sustancial del seguimiento, puesto que, a partir de datos del perfil de los estudiantes, el rendimiento dentro del curso y los clics y otras acciones diarias en el campus en línea de la UOC, se genera una predicción diaria del riesgo de abandono de la asignatura. «El modelo evalúa si el grado de implicación diaria del estudiante se adecua a la media dentro de la asignatura. Es decir, esta evaluación se hace dependiendo de cada asignatura y de cada actividad», detalla el investigador.
Cómo incorporar la motivación a la secuencia
Uno de los retos del nuevo modelo ha sido evitar los falsos positivos, personas que el sistema señala como en riesgo sin serlo. Este error se produce principalmente con estudiantes que no siempre están activos en el entorno virtual de aprendizaje. Así, el nuevo modelo también tiene en cuenta una ventana temporal que se calcula automáticamente según el curso, el tipo y la dificultad de la actividad.
Para confirmar que un alumno realmente se encuentra en riesgo de abandono y activar los correspondientes mecanismos de intervención, debe permanecer en la categoría de riesgo de abandono durante un número consecutivo de días determinado para cada actividad. En caso de estar en un nivel de riesgo alto de abandono, se genera un mensaje de intervención automático al estudiante.
Así, con el objetivo de aumentar la motivación del alumnado se le trasladan, por ejemplo, recomendaciones sobre la gestión del tiempo, marcando objetivos a corto plazo o informando de las posibles consecuencias negativas de no completar la actividad; y se le proporcionan materiales de aprendizaje y ejercicios complementarios para ayudar a los estudiantes a lograr sus objetivos.
Además, el profesorado de la asignatura puede diseñar y personalizar el contenido de los mensajes y adaptarlos según el nivel de riesgo. Por último, os investigadores destacan que la herramienta cuenta con diferentes paneles de control que permiten, tanto al profesor como al estudiante, conocer de forma individual el estado actual y los riesgos potenciales.
