Relació entre l'anàlisi del sentiment, els resultats acadèmics i l'abandonament als entorns virtuals d'aprenentatge

Adolf Maria Iglesias i Estradé

Resum

Les relacions entre els agents educatius s'han desplaçat fins a posar l'alumne al centre del procés d'ensenyament-aprenentatge (E-A). En aquest sentit, els sentiments −l'anàlisi dels quals era, fins ara, molt lenta i qualitativa− han esdevingut sempre un mitjà d'expressió important durant aquest procés. El professor ha de ser capaç d'identificar el ritme i  l'evolució del coneixement del seu alumne per a adaptar els continguts però també ha de poder identificar el seu estat emocional. Els avantatges que presenten els entorns virtuals d'aprenentatge (EVA) han permès la seva implantació en moltes institucions educatives. Això no obstant, els estudiants en aquests entorns se senten frustrats per la sensació d'aïllament fruit de la manca de relació pròxima amb altres persones. Aquest sentiment pot tenir conseqüències en forma d'abandonament o de baix rendiment. Els entorns virtuals, a més, eliminen molts dels factors que s'utilitzen per a copsar l'estat emocional de les persones. Moltes vegades, l'únic canal de transmissió és la paraula escrita. L'anàlisi del sentiment és una tècnica que es basa en l'aplicació de la intel·ligència artificial als textos en llenguatge natural per a classificar els textos segons les emocions expressades, molt utilitzada amb finalitats d'anàlisi de mercats però amb molt poc desenvolupament als EVA. En aquest treball es demostra que existeix una relació entre les emocions expressades per l'alumnat en els missatges escrits i la tassa d'abandonament dels estudis en un EVA.  El resultat assolit ha de servir per a què els tutors puguin quantificar l'estat i l'evolució emocional del grup de forma automàtica per a poder intervenir-hi i afavorir la millora dels sentiments a l'aula amb la finalitat de reduir-ne l'abandonament.

Paraules clau

entorns virtuals d'aprenentatge, anàlisi del sentiment; abandonament; resultats acadèmics

Text complet:

PDF

Referències


Altrabsheh, N., Gaber, M. M., & Cocea, M. (2013). SA-E: Sentiment analysis for education. Frontiers in Artificial Intelligence and Applications, 255, 353–362. https://doi.org/10.3233/978-1-61499-264-6-353

Anderson, T. (2004). Teaching in an online learning context. Theory and Practice of Online Learning, 273.

Anderson, T., Rourke, L., Garrison, D. R., & Archer, W. (2001). ASSESSING TEACHING PRESENCE IN A COMPUTER CONFERENCING CONTEXT. JALN (Vol. 5). Retrieved from http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.95.9117&rep=rep1&type=pdf

Borges, F. (2005). La frustació de l’estudiant en línia: Causes i accions preventives. Digithum: Revista Digital d’Humanitats, 7, 3.

Conrad, D. L. (2002). Engagement, Excitement, Anxiety, and Fear: Learners’ Experiences of Starting an Online Course. American Journal of Distance Education, 16(4), 205–226. https://doi.org/10.1207/S15389286AJDE1604_2

Consortium, T. N. M. (2017). Horizon Report 2017 Library Edition. NMC Horizon Report: 2017, Library Ed, 60. https://doi.org/http://cdn.nmc.org/media/2017-nmc-horizon-report-library-EN.pdf

EUCASE Review. (2018). 2018 NMC Horizon Report | EDUCAUSE. Retrieved from https://library.educause.edu/resources/2018/8/2018-nmc-horizon-report

Ezen-Can, A., Boyer, K. E., Kellogg, S., & Booth, S. (2015). Unsupervised modeling for understanding MOOC discussion forums. In Proceedings of the Fifth International Conference on Learning Analytics And Knowledge - LAK ’15 (pp. 146–150). https://doi.org/10.1145/2723576.2723589

García Mangas, P. (2018). Factors associats amb la persistència dels alumnes als estudis de formació professional online. Retrieved from http://hdl.handle.net/10609/77025

Garrison, D. R., & Cleveland-Innes, M. (2005). Facilitating Cognitive Presence in Online Learning: Interaction Is Not Enough. American Journal of Distance Education, 19(3), 133–148. https://doi.org/10.1207/s15389286ajde1903_2

Gilly, S. (2000). E-Moderating: The Key to Teaching and Learning Online. London: Kogan Page.

Gütl, C., Rizzardini, R. H., Chang, V., & Morales, M. (2014). Attrition in MOOC: Lessons Learned from Drop-Out Students. In Communications in Computer and Information Science (Vol. 446 CCIS, pp. 37–48). Springer, Cham. https://doi.org/10.1007/978-3-319-10671-7_4

Munezero, M., Montero, C. S., Mozgovoy, M., & Sutinen, E. (2013). Exploiting sentiment analysis to track emotions in students’ learning diaries. In Proceedings of the 13th Koli Calling International Conference on Computing Education Research - Koli Calling ’13. https://doi.org/10.1145/2526968.2526984

Nielsen, F. Å. (2011). A new ANEW: Evaluation of a word list for sentiment analysis in microblogs. In CEUR Workshop Proceedings. https://doi.org/10.1016/j.knosys.2015.06.015

Ortigosa, A., Martín, J. M., & Carro, R. M. (2014). Sentiment analysis in Facebook and its application to e-learning. Computers in Human Behavior. https://doi.org/10.1016/j.chb.2013.05.024

Pang, B., & Lee, L. (2009). Opinion mining and sentiment analysis. Computational Linguistics. https://doi.org/10.1162/coli.2009.35.2.311

Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP), 79–86. https://doi.org/10.3115/1118693.1118704

Pritchard, M. E., & Wilson, G. S. (Gregory S. (2003). Using Emotional and Social Factors to Predict Student Success. Journal of College Student Development, 44(1), 18–28. https://doi.org/10.1353/csd.2003.0008

Rodríguez-Gómez, D., Feixas, M., Gairín, J., & Luís Muñoz, J. (2012). Understanding Catalan University dropout from a comparative approach. Procedia-Social and Behavioral Sciences, 46, 1424–1429. https://doi.org/10.1016/j.sbspro.2012.05.314

Turney, P. D. (2001). Thumbs up or thumbs down? In Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL ’02 (p. 417). https://doi.org/10.3115/1073083.1073153

Yanagimoto, H., Shimada, M., & Yoshimura, A. (2013). Document similarity estimation for sentiment analysis using neural network. 2013 IEEE/ACIS 12th International Conference on Computer and Information Science (ICIS), 105–110. https://doi.org/10.1109/ICIS.2013.6607825

Yang, D., Sinha, T., Adamson, D., & Rosé, C. P. (2013). “Turn on, Tune in, Drop out”: Anticipating student dropouts in Massive Open Online Courses. In Proceedings of the 2013 NIPS Data-driven education workshop (Vol. 11, pp. 1–8). https://doi.org/10.1016/0027-5107(86)90134-X




DOI: https://doi.org/10.17345/ute.2019.1.2622



Enllaços refback

  • No hi ha cap enllaç refback.