Estudio comparativo de plataformas LMS mediante minería de datos educativa.
DOI:
https://doi.org/10.64041/riidg.v3i4.28Palabras clave:
LMS (Learning Management System), Minería de datos educativa, Rendimiento académico, Algoritmos de minería de datos, Optimización del aprendizajeResumen
El presente estudio tiene como objetivo comparar diversas plataformas de gestión del aprendizaje (LMS, por sus siglas en inglés) a través del uso de técnicas de minería de datos educativa (EDM). Las plataformas LMS se han convertido en herramientas esenciales para el desarrollo de procesos de enseñanza-aprendizaje en entornos virtuales y mixtos. Sin embargo, existen diferencias significativas entre ellas en cuanto a funcionalidades, usabilidad, efectividad en el seguimiento del aprendizaje y capacidad de personalización.
Mediante la aplicación de algoritmos de minería de datos educativa, como el análisis de clústeres, árboles de decisión, reglas de asociación y análisis predictivo, se exploran grandes volúmenes de datos generados por la interacción de los usuarios en distintas plataformas. Esto permite identificar patrones de comportamiento estudiantil, niveles de participación, tipos de actividades más eficaces, así como los factores que influyen en el rendimiento académico y la deserción.
El estudio considera plataformas ampliamente utilizadas como Moodle, Blackboard, Google Classroom y Canvas, analizando indicadores como tiempo de conexión, recursos más consultados, evaluación de actividades, y participación en foros o tareas colaborativas. La comparación busca determinar cuál de estas plataformas ofrece un entorno más eficaz y adaptativo para el aprendizaje, a partir de evidencias empíricas extraídas de los datos reales de uso.
Los resultados permiten establecer recomendaciones para instituciones educativas respecto a la selección y optimización de plataformas LMS, promoviendo una toma de decisiones basada en datos. Asimismo, se destaca el valor de la minería de datos educativa como herramienta estratégica para mejorar la calidad del aprendizaje y la experiencia del estudiante.
Citas
Al-Fraihat, D., Joy, M., Masa’deh, R., & Sinclair, J. (2020). Evaluating E-learning systems success: An empirical study. Computers in Human Behavior, 102, 67–86. https://doi.org/10.1016/j.chb.2019.08.004
Avella, J. T., Kebritchi, M., Nunn, S. G., & Kanai, T. (n.d.). Learning Analytics Methods, Benefits, and Challenges in Higher Education: A Systematic Literature Review. Retrieved April 3, 2025, from https://files.eric.ed.gov/fulltext/EJ1105911.pdf
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In Learning Analytics: From Research to Practice (pp. 61–75). Springer New York. https://doi.org/10.1007/978-1-4614-3305-7_4
Cabero, J., Barroso, J., & Llorente, M. C. (2018). Editorial. In Pixel-Bit, Revista de Medios y Educacion (Issue 52, pp. 5–6). Universidad de Sevilla. https://doi.org/10.12795/pixelbit
Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thüs, H. (2012). IJTEL)-Special Issue on "State-of-the-Art in TEL. In International Journal of Technology Enhanced Learning (Issue 1). https://tekri.athabascau.ca/analytics/
Hrastinski, S. (2009). A theory of online learning as online participation. Computers and Education, 52(1), 78–82. https://doi.org/10.1016/j.compedu.2008.06.009
Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics to support study success in higher education: a systematic review. Educational Technology Research and Development, 68(4), 1961–1990. https://doi.org/10.1007/s11423-020-09788-z
Kebritchi, M., Lipschuetz, A., & Santiague, L. (2017). Issues and Challenges for Teaching Successful Online Courses in Higher Education. Journal of Educational Technology Systems, 46(1), 4–29. https://doi.org/10.1177/0047239516661713
Papamitsiou, Z., & Economides, A. A. (2014). Learning Analytics and Educational Data Mining in Practice: A Systematic Literature Review of Empirical Evidence. In Educational Technology & Society (Vol. 17, Issue 4). https://www.researchgate.net/publication/267510046_Learning_Analytics_and_Educational_Data_Mining_in_Practice_A_Systematic_Literature_Review_of_Empirical_Evidence
Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. In Expert Systems with Applications (Vol. 41, Issue 4 PART 1, pp. 1432–1462). https://doi.org/10.1016/j.eswa.2013.08.042
Phil Long, B., & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education. https://er.educause.edu/~/media/files/article-downloads/erm1151.pdf%20
Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. In IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews (Vol. 40, Issue 6, pp. 601–618). https://doi.org/10.1109/TSMCC.2010.2053532
Selim, H. M. (2007). Critical success factors for e-learning acceptance: Confirmatory factor models. Computers and Education, 49(2), 396–413. https://doi.org/10.1016/j.compedu.2005.09.004
Sun, P. C., Tsai, R. J., Finger, G., Chen, Y. Y., & Yeh, D. (2008). What drives a successful e-Learning? An empirical investigation of the critical factors influencing learner satisfaction. Computers and Education, 50(4), 1183–1202. https://doi.org/10.1016/j.compedu.2006.11.007
You, J. W. (2016). Identifying significant indicators using LMS data to predict course achievement in online learning. Internet and Higher Education, 29, 23–30. https://doi.org/10.1016/j.iheduc.2015.11.003
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista internacional de Investigación y Desarrollo Global
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
