Mansouri2021-A COMPLETO-learning Fuzzy Cognitive Map (LFCM) Approach To Predict Student Performance

Machine Translated by Google
Volumen 20, 2021
UN MAPA COGNITIVO BORROSO DE APRENDIZAJE (LFCM)

ENFOQUE PARA PREDECIR EL DESEMPEÑO DE LOS ESTUDIANTES
Taha Mansouri Universidad de Salford, Salford, [email protected]

Reino Unido
Domingo ZareRavasan* Universidad Masaryk, Brno, [email protected]

República Checa
Amir Ashrafi Universidad de Manchester, [email protected]

Mánchester, Reino Unido
* Autor correspondiente
ABSTRACTO
Objetivo/Propósito Esta investigación tiene como objetivo presentar un enfoque completamente nuevo para la predicción
del desempeño de los estudiantes utilizando el enfoque Learning Fuzzy Cognitive Map (LFCM).
Fondo Predecir el rendimiento académico de los estudiantes ha sido durante mucho tiempo un tema de
investigación importante en muchas disciplinas académicas. Se han empleado diferentes modelos
matemáticos para predecir el desempeño de los estudiantes. Aunque los conjuntos disponibles de
enfoques de predicción comunes, como las redes neuronales artificiales (RNA) y la regresión, funcionan
bien con grandes conjuntos de datos, enfrentan desafíos al tratar con tamaños de muestra pequeños,
lo que limita sus aplicaciones prácticas en prácticas reales.
Metodología Aquí se adoptan seis categorías distintas de antecedentes de desempeño como características del
curso, características del LMS, características de los estudiantes, participación de los estudiantes, apoyo
de los estudiantes y factores institucionales, junto con elementos de medición dentro de cada categoría.
Además, evaluamos el desempeño general del estudiante utilizando tres elementos: puntaje de
satisfacción del estudiante, nivel de construcción de conocimientos y GPA del estudiante. Hemos
recopilado datos longitudinales de 30 posgrados en cuatro semestres posteriores y analizamos los datos
utilizando la técnica Learning Fuzzy Cognitive Map (LFCM).
Contribución Esta investigación propone un enfoque completamente nuevo, el aprendizaje del mapa cognitivo difuso
(LFCM), para predecir el desempeño de los estudiantes. Utilizando este enfoque, identificamos los
determinantes más influyentes del desempeño de los estudiantes, como el compromiso de los
estudiantes. Además, esta investigación representa un modelo de interrelaciones entre los determinantes
del desempeño de los estudiantes.
Editor aceptante Man Fung (Kelvin) LO │Recibido: 15 de diciembre de 2020│ Revisado: 5 de abril, 20 de abril, 27 de abril de 2021 │
Aceptado: 1 de mayo de 2021.
Citar como: Mansouri, T., ZareRavasan, A y Ashrafi, A. (2021). Un enfoque de aprendizaje de mapas cognitivos difusos (LFCM) para
predecir el desempeño de los estudiantes. Revista de educación en tecnología de la información: investigación,
20, 221243. https://doi.org/10.28945/4760
(CC BYNC 4.0) Este artículo tiene una licencia internacional Creative Commons AtribuciónNo Comercial 4.0 . Cuando
copie y redistribuya este documento en su totalidad o en parte, debe proporcionar la atribución adecuada para garantizar
que otros puedan localizar este trabajo más adelante (y para garantizar que otros no lo acusen de plagio). Usted puede (y
lo alentamos a que lo haga) adaptar, remezclar, transformar y desarrollar el material para cualquier fin no comercial. Esta
licencia no le permite utilizar este material con fines comerciales.
Predicción del desempeño estudiantil usando LFCM
Recomendaciones Los resultados sugieren que el modelo predice razonablemente la secuencia entrante cuando hay un tamaño de
muestra limitado. Los resultados también revelan que el tiempo total en línea de los estudiantes y la regularidad
del intervalo de aprendizaje en LMS tienen el mayor efecto en el rendimiento general. La categoría de participación
estudiantil también tiene el mayor efecto directo en el desempeño general de los estudiantes.
Recomendaciones Las instituciones académicas pueden utilizar los resultados y el enfoque desarrollado en este artículo para identificar
para practicantes los antecedentes de desempeño de los estudiantes, predecir el desempeño y establecer planes de acción para
resolver las deficiencias en el largo plazo. Los instructores pueden ajustar sus métodos de aprendizaje
basándose en la retroalimentación de los estudiantes a corto plazo en el nivel operativo.
Recomendaciones Los investigadores pueden utilizar el enfoque propuesto en esta investigación para abordar los problemas en
para investigadores otros dominios, como el uso de LMS para la educación organizacional/institucional. Además, pueden centrarse en
dimensiones específicas del modelo propuesto, como explorar formas de impulsar la participación de los
estudiantes en el proceso de aprendizaje.
impuesto.
Impacto en la sociedad Nuestros resultados revelaron que los estudiantes están en el centro del proceso de aprendizaje. El grado en que se dedican
al aprendizaje es el determinante más crucial del resultado del aprendizaje. Por lo tanto, los estudiantes deben
considerar este hallazgo para obtener valor del proceso de aprendizaje.
Investigación futura Como potencial para trabajos futuros, el enfoque propuesto podría utilizarse en otros contextos para probar su
aplicabilidad. Estudios futuros también podrían mejorar el nivel de rendimiento del modelo LFMC propuesto
ajustando los elementos del modelo.
Palabras clave elearning, Learning Analytics (LA), Learning Fuzzy Cognitive Map (LFCM), Learning Management System
(LMS), Student Engagement, Student Performance
mance
INTRODUCCIÓN
El uso cada vez mayor de datos y tecnología en el entorno educativo ha abierto nuevas áreas de investigación, incluida la minería de datos
educativos (EDM), la inteligencia artificial (IA) y el análisis de aprendizaje (LA) para gestionar y utilizar datos de forma eficaz en todos los
procesos de aprendizaje. (Knight et al., 2020).
El elearning se refiere al aprendizaje basado en TI y ha tenido un impacto significativo en las instituciones educativas.
calidad de los resultados del aprendizaje (ZareRavasan & Ashrafi, 2019). Numerosas instituciones están adoptando ahora diferentes formas de
aprendizaje electrónico para lograr sus objetivos de aprendizaje (Sharma et al., 2017; ZareRavasan et al., 2018). Un estudio de la
Open University encontró que producir e impartir cursos de aprendizaje electrónico consume un 90% menos de energía y tiene un 85% menos de
emisiones de CO2 por persona que la formación presencial (Roy et al., 2004). Se espera que el mercado mundial de eLearning alcance un valor
de mercado total de 107 mil millones de dólares en 2015 a 325 mil millones de dólares en 2025, lo que demuestra que casi se habrá triplicado
en una década (Pappas, 2019). Como resultado, en cada institución se genera una gran cantidad de datos relacionados con los procesos
educativos. Dichos datos contienen información útil que puede analizarse, simularse y utilizarse en sistemas de toma de decisiones. Así, surgió
una nueva corriente de investigación dentro del dominio del análisis de datos llamada Análisis de Aprendizaje (LA) (Papamitsiou & Economides,
2014). LA es el cálculo, la conservación, el análisis y la presentación de informes de los sujetos de aprendizaje y su contexto para comprender
y optimizar la esencia misma del aprendizaje y las condiciones en las que ocurre (Lang et al., 2017). En particular, LA está aplicando métodos
de análisis estadístico a los datos recopilados para obtener información útil.
Una de las principales aplicaciones de LA es predecir el desempeño o el éxito de un estudiante (Mwalumbwe & Mtebe, 2017; Salinas et al., 2019).
Predecir el rendimiento académico de los estudiantes es vital porque el instructor puede tomar medidas proactivas (como tutorías individuales y
proporcionar lecciones de recuperación) para
222
Mansouri, ZareRavasan y Ashrafi
mejorar el aprendizaje de los estudiantes, especialmente para los estudiantes de bajo rendimiento (Huang & Fang, 2013). Los
resultados de la predicción podrían ayudar a los estudiantes a comprender mejor cómo se desempeñarían, empujándolos a
ajustar su estilo de aprendizaje. Para fines de predicción, generalmente se aplican técnicas matemáticas sofisticadas, como redes
neuronales artificiales (RNA), árboles de decisión y regresión, a un gran conjunto de datos que contiene información sobre
estudiantes anteriores del curso. Esta información podría incluir: (a) cosas que se conocen al inicio del curso (por ejemplo, la
experiencia educativa previa de los estudiantes y datos demográficos como la edad o el sexo); (b) cosas que se conocen
durante el curso (por ejemplo, frecuencia de inicio de sesión y vistas de publicaciones); y (c) datos de evaluación (p. ej., examen
final y pruebas) (Clow, 2013). Se puede desarrollar un modelo utilizando estos datos y luego aplicarlo a la información
disponible para los estudiantes actuales potenciales para predecir cómo se desempeñará un estudiante específico en el curso.
De hecho, los modelos de predicción cumplen casi la misma función que un profesor tradicional: observar qué estudiantes
enfrentan dificultades en clase y brindarles apoyo adicional, pero en un contexto de aprendizaje electrónico diferente. Sin
embargo, existen algunas variaciones prácticas. En primer lugar, el resultado de la predicción es una especie de
probabilidades cuantitativas más que la comprensión subjetiva y cualitativa de un profesor. En segundo lugar, el resultado
cuantitativo podría ponerse a disposición de todas las partes interesadas relevantes, no sólo del docente.
En tercer lugar, con el apoyo de algunos agentes inteligentes, el resultado se puede utilizar para desencadenar acciones de apoyo
proactivas incluso sin involucrar a un maestro o asistente de enseñanza (Clow, 2013).
Sin embargo, los conjuntos disponibles de enfoques de predicción comunes, como ANN y regresión, funcionan bien con grandes
conjuntos de datos, enfrentan desafíos al tratar con tamaños de muestra pequeños, lo que limita sus aplicaciones prácticas en
prácticas reales (Yoon et al., 2019). Por lo tanto, para abordar esta preocupación de investigación y práctica, esta investigación
tiene como objetivo presentar un enfoque completamente nuevo para la predicción del desempeño de los estudiantes utilizando
el enfoque Learninging Fuzzy Cognitive Map (LFCM). FCM es un modelo no lineal porque una función de transformación no
lineal (generalmente la función sigmoidea) transforma el impacto acumulativo de los conceptos causales en el concepto de efecto.
Por lo tanto, puede capturar la mayor parte de la no linealidad en sistemas complejos.
(Salmerón et al., 2019). Una ventaja del modelo FCM sobre ANN es que los humanos pueden interpretar fácilmente los FCM, y
cada nodo y arco de FCM tiene un significado específico conocido por el experto (Salmeron & Froelich, 2016). Los FCM pueden
construirse a partir de la extracción de conocimientos de expertos o de un proceso de aprendizaje.
En este trabajo, dado que teníamos varios datos secuenciales, elegimos el Learning FCM (LFCM) propuesto en Salmeron et al.
(2019).
Para construir nuestro modelo LFCM, utilizamos un conjunto de datos longitudinales cuantitativos y cualitativos de 30 maestros.
estudiantes en un programa en línea durante tres semestres consecutivos, tratando de predecir el desempeño de cada estudiante
individual para el cuarto semestre. Al emplear el enfoque LFCM, también trazamos el mapa causal de los efectos entre las
variables observadas y su impacto en el desempeño de los estudiantes.
El resto del documento está organizado de la siguiente manera. Primero presentamos una revisión de la literatura sobre análisis
de aprendizaje y predicción del desempeño de los estudiantes y luego aplicaciones de FCM en un contexto de aprendizaje
electrónico. La siguiente sección presenta la metodología. A continuación se presentan los resultados y, finalmente, se presenta
una discusión y se concluye el artículo.
REVISIÓN DE LITERATURA
ANÁLISIS DEL APRENDIZAJE Y PREDICCIÓN DEL DESEMPEÑO ESTUDIANTIL
La analítica del aprendizaje (LA) se define como “la medición, recopilación, análisis y presentación de datos sobre los alumnos
y sus contextos, para comprender y optimizar el aprendizaje y los entornos en los que ocurre” (Siemens & Long, 2011, p. 34). . En
cuanto a la literatura, LA se superpone hasta cierto punto con la analítica académica y la EDM. La analítica académica significa
el uso de inteligencia empresarial en el contexto educativo, centrándose en el nivel institucional y nacional, en lugar de en
estudiantes y cursos individuales (Siemens & Long, 2011). El EDM busca desarrollar métodos para analizar datos educativos
centrándose en los desafíos técnicos más que en los aspectos pedagógicos. Según Clow (2013), LA es la primera y principal
preocupación en el aprendizaje. Esto se puede aplicar para diferentes
223
propósitos tales como modelado del comportamiento de los estudiantes, predicción del desempeño, predicción de la deserción
y retención, y recomendación de recursos (Papamitsiou & Economides, 2014). La tarea de predecir el desempeño de los
estudiantes implica aproximarse al estado futuro de los estudiantes dado un registro de la secuencia pasada de comportamientos
exhibidos o actividades realizadas por un estudiante (Raga & Raga, 2019). A continuación se presenta una breve descripción
general de las principales investigaciones previas relacionadas con la predicción del desempeño de los estudiantes.
Una de las principales corrientes de investigación predice el desempeño de los estudiantes (y los agrupa en algunos casos)
basándose en diferentes conjuntos de datos cuantitativos y cualitativos. Castellano y Martínez (2008) utilizan técnicas de
filtrado colaborativo para explotar las calificaciones de los estudiantes para generar perfiles grupales que podrían facilitar la
orientación académica. Kumar y Uma (2009) utilizan el proceso de clasificación para examinar varios atributos que afectan el
desempeño de los estudiantes. Lykourentzou et al. (2009) desarrollan múltiples RNA de retroalimentación para predecir
dinámicamente el logro final de los estudiantes y agruparlos en dos grupos virtuales, de acuerdo con su desempeño. Moridis y
Economides (2009) demuestran cómo se podrían combinar varias pruebas para optimizar las inferencias sobre estados
afectivos durante una prueba de autoevaluación en línea. Se desarrolló un método para predecir el estado de ánimo de los
estudiantes y se probó utilizando datos provenientes de experimentos realizados con 153 estudiantes de secundaria. Thai
Nghe et al. (2009) proponen mejorar la predicción del rendimiento de los estudiantes abordando el problema del desequilibrio
de clases utilizando máquinas de vectores de soporte. Yu et al. (2010) utilizan máquinas de vectores de soporte lineal junto con
técnicas de ingeniería de características y ensamblaje para predecir el desempeño de los estudiantes. Estos métodos funcionan
bien en caso de que tengamos suficientes metadatos sobre estudiantes y tareas. Abdous et al. (2012) utilizaron análisis de
regresión logística ordinal para predecir las relaciones entre el tema de las preguntas en línea y la calificación final. Pardos et al.
(2013) construyen un modelo unificado que predice las puntuaciones de los exámenes estandarizados de los estudiantes a
partir de una combinación del efecto del estudiante, el comportamiento desvinculado y el desempeño dentro del sistema de
aprendizaje. Más recientemente, Meghji et al. (2018), utilizando Association Rule Mining y Pattern Discovery en el contexto
de un instituto de educación superior, observan que el rendimiento de los estudiantes en clase está directamente influenciado
por la atención prestada a una conferencia, la adecuada toma de notas y la tendencia a resolver tareas por sí mismos. .
Teniendo en cuenta la literatura, los académicos también intentaron desarrollar herramientas para apoyar a los estudiantes y
facilitar el proceso de aprendizaje. Por ejemplo, RomeroZaldívar et al. (2012) desarrollan algunos dispositivos virtuales
para monitorear el comportamiento y el progreso de los estudiantes y luego correlacionarlos con la calificación final. En esta
línea, investigadores han propuesto recientemente utilizar técnicas de sistemas de recomendación (p. ej., factorización matricial)
para predecir el rendimiento de los estudiantes (ThaiNghe et al., 2012; Toscher & Jahrer, 2010). Ampliado a partir de estos
trabajos, ThaiNghe et al. (2011) proponen modelos de factorización tensorial para considerar el efecto secuencial (para modelar
cómo el conocimiento de los estudiantes cambia con el tiempo). Además, ThaiNghe et al. (2012) amplían su trabajo introduciendo
un nuevo método de “previsión de factorización tensorial” para predecir el desempeño de los estudiantes. Macfadyen y Dawson
(2010) analizan los datos de seguimiento del Learning Management System (LMS) de un curso que identificó 15 variables que
demuestran una correlación significativa con las calificaciones finales de los estudiantes. También desarrollan un sistema de
alerta temprana para educadores. En la misma línea, Vialardi et al. (2011) utilizaron técnicas de minería de datos que
emplearon los registros de desempeño académico de los estudiantes para diseñar un sistema de recomendación en apoyo del
proceso de inscripción. Raga y Raga (2019)
Desarrollar un modelo de predicción para el desempeño de los estudiantes en las primeras etapas de cursos de aprendizaje
combinado utilizando una arquitectura de red neuronal profunda y atributos de actividad en línea como patrones de entrada.
Recientemente, los investigadores se centraron principalmente en un análisis comparativo de la precisión de diferentes métodos
de aprendizaje automático en aplicaciones de predicción del desempeño de los estudiantes. Por ejemplo, Huang y Fang
(2013) desarrollan y comparan cuatro tipos de modelos matemáticos (es decir, el modelo de regresión lineal múltiple, el
modelo de red de percepción multicapa, el modelo de red de función de base radial y el modelo de máquina de vectores de
soporte) para predecir el rendimiento académico de los estudiantes. . Abdulwahhab y Abdulwahab (2017) también utilizaron el
algoritmo de árbol de predicción (CPT+) para predecir el siguiente grado para los próximos cursos o los cursos registrados y
descubrieron que supera a otros modelos de predicción. Umer et al. (2018) realizan un análisis comparativo de cuatro modelos
predictivos; Análisis de bosque aleatorio, Naive Bayes, Kvecino más cercano y discriminante lineal para predecir el desempeño
de los estudiantes. Al Breiki et al.
224
(2019) compararon la precisión de diferentes métodos de aprendizaje automático (es decir, SMOReg, bosque aleatorio, regresión lineal,
perceptrón multicapa, vecino K, gaussiano, árbol aleatorio de procesos, tabla de decisiones y regresión logarítmica simple) para
predecir el desempeño de los estudiantes en el Universidad de los Emiratos Árabes Unidos (UAEU). Sheshadri et al. (2018) utilizan
clasificadores de regresión logística, árbol de decisión y vecino Kmás cercano para predecir el desempeño de los estudiantes utilizando
datos generados antes de la prueba y durante el curso durante el semestre. Utilizando el modelo, clasifican a los estudiantes en grupos
de distinción/no distinción. Turabieh (2019) aplica un algoritmo híbrido de selección de características con diferentes clasificadores de
aprendizaje automático (es decir, Kvecino más cercano, red neuronal convolucional (CNN), Naive Bayes y árbol de decisión) para
predecir el desempeño del estudiante. También aplican un algoritmo genético binario como selección de características envolventes.
Además, Mohammadi et al. (2019) aplican tres algoritmos de aprendizaje supervisado (KVecino más cercano, Naive Bayes y Árbol de
decisión) para predecir el desempeño de los estudiantes. Masood et al. (2019) implementaron 11 modelos de aprendizaje automático
para predecir el desempeño de los estudiantes utilizando dos bases de datos públicas de estudiantes. Según los resultados, Decision
Tree y Random Forest son los modelos de aprendizaje automático con mayor precisión.
Esta breve revisión muestra que investigaciones anteriores aplicaron diferentes variables y técnicas para modelar y predecir el
desempeño del aprendizaje de los estudiantes. Los modelos lineales, como la regresión lineal y logística, fueron las aplicaciones
principales en las primeras investigaciones debido a su simplicidad y capacidad para dar cuenta de ciertos patrones lineales entre las
variables de entrada disponibles y el rendimiento de los estudiantes. Métodos más avanzados,
como ANN, CNN, Naive Bayes y Decision Tree, se han aplicado posteriormente. Debido a diferentes niveles
Debido a la complejidad de estos métodos, estudios recientes intentaron comparar la precisión de diferentes modelos en la predicción
del desempeño de los estudiantes. Sin embargo, como la mayoría de los modelos adoptados contienen muchos parámetros que ajustar
y pasan datos a través de varias capas transformadoras, solo funcionan bien con conjuntos de datos grandes y tienen graves deficiencias
con tamaños de muestra pequeños (Yoon et al., 2019).
FCM EN EL CONTEXTO DEL APRENDIZAJE ELECTRÓNICO
Hoy en día, los FCM juegan un papel importante en diferentes campos científicos, incluido el elearning y el contexto LMS. FCM se
ha aplicado en este campo para abordar diferentes objetivos de investigación. Por ejemplo, algunas investigaciones adaptaron FCM
para modelar las interrelaciones entre factores que afectan el LMS o el aprendizaje. En esta línea, Salmerón (2009) emplea un FCM
Aumentado para modelar Factores Críticos de Éxito (CSF) en LMS. Nownaisin et al. (2012) identifican las causalidades de la gestión
educativa de la escuela de tecnología de base científica de Tailandia. Yesil et al. (2013) modelan los CSF educativos de ingeniería de
control.
Takacs et al. (2014) introducen un novedoso algoritmo FCM para calcular los valores de los niveles de interrelación entre los factores
en un sistema para la evaluación de calificaciones de los estudiantes.
Otros utilizaron FCM para modelar el diseño, adopción o evaluación de LMS. Por ejemplo, Tsadiras y Stamatis (2008) examinan el uso
de FCM para planificar el aprendizaje en red y mejorar el éxito de los programas de aprendizaje. Hossain y Brooks (2008) modelan la
adopción de software educativo en tres escuelas secundarias del Reino Unido basándose en las percepciones de las partes interesadas.
Georgiou y Botsios (2008) identifican estilos de aprendizaje en sistemas hipermedia educativos adaptativos. Barón et al. (2015) presentan
un sistema de evaluación del aprendizaje que utiliza análisis multivariado basado en Modelado de Ecuaciones Estructurales (SEM),
facilitando la evaluación del aprendizaje en entornos interactivos.
Algunos otros incorporaron FCM en las tareas y procesos de aprendizaje y herramientas de aprendizaje. Por ejemplo, Van Vliet et al.
(2010) describen un marco actualizado para el escenario participativo, cerrando la brecha entre historias y modelos. Yang et al. (2011)
proponen un conjunto de indicadores de progreso de los estudiantes basados en FCM para describir de manera integral el progreso de
los estudiantes en varios aspectos junto con sus relaciones causales. Chrysafiadi y Virvou (2013) proponen un enfoque de representación
del conocimiento basado en FCM para respaldar la navegación en un sistema de aprendizaje adaptativo. Chrysafiadi y Virvou (2014)
utilizan FCM para la instrucción adaptativa en un entorno de aprendizaje electrónico para programación de computadoras. Peña et al.
(2007)
modelar el entorno de enseñanzaaprendizaje y simular el sesgo ejercido por las conferencias escritas sobre el aprendizaje de los
estudiantes. Anusha y Ramana (2015) analizan los síntomas de estrés en estudiantes universitarios utilizando el modelo FCM de bloques
disjuntos combinados. Días et al. (2015) proponen un FCM de la calidad de los usuarios del LMS
225
de interacción dentro de entornos de aprendizaje combinado de educación superior. Fatahi y Moradi (2016) proponen un modelo
FCM para calcular la deseabilidad de un usuario en función de su personalidad en entornos de elearning.
Sweta y Lal (2016) desarrollan un modelo de aprendizaje para la detección automática del estilo de aprendizaje utilizando FCM en un
sistema de aprendizaje electrónico adaptativo. Kireev (2016) desarrolla un modelo FCM para optimizar los cursos de
aprendizaje electrónico. Sweta y Lal (2016) proponen un modelo de aprendizaje adaptativo personalizado en un sistema de
aprendizaje electrónico utilizando FCM y Fuzzy Inference System.
Otras corrientes de investigación sobre la aplicación de FCM en la disciplina de aprendizaje aplicaron FCM en el proceso de
toma de decisiones. Por ejemplo, Georgopoulos et al. (2014) amplían la utilización de FCM basado en sistemas de apoyo a
decisiones médicas con fines educativos y de aprendizaje utilizando un enfoque de aprendizaje basado en escenarios.
Baykasoğlu y Gölcük (2015) proponen un nuevo modelo que integra Fuzzy TOPSIS y FCM para modelar y resolver
problemas de decisión relacionados con la ingeniería industrial. Pandey y Singh (2015) proponen un sistema de
recomendación basado en FCM para sistemas de aprendizaje electrónico con un marco de múltiples agentes. Aguilar
(2016) propone un recurso de aprendizaje recomendador en un aula inteligente utilizando FCM.
Esta revisión muestra que FCM tiene el potencial de abordar diferentes problemas de investigación y práctica en la disciplina del
aprendizaje. A pesar de esto, no se ha hecho ningún intento de aprovechar el potencial del FCM para predecir el desempeño de
los estudiantes.
MÉTODO DE INVESTIGACIÓN
El propósito de este estudio es presentar un modelo para predecir el desempeño de los estudiantes utilizando el enfoque LFCM.
Para lograr este objetivo, utilizamos una estructura de investigación basada en una revisión de la literatura para identificar factores
como antecedentes del desempeño de los estudiantes, datos longitudinales y LFCM como procedimiento de análisis de datos. Los
principales pasos de la investigación se ilustran en la Figura 1.
Identificar
antecedentes del Recopilación de datos Recopilación de datos
del tercer semestre del cuarto semestre
desempeño estudiantil
Desarrollar el Recopilación de datos para el

segundo semestre. Realización de análisis
instrumento de
recolección de datos. estático de LFCM
Creando el Recopilación de datos Interpretando los

modelo LFCM del primer semestre. resultados
Figura 1. Los pasos de la investigación.
APRENDIZAJE FCM
Los FCM son una combinación de ANN y lógica difusa. Son dígrafos ponderados difusos, que incluyen varios nodos y arcos
(Salmeron & Froelich, 2016). Los FCM definen relaciones utilizando términos confusos como muy bajo o alto mientras describen
sistemas complejos, incluidos conceptos interrelacionados (Salmeron et al., 2019). Los nodos o conceptos (Ci) y los arcos ponderados
relacionados (Wij) muestran el problema modelado y las dependencias causales entre ellos, respectivamente (Salmeron & Froelich,
2016). Por tanto, cada signo Wij muestra la dirección de causalidad entre los conceptos Ci y Cj, mientras que su cantidad muestra
la intensidad de ese efecto. Los valores de los conceptos están en el rango de [0,+1], y los pesos están en el rango
226
rango de [1,+1]. Además, una combinación de conceptos resume una instantánea del sistema modelado en
cualquier momento, como un vector de estado A = {A1, ..., AN}, en el que N es el número de conceptos y Ai es
el valor de Ci. Para poder actualizar Ai en cada momento se propone la siguiente regla (Salmeron et al., 2019):
−1 −1
=( +∑ ≠ , =1 ) Ecuación (1)
donde At es el valor del concepto Ci en el momento t, At−1 el valor del concepto Ci en el momento t − 1 y Wji la
conexión de Cj a Ci. La función f es una función de activación para mapear y vincular el resultado en un intervalo; y
para este trabajo utilizamos el sigmoide unipolar propuesto en (Bueno & Salmerón, 2009) de la siguiente manera:
1
()= Ecuación (2)
1+
donde x se describe como el valor de Ai y a es un número real positivo que modela la pendiente de la función.
Hay dos tipos de análisis en FCM: estáticos y dinámicos. El análisis estático muestra los conceptos.
efectos causales utilizando la cantidad máxima entre diferentes caminos desde los conceptos de entrada que terminan
hasta los conceptos de destino (ZareRavasan & Mansouri, 2014). En este análisis, al principio, un camino casual desde un
nodo conceptual Ci a otro nodo conceptual Cj, a través de otros nodos, digamos Ci ~ Ck1, Ck1~… Ckn, Ckn~Cj, puede
indicarse mediante una secuencia (i, k1, .. ., kn, j). Entonces el efecto indirecto de Ci sobre Cj es la causalidad que C~I
imparto a Cj a través del camino (i, k1,…, kn, j). El efecto total de Ci sobre Cj es la combinación de todas las causalidades
de efectos indirectos que C~ imparte a Cj.
Se crea un álgebra causal difusa simple interpretando el efecto indirecto del operador I como el operador
mínimo (o norma t) y el efecto total del operador T como el operador máximo (o norma s) sobre el conjunto
parcialmente ordenado P de valores causales (por eso lo llamamos simplemente el máximo de los mínimos).
Formalmente, sea ~ un espacio conceptual causal y sea e: ~ x ~ P una función de borde causal difusa, y
supongamos que hay mmuchos caminos causales desde Ci a Cj: (i, k~… k~, j) para 1 ~< r ~< metro. Entonces,
sea Ir (Ci, Cj) el efecto indirecto del concepto Ci sobre el concepto Cj a través de la “r”ésima ruta causal, y sea T
(i, Cj) el efecto total de Ci sobre Cj sobre todas las m rutas causales. Estos operadores se muestran en la
ecuación (3) y la ecuación (4):
I~(Ci,Cj)=min(w(Cp,Cp+,): (p,p+1) ~ (i, k~…..k,~j)) Ecuación (3)
T(Ci,Cj)=max(Ir(Ci, Cj)), donde l< ~r<~m Ecuación (4)
donde p y p+1 son índices de trayectoria contiguos de izquierda a derecha (Kosko, 1986).
El análisis dinámico comienza con un vector de estado inicial como A = {A1, …, AN}; y continúe actualizando con
la Ec. (1) y la Ec. (2) hasta alcanzar un punto de equilibrio en el que las cantidades del vector resultante se
estabilicen (Hobbs et al., 2002).
Los FCM pueden ser construidos por expertos o por datos históricos. Sin embargo, existen algunas limitaciones a
la hora de confiar en las opiniones subjetivas de los expertos (Kahvandi et al., 2018; ZareRavasan & Mansouri,
2016). Los enfoques de aprendizaje para los FCM se concentran en aprender la matriz ponderada W, basada en
la intervención de expertos o en datos históricos disponibles (Papageorgioua & Kannappan, 2012). Existen varios
enfoques de aprendizaje para entrenar la matriz de pesos del FCM, principalmente desde la disciplina
ANN (Salmeron et al., 2019). En este artículo, utilizamos la Optimización de la Reproducción Asexual Modificada
(MARO) propuesta por Salmerón et al. (2019).
La principal función objetivo de FCMMARO es minimizar el siguiente error:

− − = 1
∑ ∑=1 =1 ( ) − () Ecuación (5)
(1)
donde Cn(t) es el valor original del concepto n en el tiempo t, ( ) es el valor calculado de ese con
excepto usando el FCM candidato y la Ec. (1) y la Ec. (2), K es el número de observaciones de entrada y N es
227
el número de conceptos. El siguiente es el pseudocódigo del algoritmo FCMMARO (Salmeron et al., 2019).
t = 1 // Ajuste de tiempo inicial
loc = 1 //Configuración inicial del número local
P = inicializar(L,U) // Creando una matriz de peso generada aleatoriamente como padre, limitada entre
umbrales inferior y superior
errorP = Costo(P) // Calculado con respecto a la ecuación (5)
Mientras questop_conditions ≠ true hazlo
bud_t = reproducir(P) // Generando una descendencia modificada aleatoriamente a partir del padre (P)
error_bud_t = Costo (bud_t)
si error_bud_t < errorP entonces P= bud_t, loc =1;
de lo contrario, si error_bud_t + ∆t > errorP entonces P= bud_t;
de lo contrario, borrar (bud_t), loc ++
Donde t es el tiempo, loc muestra el número de veces en las que el algoritmo no mejora, P es una matriz de peso generada
aleatoriamente como matriz y la función de costo simplemente llama a la ecuación (5). Este algoritmo comienza generando una
descendencia aleatoria a partir del patrón usando una estrategia llamada gemación (explicada completamente en Mansouri et
al. [2011] y Farasat et al. [2010]) y llamando a la función de costo para esta descendencia generada. Si el error de la nueva
solución es menor que su padre, la aceptamos, eliminamos el padre y lo convertimos en un nuevo padre. Sin embargo,
aceptaremos la solución generada si su error no es mayor que ∆t cantidad de su error principal. ∆t se calcula utilizando la
ecuación (6). Finalmente, descartamos la descendencia si no cumple ninguna de estas condiciones.
∆ = √ en( ) Ecuación (6)
El algoritmo finaliza cuando llega a la condición de parada. La solución final es la matriz de pesos del FCM objetivo.
DESARROLLO DEL INSTRUMENTO DE RECOPILACIÓN DE DATOS
Se ha realizado una revisión de la literatura relevante reciente para preparar el instrumento de recopilación de datos de
investigación. Se identifican seis categorías distintas de antecedentes: características del curso (seis elementos), características
del LMS (cuatro elementos), características de los estudiantes (cinco elementos), participación de los estudiantes (12
elementos), apoyo de los estudiantes (siete elementos) y factores institucionales (tres elementos). , junto con elementos de
medición dentro de cada categoría. Además, evaluamos el desempeño general del estudiante utilizando tres elementos de
OP1: puntaje de satisfacción del estudiante, OP2: nivel de construcción de conocimientos y OP3: GPA (promedio de
calificaciones) del estudiante. Excluyendo los elementos de medición en la categoría de participación de los estudiantes (SE1
a SE12, o parte B del cuestionario) extraídos directamente del Moodle LMS, otros (Parte A) se encuestaron a través de
cuestionarios en línea (consulte el Apéndice A para ver la lista de elementos medidos).
CREACIÓN DEL MODELO LFCM
Para crear el modelo LFCM, utilizamos los 37 antecedentes como primera capa del modelo y tres indicadores de desempeño
como segunda capa (consulte la Figura 2 como una representación simplificada del modelo LFCM desarrollado). Se han
utilizado datos longitudinales de tres semestres consecutivos para modelar las interdependencias.
228
Figura 2. Mapa cognitivo parcial y de alto nivel de

desempeño general del estudiante y antecedentes
PROCEDIMIENTO DE RECOPILACIÓN DE DATOS
Se recopiló y utilizó un conjunto longitudinal de datos para ejecutar el modelo de investigación. Se ha elegido como muestra
de investigación el mismo conjunto de 45 estudiantes en un programa de maestría en Sistemas de Información (solo
inscripciones basadas en cursos) en una universidad en línea (durante un período de cuatro semestres). Esta
universidad utiliza Moodle LMS, que es una plataforma de aprendizaje electrónico de código abierto. Se desarrolló y
distribuyó un cuestionario (para la Parte A) utilizando el complemento “cuestionario” de Moodle, capaz de vincular y
rastrear las respuestas hasta los estudiantes.
Al final de cada semestre, se pidió a los estudiantes de la muestra que completaran la Parte A del cuestionario. Los
datos para la parte B (es decir, SE1 a SE12) se extrajeron del Moodle LMS. Hasta la fecha, hasta donde sabemos los
autores, no hay códigos/informes disponibles públicamente en Moodle para extraer este conjunto de datos.
Por lo tanto, se han desarrollado y ejecutado consultas SQL para asegurar el acceso a los campos requeridos. Además,
como la mayoría de los elementos de medición eran sumas o promedios de datos de diferentes cursos, realizamos dichos
cálculos en hojas de cálculo separadas. Para el cuarto semestre, se pidió a los estudiantes que solo respondieran
OP1, OP2 y OP3. Los datos del cuarto semestre se utilizarán para evaluar la precisión de las puntuaciones de desempeño
previstas para el cuarto semestre. Al final del período, teníamos 30 (de 45) datos de muestra válidos, ya que algunas
respuestas a los ítems del cuestionario no eran válidas y algunos de los estudiantes
abandonar su programa. El período de recopilación de datos fue: (1) otoño de 2018, (2) primavera de 2018, (3) otoño
de 2019 y (4) primavera de 2019. El desempeño individual de los estudiantes se predice para el cuarto período, es decir,
la primavera de 2019, y se compara. con los datos reales de rendimiento de los estudiantes del mismo período. Por
motivos de privacidad y cuestiones éticas, los datos se han anonimizado antes del análisis.
RECOMENDACIONES
PREDECIR EL DESEMPEÑO DE LOS ESTUDIANTES
En esta sección, consideramos a cada estudiante por separado para construir su propio FCM con respecto a
antecedentes de desempeño (Ai) y desempeño general (Pi) durante tres semestres, utilizando el algoritmo descrito en la
sección Aprendizaje de FCM anterior. Aplicamos el FCM resultante como un tipo especial de red neuronal recurrente
para predecir el desempeño general en el último (cuarto) semestre para cada caso de estudiante. El MSE y la desviación
estándar para tres indicadores de desempeño (OP1, OP2 y OP3) se presentan en la Tabla 1. Estos valores muestran un
buen desempeño del modelo de predicción, teniendo en cuenta el pequeño tamaño de la muestra.
229
Tabla 1. MSE y desviación estándar para variables de desempeño

Medida OP1 OP2 OP3
MSE 0.07783908 0.07463091 0.05041522
StDev 0.05817604 0.08766665 0.05861402
LOS EFECTOS DE ANTECEDENTES DEL DESEMPEÑO ESTUDIANTIL
Con base en la matriz de adyacencia aumentada entre los antecedentes de desempeño de los estudiantes (Ai) y el
desempeño general de los estudiantes (Pi), y las ecuaciones 1 a 4, el efecto de trayectoria desde los antecedentes de
desempeño de los estudiantes hasta el desempeño general de los estudiantes (Ai~Pj) puede ser calculado. Los resultados de
los cálculos se presentan en las Figuras 3 y 4.
A. B.
C. D.
Nota: Para trazar la parte D, se utilizan los medios de OP1, OP2 y OP3.
Figura 3. Los efectos directos e indirectos de

antecedentes de desempeño de los estudiantes sobre el desempeño
230
A. B.
C. D.
Nota: Para trazar la parte D, se utilizan los medios de OP1, OP2 y OP3.
Figura 4. Los efectos directos e indirectos de las categorías de

antecedentes de desempeño de los estudiantes sobre el desempeño
Se puede observar a partir de los valores en las Figuras 3 y 4 que los efectos indirectos (máximo de mínimos
dibujados por la ecuación (3) y la ecuación (4), mostrados en la línea roja) para casi todas las variables son
mayores que los valores asociados para los efectos directos ( líneas azules). Cabe señalar nuevamente que el
operador máximo o mínimo atraviesa todas las rutas de conexión entre dos conceptos, asigna el valor mínimo
del gráfico a cada ruta y selecciona la ruta que contiene el valor más alto. A través de este enfoque, el operador
puede capturar efectos indirectos entre dos conceptos.
Por ejemplo, según la Figura 3, parte A, S11 tiene un efecto directo muy fuerte en OP1. Sin embargo, cuando
contamos la red de interrelaciones entre todos los factores, su efecto indirecto es menor. Por otro lado, según
la Figura 3, parte B, SC4 muestra un efecto directo menor mientras que un efecto indirecto fuerte en OP2.
Tales resultados muestran que las relaciones causales y los efectos indirectos son importantes y pueden
intensificarse o disminuirse a través de las interrelaciones entre los factores del modelo propuesto.
231
La Figura 4 ilustra la magnitud de los efectos de las categorías en cada indicador de desempeño y el desempeño
general. Se puede observar en las cifras que la participación de los estudiantes tiene el mayor efecto (ver parte
D), mientras que las características de los estudiantes experimentaron el mayor aumento, ya que el tamaño
del efecto aumenta de 0,124 en el efecto directo a 0,300 en el máximo de minutos. efecto.
LAS INTERRELACIONES CAUSALES ENTRE LOS ANTECEDENTES DEL DESEMPEÑO
La Figura 5 también ilustra las interrelaciones causales entre los antecedentes del desempeño de los estudiantes
(ver Apéndice B para más detalles). El eje X indica la magnitud causal de cada variable (filas en el Apéndice B).
El eje Y muestra la magnitud de los efectos (columnas en el Apéndice B). Con base en esto, clasificamos los
factores en cuatro grupos. El grupo del cuadrante 1 incluye factores “autónomos” que tienen una causa débil y un
efecto débil. Estos factores están relativamente desconectados del sistema. Significa que el nivel o magnitud de
los factores pertenecientes a este grupo no tiene nada que ver con la magnitud de otras variables.
El grupo del cuadrante 2 incluye factores “independientes” con una causa fuerte pero un efecto débil. Como
sugiere el título, los factores de este cluster actúan de manera independiente y, en función de la relación positiva
o negativa, intensifican o debilitan la magnitud de otras variables. El grupo del cuadrante 3 consta de factores
dependientes que tienen una causa débil pero un efecto fuerte. Finalmente, el cuadrante 4 incluye “vínculo”
factores que tienen fuerte causa y efecto.
Respecto a esto, CC#; Características del curso y LMS#; Las características de LMS se encuentran principalmente en
el cuadrante 1, lo que indica que aquellas variables no causan ni se ven afectadas por otros factores. Variables
asociadas al SE#; Participación estudiantil y SS#; El apoyo estudiantil también se ubica principalmente en el cuadrante
2, lo que indica una causa fuerte en otros, con un efecto moderado de otras variables. Además, según el cuadrante 2, se
puede observar que dos de tres factores institucionales (IF2 e IF3) entran en esta categoría, proponiendo que la
calidad de la infraestructura, hardware y software del instituto están afectando otras variables al recibir el mínima
influencia de los demás. También se desprende del cuadrante 1 de la figura que CC#; Los elementos de las
características del curso caen aquí. Mientras tanto, tienen el menor impacto en otros, lo que indica que un nivel
mejorado de las variables subyacentes no conducirá a niveles mejorados en otras variables.
Figura 5. Interrelaciones causales entre antecedentes de desempeño de los estudiantes
232
DISCUSIÓN
Esta investigación tiene como objetivo proponer un enfoque completamente nuevo para la predicción del desempeño de los
estudiantes utilizando el enfoque LFCM. Para construir nuestro modelo LFCM, utilizamos un conjunto de datos
longitudinales cuantitativos y cualitativos de 30 estudiantes de maestría en un programa en línea durante tres semestres
consecutivos, tratando de predecir el desempeño de cada estudiante individual para el cuarto semestre. Al emplear el enfoque
LFCM, también trazamos el mapa causal de los efectos entre los factores observados y su impacto en el desempeño de los
estudiantes. A continuación se comentan detalladamente los resultados obtenidos.
Entre todos los factores que identificamos en la literatura, los resultados muestran que SE7: tiempo total en línea y SE10:
la regularidad del intervalo de aprendizaje en LMS, tienen el mayor efecto en el rendimiento general (consulte la Figura 3,
parte D). No es un resultado sorprendente, ya que cuanto más tiempo y esfuerzo dedican regularmente los alumnos
Al aprender, es más probable que construyan y desarrollen su conjunto de conocimientos y superen a otros estudiantes
inactivos. Este argumento está en línea con los hallazgos de investigaciones anteriores (Siegle et al., 2010).
Según la Figura 4, Parte D y la Figura 5, nuestros hallazgos mostraron que la categoría de características del curso (p. ej.,
plan del curso y material de aprendizaje) tiene la influencia menos directa en el desempeño general.
Este hallazgo es completamente diferente de hallazgos anteriores (Cheng y Chau, 2016). También encontramos que esta
categoría cae dentro del cuadrante autónomo, lo que significa que tiene la menor influencia sobre otros factores. En
cambio, se ha visto moderadamente afectada por otros factores. De manera similar, las características de los estudiantes
(por ejemplo, actitud, autoeficacia y experiencia) tienen la segunda influencia menos directa en el desempeño general. Los
ítems de características de los estudiantes no muestran un impacto significativo en otras variables.
También encontramos que la categoría de características del LMS ocupa el tercer lugar en términos de los efectos menos
directos en el desempeño general de un estudiante, con elementos que se ubican en el primer cuadrante. Podemos concluir
que los ítems pertenecientes a estas tres categorías actúan de forma autónoma y no intensifican fuertemente otras
variables. No significa que las variables relacionadas no sean importantes en las interrelaciones entre las variables
observadas. Sin embargo, sostiene que la intensidad de la relación es más débil en comparación con otras variables
influyentes. Por lo tanto, no contradecimos investigaciones anteriores que propusieron relaciones significativas entre los
diferentes elementos presentados en nuestro modelo. Por ejemplo, estudios anteriores destacaron el papel de los LMS en
la calidad del aprendizaje. Mencionaron que LMS podría respaldar el aprendizaje ubicuo al brindarles a los estudiantes
acceso a materiales de aprendizaje en cualquier momento, lugar y lugar. También puede ayudar a los estudiantes a adquirir
habilidades basadas en equipos y apoyar el aprendizaje colaborativo, el compromiso activo y la participación en las
actividades del curso (Nwokeji et al., 2019). Sin embargo, sostenemos que en la red de interrelaciones de nuestro modelo,
el papel de otros factores supera el papel del LMS en el rendimiento de los estudiantes y en la magnitud de otras variables.
Curiosamente, la categoría de participación estudiantil tiene el mayor efecto directo en el desempeño general de un estudiante
(ver Figura 4, Parte D). La participación de los estudiantes se centra principalmente en el tiempo y el esfuerzo que dedican los
estudiantes a las actividades educativas para lograr los resultados de aprendizaje deseados y se considera un indicador de
los resultados del aprendizaje (Pye et al., 2015). Por lo tanto, la eficacia y la satisfacción del aprendizaje de los estudiantes
deben mejorarse mediante el diseño de sistemas e inculcando estrategias que faciliten, alienten y recompensen su
participación (Hu & Hui, 2012). Además, la participación en el aprendizaje, que es un antecedente importante para los
resultados del aprendizaje, es menor en el aprendizaje mediado por tecnología que en el aprendizaje presencial (Hu y Hui,
2012). Es un buen punto porque, desde una perspectiva pedagógica, los sistemas de elearning tienen varias dificultades para
transferir emociones o incluso involucrar a los estudiantes durante una sesión de curso (Muntean, 2011). Para ello, LMS
debe centrarse en aumentar la participación de los estudiantes en las clases para alcanzar un mayor nivel de rendimiento.
En este sentido, el proceso de aprendizaje debería abarcar material más interactivo y gamificado para captar una mayor
atención de los alumnos. También se esfuerza por alentar a los usuarios a adoptar comportamientos deseados en relación
con las aplicaciones. Por ejemplo, podemos convertir puntos o insignias en bienes virtuales o incluso obtener descuentos en
las tasas de matrícula. Los estudiantes se involucrarán más con la aplicación y estarán motivados para ganar más puntos
para beneficiarse de estas ventajas (Muntean, 2011).
233
Observamos un fuerte impacto del apoyo de los estudiantes en el rendimiento general según la Figura 4, Parte D, y un
efecto significativo en otras variables, según la Figura 5. La mayoría de los elementos de esta categoría se encuentran
en el cuarto cuadrante, lo que significa que en su mayoría actúan de forma independiente. En otras palabras, mejorar
el nivel de apoyo a los estudiantes resultará indirectamente en mejoras en otros aspectos. Uno de los hallazgos
interesantes de este estudio es que SS7: norma subjetiva tiene la mayor influencia sobre otros factores (ver Figura 5). La
norma subjetiva se refiere a la percepción que tiene la persona de que la mayoría de las personas que son importantes
para ella piensan que ésta debería o no realizar el comportamiento en cuestión (Ashrafi et al., 2020). Esto muestra
claramente que la percepción de los estudiantes tiene una gran influencia en el rendimiento general y otros factores.
Para ser claros, la norma subjetiva hace que los usuarios comparen sus expectativas iniciales con sus percepciones
modificadas. El fuerte impacto de los elementos de apoyo a los estudiantes en otras variables no es sorprendente, ya que
un nivel de apoyo adecuado puede afectar positivamente la participación de los estudiantes, las actitudes hacia el uso
del LMS y la asistencia activa al curso. Este hallazgo está en línea con resultados de investigaciones anteriores (Grant
Vallone et al., 2003; Hughes & Kwok, 2006).
El establecimiento de planes de acción para impulsar el desempeño de los estudiantes debe centrarse en los
antecedentes del desempeño y las interrelaciones entre ellos. La Figura 5 presenta ideas valiosas para los tomadores de
decisiones cuando entran recursos limitados en el contexto de la toma de decisiones y las instituciones educativas
necesitan elegir en qué aspectos educativos deben centrarse. El perfil de cuatro dimensiones presentado en la Figura
4 podría ser constructivo aquí al resaltar las categorías y factores individuales más importantes. Más específicamente, las
variables en los cuadrantes 2 y 4 de la Figura 5 (con la causa más alta) deberían ser de mayor atención al establecer
planes de acción de mejora, ya que cualquier mejora aquí también resultará en un nivel mejorado de factores afectados,
sin intervención directa. planes de mejora allí.
CONCLUSIÓN
Esta investigación propone un nuevo enfoque para la predicción del desempeño de los estudiantes utilizando el
enfoque LFCM. Como se mencionó anteriormente, aunque el conjunto disponible de enfoques de predicción comunes,
como las RNA o la regresión logística, funcionan bien con grandes conjuntos de datos, enfrentan desafíos al tratar con
tamaños de muestra pequeños, lo que limita sus aplicaciones prácticas en prácticas reales. Dada esta limitación, es
importante presentar un nuevo enfoque para la predicción del desempeño de los estudiantes utilizando nuevos enfoques como LFCM.
Desde esta perspectiva, el modelo LFCM propuesto constituye implicaciones prácticas y de gestión para la comunidad
de elearning. Descubrimos que la categoría de participación estudiantil tiene el efecto directo más alto en el desempeño
general de un estudiante y el apoyo estudiantil intensifica fuertemente otros elementos en nuestro modelo propuesto. Si
bien nuestro estudio ofrece algunas contribuciones, adoleció de varias limitaciones que deberán abordarse en futuros
estudios. Primero, este estudio de ninguna manera es exhaustivo para abordar todos los antecedentes del desempeño de
los estudiantes. Aunque revisamos la literatura más relevante y reciente para identificar los determinantes del
desempeño, nos limitamos a la longitud del cuestionario (especialmente en la investigación longitudinal) y a un conjunto de
índices que podíamos extraer de Moodle. En segundo lugar, no pretendemos afirmar que nuestros hallazgos sean
generalizables, ya que nuestros resultados se basan en un único programa de maestría y una sola universidad. De
manera sencilla, las interrelaciones se extraen e interpretan para un contexto limitado. Como potencial para trabajos
futuros, el enfoque propuesto podría utilizarse en otros contextos para probar su aplicabilidad. En tercer lugar, es
importante destacar que el poder predictivo de los modelos LFCM está lejos de ser perfecto y está lejos de otras
técnicas como la RNA y la regresión. Sin embargo, LFMC se desempeña bien en tamaños de muestra limitados.
Estudios futuros podrían mejorar el nivel de rendimiento del modelo LFMC propuesto ajustando los elementos del
modelo.
REFERENCIAS
Abdous, M., Wu, H. y Yen, CJ. (2012). Uso de minería de datos para predecir relaciones entre el tema de las preguntas en línea
y la calificación final. Revista de tecnología y sociedad educativa, 15 (3), 77.
Abdulwahhab, RS y Abdulwahab, SS (diciembre de 2017). Integrar análisis de aprendizaje para predecir el comportamiento de
desempeño de los estudiantes. Sexta Conferencia Internacional sobre Accesibilidad y Tecnologías de la Información y las
Comunicaciones, Mascate, Omán. (págs. 16). IEEE. https://doi.org/10.1109/ICTA.2017.8336060
234
Aguilar, J. (2016). Mapas cognitivos multicapa en la resolución de problemas mediante la herramienta de diseño FCM. Inteligencia artificial aplicada,
30(7), 720743. https://doi.org/10.1080/08839514.2016.1214422
AlAzawei, A., Parslow, P. y Lundqvist, K. (2016). Barreras y oportunidades de la implementación del aprendizaje electrónico en Irak: un caso de
universidades públicas. Revista internacional de investigación en aprendizaje abierto y distribuido, 17 (5).
https://doi.org/10.19173/irrodl.v17i5.2501
Al Breiki, B., Zaki, N. y Mohamed, EA (noviembre de 2019). Utilizar técnicas de minería de datos educativos para predecir el desempeño de los
estudiantes. Conferencia internacional sobre tecnologías y aplicaciones eléctricas y informáticas, Ras Al Khaimah, Emiratos Árabes
Unidos (págs. 1 a 5). https://doi.org/10.1109/ICECTA48151.2019.8959676
Anusha, G. y Ramana, PV (2015). Un estudio sobre los síntomas de estrés en estudiantes universitarios utilizando disjoin tblock fuzzy combinado
mapas cognitivos (CDBFCM): Estudio Infinito.
Ashrafi, A., ZareRavasan, A., Savoji, SR y Amani, M. (2020). Exploración de los factores que influyen en la intención de los estudiantes de
continuar utilizando el sistema de gestión del aprendizaje (LMS): un marco de perspectivas múltiples. Entornos de aprendizaje interactivos,
123. https://doi.org/10.1080/10494820.2020.1734028
Baloyi, GP (2014a). Apoyo al alumno en aprendizaje abierto a distancia y en línea para estudiantes adultos que utilizan tecnologías.
Revista de Comunicación, 5(2), 127133.
Baloyi, GP (2014b). Apoyo al alumno en el contexto del aprendizaje abierto a distancia y el aprendizaje electrónico utilizando el modelo de
comunidad de investigación. Revista Mediterránea de Ciencias Sociales, 5(20), 12511251. https://
doi.org/10.5901/mjss.2014.v5n20p1251
Barón, H. B., Crespo, R. G., Espada, J. P., & Martínez, O. S. (2015). Assessment of learning in environments
interactivo a través de mapas cognitivos difusos. Computación blanda, 19(4), 10371050. https://
doi.org/10.1007/s005000141313x
Baykasoğlu, A. y Gölcük, I. (2015). Desarrollo de un novedoso modelo de toma de decisiones de atributos múltiples mediante mapas cognitivos
difusos y TOPSIS difuso jerárquico. Ciencias de la Información, 301, 7598. https://doi.org/10.1016/
j.ins.2014.12.048
Bueno, S. y Salmerón, JL (2009). Comparación de las principales funciones de activación en mapas cognitivos difusos. Sistemas expertos con
aplicaciones, 36(3), 52215229. https://doi.org/10.1016/j.eswa.2008.06.072
Castellano, E. J, & Martínez, L. (2008, julio). Orieb, un Crs de orientación académica mediante evaluaciones cualitativas.
Actas de la Conferencia Internacional IADIS eLearning, Amsterdam, Países Bajos, 3843.
Chawinga, WD y Zozie, PA (2016). Incrementar el acceso a la educación superior a través del aprendizaje abierto y a distancia: hallazgos
empíricos de la Universidad de Mzuzu, Malawi. Revista internacional de investigación en aprendizaje abierto y distribuido, 17(4), 120. https://
doi.org/10.19173/irrodl.v17i4.2409
Cheng, G. y Chau, J. (2016). Explorando las relaciones entre estilos de aprendizaje, participación en línea, logros de aprendizaje y satisfacción
con el curso: un estudio empírico de un curso de aprendizaje combinado. Revista Británica de Tecnología Educativa, 47(2), 257278. https://
doi.org/10.1111/bjet.12243
Chrysafiadi, K. y Virvou, M. (2013). Un enfoque de representación del conocimiento que utiliza mapas cognitivos difusos para un mejor soporte
de navegación en un sistema de aprendizaje adaptativo. SpringerPlus, 2(1), 81.
https://doi.org/10.1186/21931801281
Chrysafiadi, K. y Virvou, M. (2014). Lógica difusa para la instrucción adaptativa en un entorno de aprendizaje electrónico para programación
de computadoras. Transacciones IEEE en sistemas difusos, 23(1), 164177.
https://doi.org/10.1109/TFUZZ.2014.2310242
Clow, D. (2013). Una visión general de la analítica del aprendizaje. Enseñanza en la Educación Superior, 18(6), 683695.
https://doi.org/10.1080/13562517.2013.827653
Dias, SB, Hadjileontiadou, SJ, Hadjileontiadis, LJ y Diniz, JA (2015). Mapeo cognitivo difuso de la calidad de interacción de los usuarios de LMS
dentro de un entorno de aprendizaje combinado de educación superior. Sistemas expertos con aplicaciones, 42(21), 73997423. https://
doi.org/10.1016/j.eswa.2015.05.048
Farasat, A., Menhaj, MB, Mansouri, T. y Moghadam, MRS (2010). ARO: Un nuevo modelo de optimización gratuita
Algoritmo inspirado en la reproducción asexual. Computación suave aplicada, 10 (4), 12841292.
https://doi.org/10.1016/j.asoc.2010.05.011
235
Fatahi, S. y Moradi, H. (2016). Un modelo de mapa cognitivo difuso para calcular la deseabilidad de un usuario en función de la personalidad.
realidad en entornos de elearning. Computadoras en el comportamiento humano, 63, 272281.
https://doi.org/10.1016/j.chb.2016.05.041
Ferguson, JM y DeFelice, AE (2010). Duración del curso en línea y satisfacción de los estudiantes, aprendizaje percibido y rendimiento académico. La
Revista Internacional de Investigación en Aprendizaje Abierto y Distribuido, 11(2), 7384.
Georgiou, DA y Botsios, SD (2008). Reconocimiento de estilos de aprendizaje: un esquema de mapa cognitivo difuso de tres capas.
Actas de la Conferencia internacional IEEE de 2008 sobre sistemas difusos, 22022207.
https://doi.org/10.1109/FUZZY.2008.4630675
Georgopoulos, VC, Chouliara, S. y Stylios, CD (2014). Sistemas de apoyo a las decisiones médicas basadas en escenarios de mapas cognitivos
difusos para la educación. Actas de la 36ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE,
18131816. https://doi.org/10.1109/EMBC.2014.6943961
GrantVallone, E., Reid, K., Umali, C. y Pohlert, E. (2003). Un análisis de los efectos de la autoestima, las relaciones sociales.
apoyo y participación en servicios de apoyo estudiantil sobre la adaptación y el compromiso de los estudiantes con la universidad.
Revista de retención de estudiantes universitarios: investigación, teoría y práctica, 5(3), 255274. https://doi.org/10.2190/C0T7
YX50F71V00CW
Hadullo, K., Oboko, R. y Omwenga, E. (2017). Un modelo para evaluar la calidad de los sistemas de aprendizaje electrónico en la educación superior
en países en desarrollo. Revista Internacional de Educación y Desarrollo utilizando las TIC, 13(2).
Hobbs, BF, Ludsin, SA, Knight, RL, Ryan, PA, Biberhofer, J. y Ciborowski, JJ (2002). Mapeo cognitivo difuso como herramienta para definir objetivos de
gestión de ecosistemas complejos. Aplicaciones ecológicas, 12(5), 15481565. https://doi.org/10.1890/10510761(2002)012[1548:FCMAAT]2.0.CO;2
Hossain, S. y Brooks, L. (2008). Adopción de software educativo de modelado de mapas cognitivos difusos. Computadoras y educación, 51 (4),
15691588. https://doi.org/10.1016/j.compedu.2008.03.002
Hu, P. JH. y Hui, W. (2012). Examinar el papel de la participación en el aprendizaje en el aprendizaje mediado por tecnología y sus efectos sobre la
eficacia y la satisfacción del aprendizaje. Sistemas de apoyo a la decisión, 53(4), 782792.
https://doi.org/10.1016/j.dss.2012.05.014
Huang, S. y Fang, N. (2013). Predicción del rendimiento académico de los estudiantes en un curso de dinámica de ingeniería: una comparación de
cuatro tipos de modelos matemáticos predictivos. Computadoras y Educación, 61, 133145. https://doi.org/10.1016/j.compedu.2012.08.015
Hughes, JN y Kwok, O. (2006). La participación en el aula media el efecto del apoyo profesoralumno en la aceptación de los compañeros de los
estudiantes de primaria: un análisis prospectivo. Revista de Psicología Escolar, 43(6), 465480. https://doi.org/10.1016/j.jsp.2005.10.001
Kaba, B. y OseiBryson, KM. (2013). Examinar la influencia de la cultura nacional en la actitud de los individuos y el uso de la tecnología de la información
y la comunicación: evaluación del efecto moderador de la cultura a través de un estudio entre países. Revista Internacional de Gestión de la
Información, 33(3), 441452.
https://doi.org/10.1016/j.ijinfomgt.2013.01.010
Kahvandi, Z., Saghatforoush, E., ZareRavasan, A. y Mansouri, T. (2018). Un modelado dinámico basado en FCM de los desafíos de implementación de
entrega integrada de proyectos en proyectos de construcción. Revista de construcción ajustada, 87, 6387.
Kashorda, M. y Waema, T. (2014). Informe de 2013 de la encuesta sobre preparación electrónica de las universidades de Kenia. Red de Educación de Kenia
trabajar.
Kireev, VS (2016). Desarrollo de mapa cognitivo difuso para optimizar cursos de elearning. Conferencia internacional sobre análisis y gestión de datos
en dominios intensivos en datos. https://doi.org/10.1007/978331957135
5_4
Kisanga, D. (2016). Determinantes de las actitudes de los profesores hacia el aprendizaje electrónico en las instituciones de educación superior de Tanzania.
ciones. Revista internacional de investigación en aprendizaje abierto y distribuido, 17(5), 109125.
Kituyi, G. (2012). Un análisis de la adopción del sistema de información de aprendizaje electrónico en las universidades de Uganda: el caso de la
Escuela de Negocios de la Universidad Makerere. Revista de investigación de tecnología de la información, 2(1), 17.
236
Knight, S., Gibson, A. y Shibani, A. (2020). Implementación de análisis de aprendizaje para lograr un impacto en el aprendizaje: llevar las
herramientas a la acción. Internet y la educación superior, 45, 100729. https://doi.org/10.1016/j.iheduc.2020.100729
Kosko, B. (1986). Mapas cognitivos difusos. Revista internacional de estudios hombremáquina, 24(1), 6575.
https://doi.org/10.1016/S00207373(86)800402
Kumar, ANV y Uma, GV (2009). Mejorar el rendimiento académico de los estudiantes mediante la aplicación de minería de datos
técnica. Revista europea de investigación científica, 34(4), 526534.
Kuo, FR. y Hwang, GJ. (2015). Un modelo de ecuación estructural para analizar los antecedentes del desempeño de los estudiantes
en la resolución de problemas basados en la web. Revista Australasia de Tecnología Educativa, 31(4), 400420. https://
doi.org/10.14742/ajet.284
Lai, MM, Lau, SH, Mohamad Yusof, NA y Chew, KW (2015). Evaluación de antecedentes y consecuencias de la satisfacción de los
estudiantes en la educación superior: evidencia de Malasia. Revista de marketing para la educación superior, 25(1), 4569. https://
doi.org/10.1080/08841241.2015.1042097
Lang, C., Siemens, G., Wise, A. y Gasevic, D. (2017). Manual de análisis de aprendizaje: SOLAR, Society for Learn
ing Análisis e Investigación. https://doi.org/10.18608/hla17
Lykourentzou, I., Giannoukos, I., Mpardis, G., Nikolopoulos, V. y Loumos, V. (2009). Predicción temprana y dinámica del rendimiento de los
estudiantes en cursos de aprendizaje electrónico utilizando redes neuronales. Revista de la Sociedad Estadounidense de Ciencia y
Tecnología de la Información, 60(2), 372380. https://doi.org/10.1002/asi.20970
Macfadyen, LP y Dawson, S. (2010). Minería de datos de LMS para desarrollar un “sistema de alerta temprana” para educadores: una prueba
de concepto. Computadoras y Educación, 54(2), 588599. https://doi.org/10.1016/j.compedu.2009.09.008
Makokha, GL y Mutisya, DN (2016). Estado del aprendizaje electrónico en las universidades públicas de Kenia. Revista internacional de
investigación en aprendizaje abierto y distribuido, 17(3), 341359. https://doi.org/10.19173/irrodl.v17i3.2235
Mansouri, T., Farasat, A., Menhaj, MG y Moghadam, MRS (2011). Aro: Un nuevo modelo de algoritmo de optimización gratuito para
aplicaciones en tiempo real inspirado en la reproducción asexual. Sistemas expertos con aplicaciones, 38(5), 48664874. https://
doi.org/10.1016/j.eswa.2010.09.084
Masood, MF, Khan, A., Hussain, F., Shaukat, A., Zeb, B. y Ullah, RMK (2019). Hacia la selección del mejor modelo de aprendizaje
automático para el análisis y predicción del desempeño de los estudiantes. Actas de la VI Conferencia Internacional sobre
Computación Suave e Inteligencia Artificial (págs. 1217). IEEE. https://doi.org/10.1109/ISCMI47871.2019.9004299
Meghji, AF, Mahoto, NA, Unar, MA y Shaikh, MA (2018). Análisis del desempeño de los estudiantes mediante métodos EDM. Actas de
la Quinta Conferencia Internacional sobre TIC de Temas Múltiples de 2018 (págs. 17). IEEE.
https://doi.org/10.1109/IMTIC.2018.8467226
Misopoulos, F., Argyropoulou, M. y Tzavara, D. (2018). Explorando los factores que afectan el rendimiento académico de los estudiantes
en programas en línea: una revisión de la literatura. En A. Khare y D. Hurst (Eds.), On the line (págs. 235250).
Saltador. https://doi.org/10.1007/9783319627762_18
Mohammadi, M., Dawodi, M., Tomohisa, W. y Ahmadi, N. (2019). Estudio comparativo de algoritmos de aprendizaje supervisado para la
predicción del desempeño de los estudiantes. Actas de la Conferencia Internacional de 2019 sobre Inteligencia Artificial en la
Información y la Comunicación (págs. 124127). IEEE.
https://doi.org/10.1109/ICAIIC.2019.8669085
Moridis, CN y Economides, AA (2009). Predicción del estado de ánimo del estudiante durante una prueba en línea utilizando un método
basado en fórmulas y redes neuronales. Computadoras y Educación, 53(3), 644652.
https://doi.org/10.1016/j.compedu.2009.04.002
Muntean, CI (2011). Aumentar la participación en el elearning a través de la gamificación. Actas de la VI Internacional

Conferencia sobre Aprendizaje Virtual, 323329.
Muuro, ME, Wagacha, WP, Kihoro, J. y Oboko, R. (2014). Los desafíos percibidos por los estudiantes en un entorno de aprendizaje
colaborativo en línea: un caso de instituciones de educación superior en Nairobi, Kenia. Revisión internacional de la investigación en
aprendizaje abierto y distribuido, 15(6), 132161. https://doi.org/10.19173/irrodl.v15i6.1768
237
Mwalumbwe, I. y Mtebe, JS (2017). Uso de análisis de aprendizaje para predecir el desempeño de los estudiantes en Moodle
Sistema de gestión del aprendizaje: un caso de la Universidad de Ciencia y Tecnología de Mbeya. La Revista Electrónica de Sistemas de
Información en Países en Desarrollo, 79(1), 113. https://doi.org/10.1002/j.1681
4835.2017.tb00577.x
Ngandu, MR y Brown, C. (septiembre de 2015). Influencia de las contradicciones ideológicas a la hora de adoptar las TIC para crear auténticas
actividades de aprendizaje. Conferencia sobre tecnologías emergentes y aprendizaje auténtico en la educación profesional superior, Ciudad
del Cabo, Sudáfrica.
Nownaisin, P., Chomsuwan, K. y Hongkrailert, N. (2012). Utilización del mapa cognitivo difuso en el modelado de
Escuela de tecnología basada en la ciencia de Tailandia. Actas de la Conferencia Internacional IEEE sobre Enseñanza, Evaluación y
Aprendizaje de Ingeniería, T2D5T2D7. https://doi.org/10.1109/TALE.2012.6360392
Nwokeji, JC, Stachel, R. y Holmes, T. (2019). Efecto de los métodos de instrucción sobre el desempeño de los estudiantes en
Aula invertida. Actas de la Conferencia IEEE Fronteras en la Educación de 2019, 19.
https://doi.org/10.1109/FIE43999.2019.9028670
Pandey, H. y Singh, VK (2015). Un sistema de recomendación basado en lógica difusa para sistemas de aprendizaje electrónico con un marco
multiagente. Revista internacional de aplicaciones informáticas, 122(17), 1821.
https://doi.org/10.5120/217935140
Panigrahi, R., Srivastava, PR y Sharma, D. (2018). Aprendizaje en línea: adopción, continuidad y aprendizaje
ven – Una revisión de la literatura. Revista Internacional de Gestión de la Información, 43, 114.
https://doi.org/10.1016/j.ijinfomgt.2018.05.005
Papageorgioua, EI y Kannappan, A. (2012). Paradigma de aprendizaje conjunto de mapas cognitivos difusos para resolver problemas de
clasificación: aplicación a la identificación del autismo. Computación suave aplicada, 12 (2), 37983809.
https://doi.org/10.1016/j.asoc.2012.03.064
Papamitsiou, Z. y Economides, AA (2014). Análisis de aprendizaje y minería de datos educativos en la práctica: una revisión sistemática de la
literatura sobre evidencia empírica. Revista de Sociedad y Tecnología Educativa, 17(4), 4964.
Pappas, C. (2019). Las 20 principales estadísticas de aprendizaje electrónico de 2019: lo que necesita saber. https://elearningindustry.com/topelearn
ingestadisticas2019
Pardos, Z. A, Baker, RSJD, San Pedro, MOCZ, Gowda, SM y Gowda, SM (2013). Estados afectivos y pruebas estatales: investigar cómo el
afecto a lo largo del año escolar predice los resultados de aprendizaje de fin de año. Actas de la Tercera Conferencia Internacional
sobre Conocimiento y Análisis del Aprendizaje (págs. 117124). Asociación para Maquinaria de Computación. https://doi.org/
10.1145/2460296.2460320
Peña, A., Sossa, H. y Gutiérrez, F. (2007). Base de reglas basada en agentes de ontología, mapas cognitivos difusos. En NT Nguyen, A. Grzech,
RJ Howlett y LC Jain (Eds.), Sistemas de agentes y multiagentes: tecnologías y aplicaciones
(págs. 328337). Saltador. https://doi.org/10.1007/9783540728306_34
Pye, G., Holt, D., Salzman, S., Bellucci, E. y Lombardi, L. (2015). Involucrar a audiencias estudiantiles diversas en entornos de aprendizaje
combinado contemporáneos en la educación empresarial superior australiana: implicaciones para el diseño y la práctica. Revista Australasia
de Sistemas de Información, 19. https://doi.org/10.3127/ajis.v19i0.1251
Queiros, D. y de Villiers, M. (2016). Aprendizaje en línea en una institución de educación superior sudafricana: Determinación
extraer las conexiones adecuadas para el estudiante. Revista internacional de investigación en aprendizaje abierto y distribuido, 17(5),
165185. https://doi.org/10.19173/irrodl.v17i5.2552
Raga, RC y Raga, JD (2019). Predicción temprana del desempeño de los estudiantes en cursos de aprendizaje combinado utilizando redes
neuronales profundas. Actas del Simposio Internacional sobre Tecnología Educativa de 2019 (págs. 3943).
IEEE. https://doi.org/10.1109/ISET.2019.00018
Raspopovic, M., Jankulovic, A., Runic, J. y Lucic, V. (2014). Factores de éxito del elearning en un país en desarrollo
país: un estudio de caso de Serbia. Revista internacional de investigación en aprendizaje abierto y distribuido, 15(3), 123. https://doi.org/
10.19173/irrodl.v15i3.1586
RomeroZaldívar, VA, Pardo, A., Burgos, D. y Kloos, CD (2012). Monitorear el progreso de los estudiantes usando virtual
Electrodomésticos: un estudio de caso. Computadoras y Educación, 58(4), 10581067.
https://doi.org/10.1016/j.compedu.2011.12.003
238
Ros, S., Hernández, R., Caminero, A., Robles, A., Barbero, I, Maciá, A., & Holgado, FP (2015). Sobre el uso de TAM extendido para evaluar
la aceptación y la intención de los estudiantes de utilizar sistemas de gestión del aprendizaje de tercera generación. Revista británica
de tecnología educativa, 46(6), 12501271. https://doi.org/10.1111/bjet.12199
Roy, R., Potter, S. y Yarrow, K. (2004). Hacia una educación superior sostenible: impactos ambientales de los campus convencionales, los
sistemas de aprendizaje impresos y electrónicos/abiertos. En D. Murphy, R. Carr, J. Taylor y T.
M. Wong (Eds.), Educación y tecnología a distancia: problemas y práctica (págs. 129145). Prensa de la Universidad Abierta de
Hong Kong.
Salinas, EY, Williams, AE y King, CE (2019). Efecto del control de la heterogeneidad del grupo sobre el desempeño de los estudiantes en
un curso de programación gráfica. Actas de la Conferencia IEEE Fronteras en la Educación de 2019, 18. https://doi.org/10.1109/
FIE43999.2019.9028593
Salmerón, JL (2009). Mapas cognitivos difusos aumentados para modelar factores críticos de éxito de LMS. Sistemas basados en el
conocimiento, 22(4), 275278. https://doi.org/10.1016/j.knosys.2009.01.002
Salmerón, JL y Froelich, W. (2016). Optimización dinámica de mapas cognitivos difusos para pronóstico de series temporales. Sistemas
basados en el conocimiento, 105, 2937. https://doi.org/10.1016/j.knosys.2016.04.023
Salmeron, JL, Mansouri, T., Moghadam, MRS y Mardani, A. (2019). Aprendizaje de mapas cognitivos difusos con algoritmo de optimización
de reproducción asexual modificado. Sistemas basados en el conocimiento, 163, 723735. https://doi.org/10.1016/
j.knosys.2018.09.034
Sharma, SK, Gaur, A., Saddikuti, V. y Rastogi, A. (2017). Modelo de ecuaciones estructurales (SEM): red neuronal
(NN) modelo para predecir los determinantes de la calidad de los sistemas de gestión de elearning. Comportamiento y tecnología de la
información, 36(10), 10531066. https://doi.org/10.1080/0144929X.2017.1340973
Sheshadri, A., Gitinabard, N., Lynch, CF, Barnes, T. y Heckman, S. (2018). Predecir el desempeño de los estudiantes en función de los
hábitos de estudio en línea: un estudio de cursos combinados. Actas de la Conferencia Internacional sobre Minería de Datos
Educativos de 2018, 411417.
Siegle, D., Rubenstein, LDV, Pollard, E. y Romey, E. (2010). Explorar la relación de los estudiantes universitarios de primer año honra el
esfuerzo y la atribución de habilidades, el interés y la teoría implícita de la inteligencia de los estudiantes con la capacidad percibida.
Niño superdotado trimestralmente, 54(2), 92101. https://doi.org/10.1177/0016986209355975
Siemens, G. y Long, P. (2011). Penetrando la niebla: análisis en el aprendizaje y la educación. Revisión de EDUCAUSA,
46(5), 30.
Ssekakubo, G., Suleman, H. y Marsden, G. (2011). Cuestiones de adopción: ¿Han alcanzado su potencial los sistemas de gestión del
aprendizaje electrónico en los países en desarrollo? Actas de la Conferencia del Instituto Sudafricano de Científicos Informáticos y
Tecnólogos de la Información sobre Conocimiento, Innovación y Liderazgo en un Entorno Diverso y Multidisciplinario (págs. 231238).
Asociación para Maquinaria de Computación. https://doi.org/10.1145/2072221.2072248
Sweta, S. y Lal, K. (2016). Modelo de alumno para la detección automática del estilo de aprendizaje utilizando FCM en un sistema de
aprendizaje electrónico adaptativo. Revista IOSR de Ingeniería Informática, 18(2), 1824.
Takács, M., Rudas, IJ y Lantos, Z. (2014). Mapa cognitivo difuso para el modelo de evaluación de estudiantes. Conferencia internacional
IEEE sobre ciencia e ingeniería de sistemas, 284288. https://doi.org/10.1109/ICSSE.2014.6887950
Tarus, JK, Gichoya, D. y Muumbo, A. (2015). Desafíos de la implementación del elearning en Kenia: un caso de las universidades públicas
de Kenia. Revista internacional de investigación en aprendizaje abierto y distribuido, 16(1), 120141.
ThaiNghe, N., Busche, A. y SchmidtThieme, L. (2009). Mejorar la predicción del rendimiento académico mediante
abordar el desequilibrio de clases. Actas de la Novena Conferencia Internacional sobre Diseño y Aplicaciones de Sistemas Inteligentes
(págs. 878883) IEEE. https://doi.org/10.1109/ISDA.2009.15
ThaiNghe, N., Drumond, L., KrohnGrimberghe, A. y SchmidtThieme, L. (2010). Sistema de recomendación para
predecir el desempeño de los estudiantes. Procedia Ciencias de la Computación, 1(2),
28112819. https://doi.org/10.1016/j.procs.2010.08.006
ThaiNghe, N., Horv, T. y SchmidtThieme, L. (2011). Previsión personalizada del rendimiento de los estudiantes. Actas de la XI Conferencia
Internacional sobre Tecnologías Avanzadas de Aprendizaje (págs. 412414). IEEE. https://doi.org/10.1109/
ICALT.2011.130
239
ThaiNghe, N., Horváth, T. y SchmidtThieme, L. (2012). Modelos de factorización para pronosticar el desempeño de los estudiantes. En O. Santos y J.
Boticario (Eds.). Sistemas y tecnologías de recomendación educativa: prácticas y desafíos.
(págs. 129153). IGI Global. https://doi.org/10.4018/9781613504895.ch006

Toscher, A. y Jahrer, M. (2010). Filtrado colaborativo aplicado a la minería de datos educativos. Actas de KDD
Taza.
Tsadiras, A. y Stamatis, D. (2008). Decisiones sobre aprendizaje en red basadas en mapas cognitivos difusos. Actas
de la VI Conferencia Internacional sobre Aprendizaje en Red, 376383.
Turabieh, H. (2019). Clasificadores híbridos de aprendizaje automático para predecir el desempeño de los estudiantes. Actas de la 2ª
Conferencia Internacional sobre Nuevas Tendencias en Ciencias de la Computación. IEEE. https://doi.org/10.1109/
ICTCS.2019.8923093
Umer, R., Susnjak, T., Mathrani, A. y Suriadi, S. (2018). Un enfoque de análisis de aprendizaje: uso semanal en línea
datos de participación de los estudiantes para hacer predicciones sobre el desempeño de los estudiantes. Actas de la Conferencia Internacional
de 2018 sobre Ingeniería Informática, Electrónica y Eléctrica. IEEE.
https://doi.org/10.1109/ICECUBE.2018.8610959
van Vliet, M., Kok, K. y Veldkamp, T. (2010). Vincular a las partes interesadas y los modeladores en los estudios de escenarios: el uso
de mapas cognitivos difusos como herramienta de comunicación y aprendizaje. Futuros, 42(1), 114.
https://doi.org/10.1016/j.futures.2009.08.005
Vialardi, C., Chue, J., Peche, J. P., Alvarado, G., Vinatea, B., Estrella, J., & Ortigosa, A. (2011). Procesamiento de datos
enfoque para guiar a los estudiantes a través del proceso de inscripción basado en el rendimiento académico. Modelado de usuario e interacción
adaptada al usuario, 21(12), 217248. https://doi.org/10.1007/s1125701190984
Yang, F., Li, FWB y Lau, RW.H. (2011). Indicadores de progreso estudiantil basados en mapas cognitivos difusos. en h.
Leung, E. Popescu, Y. Cao, RWH Lau y W. Nejdl (Eds.). Avances en el aprendizaje basado en la web. Saltador. https://doi.org/
10.1007/9783642258138_19
Yesil, E., Ozturk, C., Dodurka, MF y Sahin, A. (2013). Controle el modelado de factores críticos de éxito en la educación en ingeniería a través de mapas
cognitivos difusos. Actas de la XII Conferencia Internacional sobre Educación y Formación Superior Basadas en Tecnologías de la Información.
IEEE. https://doi.org/10.1109/ITHET.2013.6671061
Yu, HF., Lo, HY., Hsieh, HP., Lou, JK., McKenzie, TG, Chou, JW., Chung, PH., Ho, CH., Chang, CF.,
Wei, YH., Weng, JY., Yan, ES., Chang, CW., Kuo, TT., Lo, YC., Chang, PT, Po, C., Wang, CY., Huang, YH. …CJ. Lin. (2010). Conjunto de
clasificadores e ingeniería de funciones para la Copa KDD 2010. Journal of Machine Learning Research: Actas de talleres y conferencias, 1,
116.
ZareRavasan, A., Amani, M. y Ashrafi, A. (2018). Los sistemas de aprendizaje electrónico y sus resultados: el papel moderador
de compatibilidad percibida. Estudios de gestión de TI, 6(24), 87107.
ZareRavasan, A. y Ashrafi, A. (2019). Factores que influyen en la intención de los estudiantes de continuar utilizando el Sistema de Gestión del
Aprendizaje (LMS). Actas de la novena Conferencia Internacional sobre Gestión y Comunicación de la Información (págs. 165169). Asociación
para Maquinaria de Computación. https://doi.org/10.1145/3357419.3357429
ZareRavasan, A. y Mansouri, T. (2014). Un modelado dinámico basado en FCM de fallas críticas de implementación de ERP.
factores naturales. Revista internacional de sistemas de información empresarial, 10(1), 3252. https://
doi.org/10.4018/ijeis.2014010103
ZareRavasan, A. y Mansouri, T. (2016). Un modelo dinámico de factores de fallas críticas de ERP con FCM a través de
realizar las fases del ciclo de vida del proyecto. Planificación y control de la producción, 27(2),
6582. https://doi.org/10.1080/09537287.2015.1064551
Zhang, W. y Cheng, YL (2012). Garantía de calidad en elearning: modelo de evaluación del PDPP y su aplicación.
La Revista Internacional de Investigación en Aprendizaje Abierto y Distribuido, 13(3), 6682.
Zhu, C. (2012). Satisfacción, desempeño y construcción de conocimiento de los estudiantes en el aprendizaje colaborativo en línea.
Revista de tecnología y sociedad educativa, 15 (1), 127136.
240
APÉNDICE A. ELEMENTOS DE MEDICIÓN UTILIZADOS PARA LOS DATOS

REUNIÓN
Elementos de medición Fuentes
Parte A*
Características del curso (CC)
CC1. Plan del curso (sílabas y método de evaluación del curso) (Hadullo et al., 2017; Tarus et al., 2015)
CC2. Lista de libros de texto/referencias
CC3. Lista (y CV) de profesor(es)

CC4. Lista (y CV) de asistente(s) docente(s)
CC5. Material de aprendizaje de calidad.
CC6. Material de aprendizaje interactivo/gamificado
Características del LMS (LMS)

LMS1. Utilidad percibida (Kaba & OseiBryson, 2013; Panigrahi
LMS2. Facilidad de uso percibida et al., 2018; Ros et al., 2015; Sharma et
al., 2017)
LMS3. Disfrute percibido
LMS4. Calidad percibida del sistema LMS (fiabilidad, disponibilidad, tiempo
de respuesta,…)
Características del estudiante (SC)

SC1. Actitud (AlAzawei et al., 2016; Hadullo et al., 2017;
SC2. Autoeficacia Hwang, 2015; Kisanga, 2016; Kuo & Kituyi,
SC3. motivación, incentivos 2012; Makokha & Mutisya, 2016;

Panigrahi et al., 2018)
SC4. experiencia
SC5. Autorregulación
Apoyo Estudiantil (SS)
SS1. Interacciones con compañeros (Baloyi, 2014a, 2014b; Chawinga & Zozie,
SS2. Interacciones con asistentes docentes. 2016; Makokha & Mutisya, 2016; Muuro et
al., 2014; Panigrahi et al., 2018; Queiros &
SS3. Interacciones con los profesores
de Villiers, 2016)
SS4. Comentarios sobre la tarea
SS5. Comentarios del examen
SS6. Soporte técnico para LMS y Clases Virtuales con horarios de

atención convenientes
SS7. Norma subjetiva
Factores institucionales (FI)
SI1. Calidad percibida del mantenimiento de infraestructura, seminarios (Hadullo et al., 2017; Kashorda & Waema,
y talleres. 2014; Ngandu & Brown, 2015; Ssekakubo
SI2. Calidad percibida de la infraestructura institucional et al., 2011; Tarus et al., 2015)
SI3. Calidad percibida del hardware y software institucional
Rendimiento general (OP)

OP1. Puntuación de satisfacción del usuario (Ferguson y DeFelice, 2010; Lai et al., 2015;
OP2. Nivel de construcción del conocimiento. Misopoulos et al., 2018; Raspopovic et al.,
2014; Zhang y Cheng, 2012; Zhu, 2012)
OP3. GPA del estudiante (promedio de calificaciones)
241
Elementos de medición Fuentes
Parte B*
Participación estudiantil (SE)
SE1. Tiempo total de estudio en LMS (min) (Dias et al., 2015; Hadullo et al., 2017)
SE2. Frecuencia total de inicio de sesión en LMS
SE3. Número de vistas de publicaciones de discusión

SE4. Número de recursos vistos
SE5. Número de visitas a la página del curso
SE6. Tiempo medio por sesión (min)
SE7. Tiempo total en línea (min)

SE8. Números de enlaces vistos
SE9. Número de visitas a la página de contenido
SE10. La regularidad del intervalo de aprendizaje en LMS
SE11. Número total de publicaciones de discusión
SE12. Calificación promedio del examen de evaluación
* Escala Likert de siete puntos (muy baja a muy alta) para todos los ítems de medición de la Parte A (excluyendo OP3:
GPA) se utiliza; Los datos de la Parte B se extraen de Moodle LMS al final de cada semestre.
APÉNDICE B. INTERRELACIONES ENTRE VARIABLES
El Apéndice B se puede descargar desde https://doi.org/10.28945/4760 o desde https://www.informingscience.org/Publications/GetFile/

6977?ArticleFileID=7639
AUTORES
Taha Mansouri es investigador postdoctoral en la Facultad de Ciencias, Ingeniería y Medio

Ambiente de la Universidad de Salford, Manchester, Reino Unido.
Ha publicado en revistas reconocidas, como KnowledgeBased Systems, Expert Systems with
Applications, Applied Soft Computing, Optic Letters y Telecommunication Systems. Sus
intereses de investigación incluyen aprendizaje automático, aprendizaje profundo, aprendizaje por
refuerzo, visión por computadora y modelado de sistemas complejos.
242
Ahad ZareRavasan es profesor asistente en el Departamento de Economía

Corporativa de la Facultad de Economía y Administración de la Universidad
Masaryk, Brno, República Checa. Ha publicado en revistas aclamadas, como
International Journal of Information Management, Expert Systems with
Applications, Information Systems, International Journal of Production
Research, Journal of Business and Industrial Marketing y Journal of
Enterprise Information Management. Sus intereses de investigación incluyen
sistemas de información, aprendizaje electrónico, análisis de negocios y blockchain.
Amir Ashrafi es actualmente un Ph.D. Estudiante de Negocios y Gestión en

Alliance Manchester Business School de la Universidad de Manchester.
Ha publicado varios artículos en revistas de renombre, como International
Journal of Information Management, Journal of Enterprise Information
Management, Journal of Business and Industrial Marketing, Interactive
Learning Environment y Journal of Organizational and End User Computing.
Su investigación se centra en innovación y transformación digitales, análisis
de big data, inteligencia artificial y valor empresarial de TI.
243

Mansouri2021-A COMPLETO-learning Fuzzy Cognitive Map (LFCM) Approach To Predict Student Performance

Cargado por

Copyright:

Formatos disponibles

Mansouri2021-A COMPLETO-learning Fuzzy Cognitive Map (LFCM) Approach To Predict Student Performance

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mansouri2021-A COMPLETO-learning Fuzzy Cognitive Map (LFCM) Approach To Predict Student Performance

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Volumen 20, 2021

UN MAPA COGNITIVO BORROSO DE APRENDIZAJE (LFCM)

Taha Mansouri Universidad de Salford, Salford, [email protected]

Domingo ZareRavasan* Universidad Masaryk, Brno, [email protected]

Amir Ashrafi Universidad de Manchester, [email protected]

Predicción del desempeño estudiantil usando LFCM

Mansouri, ZareRavasan y Ashrafi

ANÁLISIS DEL APRENDIZAJE Y PREDICCIÓN DEL DESEMPEÑO ESTUDIANTIL

Predicción del desempeño estudiantil usando LFCM

Mansouri, ZareRavasan y Ashrafi

FCM EN EL CONTEXTO DEL APRENDIZAJE ELECTRÓNICO

Predicción del desempeño estudiantil usando LFCM

Desarrollar el Recopilación de datos para el

Creando el Recopilación de datos Interpretando los

Figura 1. Los pasos de la investigación.

Mansouri, ZareRavasan y Ashrafi

I~(Ci,Cj)=min(w(Cp,Cp+,): (p,p+1) ~ (i, k~…..k,~j)) Ecuación (3)

T(Ci,Cj)=max(Ir(Ci, Cj)), donde l< ~r<~m Ecuación (4)

La principal función objetivo de FCM­MARO es minimizar el siguiente error:

Predicción del desempeño estudiantil usando LFCM

t = 1 // Ajuste de tiempo inicial

loc = 1 //Configuración inicial del número local

umbrales inferior y superior

errorP = Costo(P) // Calculado con respecto a la ecuación (5)

Mientras questop_conditions ≠ true hazlo

error_bud_t = Costo (bud_t)

si error_bud_t < errorP entonces P= bud_t, loc =1;

de lo contrario, si error_bud_t + ∆t > errorP entonces P= bud_t;

de lo contrario, borrar (bud_t), loc ++

∆ = √ en( ) Ecuación (6)

DESARROLLO DEL INSTRUMENTO DE RECOPILACIÓN DE DATOS

CREACIÓN DEL MODELO LFCM

Mansouri, ZareRavasan y Ashrafi

Figura 2. Mapa cognitivo parcial y de alto nivel de

PROCEDIMIENTO DE RECOPILACIÓN DE DATOS

PREDECIR EL DESEMPEÑO DE LOS ESTUDIANTES

Predicción del desempeño estudiantil usando LFCM

Tabla 1. MSE y desviación estándar para variables de desempeño

MSE 0.07783908 0.07463091 0.05041522

StDev 0.05817604 0.08766665 0.05861402

LOS EFECTOS DE ANTECEDENTES DEL DESEMPEÑO ESTUDIANTIL

Figura 3. Los efectos directos e indirectos de

Mansouri, ZareRavasan y Ashrafi

Figura 4. Los efectos directos e indirectos de las categorías de

Predicción del desempeño estudiantil usando LFCM

LAS INTERRELACIONES CAUSALES ENTRE LOS ANTECEDENTES DEL DESEMPEÑO

Figura 5. Interrelaciones causales entre antecedentes de desempeño de los estudiantes

Mansouri, ZareRavasan y Ashrafi

Predicción del desempeño estudiantil usando LFCM

Mansouri, ZareRavasan y Ashrafi

Predicción del desempeño estudiantil usando LFCM

Mansouri, ZareRavasan y Ashrafi

Muntean, CI (2011). Aumentar la participación en el e­learning a través de la gamificación. Actas de la VI Internacional

Predicción del desempeño estudiantil usando LFCM

Mansouri, ZareRavasan y Ashrafi

Predicción del desempeño estudiantil usando LFCM

(págs. 129­153). IGI Global. https://doi.org/10.4018/978­1­61350­489­5.ch006

Mansouri, ZareRavasan y Ashrafi

La principal función objetivo de FCMMARO es minimizar el siguiente error:

Muntean, CI (2011). Aumentar la participación en el elearning a través de la gamificación. Actas de la VI Internacional

(págs. 129153). IGI Global. https://doi.org/10.4018/9781613504895.ch006

El Apéndice B se puede descargar desde https://doi.org/10.28945/4760 o desde https://www.informingscience.org/Publications/GetFile/