XXXI JENUI . Simulador docente para la comprensión de la construcción de árboles de decisión ID3.

 Estuvimos en estuvo en las XXXI Jornadas sobre la Enseñanza Universitaria de la Informática (JENUI), en Valladolid, con nuestro trabajo:

Ismael Ramos Pérez, Gadea Lucas Pérez, Daniel Drefs Fernandes, Pedro Latorre Carmona y Carlos López Nozal, Simulador docente para la comprensión de la construcción de árboles de decisión ID3.

 

La herramienta está dividida en tres pestañas que guían al usuario a través de los conceptos fundamentales del algoritmo ID3:

1.  Entropía: incluye una calculadora interactiva para experimentar con distribuciones de clases y visualizar la entropía calculada.
2.  Entropía condicional: permite introducir valores categóricos y muestra paso a paso el cálculo completo, incluyendo la media ponderada.
3.  Árbol ID3: simula la construcción del árbol mostrando:

• El árbol generado paso a paso.
• El conjunto de datos con filtros aplicados.
• Los cálculos de ganancia de información por atributo.

Los usuarios pueden usar conjuntos de datos preseleccionados, o cargar los suyos en formato .csv (con datos categóricos y clase binaria).

La herramienta es de código abierto (https://github.com/admirable-ubu/decision-trees-simulator) y está disponible en línea (https://admirable-ubu.github.io/decision-trees-simulator/). 

 

 

 

Miniweek de Innovación docente. Aprendizaje con impacto, aprendizaje que transforma.

Nuestro compañero Raúl Marticorena presentó el trabajo titulado Análisis del proceso de enseñanza-aprendizaje en Moodle con la herramienta UBUMonitor en la I Miniweek de Innovación docente celebrada en la Universidad de Valladolid.

 

 

UBUMonitor ha demostrado ser una herramienta valiosa para transformar datos crudos de Moodle en entendimiento y percepción pedagógica. Entre sus logros destacan:

• Democratización del análisis de datos: al ser una aplicación de escritorio independiente, evita barreras técnicas y burocráticas asociadas a extensiones personalizadas por la institución académica.
• Personalización: los filtros y gráficos adaptables permiten responder a preguntas específicas de cada curso o grupo.
• Impacto en la enseñanza: facilita la detección temprana de problemas (abandono, errores técnicos, etc.) y promueve una enseñanza basada en evidencia.

Como proyecto de código abierto, UBUMonitor sigue evolucionando, integrando nuevas funcionalidades como análisis de foros y clusters de estudiante, así como la inclusión de la procrastinación. Su adopción en la Universidad de Burgos y su disponibilidad pública reflejan su potencial para enriquecer la educación en la era digital.

 

Publicación de un conjunto de datos en Kaggle . Evaluación TFG UBU con github.

Publicamos un conjunto de datos en Kaggle con medidas de evaluación de Trabajos Fin de Grado y medidas de los procesos realizadas en Github.

Además, creamos un notebook donde se entrena un árbol de decisión, utilizando la librería scikit-learn, para predecir la evaluación de Trabajos de Fin de Grado (TFG) basados en datos recopilados de GitHub. El objetivo de este código es explorar cómo se estructuran las decisiones del modelo y qué características tienen más peso en la evaluación de los TFG. 

 

I1 - Total number of issues 

DC1 - total number of releases 

C1 - Peak Change Count 

BIE - Taller programación de videojuegos

 

El taller Programación de videojuegos en el marco del programa de Bachillerato de Investigación/Excelencia (BIE), se llevó a cabo nuevamente el 5 de febrero de 2025 en colaboración con el instituto burgalés Comuneros de Castilla. Este evento estuvo dirigido a la iniciación en la programación con Python, donde los participantes desarrollaron desde cero el clásico videojuego Pac-Man.

Durante la actividad, se introdujeron los fundamentos esenciales de la programación, como la definición de funciones, bucles y estructuras condicionales, además de aspectos clave del diseño y desarrollo de videojuegos. Se trabajó en la conceptualización de variables para representar los diferentes elementos del juego y en la estructura general del código. Como en ediciones anteriores, el material actualizado del taller está disponible en: https://github.com/Josemi/BIEVideojuegos.

 

Al finalizar la sesión, se consultó a los estudiantes sobre sus planes académicos tras el bachillerato y se les proporcionó información sobre los programas de grado en los que el departamento de Ingeniería Informática tiene un papel relevante, como Ingeniería Informática, Ingeniería de la Salud y Diseño de Videojuegos.

Minería de datos educativos para comparar el rendimiento de cursos STEM vs. SS

Raúl Marticorena-Sánchez, Antonio Canepa-Oneto, Carlos López-Nozal y  José A. Barbero-Aparicio, participantes del Grupo de Innovación Docente DIGIT han publicado un artículo en la revista Expert Systems "Diferencias en la predicción del rendimiento temprano en los cursos en línea de Ciencias Sociales y STEM mediante minería de datos educativos". 

Palabras clave: minería de datos educativos | analítica del aprendizaje | aprendizaje a escala | registros de aprendizaje en línea | predicción del rendimiento de los estudiantes | minería de datos supervisada

Un resumen del trabajo.

La minería de datos educativos y la analítica del aprendizaje en entornos virtuales pueden utilizarse para diagnosticar problemas de rendimiento de los estudiantes en una fase temprana. Información que resulta útil para orientar las decisiones de los profesores que gestionan la formación académica, de modo que los estudiantes puedan completar con éxito su curso. Sin embargo, los patrones de interacción de los estudiantes pueden variar en función del dominio de conocimiento. Nuestro objetivo es diseñar un marco aplicable a cursos online de Ciencias Sociales y STEM, recomendando métodos para construir modelos precisos de predicción temprana del rendimiento. Se presenta un estudio comparativo a gran escala de la precisión de múltiples clasificadores aplicados para clasificar los registros de interacción de 32.593 estudiantes de 9 cursos de Ciencias Sociales y 13 de STEM. Corroborando los resultados de otros trabajos, se observó que se obtenía una alta precisión en la predicción del rendimiento temprano basándose únicamente en los registros de los estudiantes: precisiones de 0,75 en la 10ª semana, 0,80 en la 20ª semana, 0,85 en la 30ª semana y 0,90 en la 40ª semana. Sin embargo, se observó que los índices de precisión variaban significativamente en función del algoritmo de clasificación y del dominio de conocimiento (Ciencias Sociales frente a STEM). En general, estas predicciones son menos precisas en los cursos de Ciencias Sociales que en los de STEM, especialmente al principio del curso, y se observan menos diferencias en las últimas semanas.  Además, esta investigación identifica casos de valores atípicos de baja precisión en la predicción de cursos de Ciencias Sociales a lo largo del tiempo. Estos hallazgos ponen de relieve los complejos retos y las variaciones en la predicción temprana del rendimiento en diferentes ámbitos de la educación en línea.

El gráfico muestra la variabilidad de la precisión entre los clasificadores para cada dominio (SS frente a STEM)  a lo largo de las distintas semanas del curso.