A New Data Landscape: IR's Role in Academic Analytics

2020 ◽  
Vol 2020 (185-186) ◽  
pp. 87-103
Author(s):  
Christie Hawkins ◽  
Lucy E. Bailey
Keyword(s):  
Academic Analytics

scholarly journals Desenhar e implementar um sistema de learning analytics no ensino superior

2013 ◽  
pp. 123-146
Author(s):  
Sérgio André Ferreira ◽  
António Andrade
Keyword(s):  
Big Data ◽  
Management System ◽  
Learning Analytics ◽  
Content Management ◽  
Content Management System ◽  
Learning Content ◽  
Academic Analytics ◽  
Learning Content Management

A utilização de plataformas tecnológicas com base de funcionamento online, com destaque para os Learning Content Management System(LCMS), tem ganho uma importância crescente nas Instituições de Ensino Superior (IES). Da atividade dos alunos e professores nestas plataformas resulta um imenso trilho de cliques, que se traduz no registo de um enorme volume de dados – Big Data – no sistema. A ideia do Learning Analytics (LA) é simples e tem associado um potencial transformativo muito elevado: o aproveitamento destes dados permite um processo de tomada de decisão mais informada, abrindo as portas a um novo modelo na gestão das IES nos campos pedagógico e da eficiência organizacional. Contudo, a abordagem à temática dos LA ainda está na infância e a operacionalização eficaz exige respostas a grandes desafios no domínio tecnológico, educacional e das políticas. O trabalho aqui apresentado insere-se neste contexto. Na Universidade Católica Portuguesa -Porto está em curso o desenvolvimento de um sistema LA alimentado com dados do LCMS institucional - Blackboard – que tem como objetivo posicionar cada unidade curricular (UC) e faculdade numa matriz de cinco níveis de integração do LCMS no processo formativo. A matriz foi construída com base em modelos internacionais e considerou-se as funcionalidades oferecidas pelo LCMS. Para dar resposta aos requisitos desta matriz, desenhou-se todo o backoffice do sistema de extração e análise de dados no LCMS. Adicionalmente, foi construída e validada uma escala que contempla as mesmas dimensões, para aferição da opinião dos estudantes sobre a integração e a importância do LCMS no seu processo de ensino e aprendizagem. Depois de concluída a construção deste LA é objetivo articular esta informação comos resultados académicos dos estudantes (Sistema de Gestão Académica) e avaliação dos docentes/ disciplinas (SIGIQ) - dando-se passos na construção de um Academic Analytics.

Open academic analytics initiative

2013 ◽  
Author(s):  
Eitel J. M. Lauría ◽  
Erik W. Moody ◽  
Sandeep M. Jayaprakash ◽  
Nagamani Jonnalagadda ◽  
Joshua D. Baron
Keyword(s):  
Academic Analytics

Learning Analytics

2018 ◽  
pp. 5158-5168
Author(s):  
Constanţa-Nicoleta Bodea ◽  
Maria-Iuliana Dascalu ◽  
Radu Ioan Mogos ◽  
Stelian Stancu
Keyword(s):  
Data Mining ◽  
Learning Analytics ◽  
Educational Data Mining ◽  
Future Research ◽  
Educational Systems ◽  
Main Section ◽  
Research Directions ◽  
Data Intensive ◽  
Academic Analytics ◽  
Future Research Directions

Reinforcement of the technology-enhanced education transformed education into a data-intensive domain. As in many other data-intensive domains, the interest for data analysis through various analytics is growing. The article starts by defining LA, with relevant views on the literature. A discussion about the relationships between LA, educational data mining and academic analytics is included in the background section. In the main section of the article, the learning analytics, as an emerging trend in the educational systems is describe, by discussing the main issues, controversies, problems on this topic. Final part of the article presents the future research directions and the conclusion.

Comparing Data Mining Models in Academic Analytics

2016 ◽  
pp. 970-987
Author(s):  
Dheeraj Raju ◽  
Randall Schumacker
Keyword(s):  
Data Mining ◽  
Full Time ◽  
Students At Risk ◽  
Academic Analytics ◽  
Institutional Researchers ◽  
Forest Models ◽  
Random Forest Models ◽  
Student Graduation ◽  
Misclassification Rates ◽  
First Time

The goal of this research study was to compare data mining techniques in predicting student graduation. The data included demographics, high school, ACT profile, and college indicators from 1995-2005 for first-time, full-time freshman students with a six year graduation timeline for a flagship university in the south east United States. The results indicated no difference in misclassification rates between logistic regression, decision tree, neural network, and random forest models. The results from the study suggest that institutional researchers should build and compare different data mining models and choose the best one based on its advantages. The results can be used to predict students at risk and help these students graduate.

Sign in / Sign up

Export Citation Format

Share Document