Esta es una traducción del artículo original escrito en inglés: Improving Student Engagement through Analysis of eLearning Interaction Data
Comprendiendo los Datos de Interacción en eLearning y la Participación Estudiantil
Los datos de interacción en eLearning se refieren a la información que se genera cuando los estudiantes interactúan con plataformas de aprendizaje en línea. Estos datos pueden variar desde el tiempo dedicado a un cierto tema, la tasa de progreso a través del contenido del curso, hasta la participación en discusiones o cuestionarios en línea. Considerando cómo los enfoques de aprendizaje blended y en línea se están volviendo omnipresentes en el paisaje educativo actual, entender y aprovechar estos datos es cada vez más importante para los educadores.
Analizar este tesoro de datos ofrece una visión de cómo los estudiantes se comprometen con el material, proporcionando así oportunidades para mejorar el diseño y la entrega del curso, mejorando sus experiencias de aprendizaje.
La participación de los estudiantes es un concepto multifacético en la educación, más comúnmente conocido como una medida de la participación activa o la inversión emocional del estudiante en su proceso de aprendizaje. Incluye comportamientos como asistir a clases, entregar tareas, participar en discusiones en clase e incluso cualquier tipo de interacción con la plataforma del curso en línea. Sin embargo, la participación va más allá de los aspectos comportamentales, también incluye la participación emocional o psicológica: la motivación, el interés y el valor que un estudiante asigna a su aprendizaje.
Cuando se trata de eLearning o educación en línea, medir esta participación se vuelve un poco más complejo. Aquí es donde los datos de interacción en eLearning presentan una ventaja sustancial. Dado que la mayoría de las interacciones en un entorno de aprendizaje en línea están mediadas digitalmente, cada clic, cada actividad y cada entrega deja un rastro digital, contribuyendo a los datos de interacción en eLearning.
Observando de cerca estos datos, los educadores pueden obtener información sobre el comportamiento en línea de los estudiantes. Esto puede usarse como un indicador para entender cuán comprometidos intelectualmente están, y cuán beneficioso encuentran el contenido del curso. Esta visión detallada permite a los desarrolladores de cursos construir una imagen más completa del compromiso del estudiante, iluminando aspectos a menudo olvidados o invisibles del comportamiento e interacciones del aprendiz.
Por ejemplo, estudiar la secuencia de acceso a los módulos puede revelar si un estudiante está siguiendo el curso como se pretendía o saltando de un lado a otro, lo que podría ser una señal de que le está costando entender el material. Del mismo modo, el tiempo que pasan en las páginas o recursos, la frecuencia de los inicios de sesión o la contribución a las discusiones en línea pueden proporcionar pistas sobre la motivación y las estrategias de aprendizaje de un estudiante. Por lo tanto, influyendo de manera crucial en las decisiones que los desarrolladores de cursos toman sobre la estructura, el contenido, el diseño y el modo de evaluación del curso.
En pocas palabras, entender los datos de interacción de eLearning es una ventana al compromiso del estudiante en el entorno de aprendizaje en línea. Permite a los educadores identificar aspectos del curso que están funcionando bien o áreas que pueden necesitar mejoras. También ayuda a adaptar el curso a las necesidades de los alumnos proporcionando una experiencia de aprendizaje personalizada y adaptativa.
Sin embargo, el proceso de analizar estos datos para influir en el compromiso del estudiante no está exento de desafíos. Requiere la recolección de datos relevantes, las herramientas analíticas adecuadas, rigor científico y una interpretación reflexiva de los datos. Los siguientes capítulos profundizarán en estos aspectos. Exploraremos formas de recopilar datos de interacción de eLearning, técnicas para analizarlos y estrategias para utilizar estos datos para mejorar el compromiso de los estudiantes en el ámbito del aprendizaje en línea.
El papel del análisis de datos en eLearning
El análisis de datos juega un papel crucial en eLearning al proporcionar ideas significativas que pueden mejorar la experiencia de aprendizaje en línea. Al aprovechar los datos de interacción, los desarrolladores de cursos pueden identificar tendencias de aprendizaje, entender el comportamiento del usuario, identificar oportunidades de mejora y tomar decisiones informadas sobre el contenido y la estructura del curso. Sin el análisis de datos, estas ideas críticas permanecerían ocultas y sin utilizarse.
En primer lugar, el análisis de datos puede determinar cómo los aprendices interactúan con los materiales del curso en línea. Esto abarca con qué frecuencia se conectan, qué recursos utilizan, cuánto tiempo dedican a diferentes actividades y cómo interactúan con sus compañeros e instructores en debates en línea. Todos estos puntos de datos pueden ayudar a los desarrolladores de cursos a entender qué funciona y qué no funciona cuando se trata de mantener a los aprendices comprometidos.
Entender el comportamiento del usuario es otro aspecto crítico del análisis de datos en eLearning. Al examinar patrones como cuándo los aprendices suelen conectarse, qué tan rápido avanzan a través de los materiales, o dónde tienen dificultades, los instructores pueden adaptar su diseño de curso y estrategias de enseñanza para ajustarse mejor a las necesidades de sus aprendices.
El análisis de datos también puede ayudar a identificar la efectividad de los métodos de enseñanza y el contenido del curso. Al comparar los datos de rendimiento de los estudiantes con diferentes metodologías de enseñanza o tipos de contenido, los desarrolladores de cursos pueden reconocer cuáles métodos son los más exitosos para promover la comprensión y retención.
Además, la analítica predictiva también puede usar datos de interacción para anticipar los resultados de los estudiantes. Estas predicciones pueden permitir a los instructores intervenir de manera proactiva, proporcionando apoyo adicional a los estudiantes con dificultades antes de que se queden atrás.
Además, los datos de interacción también pueden arrojar luz sobre los aspectos sociales del eLearning. Al examinar los patrones en las discusiones en línea o en el trabajo en grupo, los desarrolladores pueden fomentar un entorno de aprendizaje en línea más colaborativo e interactivo.
Finalmente, el análisis de datos permite un proceso de mejora continua para los cursos de eLearning. A través del análisis continuo, los desarrolladores pueden seguir el impacto de los cambios que han hecho, experimentar con nuevas estrategias y perfeccionar constantemente sus cursos basándose en evidencia empírica.
En resumen, el análisis de datos es vital para el eLearning. Proporciona ideas críticas sobre el comportamiento del usuario, la efectividad del curso y los resultados de los estudiantes, que se pueden utilizar para impulsar mejoras en el curso y mejorar la participación del estudiante. Mantenerse a la vanguardia en la educación en línea requiere una comprensión y aplicación del análisis de datos. Este respalda la toma de decisiones basada en evidencia, permite la personalización de las experiencias de aprendizaje y, finalmente, conduce a mejores resultados para los estudiantes.
Métodos para recoger datos de interacción de eLearning
El proceso de recopilación de datos de interacción de eLearning es fundamental para garantizar que las conclusiones obtenidas sean útiles y aplicables. Para recoger los datos correctos, deben emplearse ciertos métodos. Aquí, discutimos varios métodos para recolectar datos de interacción en el eLearning y mejorar el compromiso del estudiante.
Un método de recogida de datos es mediante el uso de las analíticas del Sistema de Gestión del Aprendizaje (LMS, por sus siglas en inglés). Un LMS es un software utilizado por instituciones educativas y empresas para gestionar, rastrear y entregar cursos. La mayoría de las plataformas LMS cuentan con robustas herramientas analíticas que pueden seguir el rendimiento individual de los estudiantes en tiempo real. Los LMS pueden acumular datos sobre el tiempo que un estudiante pasa en un curso, el número de ingresos, la progresión a través de los módulos, los resultados de las pruebas y mucho más.
Otra herramienta para la recopilación de datos de eLearning es el uso de software de mapas de calor. Un mapa de calor es una herramienta de visualización de datos que muestra los niveles de actividad en una página web en diferentes colores. En el contexto de eLearning, los mapas de calor pueden utilizarse para revelar donde los estudiantes hacen más clics, hasta dónde desplazan en una página y con qué áreas del contenido del curso interactúan más. Esto proporciona información valiosa a los desarrolladores de cursos, ayudándoles a entender qué contenido es más atractivo para los estudiantes.
Herramientas de analítica web como User Flow Analytics y Google Analytics también se pueden utilizar para recolectar datos sobre la interacción del estudiante. Originalmente destinadas a analizar el tráfico de los sitios web, estas herramientas han evolucionado y ahora son capaces de rastrear la interacción del usuario dentro de una página web específica. Por ejemplo, cuántas veces un video es reproducido, pausado o detenido. Estas pueden rastrear el envío de respuestas a cuestionarios y tareas, proporcionando una gran cantidad de información sobre los patrones de interacción de los estudiantes con las plataformas de eLearning.
Además de los mecanismos en línea, las encuestas y los cuestionarios también son herramientas sólidas para la recopilación de datos. Pueden adaptarse para descubrir percepciones específicas sobre la efectividad del curso y las preferencias de los estudiantes. Estas percepciones no se limitan a evaluar el rendimiento del estudiante, sino que pueden explorar las percepciones del estudiante sobre el diseño del curso, el plan de estudios y la facilidad de uso.
Una nueva frontera en la recopilación de datos de interacción de eLearning son las Plataformas de Aprendizaje Adaptativo. Estas plataformas se ajustan automáticamente a las necesidades de aprendizaje de cada estudiante basándose en análisis y algoritmos. Recogen constantemente datos, como el tiempo dedicado a cada pregunta o módulo, los patrones de respuestas correctas e incorrectas y el camino seguido por el estudiante. La tecnología de aprendizaje adaptativo ayuda a crear un bucle de retroalimentación para los desarrolladores, ayudándoles a interactuar mejor con los estudiantes a un nivel personalizado.
A través de todos estos métodos, los datos recopilados son clave para entender el comportamiento, las preferencias y los patrones de aprendizaje de los estudiantes dentro de un entorno de eLearning. Sin embargo, el enfoque debe ser considerado. Es importante respetar la privacidad y la confidencialidad de los estudiantes. Siempre garantice que haya transparencia y una comunicación considerada para obtener el consentimiento de los estudiantes antes de recopilar y analizar datos sobre sus comportamientos de aprendizaje. Al desarrollar una estrategia efectiva para mejorar la participación de los estudiantes utilizando datos de interacción de eLearning, no solo importa qué datos recopilar, sino también cómo se recogen.
Herramientas y Técnicas para Analizar los Datos de Interacción en eLearning
Analizar los datos de interacción en eLearning es crucial para entender cómo los estudiantes interactúan con el material del curso. Con los crecientes avances tecnológicos, existe un abanico de herramientas y técnicas disponibles para que los desarrolladores de cursos en línea examinen estos datos de manera efectiva y eficiente.
Analítica de Flujo de Usuario permite a los desarrolladores de eLearning recopilar una variedad de datos que incluyen:
- Las acciones de los estudiantes en el curso
- En qué puntos los estudiantes abandonan el curso
- Qué elementos y botones hacen clic en las diapositivas
- Cuánto tiempo permanecen en cada diapositiva
- Cuántas veces visitan una diapositiva en particular
- Desde qué ubicaciones geográficas provienen los estudiantes
Algunos Sistemas de Gestión de Aprendizaje (LMS) rastrean puntos de datos que incluyen el tiempo dedicado al curso, y las puntuaciones obtenidas en cuestionarios o evaluaciones. Las analíticas incorporadas en LMS populares como Moodle, Canvas, o Blackboard permiten a los desarrolladores de cursos supervisar y rastrear el progreso y las actividades de los estudiantes en tiempo real, facilitando la intervención oportuna cuando es necesario.
Google Analytics, otra herramienta poderosa, puede ofrecer un insight más profundo sobre el comportamiento del usuario. Puede ayudar a los diseñadores de cursos a entender cómo los estudiantes navegan a través del curso, qué páginas visitan, cuánto tiempo pasan en cada página, con qué frecuencia abandonan el curso, entre otras cosas. Estas estadísticas permiten a los diseñadores de cursos identificar áreas problemáticas y mejorar la experiencia del usuario.
El software de análisis de aprendizaje como SABA o Watershed también puede ser utilizado para un análisis más completo. Ofrecen características de análisis avanzadas que rastrean e informan sobre datos matizados como las actividades de aprendizaje social o el impacto del proceso de aprendizaje en los resultados empresariales.
En el lado técnico, los desarrolladores de eLearning también pueden usar consultas SQL, Python y R para un enfoque de análisis de datos más práctico. Estos lenguajes de programación ofrecen bibliotecas y paquetes para el cálculo estadístico, la representación gráfica de los datos y el aprendizaje automático, que pueden proporcionar insights más profundos y predictivos.
En cuanto a las técnicas, se emplea comúnmente la minería de datos. Este proceso implica ordenar grandes cantidades de datos y seleccionar información relevante para el análisis. Por ejemplo, puede identificar patrones y relaciones entre diferentes comportamientos y niveles de compromiso de los estudiantes.
También está la técnica del análisis de clickstream, que se centra en entender el comportamiento del usuario examinando sus ‘clicks’ o navegación a través del curso en línea. Esto puede proporcionar conocimientos sobre cómo los estudiantes interactúan con los materiales de eLearning.
Análisis visual de datos es otra técnica importante. Los gráficos, tablas, y mapas de calor pueden ayudar a visualizar los datos, lo que facilita su interpretación y comprensión. Puede resaltar de inmediato las tendencias, valores atípicos, y patrones de manera visualmente intuitiva.
Finalmente, el análisis predictivo, utilizando algoritmos de aprendizaje automático, puede presentar tendencias y hacer predicciones sobre el rendimiento futuro del estudiante basado en datos históricos. Este enfoque proactivo puede mejorar enormemente el diseño del curso y las estrategias de intervención oportuna.
Estas herramientas y técnicas pueden mejorar en gran medida la capacidad de un desarrollador de cursos en línea para analizar los datos de interacción de eLearning. Emplear estos de manera efectiva podría allanar el camino para estudiantes más comprometidos y un resultado de eLearning más exitoso.
Aplicando los Datos para Mejorar el Compromiso de los Estudiantes
Una vez que se ha reunido un conjunto de datos completo sobre las interacciones de eLearning, este se convierte en la base para obtener información con el fin de mejorar la participación de los estudiantes. El proceso de aplicar los datos exige una comprensión especializada de las estrategias de eLearning y una perspectiva analítica para extraer información de los datos.
En primer lugar, es esencial verificar si los datos y patrones identificados se alinean con los objetivos pedagógicos del curso. Por ejemplo, si una sección de un curso en línea muestra un aumento agudo en la actividad de discusión de los estudiantes o en el tiempo dedicado al módulo, el desarrollador del curso debe determinar si este patrón refleja de manera adecuada la complejidad e importancia del módulo. Si no es así, podría sugerir que el módulo es demasiado desafiante o más interesante para los estudiantes y necesita ser ajustado para ello.
Por el contrario, los bajos niveles de interacción con una actividad o lectura en particular sugieren que los estudiantes no la encuentran atractiva o relevante. En este caso, el contenido del curso podría necesitar ser renovado para hacerlo más atractivo o directamente vinculado a los objetivos de aprendizaje del curso. Un meticuloso A/B testing del contenido educativo también puede ayudarnos a entender qué funciona mejor.
Las analíticas predictivas son otra faceta interesante a utilizar. Estas pueden presagiar cuándo un estudiante puede comenzar a desvincularse del curso en línea basándose en el comportamiento pasado de estudiantes similares. Las analíticas predictivas también pueden escalar retroalimentaciones críticas a los instructores o diseñadores del curso, permitiendo intervenciones para recalibrar los niveles de compromiso del estudiante.
Un componente importante en el que centrarse es cómo el análisis de los datos puede ser utilizado para personalizar el aprendizaje. La personalización del aprendizaje puede mejorar ampliamente el compromiso de los estudiantes al entregar contenidos y ejercicios que se adaptan a las necesidades únicas, estilos de aprendizaje y ritmo de cada estudiante. Por ejemplo, los algoritmos de aprendizaje automático pueden recomendar automáticamente recursos o actividades de aprendizaje personalizadas a los estudiantes basándose en sus patrones de interacción.
Además, el análisis puede ayudar a los instructores o desarrolladores de cursos a localizar las áreas problemáticas donde los estudiantes suelen enfrentar dificultades, permitiendo una retroalimentación dirigida. Para cursos complejos, identificar y abordar estos problemas cruciales puede mejorar significativamente la participación de los estudiantes.
Crucialmente, no se trata solo de detectar y solucionar problemas, sino también de reconocer lo que funciona bien para replicar el éxito. Si un estilo de enseñanza o un tipo de contenido parece estar involucrando constantemente a los estudiantes, vale la pena analizar esas interacciones exitosas para que esas estrategias puedan emplearse en otros lugares.
El análisis efectivo de los datos de interacción de eLearning también requiere escuchar las voces de los estudiantes. Esto se puede hacer a través de encuestas de retroalimentación regulares a lo largo del curso. Estas encuestas pueden ayudar a validar los conocimientos obtenidos a partir de los datos y proporcionar a los estudiantes un canal para señalar cualquier preocupación pasada por alto. Integrar la retroalimentación de los estudiantes con el análisis de datos garantiza una revisión exhaustiva y multidimensional.
Finalmente, aplicar los conocimientos obtenidos a partir de los datos para mejorar la participación de los estudiantes es un proceso iterativo. A medida que el curso se desarrolla y se recoge más datos, revisar continuamente el análisis de datos puede llevar a conocimientos precisos para adaptar y mejorar continuamente el curso.
En conclusión, los datos proporcionan vastas oportunidades para aprender cómo los estudiantes interactúan con los cursos de eLearning, pero deben interpretarse con cuidado y aplicarse juiciosamente. Al usar constantemente estos conocimientos para identificar desafíos, personalizar el aprendizaje, dar retroalimentación dirigida y ajustar los diseños de los cursos, el eLearning puede ser mucho más atractivo y efectivo para una amplia gama de estudiantes.
Estudios de caso: Mejora exitosa del compromiso estudiantil a través del análisis de datos
En nuestro camino para utilizar los datos de interacción de eLearning para mejorar el compromiso estudiantil, es esencial examinar estudios de caso de instituciones educativas que han emprendido trayectorias similares. Estas aplicaciones concretas y de la vida real iluminan los beneficios potenciales y los desafíos, a la vez que ofrecen valiosas lecciones para la optimización.
Una universidad notable que utilizó el análisis de datos para mejorar el eLearning es Arizona State University (ASU). ASU utilizó analíticas de aprendizaje, capturando detalles como la frecuencia con la que los estudiantes iniciaban sesión en el sistema en línea y sus niveles de actividad mientras estaban allí. Al analizar estos datos de interacción, los instructores del curso pudieron identificar patrones de comportamiento consistentes entre los estudiantes de alto rendimiento y aquellos que luchaban académicamente. Luego se ofrecieron planes de intervención oportunos para los estudiantes en riesgo, mejorando directamente el compromiso estudiantil y las tasas generales de finalización del curso.
En The Open University, una institución de educación a distancia, se desarrolló un modelo predictivo llamado el proyecto OU Analyse. Recopila y analiza datos de actividad en línea, permitiendo a la institución predecir el rendimiento de los estudiantes con un grado considerable de precisión. Los maestros fueron alertados rápidamente cuando se predecía que los estudiantes iban a fallar basándose en sus hábitos digitales, por lo que se podrían implementar intervenciones con prontitud. A través de este uso inteligente de los datos de interacción, la universidad informó un aumento del 2.1% en las tasas de aprobación de los estudiantes dentro de dos años.
Por último, el Colegio Rio Salado utilizó datos de interacción de eLearning para analizar los niveles de compromiso de los estudiantes en sus cursos en línea. Su sistema innovador, llamado RioPACE, recopila datos de interacción como clics del mouse, visitas a páginas y tiempo dedicado a diferentes actividades. Estos datos se analizaron para proporcionar a los educadores información en tiempo real sobre los comportamientos de aprendizaje de los estudiantes. Al comprender qué recursos se usaron más y cuáles se descuidaron, los educadores pudieron adaptar los materiales del curso para mejorar efectivamente la participación de los estudiantes.
En cada uno de estos estudios de caso, las instituciones ilustran prácticamente la integración de análisis de datos en el eLearning. Pudieron predecir los resultados de los estudiantes, proporcionar intervenciones oportunas y mejorar sus diseños de cursos, lo que resultó en un mayor compromiso y éxito de los estudiantes. Sin embargo, es crucial reconocer que esta estrategia no está exenta de desafíos: el uso y la protección responsables de los datos son fundamentales, así como asegurar que las interpretaciones de los datos den lugar a cambios pedagógicos significativos.
Al aprender de estos estudios de caso, los desarrolladores de cursos en línea pueden adquirir metodologías más robustas para aprovechar los datos de interacción de los estudiantes. El uso de tecnología y análisis de datos en educación es una frontera prometedora para continuar mejorando la calidad del aprendizaje en línea y mejorar significativamente el nivel de participación de los estudiantes.
Tendencias futuras en el análisis de datos para el eLearning y la participación de los estudiantes
El panorama en constante evolución del eLearning está abrazando rápidamente el potencial del análisis de datos. La importancia de incorporar inteligentemente la poderosa herramienta de los datos en las estrategias educativas ha surgido indudablemente como una prioridad.
En el futuro, las tendencias en el análisis de datos para el eLearning y la participación de los estudiantes están destinadas a revolucionar cómo se diseñan, entregan y evalúan los cursos en línea. Este capítulo se adentrará en algunas de estas tendencias anticipadas, ofreciendo una visión de lo que podría implicar el futuro.
La Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) continuarán estando a la vanguardia del desarrollo de eLearning. Al utilizar IA y ML, se podrían diseñar rutas de aprendizaje individuales y personalizadas para los estudiantes, considerando así sus únicos estilos, velocidades e intereses de aprendizaje. Esta personalización podría mejorar significativamente la participación de los estudiantes y los resultados del curso. Los algoritmos de ML pueden analizar los datos de participación para identificar patrones, predecir el comportamiento del estudiante y proporcionar intervenciones en tiempo real para prevenir una posible desvinculación o abandono.
Otra tendencia destinada a dominar es el uso de análisis predictivos. Este enfoque implica el uso de datos históricos para predecir acciones futuras. Por ejemplo, los educadores podrían predecir qué estudiantes es probable que se desvinculen en función de su interacción con el contenido del curso. Tales predicciones podrían permitir intervenciones tempranas, facilitando aún más la participación y retención.
Además, se espera que los análisis de aprendizaje (LA, por sus siglas en inglés) alimentados por la IA se conviertan en una parte esencial del análisis de datos del eLearning. LA se refiere a la medición, análisis e informe de datos sobre los aprendices y sus contextos. La capacidad de comprender y reaccionar rápidamente al estilo de aprendizaje de un estudiante promete revolucionar el compromiso del estudiante y los resultados.
Además, la era de los grandes datos es inevitable, y con ella, el potencial para analizar los niveles granulares de las interacciones de los estudiantes con los recursos de eLearning. A medida que el contenido del curso en línea se vuelve más complejo, las capacidades de recopilación de datos pueden rastrear interacciones a un nivel microscópico. Este detallado nivel de seguimiento proporciona una gran cantidad de datos valiosos para informar los ajustes del curso y mejorar aún más el compromiso.
Por último, el surgimiento del procesamiento de lenguaje natural (NLP, por sus siglas en inglés), una faceta de la IA que trata con la interacción entre humanos y computadoras, promete traer mejoras en la comunicación en las plataformas de eLearning. El NLP podría automatizar la calificación de evaluaciones subjetivas, proporcionar valiosas percepciones sobre el sentimiento del estudiante e impulsar una mayor participación del estudiante.
A medida que nos adentramos en este futuro, la promesa del análisis de datos para el eLearning y el compromiso del estudiante va más allá de simplemente mejorar los sistemas existentes. Representa una oportunidad para reimagination como abordamos la educación en línea. La utilización de la IA, ML, análisis predictivo, LA, big data y NLP ofrece una oportunidad emocionante para fomentar proactivamente un mayor compromiso por parte de los estudiantes y diseñar una experiencia de eLearning más efectiva y personalizada.
Este artículo está disponible en varios idiomas:
Improving Student Engagement through Analysis of eLearning Interaction Data
Verbesserung der Schülerbeteiligung durch Analyse von eLearning-Interaktionsdaten
Amélioration de l’Engagement des Étudiants par l’Analyse des Données d’Interaction d’eLearning
Migliorare l’Impegno degli Studenti attraverso l’Analisi dei Dati di Interazione eLearning
Melhorando o Envolvimento do Aluno através da Análise de Dados de Interação em eLearning
Het Verbeteren van Studentenbetrokkenheid door Analyse van eLearning Interactiegegevens
Підвищення Залученості Студентів через Аналіз Даних Інтерактивного Електронного Навчання
Poprawa Zaangażowania Uczniów poprzez Analizę Danych Interakcji z eLearningu
Förbättring av Studentengagemang genom Analys av eLärande-Interaktionsdata
Forbedring av Studentengasjement Gjennom Analyse av eLæring Interaksjonsdata
Forbedring af Studenterengagement gennem Analyse af eLearning Interaktionsdata
Улучшение Вовлеченности Студентов Через Анализ Данных Взаимодействия в Электронном Обучении
eÖğrenme Etkileşim Verilerinin Analizi Yoluyla Öğrenci Katılımını Geliştirmek