dc.contributor.author |
Amigud, Alexander |
dc.contributor.author |
Arnedo Moreno, Joan |
dc.contributor.author |
Daradoumis Haralabus, Atanasi |
dc.contributor.author |
Guerrero Roldán, Ana Elena |
dc.date |
2018-05-02T13:59:37Z |
dc.date |
2018-05-02T13:59:37Z |
dc.date |
2017-08 |
dc.identifier.citation |
Amigud, A., Arnedo Moreno, J., Daradoumis Haralabus, A., Guerrero Roldán, A. (2017). "Using learning analytics for preserving academic integrity". International Review of Research in Open and Distributed Learning, 18, 5. ISSN 1492-3831 |
dc.identifier.citation |
1492-3831 |
dc.identifier.uri |
http://hdl.handle.net/10609/77207 |
dc.language.iso |
eng |
dc.publisher |
International Review of Research in Open and Distributed Learning |
dc.rights |
CC BY |
dc.rights |
http://creativecommons.org/licenses/by/3.0/es/ |
dc.source |
http://www.irrodl.org/index.php/irrodl/article/view/3103/4290 |
dc.subject |
electronic assessment |
dc.subject |
learning analytics |
dc.subject |
academic integrity |
dc.subject |
evaluación electrónica |
dc.subject |
análisis de aprendizaje |
dc.subject |
integridad académica |
dc.subject |
avaluació electrònica |
dc.subject |
anàlisi d'aprenentatge |
dc.subject |
integritat acadèmica |
dc.subject |
Web-based instruction |
dc.subject |
Ensenyament virtual |
dc.subject |
Ensenyament virtual |
dc.title |
Using learning analytics for preserving academic integrity |
dc.type |
info:eu-repo/semantics/article |
dc.description.abstract |
This paper presents the results of integrating learning analytics into the assessment process to enhance academic integrity in the e-learning environment. The goal of this research is to evaluate the computational-based approach to academic integrity. The machine-learning based framework learns students¿ patterns of language use from data, providing an accessible and non-invasive validation of student identities and student-produced content. To assess the performance of the proposed approach, we conducted a series of experiments using written assignments of graduate students. The proposed method yielded a mean accuracy of 93%, exceeding the baseline of human performance that yielded a mean accuracy rate of 12%. The results suggest a promising potential for developing automated tools that promote accountability and simplify the provision of academic integrity in the e-learning environment. |
dc.description.abstract |
Este documento presenta los resultados de la integración de análisis de aprendizaje en el proceso de evaluación para mejorar la integridad académica en el entorno de e-learning. El objetivo de esta investigación es evaluar el enfoque computacional de la integridad académica. El marco basado en aprendizaje automático aprende los patrones de uso del lenguaje de los estudiantes a partir de los datos, proporcionando una validación accesible y no invasiva de las identidades de los estudiantes y el contenido producido por los estudiantes. Para evaluar el rendimiento del enfoque propuesto, llevamos a cabo una serie de experimentos utilizando asignaciones escritas de estudiantes de posgrado. El método propuesto arrojó una precisión media del 93%, que excede la línea de base del rendimiento humano que arrojó una tasa de precisión media del 12%. Los resultados sugieren un potencial prometedor para desarrollar herramientas automatizadas que promuevan la rendición de cuentas y simplifiquen la provisión de integridad académica en el entorno de e-learning. |
dc.description.abstract |
Aquest document presenta els resultats de la integració d'anàlisi d'aprenentatge en el procés d'avaluació per millorar la integritat acadèmica en l'entorn d'e-learning. L'objectiu d'aquesta investigació és avaluar l'enfocament computacional de la integritat acadèmica. El marc basat en aprenentatge automàtic aprèn els patrons d'ús del llenguatge dels estudiants a partir de les dades, proporcionant una validació accessible i no invasiva de les identitats dels estudiants i el contingut produït pels estudiants. Per avaluar el rendiment de l'enfocament proposat, portem a terme una sèrie d'experiments utilitzant assignacions escrites d'estudiants de postgrau. El mètode proposat llançar una precisió mitjana del 93%, que excedeix la línia de base del rendiment humà que va donar una taxa de precisió mitjana del 12%. Els resultats suggereixen un potencial prometedor per desenvolupar eines automatitzades que promoguin la rendició de comptes i simplifiquin la provisió d'integritat acadèmica en l'entorn d'e-learning. |