Acceso usuarios
[1]
;
Barros García, Benamí
[1]
;
Arroyo-Machado, Wenceslao
[1]
Granada, España
Son conocidos los problemas en la evaluación del aprendizaje, en especial en lo referido a los estudios de lengua extranjera. El tratamiento del error en el aula es un tema de investigación reciente y que ha dado lugar a numerosas propuestas para localizar, identificar y clasificar los errores de los estudiantes de lenguas extranjeras y segundas lenguas. En este trabajo se propone un modelo metodológico basado en la Analítica visual y la Minería de datos educativos para la optimización de la intervención docente ante el error individual y colectivo en el aula de ruso. Esta metodología ha sido puesta a prueba en estudiantes de ruso como lengua extranjera en la Universidad de Granada. Se ha elaborado un cuestionario on-line para la evaluación de los conocimientos, con 75 preguntas clasificadas por categoría y subcategoría gramatical. Este fue realizado por los estudiantes del curso 2021/2022, obteniendo un total de 31 respuestas. Mediante las técnicas de analítica visual y minería de datos educativos, las respuestas fueron analizadas. Mediante la clusterización de las preguntas y los estudiantes se han detectado patrones de errores y grupos de estudiantes con errores comunes. Se evidencia así la utilidad de estas técnicas en la evaluación del aula.
There are well-known challenges in the assessment of learning in general, and especially in foreign language learning. The treatment of error in the classroom is a recent topic of research and one that has given rise to multiple approaches to pinpoint, identify and classify the errors made by learners of foreign and second languages. This article presents a methodological model based on visual analytics and education data mining to optimise teacher intervention in the face of individual and collective errors in the Russian language classroom. The methodology has been tested on learners of Russian as a foreign language at the University of Granada. It comprised an online questionnaire for skills assessment, with 75 questions that were classified by grammatical category and sub-category. It was filled out by the learners of the 2021/2022 academic year, yielding 31 responses. The responses were then analysed through visual analytics and education data mining techniques. Clustering questions and learners allowed the identification of different error patterns and groups of learners with common errors. This serves to demonstrate the usefulness of these techniques for classroom assessment.
