Dissertation/ Thesis
Course recommendation systems applied to enrollment in online higher education
| Τίτλος: | Course recommendation systems applied to enrollment in online higher education |
|---|---|
| Συγγραφείς: | Narimani, Amir |
| Συνεισφορές: | University/Department: Universitat Oberta de Catalunya. eLearn Center |
| Thesis Advisors: | Barbera, Elena |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Oberta de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 201 p. |
| Θεματικοί όροι: | analítica de l’aprenentatge, analítica del aprendizaje, learning analytics, xarxes neuronals de grafs, redes neuronales de grafos, graph neural networks, modelatge de l’estudiant, modelado del estudiante, learner modeling, sistema híbrid de recomanació d’assignatures, sistema híbrido de recomendación de asignaturas, hybrid course recommendation system, mineria de dades educatives, minería de datos educativos, educational data mining |
| Περιγραφή: | Online higher education institutions increasingly seek to provide personalized services that help students complete their studies successfully. Among the many decisions students face, choosing the right courses each semester is one of the most critical. A poor combination of courses can delay graduation, reduce motivation, or lead to dropout. Traditionally, mentors or advisors support students in this process, but the growing number of learners and the wide range of course offerings make individual guidance difficult. At the same time, large amounts of data on student enrollments, grades, and activities are available, offering new opportunities to design data-driven tools for academic support. However, most existing course recommendation systems focus primarily on predicting enrollment trends or promoting courses, rather than on addressing each learner’s specific needs for academic success. In contrast, this research approaches recommendations from a different perspective, aiming to support meaningful and satisfying learning pathways rather than course promotion. Personalized academic guidance in course enrollment depends on detailed learner models capable of representing learning activities and their corresponding outcomes.This thesis introduces a Hybrid Course Recommendation System (HCRS) that integrates learning analytics and educational data mining methods to suggest courses tailored to each learner. The system is developed based on the analysis of past enrollments, learner activities, and academic performance. The central goal of the system is to recommend courses with a high potential for learner satisfaction, which our analyses demonstrate to be strongly connected with academic achievement. Course enrollment patterns were constructed through a modified association rule mining approach to reveal the implicit structure of the curriculum. To achieve personalization, detailed learner models were built based on students’ activities and previous academic performance. Finally, rule-based insights were integrated into collaborative filtering techniques to predict likely grades and generate personalized course rankings.The dataset for this study was provided by the Universitat Oberta de Catalunya (UOC) and included student records from three undergraduate programs: Informatics, Tourism, and Economics. Data preparation involved cleaning and organizing records into temporal sequences and normalizing satisfaction measures. To evaluate the system, two approaches were used: cross-validation and chronological testing. The analysis emphasizes that models incorporating more detailed learner information consistently outperform simpler baseline methods. These results underline the importance of rich learner data for generating accurate and pedagogically meaningful recommendations. Performance was measured using metrics for enrollment predictions, grade-based rankings, and correlation with student satisfaction scores.Beyond the predictive results, this work contributes to research in several dimensions. First, it proposes a multi-dimensional learner modeling approach that combines individual profiles with graph-based and community-based clustering to represent similarities among learners. This provides a novel way to visualize and analyze learning communities within online programs. Second, it implements a hybrid recommendation framework that merges collaborative filtering with rule-based knowledge, ensuring both personalization and interpretability. Third, it analyzes an extensive institutional dataset to uncover the relationships between learning activities, academic performance, and student satisfaction, demonstrating how these dimensions interact in online higher education. Finally, the inclusion of machine learning methods such as Graph Neural Networks (GNNs) expands the analytical toolkit for educational recommender systems, offering insights into how model complexity and data richness influence recommendations across degree programs. Overall, the proposed HCRS demonstrates how integrating learning analytics and educational data mining concepts can enhance academic guidance and student performance. By offering explainable and data-informed course recommendations, the system supports both learners and advisors in making well-founded enrollment decisions, contributing to academic success in online higher education. |
| Description (Translated): | Las instituciones de educación superior en línea buscan cada vez más ofrecer servicios personalizados que ayuden a los estudiantes a completar con éxito sus estudios. Entre las muchas decisiones que los estudiantes deben tomar, la elección de las asignaturas adecuadas en cada semestre es una de las más críticas. Una combinación inadecuada de asignaturas puede retrasar la graduación, reducir la motivación o incluso provocar el abandono académico. Tradicionalmente, los mentores o asesores académicos apoyan a los estudiantes en este proceso, pero el creciente número de alumnos y la amplia oferta de asignaturas dificultan una orientación individualizada. Al mismo tiempo, la gran cantidad de datos disponibles sobre matrículas, calificaciones y actividades ofrece nuevas oportunidades para diseñar herramientas de apoyo académico basadas en el análisis de datos. Sin embargo, la mayoría de los sistemas de recomendación de asignaturas existentes se centran principalmente en predecir tendencias de matrícula o en promover cursos, en lugar de atender las necesidades específicas de éxito académico de cada estudiante. En cambio, esta investigación aborda las recomendaciones desde una perspectiva educativa, con el objetivo de apoyar trayectorias de aprendizaje significativas y satisfactorias, más que en la promoción de cursos. La orientación académica personalizada durante la matrícula depende de unos modelos de estudiante detallados, capaces de representar tanto las actividades de aprendizaje como sus resultados correspondientes. Esta tesis presenta un sistema híbrido de recomendación de asignaturas (HCRS, por sus siglas en inglés) que integra métodos de analítica del aprendizaje y minería de datos educativos para sugerir asignaturas adaptadas a cada estudiante. El sistema se desarrolla a partir del análisis de las matrículas anteriores, las actividades de aprendizaje y el rendimiento académico. El objetivo central del sistema es recomendar asignaturas con un alto potencial de satisfacción estudiantil, la cual, según nuestros análisis, está fuertemente relacionada con el rendimiento académico. Los patrones de matrícula se construyeron mediante un enfoque modificado de minería de reglas de asociación, con el fin de revelar la estructura implícita del plan de estudios. Para lograr la personalización, se construyeron modelos de estudiante detallados basados en sus actividades y desempeño previo. Finalmente, las técnicas de filtrado colaborativo se combinaron con conocimientos basados en reglas para predecir las probables calificaciones y generar clasificaciones personalizadas de asignaturas. El conjunto de datos utilizado en este estudio fue proporcionado por la Universitat Oberta de Catalunya (UOC) e incluyó registros de estudiantes de tres programas de grado: Informática, Turismo y Economía. La preparación de los datos incluyó la limpieza y organización de los registros en secuencias temporales y la normalización de las medidas de satisfacción. Para evaluar el sistema, se emplearon dos enfoques: validación cruzada y pruebas cronológicas. El análisis destaca que los modelos que incorporan información más detallada del estudiante superan sistemáticamente a los métodos de referencia más simples. Estos resultados subrayan la importancia de disponer de datos ricos sobre los estudiantes para generar recomendaciones precisas y pedagógicamente significativas. Más allá de los resultados predictivos, este trabajo contribuye a la investigación en varias dimensiones. En primer lugar, propone un enfoque multidimensional de modelado del estudiante que combina perfiles individuales con agrupaciones basadas en grafos y comunidades para representar las similitudes entre los estudiantes. Esto ofrece una nueva forma de visualizar y analizar comunidades de aprendizaje dentro de programas en línea. En segundo lugar, implementa un marco híbrido de recomendación que combina el filtrado colaborativo con el conocimiento basado en reglas, garantizando así tanto la personalización como la interpretabilidad. En tercer lugar, analiza un extenso conjunto de datos institucionales para descubrir las relaciones entre las actividades de aprendizaje, el rendimiento académico y la satisfacción estudiantil, con lo que demuestra cómo interactúan estas dimensiones en la educación superior en línea. Finalmente, la inclusión de métodos de aprendizaje automático, como las redes neuronales de grafos (GNN, por sus siglas en inglés), amplía las herramientas analíticas disponibles para los sistemas educativos de recomendación y ofrece una comprensión más profunda sobre cómo la complejidad del modelo y la riqueza de los datos influyen en las recomendaciones entre los programas. En conjunto, el HCRS propuesto demuestra cómo la integración de la analítica del aprendizaje y la minería de datos educativos puede mejorar la orientación académica y el rendimiento del estudiante. Al ofrecer recomendaciones de asignaturas explicables y basadas en datos, el sistema apoya tanto a los estudiantes como a los asesores en una toma de decisiones de matrícula fundamentadas, contribuyendo así al éxito académico en la educación superior en línea Les institucions d’educació superior en línia busquen, cada vegada més, oferir serveis personalitzats que ajudin l’estudiantat a completar amb èxit els seus estudis. Entre les nombroses decisions que han de prendre, escollir les assignatures adequades per a cada semestre és una de les més importants. Una combinació inadequada d’assignatures pot retardar la graduació, reduir la motivació o, fins i tot, provocar l’abandonament. Tradicionalment, els mentors o assessors donen suport als estudiants en aquest procés, però l’augment del nombre d’alumnes i la gran varietat d’assignatures disponibles fan difícil oferir una orientació individualitzada. Alhora, la gran quantitat de dades sobre matriculacions, qualificacions i activitats ofereix noves oportunitats per dissenyar eines d’ajuda acadèmica basades en dades. No obstant això, la majoria dels sistemes de recomanació d’assignatures existents se centren principalment a predir tendències de matrícula o a promoure cursos, en lloc de considerar les necessitats específiques de cada estudiant per assolir l’èxit acadèmic. En canvi, aquesta recerca aborda les recomanacions des d’una perspectiva educativa, amb l’objectiu de donar suport a unes trajectòries d’aprenentatge significatives i satisfactòries, més que no pas a la promoció de cursos. L’assessorament acadèmic personalitzat durant la matrícula depèn de models d’estudiant detallats, capaços de representar tant les activitats d’aprenentatge com els resultats corresponents. Aquesta tesi presenta un sistema híbrid de recomanació d’assignatures (HCRS, per les sigles en anglès) que integra mètodes d’analítica de l’aprenentatge i mineria de dades educatives per suggerir assignatures adaptades a cada estudiant. El sistema s’ha desenvolupat a partir de l’anàlisi de les matriculacions prèvies, les activitats d’aprenentatge i el rendiment acadèmic. L’objectiu central és recomanar assignatures amb un alt potencial de satisfacció, la qual, segons les nostres anàlisis, està fortament relacionada amb el rendiment acadèmic. Els patrons de matrícula es van construir mitjançant un enfocament modificat de mineria de regles d’associació per revelar l’estructura implícita del pla d’estudis. Per aconseguir la personalització es van elaborar models d’estudiant detallats basats en les seves activitats i el seu rendiment previ. Finalment, les tècniques de filtratge col·laboratiu es van combinar amb coneixement basat en regles per predir les qualificacions probables i generar classificacions personalitzades d’assignatures. El conjunt de dades utilitzat en aquest estudi el va proporcionar la Universitat Oberta de Catalunya (UOC) i inclou registres d’estudiants de tres programes de grau: Informàtica, Turisme i Economia. La preparació de les dades va incloure la neteja i l’organització dels registres en seqüències temporals i la normalització de les mesures de satisfacció. Per avaluar el sistema es van utilitzar dos enfocaments: la validació creuada i les proves cronològiques. L’anàlisi destaca que els models que incorporen informació més detallada dels estudiants superen sistemàticament els mètodes bàsics més simples. Aquests resultats subratllen la importància de disposar de dades riques sobre els estudiants per generar recomanacions precises i pedagògicament significatives. Més enllà dels resultats predictius, aquest treball contribueix a la recerca en diverses dimensions. En primer lloc, proposa un enfocament multidimensional de modelatge de l’estudiant que combina perfils individuals amb agrupaments basats en grafs i comunitats per representar les similituds entre estudiants. Això ofereix una nova manera de visualitzar i analitzar les comunitats d’aprenentatge dins dels programes en línia. En segon lloc, implementa un marc híbrid de recomanació que combina el filtratge col·laboratiu amb coneixement basat en regles, de manera que garanteix tant la personalització com la interpretabilitat. En tercer lloc, analitza un ampli conjunt de dades institucionals per descobrir les relacions entre les activitats d’aprenentatge, el rendiment acadèmic i la satisfacció estudiantil, i demostra com aquestes dimensions interactuen en l’educació superior en línia. Finalment, la inclusió de mètodes d’aprenentatge automàtic, com les xarxes neuronals de grafs, amplia les eines analítiques per als sistemes educatius de recomanació i aporta una millor comprensió de com la complexitat del model i la riquesa de les dades influeixen en les recomanacions segons el programa de grau. En conjunt, l’HCRS proposat demostra com la integració de l’analítica de l’aprenentatge i la mineria de dades educatives pot millorar l’assessorament acadèmic i el rendiment de l’estudiantat. En oferir recomanacions d’assignatures explicables i basades en dades, el sistema dona suport tant als estudiants com als assessors per a una presa de decisions de matrícula fonamentades, i contribueix a l’èxit acadèmic en l’educació superior en línia. E-learning |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/697930 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/embargoedAccess |
| Αριθμός Καταχώρησης: | edstdx.10803.697930 |
| Βάση Δεδομένων: | TDX |
καταχωρήστε σχόλιο πρώτοι!