Una guía básica de conceptos sobre la Analítica del Aprendizaje

Cristina Wagner
Cristina Wagner
23/01/18
Ajuste el
tamaño del texto+

¿Por qué es importante? ¿Alguna duda sobre conceptos relacionados con la analítica del aprendizaje? Esta guía rápida puede ayudarle.

La razón de ser de la analítica del aprendizaje es proporcionar a estudiantes, profesores y directores de instituciones educativas información relevante que les permita entender y optimizar la enseñanza y el aprendizaje. Aunque muchas instituciones han podido implementar los datos educativos con éxito, el área de la analítica sigue siendo muy novedosa, por lo cual muchas otras apenas comienzan a adoptarla. Este glosario de definiciones sirve como una breve introducción al área.

Ilustración letra A Glosario

Almacén de datos

Se refiere el almacenamiento electrónico de datos corporativos o institucionales. En un almacén de datos, los datos se validan y revisan sistemáticamente para eliminar las inconsistencias y preservar definiciones estándar de los datos. Una fuente de información institucional centralizada, confiable y accesible puede mejorar la comunicación y el proceso de toma de decisiones.1

• • •

Análisis de redes sociales (SNA, en inglés)

Procedimiento que permite el estudio de las interacciones y la solidez de las relaciones entre individuos en las redes sociales. Dentro de la analítica del aprendizaje, el SNA permite a los profesores y diseñadores de contenido educativo evaluar la participación de los estudiantes en foros de discusión y el impacto que pueden tener asignaciones específicas sobre los parámetros de configuración de una red. Además, el registro de actividad estudiantil de esta herramienta puede ayudar a identificar estudiantes en riesgo de abandono, dado que permite visualizar quiénes participan poco o los que no participan en lo absoluto. Junto con la analítica de textos escritos y el procesamiento de lenguajes naturales, el análisis de redes sociales faculta a los profesores para comprender la actividad individual de los alumnos dentro de foros de discusión, así como el pensamiento crítico y la originalidad de sus participaciones.

• • •

Analítica de texto

Se refiere a la medición y análisis de textos escritos por los estudiantes con el fin de entender el proceso de redacción y el producto final dentro de diferentes contextos. Su objetivo es emplear la analítica del aprendizaje para desarrollar un mayor entendimiento de las habilidades de redacción de los alumnos.2

• • •

Analítica del aprendizaje

Esta área utiliza datos sobre los estudiantes y su aprendizaje para alcanzar un mejor entendimiento y desarrollo de los procesos educativos, así como para ayudar a los alumnos en riesgo.3 La analítica abarca una amplia gama de métodos, incluyendo el aprendizaje automático, diseño de tableros, análisis de redes sociales, analítica de textos y procesamiento de lenguajes naturales.

• • •

Analítica del discurso

Dentro del campo de la analítica del aprendizaje, esta sub-área se concentra en el procesamiento de las discusiones que se producen en ambientes de aprendizaje virtuales, como foros de discusión, salas de chat, blogs o wikis. Su objetivo es captar datos importantes sobre las interacciones de los estudiantes y analizar las propiedades del lenguaje utilizado.

• • •

Analítica predictiva

Esta rama permite a los profesores predecir la probabilidad de que ciertos eventos ocurran en el futuro de acuerdo con datos históricos y actuales, los cuales responden a preguntas como: “¿Por qué ocurre esto?”, “Qué sucederá si se mantienen las tendencias?”, “¿Qué sucederá luego?” y “¿Qué es lo mejor que puede pasar?”4 En la educación, los modelos predictivos pueden emplear datos demográficos y de desempeño estudiantil para predecir cuáles alumnos podrían tener problemas. Así, la analítica predictiva influye en el logro de resultados cuando aún hay tiempo de intervenir para lograr el éxito positivo del estudiante.5

• • •

Aprendizaje adaptativo

El aprendizaje adaptativo utiliza un software capaz de analizar el desempeño de los estudiantes y ajustar el contenido que se le presenta a cada uno con base en esas observaciones.6

• • •

Aprendizaje automático

Ciencia que busca lograr que las computadoras aprendan y se comporten como los seres humanos al ingresar datos e información resultantes de observaciones e interacciones del mundo real.7 La analítica predictiva es un ejemplo de aprendizaje automático en el área de la educación.

• • •

Aprendizaje autorregulado

Es el sentido de responsabilidad personal del alumno sobre su propio aprendizaje. Cuando se le permite el acceso a la analítica a los estudiantes, estos pueden obtener la información necesaria para visualizar mejor su proceso de aprendizaje. Por ejemplo, un estudio comparativo de la actividad de los alumnos puede llevarlos a reflexionar sobre la relación entre desempeño y esfuerzo relativo, lo cual propicia la adopción de conductas más apropiadas para lograr los resultados deseados.

Ilustración letra B Glosario

Big data

Conjuntos de datos extremadamente grandes o complejos, analizables en computadora para hallar patrones, tendencias y asociaciones que un software tradicional de procesamiento de datos no podría manejar con facilidad. Particularmente, las instituciones de educación superior pueden generar conjuntos robustos de datos, utilizando Big Data. El reto para ellas, es depurar esos datos con el fin de generar información útil y beneficiosa para los estudiantes, profesores e instituciones.

Ilustración letra C Glosario

Ciencia de los datos

Ciencia que combina distintos métodos estadísticos, informáticos y de visualización para obtener información importante a partir de grandes conjuntos de datos. Esta ciencia suele aplicarse para crear predicciones necesarias en otros procesos o para entender fenómenos complejos. Aparte de la educación, la ciencia de los datos es útil en diversos campos, incluyendo las finanzas, deportes, biología, salud pública, astronomía y las actividades en internet.

• • •

Código de prácticas

En el ámbito de la analítica del aprendizaje, este código se refiere a los lineamientos escritos que enuncian las responsabilidades de las instituciones educativas para asegurar la aplicación ética, responsable, apropiada y efectiva de la analítica.8

• • •

Computación cognitiva

Es la unión de la ciencia cognitiva (el estudio del cerebro humano y su funcionamiento) y la informática, y busca simular procesos de pensamiento humanos en un modelo computarizado. La computadora puede copiar el funcionamiento del cerebro humano con algoritmos de autoaprendizaje que utilizan minería y reconocimiento de datos, además del procesamiento de lenguajes naturales.9

Entrevistas

Consideraciones éticas sobre la analítica del aprendizaje

Ilustración letra D Glosario

Democratización de los datos

Se trata de la accesibilidad a la información en formatos digitales a todos los miembros de una organización (y no exclusivamente a los especialistas o gerentes), para que puedan solicitar y analizar datos de forma individual. Dentro de las instituciones educativas, la democratización puede impulsarse con soluciones de almacenes de datos, lo cual permite a los administradores, diseñadores de contenido educativo, profesores y estudiantes orientar las actividades del aula hacia las metas de retención o graduación de la institución.

Ilustración letra G Glosario

Gobernanza de los datos

Gestión de políticas, sistemas, seguridad y prácticas para asegurar que los datos de una institución sean correctos, completos, consistentes, confiables y estén disponibles para las personas apropiadas en el momento apropiado.

Ilustración letra I Glosario

Inteligencia Artificial

Esta es una rama de la informática basada en la construcción de máquinas capaces de simular el proceso de toma de decisiones del ser humano.10 El nivel de sofisticación de la inteligencia artificial puede variar enormemente, desde la implementación de triggers codificados hasta algoritmos de aprendizaje automático complejos. Las instituciones educativas están considerando la posibilidad de usar la inteligencia artificial para recolectar datos de profesores y alumnos con el fin de entender, modelar, predecir y automatizar procesos, y así mejorar la enseñanza, el aprendizaje y el éxito del estudiante.11

• • •

Internet de las cosas

Este concepto abarca todos aquellos objetos de uso cotidiano que se conectan a internet y pueden recopilar e intercambiar datos con otros aparatos y bases de datos. Estos aparatos contienen sensores capaces de recolectar datos que pueden mejorar la visibilidad de los investigadores del proceso de enseñanza y aprendizaje. Algunos ejemplos de aplicación del internet de las cosas en la educación incluyen el aprendizaje móvil, la iluminación inteligente, los sistemas de seguridad en campus y pizarras interactivas.

Ilustración letra M Glosario

Minería de datos educativos (EDM, en inglés)

Es una disciplina donde se desarrollan métodos de estudio de datos provenientes de contextos educativos y se ponen en práctica para entender mejor a los estudiantes y sus contextos de aprendizaje.12 La minería de datos está estrechamente relacionada con la analítica del aprendizaje, puesto que se concentra en la investigación de datos recopilados automáticamente junto con la observación del contexto de enseñanza y aprendizaje13. Así, el objetivo principal tanto de la EDM como de la analítica es extraer información de datos educativos para sustentar la toma de decisiones dentro de un contexto educativo, solo que, a nivel general, la EDM se concentra en las técnicas y metodologías y la analítica en las aplicaciones.14

Ilustración letra N Glosario

Nudging

Se refiere a la creación de un ambiente que promueva la adopción de comportamientos específicos, pero sin limitar la capacidad de los individuos para decidir entre una gama de opciones mucho más amplia. Dentro de la analítica, algunos ejemplos de su aplicación son las alertas tempranas a estudiantes con desempeño deficiente para que conozcan su riesgo de no aprobar, y el uso de datos de actividades para interpretar y adaptar patrones de diseño educativos aptos para mejorar la participación estudiantil.

Ilustración letra T Glosario

Tablero

Un conjunto de widgets que le dan al usuario un panorama de los informes y métricas necesarios para lograr objetivos. En el campo de la analítica, estos tableros suelen ser usados por profesores, administradores y otros profesionales, pero los estudiantes también pueden sacar provecho de los tableros.15 

Historia de cliente

El Monash College recibe dos premios por su transformación educativa

Ilustraciones:

TRiiBU Estudio

Fuentes:

1 Blackboard. (n.d.). Blackboard Intelligence. Retrieved November 14, 2017, from http://www.blackboard.com/resources/pdf/datasheet-blackboardintelligence-rev20170209.pdf

2 Writing analytics (n.d). LAK16: Critical Perspectives on Writing Analytics. Retrieved November 14, 2017, from http://wa.utscic.edu.au/events/lak16wa/

3 SCLATER, Niall. (2016, September 01). What is learning analytics and how can it help your institution? Retrieved November 13, 2017, from http://sclater.com/blog/what-is-learning-analytics-and-how-can-it-help-your-institution/

4 B. D., & J. H. (n.d.). Using Learning Analytics to Predict (and Improve) Student Success: A Faculty Perspective. Retrieved November 14, 2017, from http://www.ncolr.org/jiol/issues/pdf/12.1.2.pdf

5 Rattiner, M. (2017, May 19). Walking the line of predictive analytics in higher education. Retrieved November 14, 2017, from http://blog.blackboard.com/walking-the-line-predictive-analytics-higher-education/

6 Feldstein, M. What Faculty Should Know About Adaptive Learning. Retrieved November 14, 2017, from http://mfeldstein.com/faculty-know-adaptive-learning/

7 Faggella, Daniel. What is Machine Learning? Retrieved December 2, 2017, from https://www.techemergence.com/what-is-machine-learning/

8 Sclater, N., & Bailey, P. (n.d.). Code of practice for learning analytics. Retrieved November 14, 2017, from https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics

9 Marr, B. (2016, March 23). What Everyone Should Know About Cognitive Computing. Retrieved November 14, 2017, from https://www.forbes.com/sites/bernardmarr/2016/03/23/what-everyone-should-know-about-cognitive-computing/#3b98f3ab5088

10 Bell, L. (2016, December 1). Machine learning versus AI: what’s the difference? Retrieved November 14, 2017, from http://www.wired.co.uk/article/machine-learning-ai-explained

11 Davis, V. (2017, November 1). The Ethical and Legal Dimensions of AI. Retrieved November 14, 2017, from http://blog.blackboard.com/the-ethical-and-legal-dimensions-of-ai/

12 Educational Data Mining. (n.d.). Educational Data Mining. Retrieved November 14, 2017, from http://educationaldatamining.org/

13 The Center for Innovative Research in CyberLearning. (n.d.). Educational Data Mining and Learning Analytics. Retrieved November 14, 2017, from http://circlcenter.org/educational-data-mining-learning-analytics/

14 Liñán, Laura and Pérez, Angel. Educational Data Mining and Learning Analytics: differences, similarities, and time evolution. Retrieved November 14, 2017, from http://rusc.uoc.edu/rusc/ca/index.php/rusc/article/view/v12n3-calvet-juan/2746.html

15 Whitmer, John. (2017, February 2). Surprising lessons from research on student feedback about data dashboards. Retrieved November 14, 2017, from http://blog.blackboard.com/research-student-feedback-data-dashboards/

Fin de los comentarios