domingo, 19 de mayo de 2019

Actividad 4 — Diseño de investigación


1. Introducción
Hoy nos encontramos en la era de los datos, por ello desde esta misma empresa ofrecemos un servicio de analítica de aprendizaje que resulta ser una herramienta de gran utilidad para mejorar las experiencias formativas del alumnado. Este servicio está destinado a facilitar la tarea del docente y a apoyar las prácticas de éxito de los alumnos y alumnas. El mismo nos permite llevar a cabo la metodología de la analítica del aprendizaje conectado. Desde este servicio recopilamos y analizamos los datos que produce el alumnado al utilizar las plataformas online en las que se desarrollan los cursos. Y posteriormente facilitamos la interpretación de los datos, proporcionando un visualización de los mismo clara e intuitiva. De manera que es posible convertir los datos en acciones de mejora de la práctica docente. 

Pero para poder obtener el máximo rendimiento de este servicio es clave conocer cómo podemos aprovechar los datos e instrumentos que nos ofrece. Para ello, se ha planificado y desarrollado el curso abierto Learning Analytics Essentials que presenta una estructura modular. En él que los contenidos disponibles se presentan en forma de manuales y se valora el aprendizaje mediante un sistema de evaluación con cuestionarios al finalizar cada entrega de tareas. Asimismo, este curso se ve enriquecido por el uso de Twitter como la principal vía de comunicación; un Blog para la consulta y el debate; un canal de YouTube para adquirir y afianzar los aprendizajes; y una lista de distribución en TinyLetter en la que se ofrecen orientaciones y asistencia para todos aquellos interesados en la temática, sin necesidad de ser estudiantes del curso. 

La realización del curso ofrecerá la posibilidad de desarrollar competencias que permitan aplicar la analítica del aprendizaje con éxito desde una perspectiva global para lograr un análisis predictivo y prescriptivo de los datos ofrecidos por el Servicio de analítica de aprendizaje. Y el mismo curso nos ofrecerá una excelente oportunidad para investigar sobre nuevas técnicas y métodos de analítica de datos. Para ello, en el presente diseño de una investigación se explicitan a continuación: los objetivos planteados, la metodología a emplear, los instrumentos para obtener los datos, y el modo de interpretar los mismos. Además, se incluye un anexo para explicar las garantías éticas del análisis.

2. Objetivos
En esta investigación centraremos nuestro análisis el los temas de Reich (2014), estableciéndo como objetivos:
  • Medir las competencias más importantes que adquieren los estudiantes.
  • Medir el cambio en la competencia a lo largo del tiempo.
  • Construir cuidadosamente cadenas de razonamientos causales que permitan comprender cómo afecta el comportamiento de los estudiantes a su aprendizaje.
3. Metodología
Para lograr la consecución de los objetivos propuestos, en nuestro diseño de investigación atenderemos a los datos resultantes de la actividad del alumnado dentro de la plataforma del curso y de los canales y redes sociales abiertos, utilizados en el mismo. Para ello, emplearemos la metodología de la analítica del aprendizaje conectado que consiste en “la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce” (Learning Analytics, n.d.). Es decir, la analítica del aprendizaje nos permite evaluar el rendimiento educativo gracias a los datos que se generan en las prácticas e interacciones mediadas digitalmente. De esta manera podemos acceder a gran cantidad de información sobre la actividad de los estudiantes en los entornos digitales de aprendizaje (Domínguez, 2018). Para asegurar la efectividad de este análisis nos basaremos en la técnica del análisis predictivo desarrollada por Ekowo & Palmer (2017) que nos proporcionan una serie de herramientas con las que dar soporte a la docencia y el desarrollo de los cursos y diagnosticar las necesidades del alumnado para rediseñar las prácticas y espacios educativos. Se busca, pues, mejorar la calidad del aprendizaje.

De manera que para lograr nuestros objetivos seguiremos la secuencia de pasos descrita por Ekowo & Palmer (2017) con el fin de aplicar el análisis predictivo de manera ética. Esta se compone de las siguientes partes:
    • “Tener una visión y un plan
    • Construir una infraestructura de apoyo
    • Trabajar para garantizar el uso adecuado de datos
    • Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos
    • Aplicar intervenciones adecuadas y coordinadas” (Domínguez, 2018, pp. 10-11).

Asimismo, para completar nuestro análisis se emplearan cuestionarios de respuesta múltiple para que el alumnado y el profesorado pueda valorar el curso, atendiendo a sus objetivos, contenidos, tareas y evaluaciones.

4. Instrumentos de obtención de datos
En este análisis los instrumentos que emplearemos para obtener los datos necesarios serán:
  • Servicio de analítica de aprendizaje: ofrecido por la empresa en la que se ha planificado, desarrollado e impartido el curso de Learning Analytics Essentials.
  • Twitter Analytics: servicio de Twitter con el que obtendremos los datos de métrica producidos en esta Red Social.
  • YouTube Analytics: servicio de YouTube con el que obtendremos los datos de métrica producidos en esta Red Social.
  • Google Analytics: servicio de Google con el que obtendremos los datos de métrica producidos en el Blog creado en la plataforma de Blogger.
  • TinyLetter: empleando la herramienta que permite la obtención de los datos de métrica que se pueden extraer del uso que realizamos de esta plataforma durante el curso.
  • Cuestionarios de respuesta múltiple: que se realizaran al alumnado y al profesorado.

A través de estos instrumentos podremos extraer los datos que se detallan aquí: https://silviafarga.blogspot.com/2019/05/actividad-4-datos-de-metrica.html. Además, todos ellos serán almacenados, organizados y analizados, atendiendo a la legislación de protección de datos, mediante una herramienta diseñada por la propia empresa que ofrece el curso. 

5. Interpretación
Tras la recogida y organización de los datos será necesario analizarlos con la finalidad de obtener la información necesaria para alcanzar los objetivos planteados. Así, pues, para “Medir las competencias más importantes que adquieren los estudiantes” nos centraremos especialmente en los datos obtenidos en el curso Learning Analytics Essentials a través de la realización de las tareas y los cuestionarios proporcionados tras la entrega de las mismas. También, atenderemos a las intervenciones del alumnado en las plataformas de: Twitter, Youtube, Blogger y TinyLetter.

Asimismo, para “Medir el cambio en la competencia a lo largo del tiempo” se realizará un análisis comparativo entre las competencias adquiridas por el alumnado en cuatro momentos del desarrollo del curso. Siendo uno de ellos el inicio del curso y otro la finalización del mismo. De este modo podremos observar que intervenciones y propuestas educativas implican un cambio mayor en las competencias en desarrollo.

Y para “Construir cuidadosamente cadenas de razonamientos causales que permitan comprender cómo afecta el comportamiento de los estudiantes a su aprendizaje” atenderemos a las acciones del alumnado en los distintos espacios digitales utilizados en el curso y la frecuencia con que las mismas se repiten. Buscando inferir la conexión causal entre dos o más tipos de datos recogidos y los resultados obtenidos por parte del alumnado.

Anexo: Garantías éticas
Con el objetivo de garantizar el anonimato del alumnado y del profesorado y el uso ético de las intervenciones surgidas del análisis predictivo se elaboraran las propuestas atendiendo al contexto y se comunicaran de manera muy cuidada. Lo haremos siguiendo los puntos que indica  Domínguez (2018):

  1. “Comunicar al personal y a los estudiantes el cambio de modelo de intervención, que se basará progresivamente en la información obtenida del análisis de datos. 
  2. Incorporar las intervenciones basadas en la predicción en el seno de un conjunto más amplio de medidas de apoyo a estudiantes y profesores. 
  3. Comunicar a los implicados la puesta en práctica de las intervenciones. 
  4. Formar al personal sobre los sesgos implícitos al análisis predictivo y los límites de los datos para sugerir intervenciones. 
  5. Formar a los estudiantes para utilizar sus propios datos. 
  6. Evaluar y probar la efectividad de las intervenciones antes de su aplicación”. (p. 12).
Además, velaremos siempre por ser trasparentes en el uso de los datos indicando: qué se está realizando con ellos, para qué se están empleado y con qué tipo de datos. Del mismo modo, se estipularan adecuadamente las políticas de privacidad y seguridad lo que nos exigirá solicitar y obtener, siempre, el consentimiento informado de todos los miembros participantes en el curso, antes de emplear el análisis predictivo.

Referencias:
Publicado por en No hay comentarios:
Etiquetas:

Actividad 4 — Datos de métrica disponibles en el curso Learning Analytics Essentials


En las próximas dos entradas que realizaré, en el presente blog, trataré de abordar algunos conceptos sobre la analítica del aprendizaje en espacios conectados. Lo haré mediante la realización de un caso práctico propuesto desde la materia de Analítica del aprendizaje conectado, impartida en el Máster Universitario en Comunicación y Educación en la Red de la UNED. Los detalles del caso práctico creado por Daniel Domínguez y las preguntas a las que trataré de responder en las siguientes dos estradas las podéis encontrar aquí: https://goo.gl/forms/iQQpYJhq6dYdBOYI3.

A continuación se muestran, mediante una tabla, los datos que se pueden extraer a partir de las plataformas y los canales empleados en la realización y desarrollo de un curso abierto pensado para mostrar las posibilidad de uso que presenta el servicio de analítica del aprendizaje diseñado para una empresa. Por una parte, nos encontraremos con los datos resultantes de la plataforma del curso que requiere de un registro para acceder a los servicios. Y, por otra parte, tenemos los datos procedentes de las redes sociales abiertas empleadas para el desarrollo del curso. Así, pues, se presenta la información que se puede recabar en cada espacio para poder establecer un plan de monitorización de los estudiantes. És decir los datos de métrica.

Plataforma/Canal
Datos/Indicadores
Plataforma del curso: Learning Analytics Essentials

Datos de métrica que ofrece la plataforma del curso a los administradores (Bates, 2014).
  • Número de personas de personas registradas 
  • Número de personas que abandonan el curso
  • Número de personas que finalizan el curso con éxito
  • Número de veces que un alumno/a inicia sesión 
  • Momento del día en que el alumnado inicia sesión
  • Aplicaciones y herramientas que utiliza el alumnado 
  • Número de veces que el alumnado usa las aplicaciones y herramientas
  • Recursos a los que accede el alumnado
  • Número de veces que el alumnado accede a los recursos propuestos
  • Actividades a las que atiende el alumnado 
  • Número de consultas de las actividades
  • Número de entregas de las actividades dentro y fuera de plazo
  • Número de veces que el alumnado realiza con éxito las tareas
  • Resultados de las tareas y exámenes realizados
  • Usuarios que más interactúan
  • Canales de comunicación utilizados
  • Número de veces que el alumnado emplea cada canal de comunicación.
Twitter

Datos de métrica que ofrece Twitter a los administradores desde el sistema Twitter Analytics (Camuñas, 2018) y (Rocafull, 2014).
Tweets:
  • Cuentas que nos han seguido
  • Cuentas que dejaron de seguirnos
  • Puntos calientes de los días (más interacción)
  • Número de menciones a nuestra cuenta
  • Número de veces que los usuarios han visto el tweet (Impresiones)
  • Número de clics en el enlace de un tweet (URL o card del tweet)
  • Número de clics en el contenido multimedia incrustado (imagen o vídeo)
  • Número de veces que los usuarios marcaron como favorito un tweet
  • Número de respuestas a un tweet
  • Número de veces que los usuarios retwittearon un tweet
  • Número de veces que los usuarios hicieron clic en el tweet para ver más detalles
  • Número de clics en el perfil del usuario (@nombredeusuario o foto de perfil)
* Objetivo: filtrar cuáles han sido los mejores tweets.

Seguidores:
  • Intereses
  • Ubicación por países y ciudades principales
  • Género
  • Cuentas relevantes a las que nuestros seguidores están siguiendo
* Objetivo: saber el público que tenemos.

Tarjetas de Twitter (datos ofrecidos por las Twitter Cards):
  • Información sobre los tweets que contienen algún link de nuestra web (diferencia la información según la variable principal: clics en URL o retweets)
  • Evolución en el tiempo de la Twitter Card (picos más fuertes y fuentes desde la que se nos comparte)
  • Las 29 cuentas más destacadas que enlazaron nuestro contenido
* Objetivo: saber qué contenido se mueven mejor y cuál lleva más tráfico a nuestro sitio web.
YouTube

Datos de métrica que ofrece Youtube a los administradores desde el sistema YouTube Analytics (Inboundcycle, 2019).
Descripción general (actividad de los vídeos del canal):
  • Número de reproducciones 
  • Número de los minutos vistos
  • Número de suscriptores
  • Lugar desde el que acceden los suscriptores
* Se pueden aplicar filtros de: fecha, ubicación, contenido, etc. Para atender a datos parciales.

Informes de reproducciones (características de los usuarios que reproducen los vídeos):
  • Sexo y edad de los subscriptores que han visto los vídeos
  • Ubicación geográfica
  • Dispositivo y navegador de conexión
  • Duración media de las reproducciones (estabilidad de la audiencia).

Interacción con la audiencia (reacción de la audiencia a los vídeos):
  • Número de visitas (incorporaciones y bajas)
  • Número de “me gusta” y “no me gusta”
  • Número de Favoritos
  • Número de veces Compartidos y canal
  • Número de clics sobre las anotaciones de los vídeos 
  • Número de comentarios.
Blog

Datos de métrica que ofrece Blogger a los administradores desde el sistema Google Analytics (Garcia, 2015).
  • Número de usuarios (únicos)
  • Número de visitas que ha tenido el blog
  • Número de páginas que ve cada usuario en una sesión
  • Número de páginas vistas en un periodo de tiempo
  • Media del tiempo que pasan nuestros usuarios en el blog
  • Número de personas que han entrado en nuestra web y no han interactuado con ella (Porcentaje de rebote)
  • Número de usuarios nuevos y de usuarios recurrentes
  • Ubicación geográfica de los usuarios
  • Idioma de los usuarios
  • Dispositivos desde los que llegan las visitas
  • Canales desde los que llegan las visitas
  • Palabras clave buscada en el blog
  • Número de subscriptores al blog
  • Entradas más vistas
  • Tráfico que atrae al blog cada Red Social.
TinyLetter

Datos de métrica que ofrece TinyLetter (Tiffany, 2018)
  • Número de subscriptores
  • Número de news enviadas
  • Número de respuestas recibidas
  • Newsletters con más subscriptores
  • Tasas de apertura 
  • Tasas de rebote
  • Número de clics.

Referencias:

Publicado por en No hay comentarios:
Etiquetas:

domingo, 5 de mayo de 2019

Actividad 3 — Ética y privacidad

Todos y cada uno de los trabajadores de esta empresa de formación somos conscientes de que estamos trabajando con datos de estudiantes y de profesores y que ello conlleva una gran responsabilidad porque podrían perjudicarlos, si se utilizaran de una manera inadecuada. Ekowo & Palmer (2017) en su secuencia de pasos descrita para llevar a cabo un análisis predictivo de manera ética indican en cada paso una serie de aspectos a considerar para atender a la seguridad y privacidad del alumnado y el profesorado. De manera que:
  • Tener una visión y un plan también implica identificar los posibles peligros de emplear los datos del alumnado, para establecer todas la medidas necesarias con el fin de que no se haga un mal uso de los mismos. Además, establecer las posibles consecuencias no deseadas permite crear un protocolo de actuación para mitigarlas.
  • Contar con una infraestructura de apoyo exige informar a todos los miembros sobre la aplicación del análisis predictivo y esto significa informar, también, a los usuarios del posible mal uso de los datos para que toda la comunidad vele por un uso responsable de los mismos.
  • Trabajar para garantizar el uso adecuado de los datos demanda que nuestros modelos de datos y los algoritmos creados busquen lograr una interpretación de los datos de calidad y aseguren la privacidad de los mismos. Esto implica: trabajar con datos completos y claros; interpretarlos de manera precisa; informar adecuadamente a los estudiantes y el personal docente sobre el uso de sus datos; asegurar la privacidad de los mismos; y velar por la seguridad de estos.
  • Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos requiere que los modelos y los algoritmos predictivos disminuyan los sesgos propios de la intervención en comunidades educativas.
  • Aplicar intervenciones adecuadas y coordinadas reclama que las intervenciones surgidas del análisis predictivo se elaboren atendiendo al contesto y se comuniquen cuidadosamente. Para ello Domínguez (2018) indica los siguientes puntos:
  1. “Comunicar al personal y a los estudiantes el cambio de modelo de intervención, que se basará progresivamente en la información obtenida del análisis de datos. 
  2. Incorporar las intervenciones basadas en la predicción en el seno de un conjunto más amplio de medidas de apoyo a estudiantes y profesores. 
  3. Comunicar a los implicados la puesta en práctica de las intervenciones. 
  4. Formar al personal sobre los sesgos implícitos al análisis predictivo y los límites de los datos 
    para sugerir intervenciones. 
  5. Formar a los estudiantes para utilizar sus propios datos. 
  6. Evaluar y probar la efectividad de las intervenciones antes de su aplicación”. (p. 12). 
Asimismo, en nuestra realidad aún debemos superar muchos prejuicios que crean desigualdad social. De manera que entendemos cómo el uso de datos sobre la raza, origen étnico, edad, género o estatus socioeconómico pueden reforzar las desigualdades ya existentes. Por ello, siempre animamos y ofrecemos planes de actuación, a todas las instituciones educativas que emplean nuestros servicios, para que apuesten por la movilidad social y se extinga el racismo institucional. Del mismo modo, tenemos muy presente que cabe informar al profesorado sobre cómo debe dirigirse y comunicarse con el alumnado que presenta dificultades y la manera de gestionar las actuaciones a realizar para evitar las profecías autocumplidas. Además, velamos siempre por la trasparencia en el uso de los datos del alumnado indicando qué se está realizando con ellos, para qué se están empleado y con qué tipo de datos para así asegurar una gran calidad del análisis y reducir la discriminación. Del mismo modo, estipular adecuadamente las políticas de privacidad y seguridad posibilita a las instituciones educativas controlar el flujo de los datos para minimizar los riegos por discriminación y ello nos exige solicitar y conseguir, siempre, el consentimiento informado de todos los miembros de cada institución educativa antes de emplear el análisis predictivo. Para lograr todo lo especificado, desde nuestra empresa nos aseguramos de aplicar la lista de verificación DELICATE creada por Drachsler y Greller para desmitificar las discusiones sobre ética y privacidad en la analítica del aprendizaje:
  • “D-eterminación: decida el propósito del análisis de aprendizaje para su institución.
  • E-xplain: define el alcance de la recopilación y el uso de datos.
  • L-egitimate: explique cómo opera dentro de los marcos legales, consulte la legislación esencial.
  • I-nvolve: hable con las partes interesadas y ofrezca garantías sobre la distribución y el uso de los datos.
  • C-onsent: buscar el consentimiento a través de preguntas de consentimiento claro.
  • A-nonymise: Desidentificar a los individuos tanto como sea posible
  • Aspectos técnicos: controle quién tiene acceso a los datos, especialmente en áreas con un alto cambio de personal.
  • Socios de E-xternal: asegúrese de que los dispositivos externos proporcionen los estándares de seguridad de datos más altos”. (Learning Analytics, s.f., p.7).
Referencias:
Publicado por en No hay comentarios:
Etiquetas:

Actividad 3 — Metodología del servicio de datos

Tras la realización de la prueba piloto y atendiendo a los datos recabados diseñamos una intervención más detallada dirigida a lograr los objetivos marcados por la empresa:
  • Conocer la capacidad de los métodos y técnicas del análisis predictivo para reconocer al alumnado en riesgo de abandono y así ofrecerle asesoramiento y materiales adaptados a sus necesidades. 
  • Diseñar el modelo de intervención que permita dar origen al Pack a ofrecer como servicio desde la empresa. 
Para ello, a continuación, encontramos un informe en el que se especifica: el enfoque de nuestro servicio de analítica del aprendizaje, desarrollado según la metodología del análisis predictivo; los objetivos a lograr con este modelo; la líneas de acción de nuestro servicio; y un anexo con un ejemplo de cómo se lleva a cabo todo el proceso.

1. Enfoque del servicio 
Los profesionales de nuestra empresa estamos decididos a continuar mejorando las experiencias formativas del alumnado y para ello hemos desarrollado un nuevo servicio destinado a facilitar la tarea del docente y a apoyar las prácticas de éxito del alumnado. Este servicio nos permite llevar a cabo la metodología, ahora en auge, de la analítica del aprendizaje conectado que consiste en “la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce” (Learning Analytics, s.f.). Desde este recopilamos y analizamos los datos que produce el alumnado al utilizar las plataformas online en las que se desarrollan los cursos. Y posteriormente te facilitamos la interpretación de los datos, proporcionándote un visualización de los mismo clara e intuitiva. De manera que es posible convertir los datos en acciones de mejora de la práctica docente.

Así, pues, la analítica del aprendizaje nos permite evaluar el rendimiento educativo gracias a los datos que se generan en las prácticas e interacciones mediadas digitalmente. De esta manera podemos acceder a gran cantidad de información sobre la actividad de los estudiantes en los entornos digitales de aprendizaje (Domínguez, 2018). Para asegurar la efectividad de este servicio nos hemos basado en la técnica del análisis predictivo desarrollada por Ekowo & Palmer (2017) que nos permite ofrecer una serie de herramientas con las que dar soporte a la docencia y el desarrollo de los cursos y diagnosticar las necesidades del alumnado para rediseñar las prácticas y espacios educativos. Se busca, pues, mejorar la calidad del aprendizaje.

De modo que este tipo de análisis puede resultarnos útil para lograr tres objetivos esenciales: identificar a aquellos alumnos y alumnas que precisan servicios de asesoramiento en el curso; elaborar material didáctico de aprendizaje adaptativo; y lograr el aumento del número de personas inscritas en el curso. El mismo se puede aplicar a cualquier tipo de formación online, tanto formal como no formal. Sin embargo, al contrario que otras empresas, nosotros no hablamos de la personalización del aprendizaje porque somos conscientes de la falta de rigor que acompaña a esta idea ya que reconocemos las limitaciones y desafíos técnicos que acompañan al trabajo a realizar con el Big Data y la Inteligencia Artificial; recordándonos que la tecnología es una herramienta que todavía no puede resolver los problemas sociales más complejos (Elish, 2017). 

Asímismo, sabemos que el profesorado es el responsable de satisfacer una serie de necesidades psicológicas básicas del alumnado para asegurar su bienestar y creemos que la personalización del aprendizaje no siempre es la mejor opción porque podemos minar el sentimiento de competencia, la capacidad de autonomía y el desarrollo de relaciones personales (Bulger, 2016). Así, pues, con este servicio tratamos de atender a las buenas prácticas de la analítica del aprendizaje. Por lo tanto, buscamos ofrecer información al profesorado sobre el rendimiento del alumnado y recomendar una serie de propuestas a probar y reelaborar para atender a la necesidades del alumnado; siendo el profesor el encargado de adaptar el aprendizaje como considere oportuno.

De modo que, nuestro servicio de analítica del aprendizaje ofrece la posibilidad de conocer mejor al nuevo alumnado para predecir sus posibles dificultades y comprender la conducta del mismo durante el desarrollo del curso para prevenir posibles abandonos y ayudar a superar los obstáculos con los que se tropiece. Siendo realmente interesante emplearlo en todos los momentos de un curso para asegurar que los recursos invertidos en lograr la inscripción de nuevos estudiantes sean retribuidos gracias a la finalización de los estudios por parte de los mismos alumnos y alumnas.

2. Objetivos del servicio
El principal objetivo es lograr reducir las tasas de abandono en los cursos que dispongan de nuestro servicio. Y a través del análisis predictivo, antes explicado, podremos: identificar a aquellos alumnos y alumnas que precisan de servicios de asesoramiento en el curso; elaborar material didáctico de aprendizaje adaptativo; y aumentar el número de personas inscritas en el curso y comprometidas con el aprendizaje. 

Es decir, queremos pronosticar el nivel de éxito del alumnado gracias al análisis de los datos. Buscamos conocer si un estudiante se inscribirá y mantendrá en un curso y si para ello precisará apoyo. De modo que las instituciones educativas que dispongan de nuestro servicio podrán alcanzar sus objetivos en cuanto a la captación del alumnado porque permite centrar las estrategias de reclutamiento y adaptar el asesoramiento y los métodos y recursos de aprendizaje con el fin de mejorar el rendimiento estudiantil. Todo ello, lo lograremos siguiendo la secuencia de pasos descrita por Ekowo & Palmer (2017) para aplicar el análisis predictivo de manera ética. Esta se compone de las siguientes partes:
  • “Tener una visión y un plan
  • Construir una infraestructura de apoyo
  • Trabajar para garantizar el uso adecuado de datos
  • Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos
  • Aplicar intervenciones adecuadas y coordinadas” (Domínguez, 2018, pp. 10-11).

Así especificamos los siguientes objetivos que se cumplirán con la aplicación de nuestro servicio:
  • Aumentar el número de inscripciones efectivas
  • Reducir la tasa de abandono
  • Detectar al alumnado con mayor probabilidad de abandono
  • Reducir la carga académica en los momentos más sensibles del curso
  • Ofrecer asesoramiento al alumnado en peligro de abandono
  • Mejorar los recursos y herramientas de aprendizaje del curso
  • Seleccionar los mejores canales de comunicación
  • Adaptar las tareas a los intereses y motivaciones del alumnado.

3. Líneas de acción del servicio
Nuestro servicio informa al profesorado sobre la conducta y el rendimiento del alumnado y recomienda un protocolo a seguir que se puede ofrecer directamente a los estudiantes o modificarlo antes de proporcionárselo. La recopilación y el análisis de los datos que produce el alumnado al emplear la plataforma del curso nos permite llevar a cabo una serie de acciones mediadas tecnológicamente para atender a las necesidades e intereses del mismo. 

Así pues, elaboramos contigo un plan para emplear los datos en el que determinamos los propósitos de llevar a cabo la metodología del análisis predictivo; las posibles consecuencias de aplicarla y cómo abordarlas; y los resultados a medir para proporcionarte los datos de una manera visual, fácilmente comprensible. Tras ello, te ofrecemos una infraestructura de trabajo que nos permite explicar a toda la comunidad educativa los beneficios del análisis predictivo; una formación para comprender y emplear el mismo; un protocolo para asegurar la puesta en práctica de este recurso; y una serie de pautas para que se evalue la capacidad de vuestra institución para el uso del servicio. Asimismo, trabajamos para garantizar el uso adecuado de los datos porqué nos preocupamos por crear y emplear las herramientas de forma ética, atendemos a la calidad de los datos y de su interpretación; y estamos preparados para hacer frente a los problemas que puedan surgir respecto a la privacidad y seguridad. Cabe destacar que diseñamos modelos de análisis predictivo que buscan evitar los sesgos y cumplir con los objetivos institucionales capacitando al personal para interpretar los datos e intervenir de manera adecuada (Ekowo & Palmer, 2017).

Nuestra experiencia nos permite comprender que cada curso y grupo de estudiante es distinto y por ello trabajamos por adaptar nuestro sistema para todos y cada uno de nuestros cliente. Sin embargo, esta misma experiencia nos ha permitido conocer cuáles son los momentos clave en los que analizar los datos para reconocer y atender al alumnado como problemas. Aquí te mostramos algunos de ellos y explicamos porqué resultan tan importantes:
  • El inicio de curso y de los diferentes módulos que lo ocupa resulta clave porque en este momento el estudiante debe conocer la guía y la planificación del curso; empezar a interactuar con sus compañeros/as y el profesorado; y aprender a utilizar la plataforma. Sabemos que aquellos alumnos que dediquen las primeras semanas a realizar estas tareas tendrán una menor probabilidad de saturarse con la llegada del contenido curricular. Además, los docentes en este periodo pueden: conocer la cantidad de alumnado matriculado y así establecer el porcentaje de éxito del curso; reconocer los perfiles del alumnado para atender a las circunstancias que pueden   perturbar el rendimiento del estudiantado; e identificar los perfiles profesionales con el objetivo de adaptar la práctica educativa a la diversidad de capacidades y conocimientos del alumnado.
  • El desarrollo del curso también tiene una gran relevancia porque nos muestra el modo y los hábitos de trabajo del alumnado, reconociendo cómo y cuándo accede a la plataforma; cuál es su nivel de participación en las videosclases, chats y foros; o con qué frecuencia consulta los materiales. Todo ello, nos permite entender el nivel de implicación del alumnado con el curso; cuáles son las dificultades a las que se debe enfrentar; cómo está gestionando su tiempo y si este está resultando eficiente. Durante el desarrollo del curso es preciso atender con mayor detalle a:
    • El regreso tras los periodo vacacionales para asegurarnos de que toda el alumno continua con un buen ritmo de trabajo.
    • Y a los momentos previos a la entrega de tareas y las semanas de exámenes para observar cómo afronta el alumnado estas tareas de aprendizaje. Debemos saber si el alumnado conoce las fechas de entrega y los documentos a estudiar y si comprende las pautas de las tareas y el formato de los exámenes.
  • El final del curso resulta muy importante porque es aquí donde tenemos la oportunidad de reconocer al alumnado que sigue plenamente activo en el curso, aquel que titubea y aquel que ya lo ha abandonado. Con ello, podemos ofrecer las últimas indicaciones y establecer las tasas de abandono y de éxito. 

De este modo, en estos momentos destacados, podemos extraer e interpretar datos sobre:
  • La cantidad de veces que el alumnado inicia sesión y el momento del día en que lo hace. Ello nos permite conocer su interés y el nivel de participación; las posibilidades horarias; y la aparición del alumnado que haya invertido el horario.
  • Las aplicaciones y herramientas que emplea el alumnado para así conocer cómo utilizan la plataforma de aprendizaje y cuál es el nivel de actividad que presentan en la misma.
  • Los recursos que consultan los estudiantes y la frecuencia con que lo hacen para saber su nivel de compromiso con cada módulo del curso.
  • Las actividades que son atendidas en mayor o menor media, cuándo se consultan, con que frecuencia se hace y si son libradas dentro o fuera de los periodos establecidos. Esto permite al profesorado conocer el nivel de rendimiento de cada alumno/a; si sus estudiantes consultan los recursos adecuados y participan en los foros y chats correspondientes; y la dificultad de los contenidos y tareas.
  • Las interacciones del alumnado con sus compañeros y compañeras y el profesorado, la frecuencia con la que se establecen, y mediante qué medios para determinar el nivel de participación, actividad y colaboración.

Recoger todos estos datos, y otros, nos permiten entender el comportamiento del alumnado y la efectividad del mismo en su aprendizaje; atendiendo a los contenidos, recursos y herramientas empleados y la efectividad de la organización establecida (Domínguez, 2018) y (Ekowo y Palmer, 2016). Asimismo, con el análisis de los datos podemos ofrecerte una intervención a llevar a cabo a través del asesoramiento dirigido al alumnado, gracias a la alerta temprana que nos permite determinar qué estudiantes presentan dificultades académicas. Y con los sistemas de recomendación de programas podemos determinar los cursos más adecuados para que cada alumno/a supere sus dificultades. Todo ello, posibilita al profesorado intervenir para apoyar el éxito del alumnado.

Del mismo modo, gestionamos el aprendizaje adaptativo gracias al análisis predictivo. Lo hacemos a través de un Software de aprendizaje que selecciona las rutas más adecuadas en función de las interacciones realizadas por el alumnado en la plataforma del curso. Este aconseja sobre el tipo de contenidos a abordar, la secuencia de aprendizaje a seguir y el modo de evaluación más adecuado para lograr el aprendizaje. Siendo siempre esencial contar con el conocimiento y experiencia del profesorado que deberá comunicarse con el alumnado para: indicarle los aspectos a mejorar; felicitarlo y premiarlo por la buena participación en las diversas prácticas desarrolladas y proporcionarle las herramientas y recursos más adecuados (Domínguez, 2018).

4. Anexo: Ejemplo de la aplicación de nuestro modelo de analítica del aprendizaje en un alumno de un curso online sobre Diseño de servicios desarrollado en la plataforma Moodle
Como muchos otros alumnos, Max se ha inscrito en un curso online sobre Diseño de servicios que tiene a su disposición nuestro servicio de analítica del aprendizaje. La tecnología de la que disponemos nos permite recabar los datos que Max produce al emplear la plataforma desde la abertura del curso y los algoritmos nos posibilitan organizar y analizar los mismos. Aunque Max inicia muy bien su curso, a través de los datos detectamos que tras el período vacacional de las Pascuas en una de la asignaturas ha empezado a decaer su acceso a la plataforma. Hemos comparado sus últimos resultados académicos con los obtenidos al principio del curso, viendo que su rendimiento es menor y hemos observado que ha dejado de participar en los foros y en los chats y ya no consulta los materiales de esta materia. Mediante los datos también nos hemos percatado de que el profesor de la asignatura ha aumentado la cantidad de materiales y que estos son más extensos. Además, ha disminuido su intercambio comunicativo con el alumnado.

Max ha tenido una buena trayectoria en el curso, así que no vamos a dejar que abandone en la etapa final cuando quedan un par de tareas de esta área. Gracias a nuestro servicio informamos al docente de los hechos observados. Y le aportamos los datos necesarios sobre su propia práctica docente. Además, le proporcionamos al docente un plan de actuación en el que se le ofrece:
  • Un mensaje de motivación para enviar a Max y que así continue con su formación.
  • Una selección de los recursos más interesantes para Max.
  • Una selección de los sistemas de comunicación que le podrían resultar más motivadores por su actividad y contenido.
  • Una secuencia de pautas para que Max atienda a la consulta de los recursos, participe en los sistemas de comunicación y realice las tareas pendientes.
  • Y un mensaje de felicitación para reconocer los avances de Max cuando se empiecen a observar.

Gracias a los datos del resto del alumnado podemos indicar al profesorado cuáles son los documentos más empleados y durante más tiempo lo que nos indica que pueden estar resultando de mayor interés. Así, podemos ofrecerle a Max un listado más reducido de documentos a consultar. También es posible determinar cuáles están siendo las herramientas más adecuadas para el intercambio comunicativo entre los alumnos porqué las emplean más y durante más tiempo y sabemos que son mejores porque el docente también les está prestando mayor atención. De esta manera, Max solo debe centrarse en algunas de las herramientas disponibles en la plataforma. Asimismo, mediante los datos observamos cuáles han sido las tareas más consultadas lo que es un indicativo de que resultan más difíciles para el alumnado por lo que podemos indicar al profesorado la necesidad de que se detallen más las explicaciones de las actividades o se simplifiquen la mismas.

Debemos destacar que será el docente de Max quien tome las últimas decisiones. Pero nuestro sistema se encarga de obtener e interpretar los datos para determinar si hay posibilidades de abandono y especificar si existe la necesidad de llevar a cabo algún tipo de intervención; reconsiderar y adaptar los contenidos; detallar y replantear las tareas; o modificar el nivel y modo de participación del profesorado.

Referencias:
Publicado por en No hay comentarios:
Etiquetas:
Suscribirse a: Entradas (Atom)