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:
- Bulger, M. (2016). Personalized learning: The conversations we’re not having. Data and Society, 22. Recuperado el 16 de abril de 2019 de https://datasociety.net/pubs/ecl/PersonalizedLearning_primer_2016.pdf
- Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Recuperado el 20 de abril de 2019 de https://papers.ssrn.com/abstract=3124369
- Ekowo, M., y Palmer, I. (2016). The Promise and Peril of Predictive Analytics in Higher Education: A Landscape Analysis. New America. Recuperado el 22 de abril de 2019 de https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf
- Ekowo, M., y Palmer, I. (2017). Predictive analytics in higher education: Five guiding principles for ethical use. New America. Recuperado el 22 de abril de 2019 de https://www.newamerica.org/education-policy/reports/predictive-analytics-in-higher-education/#
- Elish, M. (2017). Situating methods in the magic of big data and artificial intelligence. Communication Monographs, forthcoming. Recuperado el 28 de abril de 2019 de https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3040201
- Learning Analytics. (n.d.). In Wikipedia. Recuperado el 29 de abril de 2019 de http://en.wikipedia.org/wiki/Learning_analytics
