Wikipedia:Proyecto educativo/Fundamentos tecnológicos del e-learning 2018-19 (I)/Aula 3//Grupo 17

Añadir enlaces
De Wikipedia, la enciclopedia libre

Learning Analytics[editar]

El análisis del aprendizaje es la producción de “nuevo conocimiento” a partir de la explotación de datos ya existentes, producidos por cualquier enfoque tecnológico, para mejorar el aprendizaje desde tres puntos de vista: el del alumno, el del docente y el del administrador.

Learning analytics (LA) (en español "analítica del aprendizaje") es una disciplina emergente relacionada con el desarrollo de métodos para explorar series de datos procedentes de ecosistemas educativos, y con el uso posterior de los resultados del análisis para entender mejor al alumnado, sus comportamientos y así mejorar el diseño de los entornos en los que aprenden."[1]​

Según la Conferencia Internacional sobre Análisis y Conocimiento de Aprendizaje, “el análisis de aprendizaje es 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”. La analítica académica, en contraste, es la aplicación de la inteligencia empresarial en la educación y hace hincapié en la analítica a nivel institucional, regional e internacional.

Características básicas[editar]

Cada clic, cada actualización de estado de Tweet o Facebook, cada interacción social y cada página leída en línea deja una huella digital. Además, el aprendizaje en línea, los registros digitales de los estudiantes, las tarjetas de los estudiantes, los sensores y los dispositivos móviles recogen rutas de datos y actividades.

Estos rastros de datos producidos por el alumno brindan una valiosa información sobre lo que realmente está sucediendo en el proceso de aprendizaje y sugieren formas en que los docentes pueden hacer mejoras. El análisis de los datos de los alumnos también puede proporcionar información sobre qué estudiantes están en riesgo de abandonar o necesitan apoyo adicional para aumentar su éxito y confianza en el proceso de aprendizaje.

El análisis proporciona un nuevo modelo para mejorar la enseñanza, el aprendizaje, la eficiencia organizativa y la toma de decisiones y, como consecuencia, servir de base para el cambio sistémico. Sin embargo, el uso de la analítica requiere que pensemos previamente y con detalle sobre lo que necesitamos saber y qué datos es más probable que nos digan lo que necesitamos saber. El crecimiento continuo en la cantidad de datos requiere la creación de entornos nuevos para comprender los patrones de valor que existen dentro de los datos.

El análisis del aprendizaje se centra en tres tipos de datos principalmente:

  • Datos cuantitativos: basados en números puros.
  • Datos derivados de interacciones sociales: que pueden derivar en grafos de red.
  • Datos que permiten medir la calidad: de las aportaciones y de las interacciones.

Marissa Mayer sugiere que los datos se definen hoy por tres elementos:

  1. Velocidad: la creciente disponibilidad de datos en tiempo real, lo que hace posible procesar y actuar de forma instantánea.
  2. Escala: aumento de la potencia de cálculo: la ley de Moore (que establece que el número de transistores en una placa de circuito se duplicará aproximadamente cada dos años) sigue siendo cierto.
  3. Sensores: nuevos tipos de datos publicados por objetos físicos del mundo real, como sensores, redes inteligentes y dispositivos conectados, es decir, el "Internet de las cosas".

Origen del Learning Analytic[editar]

Leaning Analytics o analítica de aprendizaje es una nueva y actual herramienta que esta relacionada con el Big Data y el análisis de las redes sociales. Haciendo un registro de diferentes indicadores y factores discentes y docentes permite que el aprendizaje se realice de forma más adaptada, planificada y personalizada, de esta manera se consigue mejorar la significatividad de lo aprendido y el desarrollo competencial

Este es un punto traducido de http://edfutures.net/index.php?title=Learning_Analytics

En “El estado del análisis de aprendizaje en 2012: una revisión y desafíos futuros”, Rebecca Ferguson [2] hace un seguimiento del progreso de la analítica para el aprendizaje, con una progresión amplia que se mueve a través de:

Un creciente énfasis e interés en los "grandes datos" en inteligencia empresarial. La publicidad dirigida, los "clientes que compraron x también compraron y" y las ofertas promocionales personalizadas a menudo se ofrecen como ejemplos de este tipo de inteligencia comercial. El auge de los entornos virtuales de aprendizaje (VLE), los sistemas de gestión de contenidos (CMS) y los sistemas de información de gestión (MIS) para la educación experimentó un aumento en los datos digitales con respecto a los antecedentes de los estudiantes (a menudo en el MIS) y los datos de registro de aprendizaje (de los VLE). Esto brindó la oportunidad de aprender de inteligencia empresarial en educación. Sin embargo, planteó la cuestión de cómo optimizar estos sistemas para apoyar el aprendizaje, particularmente cuando las señales visuales están ausentes en la educación en línea. ¿Cómo sabemos que un estudiante está involucrado / entendiendo si no podemos verlo?

La creciente presión para evidenciar el "progreso", la buena práctica profesional y la toma de decisiones pedagógicas racionales también ejercen presión sobre los análisis para su uso por parte de la gerencia tanto en sistemas de responsabilidad internos como externos. Por lo tanto, los análisis se convirtieron no solo en una herramienta para los niveles superiores de una jerarquía de partes interesadas (gobiernos o instituciones) sino también en algo en lo que los docentes tienen una participación importante dado que pueden estar asociados con estructuras de responsabilidad.

Junto con el desarrollo natural del campo y la investigación, esto presionó a explorar las posibilidades pedagógicas de la analítica del aprendizaje, por ejemplo con modelos de aprendizaje constructivista social que exploran el uso del Análisis de Redes Sociales (SNA) para apoyar el aprendizaje.

Una creciente presión económica enfatiza aún más la necesidad de participación de todas las partes interesadas en el análisis de aprendizaje, para una variedad de propósitos.

Ventajas y desventajas del Learning Analytics[editar]

Ventajas[editar]

Las ventajas de Learning analytics son las siguientes:

  • Educación personalizada, ya que permite guiar a los estudiantes de manera más individualizada, suponiendo esto más motivación para ellos.
  • Ayuda a predecir el abandono y el avance o estancamiento de los estudiantes.
  • Mejora la compresión y el aprendizaje.
  • Parte de los conocimientos previos de los alumnos.
  • Se adapta a las necesidades individuales de cada alumno.
  • Ayuda a conocer el nivel de implicación en relación a la plataforma de cada alumno.
  • Optimiza los recursos formativos, empleando estos de manera efectiva.
  • Mejora los materiales formativos.
  • Permite conocer el número de accesos a la plataforma, a páginas, documentos o tareas.
  • Decide que contenidos son relevantes para un estudiante.
  • Ayuda a obtener y proporcionar feedback en tiempo real, permitiendo actuar en consecuencia.
  • Transforma enfoques, modelos, metodologías, técnicas y estrategias de enseñanza y evaluación.
  • Permite una comunicación más fluida y efectiva entre todos los agentes educativos.
  • Mejora las capacidades de tutorización.
  • Evalúa cursos o asignaturas en línea para adaptarlos según las posibilidades de mejora detectadas.

Desventajas[editar]

Entre las desventajas que podemos encontrar en el Learning Analitics en cuanto a su aplicación educativa encontramos:

  • Herramienta discriminatoria, al predecir actos, filtrando a los estudiantes simplemente por datos y predicciones, obviando otros aspectos que se deberían considerar.
  • Falta de estándares. Desde el punto de vista tecnológico ya es posible crear contenidos estándar exportables a otros sistemas de formación. Sin embargo, “estandarizar” se entiende también como “crear un estilo propio” de la institución que acostumbre a los destinatarios a trabajar siempre con unos contenidos y procesos más o menos estándar.
  • Resistencia al cambio. Toda innovación produce cierta resistencia en los usuarios. Es necesario invertir esfuerzo en combatir dicha resistencia mediante planes de formación y difusión, incentivos, etc.
  • Dependencia de la tecnología. El e-Learning genera dependencia tecnológica respecto a dispositivos y redes para acceder a la formación. Cualquier fallo o dificultad técnica, así como la falta de cualificación para el uso de las herramientas por parte de los usuarios, supone un obstáculo para el proceso.
  • Podría invadir la privacidad o intimidad.

Uso educativo[editar]

El proceso de medición y recopilación de datos sobre los alumnos y el aprendizaje con el objetivo de mejorar la enseñanza y la práctica de aprendizaje. El análisis de aprendizaje es un nuevo campo habilitado, en parte, por el avance del software de visualización de datos y big data, y se puede utilizar para mapear el currículo, personalizar la experiencia del alumno, predecir el comportamiento, diseñar intervenciones de aprendizaje y determinar competencias.

Ocho son las categorías de las aplicaciones instruccionales del Big Data en el ámbito educativo. Estas son[2]​:

  1. Monitorizar el rendimiento individual de los estudiantes.
  2. Desagregación del rendimiento de los estudiantes en función de características como la etnia, el año de escolarización, etc.
  3. Identificar valores atípicos para la intervención temprana.
  4. Predecir el potencial para que todos los estudiantes alcancen un rendimiento óptimo.
  5. Prevenir la deserción de un curso o programa.
  6. Identificar y desarrollar técnicas de aprendizaje afectivas.
  7. Analizar técnicas e instrumentos de evaluación estandarizados.
  8. Pruebas y evaluación de los planes de estudio.

Por otro lado, a través de la recolección de datos y su análisis general podemos profundizar hasta llegar a niveles de estudiante individual, de tal modo que se puedan diseñar intervenciones o programas que ayuden a cada estudiante a mejorar su rendimiento académico[3]​.

Por el mismo camino, el análisis de datos financieros y de capital, como pueden ser los de investigaciones científicas o programas de intervención patrocinadas por empresas privadas puede llevar a mostrar a los usuarios información más relevante para ellos en función de sus gustos e intereses.

Estos y otros tipos de sistemas de seguimiento pueden promover una mejora del rendimiento académico pues, las empresas toman información que ya existe en las instituciones educativas y las integran en una interfaz de usuario sencilla, mostrando gráficamente contenidos que pueden resultar interesantes a los educandos. Esto puede ser útil para que las entidades encargadas de la educación comprendan los productos y contenidos más afines a los alumnos y poder promoverlos en los planes de estudio.

En otro estudio se afirma que hay muchas oportunidades de avanzar en el campo de la educación a través de la minería de datos y su análisis. El avance tecnológico ha permitido nuevos enfoques en la evaluación formativa y predictiva. Tanto los estudiantes como los profesores (así como la administración educativa) pueden obtener retroalimentación sistemática en tiempo real y utilizar ese material para mejorar el rendimiento académico[4]​.

A su vez, se debe hacer hincapié en que las escuelas e institutos no deberían ser juzgadas sólo por los resultados que obtienen, sino por el buen uso que realizan de los recursos de los que disponen, ya que no todas las instituciones disponen de los mismos presupuestos, siendo esto posible gracias al Big Data.

Problemática actual[editar]

Las restricciones que pueden suponer son los aspectos que limitan la aplicación del beneficio del análisis del aprendizaje. Los problemas que pueden impactar directa o indirectamente a la aceptación o el efecto de los servicios del análisis del aprendizaje. Algunas de las limitaciones son las barreras impuestas por las normas legales, otras son cuestiones que se relacionan con las preferencias de una persona y disposición. Los temas principales de esta dimensión son: la privacidad, la ética y los requisitos legales.

Las restricciones legales en materia de análisis del aprendizaje son, por ejemplo, la protección de datos y los derechos de autor. Los datos que identifican a una persona están estrictamente protegidos en la mayoría de países occidentales, y el acceso a estos datos tiene que ser solicitada específicamente por la persona en cuestión. Los derechos de autor y la propiedad intelectual (IPR), por otro lado, limitan el intercambio de conjuntos de datos recogidos por herramientas propietarias. De hecho, la comunidad de intercambio de datos está investigando posibles maneras de aplicar licencias de distribución de conjuntos de datos para hacerlos reutilizables más ampliamente.

El análisis del aprendizaje supone serias dudas acerca de la privacidad de las personas. Aunque no protegidos tan rotundamente como los datos personales, el derecho a la privacidad es un principio fundamental para una sociedad democrática. Las regulaciones de privacidad incluyen entre otras cosas, el derecho a ser dejado solo o el derecho a formar su propia opinión. Dado que las tecnologías cada vez más recogen datos sobre el paradero, la conducta y los sentimientos de las personas, se perciben cada vez más como intrusión en la vida privada.

Bibliografía[editar]

Referencias[editar]

  1. ↑ Dietz-Uhler, B., & Hurn, J. E. (2013). Using learning analytics to predict (and improve) student success: A faculty perspective. Journal of Interactive Online Learning, 12(1), 17-26.
  2. ↑ IBM Software Group. Analytics for achievement. Ottawa, Ontario, 2001. http://public.dhe.ibm.com/common/ssi/ecm/en/ytw03149caen/YTW03149CAEN.PDF.
  3. ↑ Picciano, A. G. (2012). The evolution of big data and learning analytics in American higher education. Journal of Asynchronous Learning Networks, 16(3), 9-20.
  4. ↑ West, D. M. (2012). Big data for education: Data mining, data analytics, and web dashboards. Governance studies at Brookings, 4(1).
Obtenido de «https://es.wikipedia.org/w/index.php?title=Wikipedia:Proyecto_educativo/Fundamentos_tecnológicos_del_e-learning_2018-19_(I)/Aula_3//Grupo_17&oldid=135207366»