BIG DATA EN LA EDUCACIÓN.

ACTIVIDAD 3:

Analítica del aprendizaje en plataformas cerradas.

1.    MARCO TEÓRICO DEL ANÁLISIS DE DATOS

El análisis predictivo en el ámbito educativo, es algo que ya preocupaba y requerían los antiguos parisinos de La Belle Époque. En 1900 en Paris, un grupo de coetáneos de esta época acudieron en busca del psicólogo Alfred Binet haciéndole un encargo un tanto inusual: ¿podría diseñar algún tipo de medida que predijera qué alumnos de las escuelas primarias de París tendrían éxito en sus estudios y cuáles fracasarían? Binet, logró una forma de predecirlo, su método fue llamado test de inteligencia (CI). Este método podríamos compararlo en cierta medida con el análisis predictivo.

Las fórmulas de las que hoy disponemos para realizar este tipo de predicciones van relacionadas con las nuevas tecnologías y la recogida de datos que generamos a diario en nuestras interacciones virtuales.

El término “big data” da nombre al conjunto masivo de datos que se generan tras el uso de internet y sus múltiples aplicaciones. Este cúmulo de datos generados tras el uso de internet, contiene información que nos puede servir para multitud de sectores desde la estadística, los negoción, el marketing, la educación,… Una vez generados estos datos hay que clasificarlos, gestionarlos y  analizarlos para que todo cobre un sentido, y el dato finalmente tenga el fin que se busca.

Por otro lado encontramos el término “learning analitics” es la recopilación y análisis de datos relacionados con el campo educativo. Esto tiene el objetivo de mejor los procesos de enseñanza y aprendizaje.

Finalmente el concepto “data science” viene dado de la necesidad de reconocer los datos realmente significantes. Este concepto es el proceso de extracción de los datos relevantes.

2. ELABORACIÓN DEL CASO PRÁCTICO PLANTEADO

2.1. Curso piloto

Para realizar esta actividad, la perspectiva que se va a abordar será desde el perfil de Product Manager de una empresa que ofrece servicios de formación “online” de distintos ámbitos, gestionando el producto.

Para comenzar a desarrollar el proyecto se realiza una prueba piloto se realiza una prueba en un curso online sobre “El piloto debe analizar cómo utilizar los datos generados en el contexto del curso y la información del estudiante para abordar las bajas tasas de finalización”.

Para abordarlo se va a emplear el análisis predictivo desarrollado por Ekowo & Palmer (2017), definen cinco elementos claves para desarrollarlo: 

·         Tener una visión y un plan.

·         Construir una infraestructura de apoyo.

·         Trabajar para asegurar un uso adecuado de los datos.

·         Diseñar modelos de análisis predictivo y algoritmos que eviten la parcialidad.

·         Alcanzar metas institucionales y mejorar los resultados de los alumnos interviniendo con cuidado.

Con el análisis predictivo trataremos de adelantarnos al futuro

Los objetivos  que se pretenden alcanzar serán:

1.    Identificar los estudiantes que más necesitan servicios de asesoramiento en un curso

2.    Desarrollar material didáctico de aprendizaje adaptativo para personalizar el aprendizaje

La finalidad de perseguir estos objetivos será aumentar el volumen de personas inscritas en el curso y reducir el abandono prematuro de éste. Para conseguir los objetivos propuestos se llevará a cabo un plan de acción.

Como Product Manager del proyecto, organizo un equipo de trabajo multidisciplinar para garantizar el éxito del proyecto, aportando cada uno de os integrantes del equipo una perspectiva y sus distintas  visiones. Esto propiciará una mejora toma de decisiones. El equipo estará formado por perfiles como: pedagogo/a, estadístico/a, profesor/a, psicólogo, desarrollador IT.

Estos son los interrogantes a los que ha llegado el equipo de trabajo:

·         ¿Cuántos estudiantes finalizan el curso?

·         ¿En qué fase del curso abandonan hay más abandonos?

·         ¿Qué relación hay entre los estudiantes que abandonan y el uso de las herramientas de apoyo que se ofrece en la plataforma?

·         ¿Cuántos estudiantes han leído la guía de la asignatura? ¿Hay relación entre los estudiantes que no la leen con los estudiantes que abandonan el curso?

·         ¿Hay suficientes herramientas de ayuda en la plataforma?

·         ¿Ha habido interacción de los alumnos/as que han abandonado con el equipo docente?

·         ¿Han pedido ayuda para poder seguir el curso los estudiantes que han abandonado/a?

Indicadores de logro a conseguir:

·         Identificar a los estudiantes que han abandonado el curso

·         Reconocer en qué etapa educativa del curso han abandonado por completo el curso.

·         Relacionar a los estudiantes que más utilizan la plataforma con el éxito del curso

·         Identificar las herramientas de seguimiento y ayuda de las que dispone la plataforma y conocer y son suficientes

·         Establecer relaciones entre la comunicación de los estudiantes con el profesorado

·         Conocer la fase que más dificultades presenta para fortalecer las herramientas de ayuda y seguimiento en esa fase.

·         Adaptar el material didáctico a las necesidades e intereses de los estudiantes.

Autoevaluación del propio proyecto.

Para seguir garantizando el éxito del proyecto habrá una propia autoevaluación del proyecto por parte de todos los integrantes del equipo.

2.2 . CAPTURA DE DATOS.

Una vez se ha realizado establecido un plan de acción y establecido los objetivos que se pretenden alcanzar con éste, pasaremos a analizar los momentos del curso en los que hay más abandono y cómo detectarlo.

Fase pre-matriculación:

Esta fase ya no puede proporcionar muchos datos.

Ø  Encuesta inicial dónde conocer la motivación de los estudiantes para realizar el curso

Ø   Conocer los estudios previos de cada estudiante con los que acceden al curso también pueden proporcionarnos muchos conocimientos

Ø  Situación laboral de los estudiantes del curso

Presentación del curso:

·         En esta etapa podremos observar los momentos en los que los estudiantes visitan la guía del estudiante y la programación anual del curso.

Entregas actividades o tareas:

·     Esta fase nos servirá para analizar el tiempo de entrega de las actividades y el nivel de calidad de la tarea entregada con el nivel exigido.

     Podremos medir el número de veces que entra en el aula virtual para consultar materiales del curso y herramientas para las entregas de las actividades.

Fin de una etapa:

·        Uno de los momentos claves que más datos nos dará será el fin de una etapa del curso, ya sea el fin de un cuatrimestre, de un módulo, de un trimestre,… Aquí se podrá observar el número de estudiantes que acaban la etapa con éxito o los que ya se van quedando atrás en ella.

2.3 . METODOLOGÍA ESCALABLE

1. Enfoque del servicio: el sistema de analítica predictiva es fundamental a la hora de desarrollar y gestionar cursos en línea. Esta analítica determina en su finalidad las posibles mejoras que puede tener el curso, esto conllevará a un mayor éxito de los alumnos/as, con lo cual una mayor demanda de los cursos ofertados.

El servicio de cursos online no tiene sentido sin un sistema de feedback dónde conocer cómo está funcionando y como se va desarrollando.

El análisis predictivo nos ayudará a conocer y evitar casos de abandono prematuro, posibles quejas de los estudiantes o clientes y a aumentar la productividad y la eficacia de los recursos empleados para el desarrollo del mismo.

1.1.        Objetivos:

·         Reducir el abandono en los estudiantes del curso.

·         Aumentar la calidad del curso, de sus recursos y herramientas.

·         Proporcionar a los creadores del mismo un feedback de su propio trabajo para posibles mejoras

·         Reducir el número de quejas

·         Aumentar las ventas del curso

1.2.        Líneas de acción del servicio:

Para intentar que este análisis sea lo más eficaz y eficiente posible y además pueda emplearse de una forma estandarizada en distintos cursos, las líneas de acción que se llevarán a cabo serán:

•  Analizar y recoger los datos del perfil de los estudiantes al ingreso del curso
• Analizar y recoger los datos de la interacción de los estudiantes con la plataforma y las herramientas de la misma
• Analizar y recoger los datos de participación de los estudiantes en el curso
•  Analizar y recoger los datos de las evaluaciones de los estudiantes
• Diseñar un plan de intervención frente a posibles alarmas de estudiantes con riesgo de abandono
• Diseñar un plan de acción para detectar las necesidades que aquellos alumnos/as que necesiten apoyo

1.3.        Supuesto práctico.

Para ejemplifican el plan de acción de la metodología nos situamos frente al siguiente supuesto práctico:

La Universidad de Alicante ofrece un curso de formación continua para los empresarios del sector agrícola. Han detectado que en ediciones anteriores la tasa de abandono ha superado a la tasa de finalización con éxito del curso, con lo cual requieren de nuestros servicios para reducir esta problemática.

La primera línea de acción que se lleva a cabo es la recogida de datos de los estudiantes, para establecer una base de datos con ellos. Estos datos nos servirán para predecir posibles necesidades en los alumnos/as como incompatibilidad de horarios por temas laborales, familiares,… Uno de datos que también tendremos en cuenta es la edad de los estudiantes, puesto que alumnos/as con edades avanzadas pueden presentar necesidades de apoyo para el uso de la plataforma. Una vez recabados estos datos observamos que más del 80% de los estudiantes combina la realización del curso con la vida laboral, esto supone que muchos de ellos no podrán seguir el ritmo de muchas de las sesiones por lo que se establecerá un plan de acción para facilitar las sesiones y un horario de tutorías extraordinario para aquellos estudiantes que por motivos laborales le sea imposible ponerse en contacto con los docentes en otro horario. Una vez establecido este plan de acción del 80% de los estudiante que preveíamos que podían tener problemas solo el 25% se queda atrás.

Otra de las líneas de acción que llevaremos a cabo durante el desarrollo del curso será medir la interacción que tienen los estudiantes con la plataforma, es decir, las veces que entran en la plataforma, las veces que consultan el material didáctico, si participan o no en los foros,... Se observa que 40% de los estudiantes tiene interacción mínima con la plataforma. Para ello se pone en marcha un plan de ayuda personalizada, esto reduce el porcentaje a un 15%.

Uno de los momentos clave de dónde más datos podremos obtener será tras la primera evaluación del curso o de los módulos de aprendizaje, aquí se podrá detectar quién se está quedando detrás en el curso y poder intervenir con planes de acción establecidos para ello. Se observa que solo el 20% de los estudiantes no supera la primera prueba del módulo de aprendizaje.

Como conclusión, la metodología de análisis predictivo junto con un buen plan de acción, puede ayudarnos para reducir el abandono de los cursos con modalidad online.

2.4.        ASPECTOS ÉTICOS

Siguiendo a Domínguez, (2018), es muy importante que los educadores utilices los datos de una forma consciente, empleando estos datos para ayudar al aprendizaje de los estudiantes protegiendo a su vez los datos personales de los mismos.

Además se debe cumplir con la normativa de la Ley Orgánica 3/2018, de 5 de diciembre de Protección de Datos y Garantía de Derechos Digitales y con el artículo 18.4 de la Constitución española que expresa la protección de los datos como derecho fundamental de las personas.

Es por ello por lo que todo nuestro trabajo y nuestra intervención estarán sustentada y fundamentada principalmente por las normativas vigentes relacionadas con el tema y los principios éticos propios de la persona que maneja los datos.

3. BIBLIOGRAFIA

Domínguez, D. (2018). Big data, analítica del aprendizaje y educación basada en datos. Recuperado de https://papers.ssrn.com/abstract=3124369

Ekowo, M. y Palmer, I. (2017). Predictive analytics in higher education: Five guiding principles for ethical use. New America. Recuperado de https://www.newamerica.org/education-policy/reports/predictiva-analytics-in-higher-education

Ekowo, Manuela y Palmer, Iris (2016). The promise and peril of predictive analytics in higher education. Retrieved from: https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 

Gardner, H. (1995). Inteligencias Múltiples. La teoría en la práctica. España. Paidós.