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.
Comentarios
Publicar un comentario