Analítica de aprendizaje
La analítica 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 ocurre. El crecimiento del aprendizaje en línea desde la década de 1990, particularmente en la educación superior, ha contribuido al avance de Learning Analytics, ya que los datos de los estudiantes se pueden capturar y poner a disposición para su análisis.
Cuando los alumnos usan un LMS, redes sociales o herramientas en línea similares, sus clics, patrones de navegación, tiempo en la tarea, redes sociales, flujo de información, y el desarrollo del concepto a través de discusiones puede ser rastreado. El rápido desarrollo de cursos masivos en línea abiertos (MOOC) ofrece datos adicionales para que los investigadores evalúen la enseñanza y el aprendizaje en entornos en línea.
Definición
Aunque la mayoría de la literatura de Learning Analytics ha comenzado a adoptar la definición antes mencionada, la definición y los objetivos de Learning Analytics aún se disputan.
Learning Analytics como modelo de predicción
Una definición anterior discutida por la comunidad sugirió que Learning Analytics es el uso de datos inteligentes, datos producidos por el alumno y modelos de análisis para descubrir información y conexiones sociales para predecir y aconsejar el aprendizaje de las personas. Pero esta definición ha sido criticada por George Siemens y Mike Sharkey.
Learning Analytics como un marco de diseño genérico
El Dr. Wolfgang Greller y el Dr. Hendrik Drachsler definieron la analítica de aprendizaje de manera integral como un marco. Propusieron que es un marco de diseño genérico que puede actuar como una guía útil para establecer servicios de análisis en apoyo de la práctica educativa y la orientación del alumno, en el aseguramiento de la calidad, el desarrollo del plan de estudios y en la mejora de la eficacia y la eficiencia de los docentes.
Utiliza un análisis morfológico general (GMA) para dividir el dominio en seis «dimensiones críticas».
Learning Analytics como toma de decisiones basada en datos
El término más amplio » Analytics » se ha definido como la ciencia de examinar los datos para sacar conclusiones y, cuando se usa en la toma de decisiones, para presentar caminos o cursos de acción. Desde esta perspectiva, Learning Analytics se ha definido como un caso particular de Analytics, en el que la toma de decisiones tiene como objetivo mejorar el aprendizaje y la educación.
Durante la década de 2010, esta definición de análisis ha ido más allá al incorporar elementos de investigación de operaciones, como árboles de decisión y mapas de estrategia para establecer modelos predictivos y determinar las probabilidades de ciertos cursos de acción.
Learning Analytics como una aplicación de análisis
Otro enfoque para definir Learning Analytics se basa en el concepto de Analytics interpretado como el proceso de desarrollar ideas procesables a través de la definición de problemas y la aplicación de modelos estadísticos y análisis contra datos futuros existentes y / o simulados. Desde este punto de vista, Learning Analytics surge como un tipo de Analytics (como un proceso ), en el que los datos, la definición del problema y las ideas están relacionadas con el aprendizaje.
En 2016, una investigación realizada conjuntamente por el New Media Consortium (NMC) y la EDUCAUSE Learning Initiative (ELI) -un Programa EDUCAUSE- describe seis áreas de tecnología emergente que habrán tenido un impacto significativo en la educación superior y la expresión creativa al final de 2020.
Como resultado de esta investigación, la analítica de aprendizaje se definió como una aplicación educativa de analítica web dirigida al perfil del alumno, un proceso de recopilación y análisis de detalles de las interacciones individuales de los estudiantes en las actividades de aprendizaje en línea.
El análisis de aprendizaje como una aplicación de la ciencia de datos
En 2017, Gašević, Коvanović y Joksimović propusieron un modelo consolidado de análisis de aprendizaje. El modelo postula que la analítica de aprendizaje se define en la intersección de tres disciplinas: ciencia de datos, teoría y diseño. La ciencia de datos ofrece métodos y técnicas computacionales para la recopilación, preprocesamiento, análisis y presentación de datos.
La teoría se extrae típicamente de la literatura en ciencias del aprendizaje, educación, psicología, sociología y filosofía. La dimensión de diseño del modelo incluye: diseño de aprendizaje, diseño de interacción y diseño de estudio. En 2015, Gašević, Dawson y Siemensargumentó que los aspectos computacionales de la analítica de aprendizaje deben vincularse con la investigación educativa existente para que Learning Analytics cumpla su promesa de comprender y optimizar el aprendizaje.
Análisis de aprendizaje versus minería de datos educativos
Diferenciar los campos de minería de datos educativos (EDM) y análisis de aprendizaje (LA) ha sido una preocupación de varios investigadores. George Siemens toma la posición de que la minería de datos educativa abarca tanto las analíticas de aprendizaje y análisis académicos, el primero de los cuales está dirigido a los gobiernos, organismos de financiación, y los administradores en lugar de los estudiantes y profesores.
Baepler y Murdoch definen la analítica académica como un área que «… combina datos institucionales seleccionados, análisis estadísticos y modelos predictivos para crear inteligencia sobre la cual los alumnos, instructores o administradores pueden cambiar el comportamiento académico».A continuación, intentan desambiguar la extracción de datos educativos de la analítica académica en función de si el proceso se basa en hipótesis o no, aunque Brooks cuestiona si esta distinción existe en la literatura.
En cambio, Brooks propone que una mejor distinción entre las comunidades EDM y LA radica en las raíces de donde se originó cada comunidad, donde la autoría en la comunidad EDM está dominada por investigadores provenientes de paradigmas de tutoría inteligente, y el aprendizaje de los investigadores de análisis está más centrado en sistemas de aprendizaje empresarial (por ejemplo, sistemas de gestión de contenido de aprendizaje).
Independientemente de las diferencias entre las comunidades de AL y EDM, las dos áreas tienen una superposición significativa tanto en los objetivos de los investigadores como en los métodos y técnicas que se utilizan en la investigación. En el programa de maestría que ofrece análisis de aprendizaje en Teachers College, Columbia University, a los estudiantes se les enseñan métodos EDM y LA.
Contribuciones históricas
Learning Analytics, como campo, tiene múltiples raíces disciplinarias. Si bien los campos de la inteligencia artificial (IA), el análisis estadístico, el aprendizaje automático y la inteligencia empresarial ofrecen una narrativa adicional, las principales raíces históricas de la analítica son las directamente relacionadas con la interacción humana y el sistema educativo.
Más en particular, la historia de Learning Analytics está estrechamente vinculada al desarrollo de cuatro campos de Ciencias Sociales que han convergido a lo largo del tiempo. Estos campos persiguieron, y aún lo hacen, cuatro objetivos:
Definición de alumno, para cubrir la necesidad de definir y comprender a un alumno.
Rastreo de conocimiento, abordando cómo rastrear o mapear el conocimiento que ocurre durante el proceso de aprendizaje.
Eficiencia y personalización del aprendizaje, que se refiere a cómo hacer que el aprendizaje sea más eficiente y personal mediante la tecnología.
Aprendizaje: comparación de contenido, para mejorar el aprendizaje comparando el nivel de conocimiento del aprendiz con el contenido real que necesita dominar. ( Siemens, George (17/03/2013).Introducción a Learning Analytics. Curso en línea abierto LAK para la Universidad de Texas en Austin y Edx. 11 minutos en.
Consultado el 11 de noviembre de 2018.)
Una diversidad de disciplinas y actividades de investigación han influido en estos 4 aspectos a lo largo de las últimas décadas, contribuyendo al desarrollo gradual de la analítica de aprendizaje. Algunas de las disciplinas más determinantes son el análisis de redes sociales, modelado de usuarios, modelado cognitivo, minería de datos y e-learning.
La historia de Learning Analytics se puede entender por el aumento y el desarrollo de estos campos.
Análisis de redes sociales
El análisis de redes sociales ( SNA ) es el proceso de investigar estructuras sociales mediante el uso de redes y la teoría de grafos. Caracteriza las estructuras en red en términos de nodos (actores individuales, personas o cosas dentro de la red) y los lazos, bordes o enlaces (relaciones o interacciones) que los conectan.
El análisis de redes sociales es prominente en sociología, y su desarrollo ha tenido un papel clave en la aparición de Learning Analytics. Uno de los primeros ejemplos o intentos de proporcionar una comprensión más profunda de las interacciones es el sociólogo austriaco-estadounidense Paul Lazarsfeld.
En 1944, Lazarsfeld hizo la declaración de «quién habla con quién sobre qué y con qué efecto». Esa declaración forma lo que hoy sigue siendo el área de interés o el objetivo dentro del análisis de redes sociales, que trata de comprender cómo son las personas conectados y qué ideas se pueden derivar como resultado de sus interacciones, una idea central de Learning Analytics.
Análisis de citas
El lingüista estadounidense Eugene Garfield fue uno de los primeros pioneros en análisis en ciencias. En 1955, Garfield dirigió el primer intento de analizar la estructura de la ciencia con respecto a cómo los desarrollos en la ciencia se pueden entender mejor mediante el seguimiento de las asociaciones ( citas ) entre los artículos (cómo se refieren entre sí, la importancia de los recursos que incluyen, la frecuencia de citas, etc.) Mediante el seguimiento de citas, los científicos pueden observar cómo se difunde y valida la investigación.
Esta fue la idea básica de lo que finalmente se convirtió en un » rango de página «, que en los primeros días de Google(principios del siglo XXI) fue una de las formas clave de comprender la estructura de un campo al observar las conexiones de página y la importancia de esas conexiones. El algoritmo PageRank -el primer algoritmo de búsqueda utilizado por Google- se basó en este principio.
El informático estadounidense Larry Page, cofundador de Google, definió PageRank como » una aproximación de la importancia » de un recurso en particular. Educacionalmente, el análisis de citas o enlaces es importante para mapear dominios de conocimiento.
La idea esencial detrás de estos intentos es darse cuenta de que, a medida que aumentan los datos, las personas, los investigadores o los analistas de negocios deben comprender cómo rastrear los patrones subyacentes detrás de los datos y cómo obtener información de ellos. Y esta también es una idea central en Learning Analytics.
Digitalización del análisis de redes sociales.
A principios de la década de 1970, impulsado por la rápida evolución de la tecnología, el análisis de redes sociales se convirtió en un análisis de redes en entornos digitales.
Experimento de 6 grados de Milgram. En 1967, el psicólogo social estadounidense Stanley Milgram y otros investigadores examinaron la longitud promedio de la ruta para las redes sociales de personas en los Estados Unidos, lo que sugiere que la sociedad humana es unared de tipo mundo pequeño caracterizada por distancias cortas.
Lazos débiles. El trabajo del sociólogo estadounidense Mark Granovetter sobre la fuerza de lo que se conoce como lazos débiles; su artículo de 1973 «La fuerza de los lazos débiles» es uno de los artículos más influyentes y más citados en Ciencias Sociales.
Individualismo en red. Hacia finales del siglo XX,la investigación delsociólogo Barry Wellman contribuyó ampliamente con la teoría del análisis de redes sociales. En particular, Wellman observó y describió el surgimiento del » individualismo en red «: la transformación de redes basadas en grupos a redes individualizadas.
Durante la primera década del siglo, la profesora Caroline Haythornthwaite exploró el impacto del tipo de medio en el desarrollo de los lazos sociales, observando que las interacciones humanas pueden analizarse para obtener una visión novedosa no de interacciones fuertes (es decir, personas que están fuertemente relacionadas con el tema) sino, más bien, de lazos débiles.
Esto proporciona a Learning Analytics una idea central: los datos aparentemente no relacionados pueden ocultar información crucial. Como ejemplo de este fenómeno, una persona que busca trabajo tendrá una mejor oportunidad de encontrar nueva información a través de conexiones débiles en lugar de fuertes.
Siemens, George (17/03/2013).Introducción a Learning Analytics. Curso en línea abierto LAK para la Universidad de Texas en Austin y Edx. 11 minutos en. Consultado el 11 de noviembre de 2018.)
Su investigación también se centró en la forma en que diferentes tipos de medios pueden afectar la formación de redes. Su trabajo contribuyó en gran medida al desarrollo del análisis de redes sociales como campo. Learning Analytics heredó ideas importantes, de modo que una variedad de métricas y enfoques pueden definir la importancia de un nodo en particular, el valor del intercambio de información, la forma en que los clústeres están conectados entre sí, las brechas estructurales que podrían existir dentro de esas redes, etc.
La aplicación del análisis de redes sociales en entornos de aprendizaje digital ha sido pionera del profesor Shane P. Dawson. Ha desarrollado una serie de herramientas de software, como la Práctica Pedagógica de Adaptación de Redes Sociales (SNAPP) para evaluar las redes que se forman en cuando los estudiantes participan en las discusiones del foro.
Modelado de usuario
El objetivo principal del modelado del usuario es la personalización y adaptación de los sistemas a las necesidades específicas del usuario, especialmente en su interacción con los sistemas informáticos. La importancia de que las computadoras puedan responder individualmente a las personas comenzó a entenderse en la década de 1970.
La Dra. Elaine Rich en 1979 predijo que «las computadoras van a tratar a sus usuarios como individuos con personalidades, objetivos y demás». Esta es una idea central no solo educativa sino también en la actividad general de uso de la web, en la que la personalización es un objetivo importante.
El modelado de usuarios se ha vuelto importante en la investigación de interacciones humano-computadora, ya que ayuda a los investigadores a diseñar mejores sistemas al comprender cómo los usuarios interactúan con el software. Reconocer rasgos únicos, objetivos y motivaciones de los individuos sigue siendo una actividad importante en el aprendizaje de análisis.
La personalización y adaptación del contenido del aprendizaje es una dirección importante presente y futura de las ciencias del aprendizaje, y su historia dentro de la educación ha contribuido al desarrollo de la analítica del aprendizaje. Hypermedia es un medio de información no lineal que incluye gráficos, audio, video, texto plano e hipervínculos.
El término se utilizó por primera vez en un artículo de 1965 escrito por el sociólogo estadounidense Ted Nelson. Construcciones adaptativas de hipermedia en modelado de usuarioaumentando la personalización del contenido y la interacción. En particular, los sistemas hipermedia adaptativos crean un modelo de los objetivos, las preferencias y el conocimiento de cada usuario, con el fin de adaptarse a las necesidades de ese usuario.
Desde finales del siglo XX en adelante, el campo creció rápidamente, principalmente debido a que Internet impulsó la investigación sobre la adaptabilidad y, en segundo lugar, la acumulación y consolidación de la experiencia de investigación en el campo. A su vez, Learning Analytics ha sido influenciado por este fuerte desarrollo.
Educación / modelado cognitivo
La educación / modelado cognitivo se ha aplicado para rastrear cómo los alumnos desarrollan el conocimiento. Desde finales de los años ochenta y principios de los noventa, las computadoras se han utilizado en la educación como herramientas de aprendizaje durante décadas. En 1989, Hugh Burns abogó por la adopción y el desarrollo de sistemas de tutoría inteligentes que finalmente pasarían tres niveles de «inteligencia»:
Conocimiento del dominio, evaluación del conocimiento del alumno e intervención pedagógica. Durante el siglo XXI, estos tres niveles han seguido siendo relevantes para investigadores y educadores.
En la década de 1990, la actividad académica en torno a los modelos cognitivos se centró en intentar desarrollar sistemas que posean un modelo computacional capaz de resolver los problemas que se les dan a los estudiantes de la forma en que se espera que los estudiantes resuelvan los problemas. El modelado cognitivo ha contribuido al aumento de la popularidad de los tutores inteligentes o cognitivos.
Una vez que se pueden modelar los procesos cognitivos, se puede desarrollar software (tutores) para apoyar a los estudiantes en el proceso de aprendizaje. La base de investigación en este campo se convirtió, con el tiempo, significativamente relevante para el aprendizaje de análisis durante el siglo XXI.
Teoría del marco epistémico
Si bien el análisis de big data se ha aplicado cada vez más en la educación, Wise y Shaffer abordaron la importancia del enfoque basado en la teoría en el análisis. La teoría del marco epistémico conceptualizó las «formas de pensar, actuar y estar en el mundo» en un entorno de aprendizaje colaborativo.
Específicamente, el marco se basa en el contexto de la Comunidad de práctica (CoP), que es un grupo de estudiantes, con objetivos comunes, estándares y conocimientos y habilidades previas, para resolver un problema complejo. Debido a la esencia de la CoP, es importante estudiar las conexiones entre los elementos (alumnos, conocimientos, conceptos, habilidades, etc.).
Para identificar las conexiones, se identifican y analizan las coincidencias de elementos en los datos de los alumnos.
Shaffer y Ruis señalaron el concepto de cerrar el ciclo interpretativo, enfatizando la transparencia y la validación del modelo, la interpretación y los datos originales. El ciclo puede cerrarse mediante un buen enfoque teórico de análisis de sonido, Epistemic Network Analysis.
Otras contribuciones
En una discusión sobre la historia de la analítica, Adam Cooper destaca una serie de comunidades de las cuales el análisis de aprendizaje ha extraído técnicas, principalmente durante las primeras décadas del siglo XXI, que incluyen:
Las estadísticas, que son un medio bien establecido para abordar las pruebas de hipótesis.
Inteligencia empresarial, que tiene similitudes con el análisis de aprendizaje, aunque históricamente se ha dirigido a hacer que la producción de informes sea más eficiente mediante el acceso a datos y el resumen de indicadores de rendimiento.
Análisis web, herramientas como el informe de Google Analytics sobre visitas a páginas web y referencias a sitios web, marcas y otros términos clave en Internet. El más «grano fino» de estas técnicas se puede adoptar en el análisis de aprendizaje para la exploración de las trayectorias de los estudiantes a través de recursos de aprendizaje (cursos, materiales, etc.).
Investigación operativa, cuyo objetivo es resaltar la optimización del diseño para maximizar los objetivos mediante el uso de modelos matemáticos y métodos estadísticos. Dichas técnicas están implicadas en el aprendizaje de análisis que buscan crear modelos de comportamiento del mundo real para su aplicación práctica.
Los métodos de inteligencia artificial (combinados con técnicas de aprendizaje automático basadas en la minería de datos ) son capaces de detectar patrones en los datos. En el análisis de aprendizaje, tales técnicas se pueden usar para sistemas de tutoría inteligentes, clasificación de estudiantes de formas más dinámicas que factores demográficos simples, y recursos tales como sistemas de «cursos sugeridos» modelados en técnicas de filtrado colaborativo.
La visualización de información, que es un paso importante en muchos análisis para la toma de sentido en torno a los datos proporcionados, y se utiliza en la mayoría de las técnicas (incluidas las anteriores).
Programas de análisis de aprendizaje
El primer programa de postgrado se centró específicamente en el aprendizaje de análisis fue creado por Ryan S. Baker y lanzado en el otoño de 2015 semestre en la universidad de profesores, la Universidad de Columbia. La descripción del programa indica que
Los datos sobre el aprendizaje y los alumnos se están generando hoy en una escala sin precedentes. Los campos de la analítica del aprendizaje (LA) y la minería de datos educativos (EDM) han surgido con el objetivo de transformar estos datos en nuevas ideas que puedan beneficiar estudiantes, maestros y administradores.
Como una de las principales instituciones de enseñanza e investigación del mundo en educación, psicología y salud, estamos orgullosos de ofrecer un innovador plan de estudios de posgrado dedicado a mejorar la educación a través de la tecnología y el análisis de datos «.
Métodos analíticos
Los métodos para aprender análisis incluyen:
Análisis de contenido, particularmente de recursos que los estudiantes crean (como ensayos).
Análisis del discurso, que tiene como objetivo capturar datos significativos sobre las interacciones de los estudiantes que (a diferencia del análisis de redes sociales) tiene como objetivo explorar las propiedades del lenguaje utilizado, en lugar de solo la red de interacciones, o recuentos de publicaciones en foros, etc.
Análisis de aprendizaje social, cuyo objetivo es explorar el papel de la interacción social en el aprendizaje, la importancia de las redes de aprendizaje, el discurso utilizado para crear sentido, etc.
Análisis de disposición, que busca capturar datos sobre las disposiciones de los estudiantes para su propio aprendizaje, y la relación de estos con su aprendizaje. Por ejemplo, los alumnos «curiosos» pueden estar más inclinados a hacer preguntas, y estos datos se pueden capturar y analizar para analizar el aprendizaje.
Epistemic Network Analysis, que es una técnica analítica que modela la concurrencia de diferentes conceptos y elementos en el proceso de aprendizaje. Por ejemplo, los datos del discurso en línea se pueden segmentar como turno de conversación. Al codificar los diferentes comportamientos de aprendizaje colaborativo de los estudiantes, podríamos aplicar ENA para identificar y cuantificar la concurrencia de diferentes comportamientos para cualquier individuo en el grupo.
Aplicaciones
Las aplicaciones de aprendizaje pueden ser y se han aplicado en un número notable de contextos.
Propósitos generales
La analítica se ha utilizado para:
Propósitos de predicción, por ejemplo, para identificar a los estudiantes «en riesgo» en términos de abandono o reprobación del curso.
Personalización y adaptación, para proporcionar a los estudiantes vías de aprendizaje personalizadas o materiales de evaluación.
Fines de intervención, proporcionando a los educadores información para intervenir para apoyar a los estudiantes.
Visualización de información, generalmente en forma de los llamados paneles de aprendizaje que proporcionan información general de aprendizaje a través de herramientas de visualización de datos.
Beneficios para las partes interesadas
Existe una amplia conciencia de la analítica en todas las instituciones educativas para diversos interesados, pero que la forma en que se define e implementa la analítica de aprendizaje puede variar, incluyendo:
Para que los alumnos individuales reflexionen sobre sus logros y patrones de comportamiento en relación con los demás. En particular, se pueden establecer las siguientes áreas para medir, monitorear, analizar y cambiar para optimizar el rendimiento del estudiante:
Monitorear el desempeño individual de los estudiantes
Desagregar el rendimiento de los estudiantes por características seleccionadas como especialidad, año de estudio, etnia, etc.
Identificación de valores atípicos para intervención temprana
Predecir el potencial para que todos los estudiantes alcancen de manera óptima
Prevenir el desgaste de un curso o programa
Identificar y desarrollar técnicas de instrucción efectivas.
Análisis de técnicas e instrumentos de evaluación estándar (es decir, exámenes departamentales y de licencia)
Prueba y evaluación de currículos.
Como predictores de estudiantes que requieren apoyo y atención extra;
Para ayudar a los maestros y al personal de apoyo a planificar intervenciones de apoyo con individuos y grupos;
Para grupos funcionales tales como equipos de cursos que buscan mejorar los cursos actuales o desarrollar nuevas ofertas curriculares; y
Para administradores institucionales que toman decisiones sobre asuntos como marketing y reclutamiento o medidas de eficiencia y efectividad.
Algunas motivaciones e implementaciones de análisis pueden entrar en conflicto con otras, por ejemplo, resaltar un posible conflicto entre análisis para estudiantes individuales y partes interesadas de la organización.
Software
Gran parte del software que se usa actualmente para el análisis de aprendizaje duplica la funcionalidad del software de análisis web, pero lo aplica a las interacciones del alumno con el contenido. Las herramientas de análisis de redes sociales se usan comúnmente para mapear conexiones sociales y discusiones.
Algunos ejemplos de herramientas de software de análisis de aprendizaje incluyen:
BEESTAR INSIGHT: un sistema en tiempo real que recopila automáticamente la participación y asistencia de los estudiantes, y proporciona herramientas analíticas y paneles de control para estudiantes, maestros y directivos
LOCO-Analyst: una herramienta de aprendizaje contextual para el análisis de los procesos de aprendizaje que tienen lugar en un entorno de aprendizaje basado en la web
SAM: un monitor de actividad estudiantil destinado a entornos de aprendizaje personal
SNAPP: una herramienta de análisis de aprendizaje que visualiza la red de interacciones resultantes de las publicaciones y respuestas del foro de discusión
Solutionpath StREAM: un sistema líder en tiempo real basado en el Reino Unido que aprovecha los modelos predictivos para determinar todas las facetas de la participación de los estudiantes utilizando fuentes estructuradas y no estructuradas para todos los roles institucionales
Sistema de éxito estudiantil: una herramienta analítica de aprendizaje predictivo que predice el rendimiento del alumno y ubica a los alumnos en cuadrantes de riesgo en función de las predicciones de participación y rendimiento, y proporciona indicadores para desarrollar la comprensión de por qué un alumno no está encaminado a través de visualizaciones como la red de interacciones resultante desde el compromiso social (por ejemplo, mensajes de discusión y respuestas), el desempeño en las evaluaciones, el compromiso con el contenido y otros indicadores
Herramienta web Epistemic Network Analysis (ENA) : una herramienta interactiva en línea que permite a los investigadores cargar el conjunto de datos codificados y crear el modelo especificando unidades, conversaciones y códigos. Las funciones útiles dentro de la herramienta en línea incluyen la rotación media para la comparación entre dos grupos, especificando el tamaño de la ventana deslizante para la acumulación de conexiones, modelos pesados o no ponderados, y pruebas estadísticas paramétricas y no paramétricas con redacción sugerida, etc.
La herramienta web es estable y de código abierto.
Ética y privacidad
La ética de la recopilación de datos, análisis, informes y rendición de cuentas se ha planteado como una posible preocupación para el aprendizaje de análisis, con inquietudes planteadas con respecto a:
Propiedad de datos
Comunicaciones sobre el alcance y el papel de la analítica de aprendizaje
El papel necesario de la retroalimentación humana y la corrección de errores en los sistemas de análisis de aprendizaje
Intercambio de datos entre sistemas, organizaciones y partes interesadas.
Confianza en clientes de datos
Como señalan Kay, Kom y Oppenheim, el rango de datos es amplio, potencialmente derivado de:
Actividad registrada: registros de estudiantes, asistencia, tareas, información del investigador (CRIS)
Interacciones de sistemas: VLE, búsqueda en biblioteca / repositorio, transacciones con tarjeta
Mecanismos de retroalimentación: encuestas, atención al cliente.
Sistemas externos que ofrecen identificación confiable, como servicios sectoriales y compartidos y redes sociales.
Por lo tanto, la situación legal y ética es desafiante y diferente de un país a otro, lo que genera implicaciones para:
Variedad de datos: principios para la recolección, retención y explotación.
Misión educativa: problemas subyacentes de la gestión del aprendizaje, incluida la ingeniería social y de rendimiento
Motivación para el desarrollo de análisis: mutualidad, una combinación de bien corporativo, individual y general.
Expectativa del cliente: práctica comercial efectiva, expectativas de datos sociales, consideraciones culturales de una base global de clientes.
Obligación de actuar: deber de cuidado derivado del conocimiento y los consiguientes desafíos de la gestión del desempeño de estudiantes y empleados
En algunos casos importantes como el desastre inBloom, incluso los sistemas funcionales completos se han cerrado debido a la falta de confianza en la recopilación de datos por parte de gobiernos, partes interesadas y grupos de derechos civiles. Desde entonces, la comunidad de análisis de aprendizaje ha estudiado ampliamente las condiciones legales en una serie de talleres de expertos sobre «Análisis de aprendizaje de ética y privacidad 4» que constituyen el uso de análisis de aprendizaje de confianza.
Drachsler & Greller lanzó una lista de verificación de 8 puntos llamada DELICATE que se basa en los estudios intensivos en esta área para desmitificar las discusiones de ética y privacidad en torno al análisis de aprendizaje.
D-determinación: decida el propósito del aprendizaje de análisis 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 garantice la distribución y el uso de los datos.
C-onsent: busque el consentimiento a través de preguntas de consentimiento claro.
A-nonymise: desidentifique a las personas tanto como sea posible
Aspectos técnicos: supervise quién tiene acceso a los datos, especialmente en áreas con alta rotación de personal.
Socios externos de E-x: asegúrese de que los externos brinden los más altos estándares de seguridad de datos
Muestra formas de diseñar y proporcionar análisis de aprendizaje conforme a la privacidad que pueden beneficiar a todos los interesados. La lista de verificación DELICATE completa está disponible públicamente.
Las prácticas de gestión de la privacidad de los estudiantes han mostrado discrepancias entre las creencias de privacidad y las acciones relacionadas con la privacidad. Los sistemas analíticos de aprendizaje pueden tener configuraciones predeterminadas que permiten la recopilación de datos de los estudiantes si no optan por no participar.
Algunos sistemas de educación en línea como edX o Coursera no ofrecen la opción de optar por la exclusión de la recopilación de datos. Para que ciertos análisis de aprendizaje funcionen correctamente, estos sistemas utilizan cookies para recopilar datos.
Análisis de aprendizaje abierto
En 2012, el profesor Mohamed Chatti y sus colegas proporcionaron una visión general sistemática sobre la analítica del aprendizaje y sus conceptos clave a través de un modelo de referencia basado en cuatro dimensiones, a saber:
Datos, entornos, contexto ( ¿qué? )
Partes interesadas ( ¿quién? )
Objetivos ( ¿por qué? ), y
Métodos ( ¿cómo? )
Chatti, Muslim y Schroeder señalan que el objetivo de la analítica de aprendizaje abierto (OLA) es mejorar la efectividad del aprendizaje en entornos de aprendizaje permanente. Los autores se refieren a OLA como un proceso de análisis continuo que abarca la diversidad en las cuatro dimensiones del modelo de referencia de análisis de aprendizaje.
Referencias
Convocatoria de ponencias de la 1ª Conferencia internacional sobre aprendizaje de análisis y conocimiento (LAK 2011)». Consultado el 12 de febrero de 2014.
Andrews, R.; Haythornthwaite, Caroline (2007). Manual de investigación en e-learning. Londres, Reino Unido: Sage.
Anderson, T. (2008). La teoría y la práctica del aprendizaje en línea. Athabasca, Canadá: Athabasca University Press.
Haythornthwaite, Caroline; Andrews, R. (2011). Teoría y práctica del e-learning. Londres, Reino Unido: Sage.
Siemens, George (2013-08-20). «Análisis de aprendizaje: el surgimiento de una disciplina«. Científico estadounidense del comportamiento. 57(10): 1380–1400. doi:.1177 / 0002764213498851. ISSN 0002-7642.
Lo que necesitas saber sobre los MOOC». La crónica de la educación superior. 2012-08-08. Consultado el 3 de noviembre de 2018.
Siemens, G., Connectivism: una teoría de aprendizaje para la era digital, Revista internacional de tecnología educativa y aprendizaje a distancia 2 (10), 2005.
George., Siemens (2006). Conociendo el conocimiento.:. ISBN 978-1-4303-0230-8. OCLC 123536429.
Siemens, George. «¿Qué son los análisis de aprendizaje?» Elearnspace, 25 de agosto de 2010. Archivado el 28/06/2018 en la Wayback Machine
Estoy un poco en desacuerdo con esta definición: sirve como un concepto introductorio si utilizamos la analítica como una estructura de apoyo para los modelos educativos existentes. Creo que el aprendizaje de la analítica, en una implementación avanzada e integrada, puede eliminar los modelos curriculares prefabricados «.
George Siemens en la discusión de Learning Analytics Google Group, agosto de 2010
En las descripciones de la analítica de aprendizaje, hablamos sobre el uso de datos para» predecir el éxito «. Luché con eso mientras revisaba nuestras bases de datos. Me di cuenta de que hay diferentes puntos de vista / niveles de éxito». Mike Sharkey, Director de Análisis Académico, Universidad de Phoenix, en la discusión del Grupo de Google de Learning Analytics, agosto de 2010
Greller, Wolfgang; Drachsler, Hendrik (2012). «Traducción del aprendizaje a números: hacia un marco genérico para el análisis de aprendizaje» (PDF). Tecnología educativa y sociedad. 15(3): 42–57. Consultado el 11 de noviembre de 2018.
Picciano, Anthony G. (2012). «La evolución de Big Data y análisis de aprendizaje en la educación superior estadounidense» (pdf). Revista de Redes de Aprendizaje Asincrónico. 16: 9-20. doi:.24059 / olj.vi3.267.
Elias, Tanya (enero de 2011). «Análisis de aprendizaje: definiciones, procesos y potencial» (PDF). Documento no publicado : 19. Consultado el 2 de noviembre de 2018. Resumen laico.
Cooper, Adam (noviembre de 2012). «¿Qué es la analítica? Definición y características esenciales» (PDF). La universidad de Bolton. ISSN 2051-9214. Consultado el 11 de noviembre de 2018.
Powell, Stephen y Sheila MacNeill. Preparación institucional para análisis Un documento informativo. Serie de análisis CETIS. JISC CETIS, diciembre de 2012.»Copia archivada» (PDF). Archivado desdeel original (PDF)el 02/05/2013. Consultado el 11 de noviembre de 2018..
Johnson, Larry; Adams Becker, Samantha; Cummins, Michele (2016). NMC Horizon Report: Edición de educación superior 2016 (PDF). El Consorcio de Nuevos Medios. Texas, Austin, Estados Unidos. pags. 38. ISBN 978-0-9968527-5-3. Consultado el 30/10/2018.
Gašević, D.; Kovanović, V.; Joksimović, S. (2017). «Construyendo el rompecabezas de análisis de aprendizaje: un modelo consolidado de un campo de investigación y práctica». Aprendizaje: Investigación y práctica. 3 (1): 63–78. doi : 10.1080 / 23735082.2017.1286142.
Gašević, D.; Dawson, S.; Siemens, G. (2015). «No lo olvidemos: la analítica de aprendizaje se trata de aprender» (PDF). TechTrends. 59 (1): 64–71. doi : 10.1007 / s11528-014-0822-x. hdl : 20.500.11820 / 037bdb-f-d21-bd-2c6adb42.
G. Siemens, D. Gasevic, C. Haythornthwaite, S. Dawson, SB Shum, R. Ferguson, E. Duval, K. Verbert y RSJD Baker. Open Learning Analytics: una plataforma integrada y modularizada. 2011
Baepler, P.; Murdoch, CJ (2010). «Análisis académico y minería de datos en la educación superior». Revista internacional para la beca de enseñanza y aprendizaje. 4 (2). doi : 10.20429 / ijsotl..040217.
C. Brooks. Un enfoque asistido por datos para apoyar intervenciones educativas en entornos de aprendizaje mejorados con tecnología. Tesis doctoral. Universidad de Saskatchewan, Saskatoon, Canadá 2012.
Learning Analytics ; Universidad de profesores de la Universidad de Columbia». www.tc.columbia.edu. Consultado el 13/10/2015.
Otte, Evelien; Rousseau, Ronald (2002). «Análisis de redes sociales: una estrategia poderosa, también para las ciencias de la información». Revista de Ciencias de la Información. 28 (6): 441–453. doi : 10.1177 / 016555150202800601.
Lazarsfeld, Paul F. (enero de 1944). «La elección ha terminado». Opinión pública trimestral. 8 (3): 317. doi : 10.1086 / 265692.
Sullivan, Danny (26 de abril de 2007). «¿Qué es Google PageRank? Una guía para buscadores y webmasters». Motor de búsqueda de tierra. Archivado desde el original el 3 de julio de 2016.
Cutts, Matt. «Los algoritmos clasifican los resultados relevantes más altos». Archivado desde el original el 2 de julio de 2013. Consultado el 19 de octubre de 2015.
Página, Lawrence; Brin, Sergey; Motwani, Rajeev; Winograd, Terry (1999). «El ranking de citas de PageRank: poner orden en la Web» (PDF). Stanford InfoLab.
Milgram, Stanley (May 1967). «The Small World Problem». Psychology Today.
Granovetter, Mark S. (May 1973). «The Strength of Weak Ties» (PDF). The American Journal of Sociology. 78 (6): 1360–1380. doi:.1086/225469. JSTOR 2776392.
Networks in the global village : life in contemporary communities. Wellman, Barry. Boulder, Colo: Westview Press. 1999. ISBN 978-0-8133-1150-0. OCLC 39498470.
Wellman, Barry; Hampton, Keith (November 1999). «Living Networked in a Wired World» (PDF). Contemporary Sociology. 28 (6). Retrieved 2018-11-02.
Barry Wellman, «Physical Place and Cyber Place: The Rise of Networked Individualism.» International Journal of Urban and Regional Research 25,2 (June, 2001): 227-52.
Haythornthwaite, Caroline; Andrews, Richard (2011). E-learning theory and practice. London, UK: Sage. doi:.4135/9781446288566. ISBN 978-1-84920-471-2.
Dawson, Shane. (2010). «‘Seeing’ the learning community: An exploration of the development of a resource for monitoring online student networking» (pdf). British Journal of Educational Technology. 41 (5): 736–752. doi:.1111/j.-8535.2009.00970.x.
Rich, Elaine (1979). «User modeling via stereotypes» (PDF). Cognitive Science. 3 (4): 329–354. doi:.1207/scog_3.
Fischer, Gerhard (2001). «User Modeling in Human^Computer Interaction» (PDF). User Modeling and User-Adapted Interaction. 11: 65–86. doi:.1023/A:.
Nelson, T. H. (1965-08-24). «Complex information processing». Complex information processing: a file structure for the complex, the changing and the indeterminate. ACM. pp. 84–100. doi:.1145/800197.806036.
Brusilovsky, Peter (2001). «Hipermedia adaptativa». Modelado de usuario e interacción adaptada al usuario. 11 (1/2): 87-110. doi : 10.1023 / a: 1011143116306. ISSN 0924-1868.
Quemaduras, Hugh (1989). Richardson, J. Jeffrey; Polson, Martha C. (eds.). «Fundamentos de los sistemas de tutoría inteligente: una introducción». Actas del Foro de la Fuerza Aérea para Sistemas Inteligentes de Tutoría.
Anderson, John R.; Corbett, Albert T.; Koedinger, Kenneth R.; Pelletier, Ray (1995). «Tutores cognitivos: lecciones aprendidas» (PDF). Revista de Ciencias del Aprendizaje. 4 (2): 167-207. doi : 10.1207 / s15327809jls_2.
Koedinger, Kenneth; Osborne, David; Gaebler, Ted (2018). Forbus, KD; Feltovich, PJ (eds.). «Tutores cognitivos inteligentes como herramienta de modelado y modelo de instrucción» (PDF). Máquinas inteligentes en educación: la revolución que viene en tecnología educativa : 145–168.
Koedinger, Kenneth (2003). «Hacia un entorno de desarrollo rápido para el evento interactivo de tutores cognitivos durante AIED-» (PDF). Artificial Inteligente en Educación.
Shaffer, David Williamson; Collier, Wesley; Ruis, AR (2016). «Un tutorial sobre análisis de redes epistémicas: análisis de la estructura de conexiones en datos cognitivos, sociales y de interacción». Revista de análisis de aprendizaje. 3 (3): 9–45. doi : 10.18608 / jla..33.3. ISSN 1929-7750.
Shaffer, David Williamson; Ruis, AR (2017), «Epistemic Network Analysis: A Worked Example of Theory-Based Learning Analytics», Handbook of Learning Analytics, Society for Learning Analytics Research (SoLAR), pp. 175-187, doi : 10.18608 / hla.015, ISBN 9780995240803
Cooper, Adam. Una breve historia de la analítica Un documento informativo. Serie de análisis CETIS. JISC CETIS, noviembre de 2012.http://publications.cetis.ac.uk/wp-content/uploads/2012/12/Analytics-Brief-History-Vol–No.pdf.
Aprendizaje de análisis». www.tc.columbia.edu. Consultado el 3 de noviembre de 2015.
Buckingham Shum, S. y Ferguson, R., Social Learning Analytics. Educational Technology & Society (Número especial sobre el aprendizaje y el análisis del conocimiento, Eds. G. Siemens y D. Gašević), 15, 3, (2012), 3-26. http://www.ifets.info Eprint de acceso abierto: http://oro.open.ac.uk/34092
Brown, M., Learning Analytics: pasar del concepto a la práctica. EDUCAUSE Learning Initiative Briefing, 2012. http://www.educause.edu/library/resources/learning-analytics-moving-concept-practice
Buckingham Shum, S. y Deakin Crick, R., Disposiciones de aprendizaje y competencias transferibles: pedagogía, modelado y análisis de aprendizaje. En: Proc. 2da Conferencia Internacional sobre Learning Analytics & Knowledge (Vancouver, 29 de abril a 2 de mayo de 2012). ACM: Nueva York. pp.-101. doi :
10.1145 / 2330601.2330629 Eprint: http://oro.open.ac.uk/32823
Analytics for Achievement» (PDF). Ibm, Sa: 4. febrero de 2011. Consultado el 11 de noviembre de 2018.
Fuentes
- Fuente: solaresearch.org
- Fuente: www.youtube.com
- Fuente: www.epistemicnetwork.org
- Fuente: tekri.athabascau.ca
- Fuente: archive.org
- Fuente: semanticscholar.org
- Fuente: doi.org
- Fuente: www.worldcat.org
- Fuente: gps
- Fuente: www.chronicle.com
- Fuente: www.elearnspace.org
- Fuente: web.archive.org
- Fuente: groups.google.com.au
- Fuente: pdfs.semanticscholar.org
- Fuente: www.researchgate.net
- Fuente: publications.cetis.ac.uk
- Fuente: library.educause.edu
- Fuente: www.sfu.ca
- Fuente: hdl.handle.net
- Fuente: www.tc.columbia.edu
- Fuente: searchengineland.com
- Fuente: www.google.com
- Fuente: ilpubs.stanford.edu
- Fuente: www.cs.cmu.edu
- Fuente: www.jstor.org
- Fuente: homes.chass.utoronto.ca
- Fuente: onlinelibrary.wiley.com
- Fuente: www.cs.utexas.edu
- Fuente: www.umuai.org
- Fuente: dl.acm.org
- Fuente: www.dtic.mil
- Fuente: learnlab.org
- Fuente: www.andrew.cmu.edu
- Fuente: pact.cs.cmu.edu
- Fuente: publications.cetis.org.uk
- Fuente: www.ifets.info
- Fuente: oro.open.ac.uk
- Fuente: www.educause.edu
Autor
