Usuari:Racostafl/Analítiques d'aprenentatge

Learning Analytics és el mesurament, recopilació, anàlisi i presentació de dades sobre els estudiants, els seus contextos i les interaccions que allà es generen, amb la finalitat de comprendre el procés d'aprenentatge que s'està desenvolupant i optimitzar els entorns en els quals es produeix. 

Les analítiques d'aprenentatge poden ajudar a un usuari d'un Sistema de Gestió de l'Aprenentatge ( LMS= Learning Management System ) a millorar els resultats del seu aprenentatge o funcions dins del sistema educatiu. Els usuaris inclouen estudiants, docents, administradors i les persones que prenen les decisions.

Què és el Learning Analytics?

La incorporació de les tecnologies de la informació i la comunicació (TIC), i l'ús cada vegada més comú de les tecnologies mòbils en l'àmbit de l'educació, ha augmentat la quantitat de dades que es generen en la la web. No només hi ha major interacció i sol·licitud de dades per mitjà de les pantalles dels dispositius, sinó que també els dispositius tenen majors sensors, que registren una major quantitat de dades (càmeres, GPS, etcètera.)

Tenint en compte aquesta quantitat d'informació han sorgit companyies tals com Google, Amazon, Netflix, Spotify, entre unes altres. Aquestes empreses, tenen com a objectiu principal fer una anàlisi de la informació per prestar serveis personalitzats d'acord a la informació de cada usuari. En el marc d'aquest nou mercat sorgeix la necessitat de desenvolupar noves tecnologies que ajudin a la recuperació i anàlisi d'aquesta gran quantitat de dades (Greller i Drachsler, 2012, p. 42).

L'anterior no és indiferent als processos d'ensenyament i aprenentatge que utilitzen Ambients Virtuals d'Aprenentatge, doncs es presenta com una oportunitat per analitzar dades que es prenen per mitjà de les diferents plataformes per dissenyar i pensar en diferents estratègies. És a dir, “L'objectiu principal és millorar la qualitat, efectivitat i eficiència dels processos d'aprenentatge. S'espera que l'aprenentatge personalitzat tingui el potencial de disminuir costos, mentre que al mateix temps es creen experiències d'aprenentatge més efectives, s'accelera el desenvolupament de competències i s'incrementa la col·laboració entre estudiants.” (Greller i Drachsler, 2012, p. 42)

A aquest procés de recopilació, estructuració i anàlisi de dades en els processos d'ensenyament aprenentatge utilitzant tecnologies de la informació i la comunicació se'l coneix, en general, com Learning Analytics. A continuació es presenten alguns conceptes del terme.

Una de les definicions discutida per la comunitat en general va suggerir que el "Learning Analytics és l'ús de dades intel·ligents, dades de l'alumne-produït, i models d'anàlisis per descobrir les connexions de la informació i socials, que s'originen en un entorn digital per predir i assessorar l'aprenentatge de les persones".

Però aquesta definició ha estat qüestionada:

Segons George Siemens sobre aquest tema assenyala: "Estic una mica d'acord amb aquesta definició - que serveix així com un concepte d'introducció si utilitzem anàlisi com una estructura de suport per als models d'educació existent. En una implementació avançada i integrada - es pot acabar amb els models curriculars prefabricats". Les dades es recullen a partir d'accions explícites, com contemplar tasques i realitzar exàmens però també, i en això està la novetat, de les actuacions tàcites, de les interaccions socials en línia, d'activitats extracurriculares, entre d'altres.

Al seu torn, Mike Sharkey expressa que: "En les descripcions del Learning Analytics parlem d'ús de dades per predir l'èxit". A més, per la seva banda, Papamitsiou, Z., i Economides, A., (2014), han identificat que el Learning Analytics pretén: "modelar el comportament dels estudiants, predir l'acompliment, incrementar la reflexió i la consciència, predir l'abandó escolar i la persistència, millorar l'avaluació i la realimentación, possibilita la recomanació de recursos".

Segons Fernando Santamaría, l'anàlisi de l'aprenentatge utilitza conjunts de dades educatives dels sistemes digitals d'aprenentatge d'administració i socials amb la finalitat d'analitzar la posició de l'aprenentatge i la automillora de l'eficàcia en l'aprenentatge a través de la retroalimentació i la predicció.

Segons Begoña Gros, l'anàlisi de l'aprenentatge consisteix en la interpretació d'un ampli espectre de dades dfels estudiants produïdes i recollides per orientar la seva producció acadèmica, predir accions futures i identificar elements problemàtics. L'objectiu és possibilitar que els professors puguin adaptar de forma ràpida i eficaç les estratègies educatives que més s'adaptin als seus alumnes.

Johnson esmenta que no necessita l'anàlisi de l'aprenentatge centrar-se simplement el rendiment dels estudiants. Podria ser utilitzat per avaluar els plans d'estudi, programes, i institucions. A més podrien contribuir els esforços d'avaluació en un campus, ajudant a proporcionar una anàlisi més profunda, o podria ser utilitzat per transformar la pedagogia d'una manera radical.

Una revisió sistemàtica sobre el Learning Analytics i els seus conceptes clau és proporcionada per Chatti et al. (2012) a través d'un model de referència per a l'anàlisi d'aprenentatge basat en quatre dimensions, i) les dades, els ambients, i el context (què?), ii) Els grups d'interès (qui?), iii) els objectius (per què?), i iv) els mètodes (com?).

El concepte d'anàlisi de l'aprenentatge busca que existeixi una acció posterior als resultats i que es traci un pla d'estudis, personalització i adaptació, així com predicció i intervenció sobre les capacitats amb l'objectiu de millorar-les.

Constantment, apareixen a Internet dades sobre els usuaris que romanen a l'espera que siguin analitzades. Un mètode d'anàlisi servirà com a base per a la predicció, la intervenció, la personalització, i l'adaptació. És important tenir en compte que l'adaptació i la personalització han d'incorporar la tecnologia, la socialització, i la pedagogia. La immediatesa i l'eficàcia de l'anàlisi de l'aprenentatge d'un alumne servirà perquè aquest conegui quins són les seves pròpies dificultats i, al seu torn, perquè els seus educadors coneguin més a fons la seva dificultat personal i grupal. La majoria d'institucions educatives tenen un currículum predisenyat. Amb l'anàlisi de l'aprenentatge els professors podran modificar-ho amb l'objectiu que els estudiants puguin adquirir millor les seves capacitats.

Així, l'anàlisi de l'aprenentatge buscarà:

1. Reflexionar sobre els assoliments i els patrons de comportament de cada alumne respecte als seus companys (o currículum predisenyat).
2. Contemplar aspectes del perfil dels estudiants, forma de pensar i aprendre, habilitats i processos d'aprenentatge, com a factors que influeixen en la motivació i èxit final.
3. Predir si els estudiants necessitaran suport i atenció personalitzada.
4. Ajudar als professors i personal de recolzo en les seves intervencions.
5. Millorar els cursos actuals o desenvolupar noves ofertes del pla d'estudis per als grups funcionals.
6. Ajudar a les institucions educatives en la presa de decisions en la direcció i gestió del centre educatiu.

Diferència entre Learning Analytics (LA) i Educational Data Mining (EDM)

Diferenciar els conceptes de la mineria de dades educatives (EDM) i d'anàlisis d'aprenentatge (LA) ha estat una preocupació de diversos investigadors. George Siemens adopta la posició que la mineria de dades educatives abasta tant les analítiques d'aprenentatge i anàlisis acadèmiques.

Baepler i Murdoch defineixen anàlisis acadèmiques com un àrea que "... combina selectes de dades institucionals, anàlisi estadística i models de predicció per crear intel·ligència en la qual alumnes, docents o administradors poden canviar la conducta acadèmica". Ells van a intentar, per eliminar l'ambigüitat entre mineria de dades educativa i anàlisis acadèmiques, analitzar si el procés està impulsat per hipòtesi o no, encara que Brooks es pregunta si existeix aquesta distinció en la literatura. Brooks, en lloc d'això, proposa que una millor distinció entre les comunitats de EDM i LA es troba en les arrels d'on es va originar cada comunitat, sent que l'autoria en la comunitat EDM està dominada per investigadors procedents dels paradigmes de tutoria intel·ligent, i en Learning Analytics per investigadors que se centren en sistemes d'aprenentatge de l'empresa (per exemple, LMS).

Independentment de les diferències entre les comunitats de LA i de EDM, les dues àrees tenen una essència comuna significativa tant en els objectius dels investigadors, així com en els mètodes i les tècniques que s'utilitzen en la recerca.

Història

Segons Campbell, l'era de la informació va portar amb si la possibilitat de manejar grans grups de dades que, convenientment analitzats, podien ajudar a l'aplicació de models predictius i dades estadístiques. Això, unit a l'interès mundial creixent per incrementar el nivell educatiu de la ciutadania per millorar la competitivitat dels Estats, ha estat un factor molt influent en la creació de disciplines com Learning Analytics.

Delimitació del concepte

La història del learning analytics està vinculada al desenvolupament de l'anàlisi de dades dins del món de l'empresa, conegut com business analytics, i dels entorns web, anomenats web analytics. El desenvolupament de les TIC, unit al de la intel·ligència empresarial i de la web analytics va obrir un camp nou a les institucions educatives. Si bé l'anàlisi de dades és connatural a l'avaluació de l'alumnat i de les institucions acadèmiques, que sempre han mesurat l'evolució dels estudiants, els seus resultats i l'impacte de les polítiques educatives, les TIC permeten introduir una innovació al món educatiu i, per primera vegada, recollir de manera precisa, ràpida, eficient i en temps real els comportaments interns i externs en les institucions educatives.

El terme va ser utilitzat per primera vegada per Mitchel i Costello (2000) en una recerca sobre e-learning. Al 2005, la multinacional educativa Blackboard reprendria el concepte per exposar com el seu sistema de gestió d'aprenentatge podia proporcionar dades a executius acadèmics, instructors i persones implicades en la presa de decisions. Va desenvolupar i va llicenciar aplicacions de programes empresarials i serveis relacionats a més de 2200 institucions educatives a més de 60 països, que van usar els seus programes per administrar aprenentatge en línia i va oferir informació a les institucions educatives per implementar millores estratègiques (Baepler i Murdoch, 2010). Malgrat la implantació primerenca del concepte, est ha estat objecte de debat al món educatiu. Així, Goldstein and Katz (2005)

prefereixen el terme academic analytics, relacionat amb l'aplicació de la intel·ligència empresarial a l'acadèmia, mentre que Oblinger i Campbell (2007) limiten aquest concepte a l'èxit acadèmic, és a dir, al nombre de graduats. Norris, Baer, Leonard, Pugliese i Lefrere (2008) van proposar el concepte action analytics per millorar les pràctiques acadèmiques i reduir els seus costos. Finalment, es va aconseguir el consens amb el terme learning analytics, que subratlla la importància de l'obtenció de dades en temps real sobre l'activitat d'estudiants, docents i institucions per millorar el rendiment; és a dir, enfront d'altres conceptes, resulta més adequat perquè fa referència al procés de capturar, processar i utilitzar informació temps real.

Debat en el si acadèmic

L'avenç en el learning analytics es va manifestar en la publicació de textos acadèmics sobre la matèria. A més dels citats, va ser important el treball de Mobasher, Colley i Srivastava (2000), Cho i Kim (2002) i Wang i Ren (2009), que van subratllar que learning analytics permet atendre les necessitats que tenen els agents educatius en el present i, així mateix, una els seus principals avantatges és predir els comportaments, per la qual cosa la reflexió sobre els processos educatius és immediata i el procés de millora i implementació d'innovacions està assegurat. Així mateix, destaquen publicacions com el Journal of Educational Data Mining, editat des de l'any 2009 i el Journal of Learning Analytics, des de l'any 2014. L'any 2015 la UOC va fer un “Call for papers” sobre learning analytics dins d'un especial sobre “Intelligent Decision Support Systems for Learning Environments” . Des de 2011 se celebren les conferències de Learning Analytics and Knowledge (LAK), la propera edició de les quals es desenvoluparà a Canadà en 2017. Una fita en la història del learning analytics és la publicació d'un article de Rebecca Ferguson de l'article sobre l'estat de la disciplina en 2012 i dels reptes futurs, titulat “The State of Learning Analytics in 2012: A Review and Future Challenges”. Aquest mateix any el departament d'educació del govern d'Estats Units va treure l'informe sobre l'estat del learning analytics, titulat Enhancing Teaching and Learning
Through Educational Data Mining and Learning Analytics: An Issue Brief . Així mateix, dins de l'àmbit europeu destaca el projecte LACE, dedicat als desafiaments presents i futurs del learning analytics (LA) i la educational data mining (EDM) i integra a comunitats escolars, universitàries i laborals que busquin solucions a problemes reals relacionats amb learning analytics.

Antecedents a la situació actual

(Aquest punt és una adaptació traduïda del wiki ETEC:510)

Learning Analytics es va crear a partir dels principis derivats de la intel·ligència empresarial, amb la finalitat de conèixer de manera més precisa tant els comportaments interns com a externs de les organitzacions educatives i altres agents implicats, amb la finalitat d'optimitzar els processos d'aprenentatge. El desenvolupament tecnològic va permetre que la disciplina de l'anàlisi de dades s'apropés més al món educatiu.

Una altra disciplina que va contribuir a la configuració de Learning Analytics és la mineria de dades, que per a educació es converteix en mineria de dades educativa.

L'auge de sistemes de gestió com Moodle, blackboard o uns altres, i la seva capacitat per recopilar dades que ulteriorment poden ser representades, ha afavorit el desenvolupament evident del camp de Learning Analytics, ja des de 2007.

Història del context de Learning Analytics

(Aquest punt és una adaptació traduïda del wiki Edfutures.net)

A “The State of Learning Analytics in 2012: A Review and Future Challenges”, Rebecca Ferguson assenyala el progrés de l'anàlisi de dades en educació com un desenvolupament produït a través de:

1. El creixent interès en “big data” per a la intel·ligència empresarial.
2. L'orientació de l'educació en línia cap a Entorns Virtuals d'Aprenentatge, Sistema de gestió de continguts i Sistemes d'informació gerencial per a educació, que van veure un augment en les dades digitals quant a l'historial de l'estudiant (sovint recopilat mitjançant els Sistemes d'informació gerencial) i el registre de dades d'aprenentatge (a través dels Entorns Virtuals d'Aprenentatge). Això va permetre tenir l'oportunitat d'aplicar tècniques pròpies de la intel·ligència empresarial a les dades educatives.
3. Qüestions referents a l'optimització de sistemes de suport a l'aprenentatge, principalment a través de la pregunta: Com podem saber quan un estudiant està aprenent si no ho podem veure?
4. Un augment de l'enfocament cap a quines evidències ofereix el progrés i els estàndards professionals per al sistema d'assignació de responsabilitats.
5. Aquest enfocament va conduir a una participació contínua en l'anàlisi per part del docent, atès que aquest està associat amb els sistemes d'assignació de responsabilitats.
6. Major èmfasi en l'abordatge d'aspectes pedagògics de Learning Analytics.
7. Tot això es veu augmentat gràcies a la intenció econòmica de comprometre's a millorar l'educació en línia oferint educació realitzable d'alta qualitat.

Disciplines i elements que van contribuir al seu desenvolupament

En una anàlisi de la història de l'analítica, Cooper posa en relleu una sèrie de comunitats de les quals l'analítica d'aprenentatge atreu tècniques, incloent:

1. Estadístiques - que són un mitjà ben establert per fer front a la prova d'hipòtesi.
2. Intel·ligència Empresarial - que té similituds amb l'analítica d'aprenentatge, tot i que històricament s'ha dirigit a fer la producció d'informes més eficients a través de permetre l'accés de dades i el resum dels indicadors d'acompliment.
3. L'Analítica Web - eines com Google Analytics informen sobre visites a la pàgina web i referències a llocs web, marques i altres elements clau a través d'Internet. El "gra fi" més d'aquestes tècniques pot ser adoptat en l'analítica d'aprenentatge per a l'exploració de les trajectòries dels estudiants a través de recursos d'aprenentatge (cursos, materials, etc.).
4. La Recerca Operativa - té com a objectiu destacar l'optimització del disseny per maximitzar els objectius mitjançant l'ús de models matemàtics i els mètodes estadístics. Aquetes tècniques estan implicades en l'analítica que busquen crear models de comportament del món real per a l'aplicació pràctica de l'aprenentatge.
5. Intel·ligència Artificial (IA) i la Mineria de dades - les tècniques d'aprenentatge de màquines construïdes sobre la mineria de dades i mètodes de IA són capaços de detectar patrons en les dades. En el Learning Analytics tals tècniques es poden utilitzar per als sistemes de tutoria intel·ligents, la classificació dels estudiants de manera més dinàmica que els factors demogràfics simples, i recursos tals com els sistemes dels cursos suggerit 'modelatges en tècniques de filtrat col·laboratiu.
6. Anàlisi de Xarxes Socials - SNA analitza les relacions entre les persones mitjançant l'exploració implícita (per exemple, les interaccions en els fòrums) i explícit en línia (per exemple, "amics" o "seguidors") els vincles i fora de línia. SNA s'ha desenvolupat a partir del treball dels sociòlegs com Wellman i Watts, i matemàtics com Barabási i Strogatz. El treball d'aquestes persones ens ha proporcionat un bon sentit dels patrons que les xarxes d'exhibició (petit món, les lleis d'alimentació), els atributs de les connexions (a principis dels anys 70, Granovetter van explorar les connexions des d'una perspectiva de la força del vincle i l'impacte de la nova informació), i les dimensions socials de les xarxes (per exemple, la geografia segueix sent important en un món digital en xarxa). S'utilitza sobretot per explorar els grups de xarxes, xarxes d'influència, acoblament i desacoblament, i s'ha desplegat a aquests efectes en l'aprenentatge dels contextos analítics.
7. La Visualització de la informació - la visualització és un pas important en moltes anàlisis per a la construcció de sentit entorn de les dades proporcionades. Per tant, és utilitzat en la majoria de les tècniques ja esmentades.
8. Els models predictius i les anàlisis productives - aquestes tècniques de matemàtica i psicologia avançada permeten predir el comportament de l'usuari i constitueixen una de les bases del learning analytics. Malgrat els avanços en les anàlisis, la predicció de comportaments i la implementació de millores, Eckerson (2006) manifesta que s'està lluny d'un model òptim relacionat amb l'aprenentatge a la pràctica docent, alguna cosa que també han denunciat en l'àmbit del LMS Hijon and Carlos (2006).
9. La psicologia social, organizacional i comunitària - ambdues són essencials para en l'anàlisi dels processos d'ensenyament-aprenentatge per mitjà de les TIC.
10. Les teories de l'aprenentatge- la pedagogia està, com és obvi a la base de l'educació i, per això, el learning analytics té en les teories de l'aprenentatge un dels seus pilars essencials.

Mètodes d'Anàlisis

Mètodes d'anàlisis d'aprenentatge inclouen:

• L'anàlisi de contingut - en particular dels recursos que els estudiants creen (com a assajos)
• Anàlisi del discurs - té com a objectiu capturar dades significatives sobre les interaccions dels estudiants que (a diferència de "xarxa social analytics ') té com a objectiu explorar les propietats del llenguatge utilitzat, en lloc de només la xarxa d'interaccions, o recomptes fòrum-post, etc.
• Anàlisi de Xarxes Socials (SNA)- que el seu objectiu és explorar el paper de la interacció social en l'aprenentatge, la importància de les xarxes d'aprenentatge, el discurs utilitzat, etc.
• Analítica de disposició - que tracta de capturar les dades relatives a les disposicions dels estudiants sobre el seu propi aprenentatge, i la relació d'aquests amb el seu aprenentatge. Per exemple, els alumnes "curiosos" poden estar més inclinats a fer preguntes - i aquestes dades poden ser capturats i analitzats per a l'anàlisi d'aprenentatge.

A més del mètode de l'Anàlisi de Xarxes Socials, Chatti et al. (2014) identifiquen altres tres tècniques que en els últims anys han rebut especial atenció en el camp de Learning Analytics:

1. Estadística basada en la interacció dels estudiants dins dels Sistemes de Gestió de l'Aprenentatge que proporciona informació bàsica la mitjana, la mitjana o la desviació estàndard de dades com el nombre total de visites, el nombre de visites per pàgines, el nombre de comentaris i respostes dels estudiants, els materials llegits, etc. i que a través de les eines d'informes.
2. Visualització de la informació, la representació de les dades a través d'imatges pot facilitar la comprensió i l'anàlisi d'aquests.
3. La Mineria de dades o exploració de dades és el procés que intenta descobrir patrons en grans volums de conjunts de dades.

• Des d'una perspectiva constructivista, l'estudi de les “formes d'organització de l'activitat conjunta”, com les maneres concretes en què professor i alumnes articulen i organitzen de forma regular i reconeguda, en una situació determinada, la qual cosa fan i diuen entorn d'un contingut. El “triangle interactiu” format per les relacions mútues entre alumne, contingut i professor apareix, així, en aquest mètode, com el nucli bàsic dels processos formals d'ensenyament i aprenentatge, com la unitat mínima significativa per a l'anàlisi de tals processos i com l'instrument fonamental per a l'estudi empíric dels processos de construcció de coneixement que els alumnes duen a terme. Aquest mètode involucra l'anàlisi de les relacions entre els elements del triangle interactiu: quines actuacions desenvolupen professor i alumnes i quines regles les regeixen; com es relacionen les actuacions del professor amb les actuacions dels alumnes, i a l'inrevés; com es manifesten i influeixen en aquestes actuacions, i en la seva relació mútua, les característiques concretes dels continguts i tasques específics al voltant dels quals s'organitza l'activitat; com evolucionen i canvien aquestes actuacions i les seves relacions mútues al llarg del procés d'ensenyament i aprenentatge, des del seu inici fins al seu final; com s'insereixen els intercanvis comunicatius entre professor i alumnes és aquestes actuacions, i quines formes de discurs s'empren en ells, quan i com.

Usos del Learning Analytics

Recordant la frase de Peter Drucker "Tot el que es pot mesurar es pot millorar", si volem millorar necessitem dades. Amb informació i reflexió podrem crear coneixement, podrem crear valor. Per tant, és important conèixer aquest nou camp per poder millorar la pràctica educativa ja que proporciona la retroalimentació que tant es necessita. L'anàlisi es pot utilitzar para:

• Una millor presa de decisions administratives, així com l'assignació de recursos.
• La predicció, per exemple per identificar als estudiants d'un curs que puguin estar en risc d'abandó o el possible fracàs o èxit d'una formació.
• La intervenció, proporcionant informació als educadors aquests poden aplicar mesures correctivas per recolzar als estudiants que no rendeixen com s'esperava.
• La personalització i adaptació, per proporcionar als estudiants itineraris d'aprenentatge a mesura, o materials d'avaluació.
• L'apoderament dels estudiants per monitorizar el seu propi progrés, una eina per facilitar l'autoavaluació i un poderós component de l'Entorn Personal d'Aprenentatge (EPA).
• La visualització de la informació, en general a través dels anomenats quadres de comandament de l'aprenentatge que proporcionen una visió de conjunt de les dades, es realitzen amb eines especialitzades de la visualització de dades.

Segons Dolors Reig, les interaccions a les xarxes, plataformes i altres entorns generen una sèrie de dades que poden ser analitzats per determinades aplicacions, permetent obtenir:

• Informació sobre els assoliments i patrons de comportament dels estudiants en relació amb els altres.
• Prediccions sobre si els estudiants necessiten un suport extra, en el context de l'Aula invertida (en anglès “Flipped classroom") aquesta informació és de gran utilitat.
• Ajuda als professors i gestors de la formació en la tasca de planificar les accions formatives, aplicant les millores necessàries amb un major nivell d'adaptació a les necessitats d'un públic que amb aquestes dades serà més fàcil conèixer.

Tinisaray, esmenta que la tendència a les universitats és treballar amb tecnologies que facilitin i millorin el desenvolupament de les activitats acadèmiques, la informació processada amb les eines adequades permet predir, prevenir i/o actuar per millorar el rendiment acadèmic dels estudiants.

Fernando Santamaría exemplifica dos casos d'ús de l'anàlisi de l'aprenentatge:

• Des del costat del professor, que a través dels Sistemes de Gestió de l'Aprenentatge (LMS) obté informació de tota l'activitat de l'estudiant, la càrrega i descàrrega de recursos, les intervencions en fòrums de discussió, els resultats de tests, etc. i que serveix per observar el procés d'aprenentatge i d'aquesta manera identificar els obstacles que poden provocar l'abandó dels estudiants. Això serveix perquè els professors poden establir mesures correctivas.
• Des del punt de vista d'un aprenent que utilitzi la Web 2.0, aquest pot beneficiar-se de la informació obtinguda a través de l'anàlisi de les xarxes socials, per exemple sobre els recursos més populars, rebre recomanacions personalitzades que es adecuen als seus interessos o bé en funció del que els seus contactes han valorat millor.

L'ús de Learning Analytics té una influència particularment significativa en tres àrees:

Aprenentatge personalitzat:

• Ajuda al fet que els estudiants puguin configurar els seus Entorns Personals d'Aprenentatge (PLE) combinant l'anàlisi de les dades obtingudes en les LMS amb els usos de les RR.SS. i altres espais 2.0 integrats en el desenvolupament del curs.
• Facilita el reforç de la motivació individual i col·lectiva de l'alumnat, doncs el seu millor coneixement ajuda a dissenyar estratègies de coaching educatiu més adequades.
• Millora la confecció d'esquemes de docència-aprenentatge multidispositivo, oberts i flexibles que promoguin la recerca individual i l'experimentació.
• Les seves conclusions serveixen per dissenyar itineraris formatius personalizables, amb diferents continguts instructius així com per estructurar els grups d'estudi i preveure el caràcter de les seves interaccions.

Aprenentatge adaptatiu:

• Contribueix a adaptar la metodologia, el ritme de treball i el disseny instructiu als esquemes cognitius dels aprenents, identificant les àrees on els participants troben més dificultats.
• Permet establir els temps òptims per la tutorización i rectificar manques d'informació o errors implícits en les proves d'avaluació proposades.
• Millora la distribució i etiquetatge d'elements en les plataformes LMS i la selecció d'eines educatives així com dels tipus de tasques i estratègies d'avaluació.

Intervenció educativa:

• És un instrument útil per combatre el fracàs educatiu i promocionar l'aprenentatge basat en competències.
• Possibilita treure conclusions sobre l'actitud i el comportament que previsiblement adoptarà un aprenent davant un determinat contingut, una tasca d'avaluació, un conflicte d'equip o un projecte formatiu complet.

Programari

La majoria del programari que s'usa actualment per Learning Analytics duplica les funcionalitats de les eines d'analítica web, però ho aplica a les interaccions dels estudiants al contingut. Sovint s'utilitza també el programari per a l'anàlisi de xarxes socials (Social network analysis programari) per analitzar les connexions i discussions socials.

Per defecte, molts dels Learning Management System (LMS) o Entorn Virtual d'Aprenentatge (EVA) disposen de la seva pròpia eina de seguiment.

Existeixen també eines addicionals, desenvolupades a través de recerca o disponibles com a mòduls addicionals als sistemes comercials. Aquestes eines poden ajudar a millorar els dissenys tradicionals d'e-learning.

A continuació, es presenten algunes de les eines més usades:

• SNAPP - és una eina de learning analytics que permet visualitzar la xarxa d'interaccions que resulten dels missatges i les respostes en els fòrums de discussió per identificar patrons de comportament d'usuaris. És una eina que treballa amb diferents LMS de codi obert, com BlackBoard o Moodle. La majoria de dades generades des dels LMS inclouen informes amb el nombre de sessions (log-ins), el temps de connexió, el nombre de descàrregues, entre uns altres. No obstant això, a causa de les possibilitats que ens donen les xarxes socials, SNAPP manca d'un altre tipus de mètriques útils, com qui respon a qui, a quin nivell es comuniquen els membres, quins són les discussions que generen més interès, etc.

• LOCO-ANALYST - és una eina pel análisi dels processos d'aprenentatge que ocorren en un ambient d'aprenentatge basat a la web, per poder millorar el contingut i l'estructura dels cursos. BOIG-Analyst facilita informació sobre quin tipus d'activitats duen a terme els estudiants, l'ús i la comprensibilitat del contingut educatiu, i les interaccions socials entre els estudiants.

• STUDENT SUCCESS SYSTEM (D2L)- és una eina predictiva per a l'anàlisi de l'aprenentatge que prediu el rendiment dels estudiants i marca uns quadrants de risc basats en el compromís i les prediccions. Aporta indicadors per millorar el desenvolupament al per què l'estudiant no està en el bon camí a través de visualitzacions com la xarxa d'interaccions que resulten del compromís social (p. ex. discussions i respostes), avaluació de rendiment, compromís amb el contingut, entre altres indicadors.

• SAM (Social Networks Adapting Pedagogical Practice) - és una eina que monitorea l'activitat estudiantil, destinada a l'Entorn Personal d'Aprenentatge.

• BEESTAR INSIGHT - és un sistema en temps real que recull automàticament la participació i l'assistència de l'estudiant. Proporciona eines de análisi.

• ORANGE - és una eina per a la mineria de dades i aprenentatges automàtics basada en un programari visual molt fàcil i potent.

• RAPIDMINER (abans conegut com YALE) - és una eina que s'utilitza per a la mineria de dades. Aquestes tasques poden ser tant a nivell experimental com al món real.

• KNIME - és una plataforma de codi obert, fàcil d'entendre i d'utilitzar per integrar dades, processar-los i realitzar anàlisis i exploracions.

Existeixen estàndards per a programari d'e-learning que permeten estructurar i emmagatzemar interaccions d'un usuari davant diferents activitats d'aprenentatge electrònic, com pot ser el Tin Ca API. A través d'aquests estàndards s'extreuen dades en un format consistent i facilita intercanviar dades entre aplicacions.

Crítiques

L'ètica sobre la recol·lecció de dades, l'analítica, els informes i la responsabilitat s'ha posat en relleu com a possible problema pel Learning Analytics amb preocupacions tals com:

• Propietat de les dades
• Comunicacions sobre l'àmbit i el paper de Learning Analytics
• La necessitat del paper del feedback humà i dels sistemes de correcció d'errors en Learning Analytics
• Dades compartides entre sistemes, organitzacions i actors

Tal com Kay, Kom i Oppenheim assenyalen, la varietat de dades és àmplia, derivats majorment de:

• Activitat registrada, registres d'estudiants, participació, tasques, informació de recerca.
• Sistemes d'interaccions, entorns personals d'aprenentatge, cerques en repositoris/biblioteques, operacions de targetes de crèdit.
• Mecanismes de feedback, enquestes, atenció al client.
• Sistemes externs que ofereixen identificació segura com a serveis compartits i del sector i xarxes socials.

Per això, la situació legal i ètica serà complicada, ja que augmenten les implicacions para:

• La varietat de dades - principis de col·lecció, conservació i explotació.
• La missió educativa - temes subjacents de la gestió de l'aprenentatge, incloent l'enginyeria social i d'assoliments.
• La motivació per al desenvolupament de l'anàlisi - reciprocitat, una combinació del corporatiu, l'individual i el ben comú.
• Les expectatives del client - pràctica empresarial efectiva, expectatives de dades socials, consideracions culturals d'una base de clients comú.
• L'obligació d'actuar - obligació de diligència derivada del coneixement i els reptes corresponents a la gestió de l'acompliment professional i de l'estudiant.

Tendències

A mesura que el Learning Analytics segueix creaciendo, sembla que hi ha almenys tres camps de gran creixement:

1. La inclusió de dades multimodales per realitzar l'anàlisi (gestos, seguiment ocular, biosensores),
2. La diversificació d'ambients d'aprenentatge per analitzar (MOOCs, aules, aprenentatge pràctic presencial,etc),
3. Els temes de recerca tenint en compte un conjunt més ampli de constructos relacionats amb l'aprenentatge.

Dins del Learning Analytics, els avanços en Big Data tenen moltes consideracions. En primer lloc, el camp s'està expandint a un conjunt més ampli de fonts i modalitats de dades, que és essencial en la realització de les recerques. Al mateix temps, aquestes noves fonts de dades i plataformes d'aprenentatge estan alimentant oportunitats per a la comunitat per desenvolupar noves tècniques analítiques. Finalment, una consideració important és la creixent preocupació entorn de qüestions de privadesa de l'usuari. Si Big Data va a tenir gran impacte a l'educació, les qüestions de la privadesa seran fonamentals. La generació de resultats suficientment generalizables i robusts ha de justificar els reclams i intervencions que es realitzen. Per tant, els desafiaments i oportunitats de Big Data van més enllà de mers terabytes d'informació a temes d'accés a dades, privadesa, confiabilitat i generalització.

Ètica i Learning Analytics

El propòsit institucional de Learning Analytics pot ser definit com "la maximització del nombre d'estudiants que aconsegueixen graduar-se, la millora de de l'acompliment dels alumnes que poden anar retardats o amb algun tipus de desavantatge o, simplement, maximitzar beneficis". En definitiva, el seu ús ve impost per un paradigma utilitarista.

L'ús de Learning Analytics pot presentar controvèrsies de tipus ètic marcades per postures ideològiques. Des de la perspectiva de l'optimització de recursos, els problemes ètics seran diferents als quals identifiquem des d'una perspectiva critico-social.

Alguns autors sostenen que la fredor de les dades que proporciona una mera anàlisi estadística de l'activitat d'aprenentatge d'un discente pot entrar en conflicte amb la necessària sensibilitat que s'ha de mostrar en un procés d'ensenyament-aprenentatge en tant que el camp d'aplicació de Learning Analytics ha transcendit de l'ús merament administratiu i ha passat a ser integrat de forma plena en l'ensenyament intervingut per TIC, especialment, en l'àmbit de l'ensenyament superior, si bé, tradicionalment l'ús dels avanços en el tractament de dades a l'educació superior, en comparació d'altres àrees com la sanitària, ha estat ineficient.

El professor Paul Prinsloo estableix uns principis, a manera de marc guia, a l'hora de considerar Learning Analytics com una pràctica moral:

• Principi 1. Learning Analytics és una pràctica moral. En resposta a l'increment de possibilitats analítiques, Learning Analytics no solament ha de determinar el que és efectiu, però també ha d'usar-se per decidir el que és apropiat i moralment necessari.
• Principi 2. L'estudiant haver de ser considerat un agent col·laborador, no solament un receptor de serveis educatius. Els alumnes han de no solament donar el consentiment sobre la recollida de dades, sinó que han de col·laborar facilitant qualsevol tipus d'informació que serveixi a un millor acompliment.
• Principi3. La identitat i l'acompliment de l'estudiant han de ser considerats des d'un punt de vista dinàmic. L'estudiant compta amb una seriï atributs permanents i uns altres que són dinàmics. Durant el temps en el qual formen part de la institució educativa, la seva identitat i les seves competències varien, la qual cosa pot afectar a la caducitat de les dades registrades en un moment determinat.
• Principi 4. L'estudiant ha de ser considerat com un fenomen complex i multidimensional. L'èxit escolar és el resultat d'un conjunt d'interaccions multidimensionales, generalment no lineals i interdependents, a considerar durant el temps en el qual l'estudiant estigui matriculat.
• Principi 5. Transparència. La consideració del Learning Analytics com una pràctica moral implica la necessitat de transparència respecte als propòsits pels quals s'usen les dades recollides.
• Principi 6. L'educació superior no pot permetre's el luxe de no usar les dades. Ignorar la informació que proporcionen les eines actuals dificulta la consecució dels objectius relatius ben al benefici. bé a l'ensenyament que la institució hagi definit.

Prinslo, conjuntament amb el professor Slade, va identificar els següents camps d'estudi que presenten problemes ètics a analitzar:

1. La localització i la interpretació de les dades.
2. La informació sobre consentiment, privadesa i l'ús de les dades.
3. La gestió, classificació i arxiu de les dades.

Des d'una perspectiva més pràctica, els professors John P. Campbell, Peter B. DeBlois, i Diana G. Oblinger van identificar els següents aspectes que poden generar conflictes ètics.

• Gran Hermano: La idea que una persona o institució pot realitzar un seguiment de les accions dels individus dins d'una aplicació de programari pot generar recels. Qui determina quines dades es recullen?Quina obligació té la institució ha d'informar que el seu comportament dins d'una aplicació s'està realitzant un seguiment? Etc.
• Visió holística: Malgrat anàlisi produeix una predicció basada en les dades disponibles, la predicció no pot tenir en compte totes les possibles causes de l'èxit o falta d'èxit. Sempre hi ha casos que s'escapen a la predicció d'un model. Els models, encara que tinguin una alta fiabilitat no tenen perquè tenir en compte totes les variables afecten a una determinada qüestió posat que la seva pròpia definició implica la simplificació d'un fenomen real i la seva validació es determina per la capacitat de predicció.
• Participació del claustre: La implicació dels membres del claustre en el procés d'ensenyament en l'etapa d'anàlisi és fonamental. Són ells els qui han de detectar als estudiants en situació de risc i dur a terme mesures addicionals per assegurar un bon acompliment de l'estudiant.
• Perfils: Un ús de Learning Analytics pot ser la predicció d'èxit o fracàs d'un estudiant. Aquesta predicció podria condicionar l'actuació de la institució acadèmica amb el mateix.
• Privacitat de dades: Molts de les dades recollides pertanyen a la intimitat de la persona i han de ser tractats com a dades de nivell alt atenent a la classificació que realitza la LOPD.
• Dades d'Administració: Les dades poden procedir d'un ampli ventall de fonts Com s'han conservat? Qui els ha compartit amb la institució? Qui determina les decisions d'ús?
• Intercanvi d'informació: Si un model prediu l'èxit d'un estudiant, amb qui ha de ser compartida aquesta informació? estudiants, professors, la pròpia institució o un altre personal? quina informació ha de ser compartida? qui pren aquesta decisió?
• Obligació d'actuar. Atenent a la informació recollida per qualsevol dels agents nomenats en el punt anterior quina obligació tenen d'actuar davant aquesta informació? En qualsevol cas, la decisió d'actuar ha de ser considerada dins d'un context específic d'aplicació.
• Distribució dels recursos: Els models de predicció quantitatius, són insensibles a la distribució dels recursos als estudiants més necessitats, la qual cosa pot presentar donar lloc a situacions de desasistencia injustificada.

A la vista de l'anterior, els problemes i controvèrsies que poden sorgir en l'ús de Learning Analytics fa recomanable que l'organització educativa defineixi una clara política d'ús de dades dels estudiants per garantir l'ús adequat dels mateixos, un exemple d'aquesta política ho tenim en la companyia de prestació de serveis digitals per a universitats JISC, que ha elaborat el seu propi Codi de pràctiques, de complexa elaboració, en la qual s'ha tingut en compte tota la literatura sobre la matèria, les conclusions d'un grup d'assessorament, el desenvolupament d'una classificació de les diferents problemes i la validació del Codi pels diferents membres de la comunitat educativa fins a la publicació del Codi al seu web.

THE OPEN UNIVERSITY, que àdhuc deixant constància de l'ampli ús i informació que poden obtenir de les dades de l'estudiant a través del Learning Analytics, limita el seu ús a aquelles actuacions que puguin suposar un benefici per a l'estudiant i definint taxativament l'àmbit aliè al Learning Analytics, com poden ser les queixes que presentin els alumnes o la informació que aquests facilitin en xarxes socials.

A més, s'aposta per una total transparència en l'ús del Learning Analytics, de tal forma que les persones que siguin objecte d'aquestes anàlisis tinguin a la seva disposició guies sobre el seu funcionament i exemples pràctics per a una major comprensió.

En definitiva, el continu augment de Learning Analytics fa necessari no solament considerar les oportunitats que ens ofereix per prendre millors i més eficients decisions, sinó que no podem obviar els desafiaments ètics que presenta el seu ús. El debat sobre l'ús ètic segueix viu en el context acadèmic, tal com es recull recentment en el Journal of Learning Analytics, en un volum que porta per títol Ethics and privacy in learning analytics -Vol 3, No 1 (2016). En l'editorial d'aquest nombre, titulat “Guest Editorial: Ethics and Privacy in Learning Analytics”, Rebecca Ferguson, Tiri Hoel i Maren Scheffel recollien els desafiaments ètics del learning analytics es resumeixen en nou metes ètiques, a saber:

1. L'èxit de l'alumne.

2. Institucions educatives fiables.

3. Respecte per les aportacions individuals i grupales.

4. Respecte pels drets d'autor.

5. Educadors i institucions educatives que salvaguardin a les seves els qui estan sota la seva empara.

6. Accés igualitari a l'educació.

7. Observació, aplicació equitativa de lleis justes.

8. Llibertat de tracte.

9. Integritat personal.

Avantatges del learning analytics

El Learning Analytics ofereix una solució a les nostres limitacions actuals en l'àmbit de l'aprenentatge com a eina de suport per ajudar en l'avaluació diagnòstica i formativa, la millora a la planificació individualitzada així com per adaptar els continguts a les necessitats educatives reals.

L'impuls de la creativitat, el canvi del paradigma a l'educació, la incorporació de les noves tecnologies i el seu paper com a motor de canvi cap a un aprenentatge més personalitzat seran alguns dels punts que s'analitzaran.

Compromís:

Learning Analytics permet a través de l'estudi de les dades dels estudiants, crear millors pedagogies i conèixer de forma més concreta al nostre alumnat. Ens permet classificar i diferenciar a l'alumne que no va a finalitzar el curs, perquè no està interessat, de l'alumne que encara no obtenint bons resultats vol realitzar el curs i necessita un suport extra per acabar-ho.

El tutor pot disposar de tota aquesta informació sense necessitat de preguntar-li a l'alumne, podent així actuar de diferent manera segons l'alumne davant el qual es trobi, tractant de motivar de la manera més adequada a l'alumnat. Learning Analytics proporciona dades molt interessants per a educadors i investigadors i permet descobrir el compromís dels estudiants tant dins com fora de classe, així com detectar obstacles formatius i disminuir les situacions d'abandó. Al seu torn permet al tutor preparar activitats atractives per a l'alumnat i realitzar suggeriments basats en la predicció dels recursos formatius que poden resultar-los més útils. Per tant, permet personalitzar l'aprenentatge i adaptar-ho a cada alumne, millorant per tant l'experiència formativa.

Continguts:

Permet personalitzar al màxim l'ensenyament en funció de el “rastre tecnològic” que deixa l'alumnat. Seria útil a l'hora de presentar diverses opcions de seguiment d'un contingut donat virtualment, és a dir, davant un concepte li proposo tres recursos simultàniament, un video audiovisual, un test, un joc i d'allí es pot veure quin és el que millor s'adapta mitjançant l'anàlisi de la quantitat de vegades i alumnes que han accedit a cadascun…

Millorar els processos de formació:

Tota aquesta informació que proporciona Learning Analytics es pot utilitzar per millorar els processos de formació i augmentar el que aprenen els usuaris, redundant així en una millora de la productivitat per a les empreses, les organitzacions i la societat. Entre les maneres que es pot aprofitar aquesta informació del Learning Analytics estan les següents:

• Tenint disponibles indicadors com l'efectivitat, eficiència o temps invertit en recursos, els professors poden comprendre què recursos educatius van fallar o cuales són més difícils de comprendre i fins i tot que parteix d'aquests recursos tenen problemes i quins no o en quins contextos. Això fa que els professors puguin millorar aquests recursos per a futurs cursos o enmig d'un mateix curs.
• Els professors poden comprendre millor als seus alumnes, coneixent la seva evolució al llarg del temps, el seu grau d'aprofitament, matèries concretes on té problemes, perfils, etc. Amb aquesta informació els professors poden actuar per donar una realimentación i ajuda a l'aprenentatge per als alumnes de manera que sigui més efectiu.
• L'aplicació de tècniques de predicció, poden permetre predir el futur a partir d'un conjunt d'indicadors passats. Així per exemple poden detectar alumnes amb el risc d'abandó del curs o que tindran un aprenentatge baix o alt. També es poden inferir què indicadors influeixen en l'aprenentatge futur. D'aquesta forma es pot realitzar una intervenció primerenca per tractar d'evitar casos com l'abandó de cursos o un aprenentatge baix.
• Els alumnes poden visualitzar informació sobre ells mateixos, de manera que puguin reflexionar ells mateixos sobre el seu propi aprenentatge, veure la seva evolució, perfils i realitzar els canvis que ells considerin oportuns en ser conscients del seu aprenentatge.
• Es pot habilitar l'adaptació i personalització als alumnes en funció dels seus diferents perfils per fer el seu aprenentatge millor. Així es poden habilitar diferents camins d'aprenentatge donant recursos més adequats per accelerar l'aprenentatge segons determinats perfils.
• Es poden habilitar recomendadores que guiïn a l'alumne en el seu aprenentatge per exemple que davant comportaments que puguin ser inadequats (p. ex. abús de pistes) se li doni un determinat missatge per intentar que sigui conscient i que si vulgues,pot canviar per incrementar el seu aprenentatge i reflexionar abans de veure les pistes.
• Els gestors de les organitzacions puguin conèixer als millors professors, alumnes, cursos, etc. sobre la base d'un conjunt d'indicadors.
• Els gestors de les organitzacions puguin conèixer més sobre els usuaris i així poder assignar tasques en funció de perfils coneguts fruit de la seva interacció amb les plataformes educatives. Per exemple si es detecten perfils de cercador d'informació, donar una sèrie de tasques en l'organització adequades per qui té aquesta habilitat.

Avaluació:

Ajuda a resoldre alguns problemes en els quals ens veiem immersos; per exemple, és una excel·lent ajuda per a l'avaluació diagnòstica i la formativa, per a l'adaptabilitat dels recursos d'aprenentatge, per millorar la planificació personalitzada, per a la tutoria proactiva. Així mateix també ens pot servir per establir models associats a competències (a més de validar la seva eficàcia).

Learning Analytics és com una constant avaluació, és a dir un seguiment constant de l'alumnat de forma individual i col·lectiva, de la qual cosa parteix la presa de decisions.

No obstant això, s'han de prendre algunes precaucions en l'aplicació del Learning Analytics dins de les organitzacions per no generar més inconvenients que beneficis, en particular pel que fa a temes tan delicats com a protecció de dades i transparència.

Aprenentatge autorregulado

Els agents que col·laboren en un procés d'e-learning es caracteritzen per la seva voluntat de desenvolupar un procés d'aprenentatge basat, entre uns altres, en la llibertat, l'autonomia i la construcció col·laborativa del coneixement. La influència de les teories de l'aprenentatge del constructivisme i el col·lectivisme fan que l'aprenentatge autorregulado sigui un dels trets que defineixen als agents de l'aprenentatge en línia. Per això, els estudiants se senten protagonistes responsables de la seva conducta i consideren que formen part d'un procés proactiu, que radica en l'automatització i en ús d'estratègies que els permeten aconseguir la seva metes acadèmiques.

Aprenentatge personalitzat

El Learning Analytics permet a través de l'estudi de les dades dels estudiants, conèixer de forma més concreta a l'alumnat i crear millors pedagogies. Ens permet diferenciar i classificar a l'alumne que no va a finalitzar el curs, perquè no està interessat, de l'alumne que encara no obtenint bons resultats vol realitzar el curs i necessita un suport per acabar-ho.

El professor pot disposar de tota aquesta informació sense necessitat de preguntar-li a l'alumne, podent així actuar de diferent manera segons l'alumne davant el qual es trobi, tractant de motivar de la manera més adequada a l'alumnat. El Learning Analytics proporciona dades molt interessants per a educadors i investigadors i permet descobrir el compromís dels estudiants tant dins com fora de classe, així com detectar obstacles formatius i disminuir les situacions d'abandó. Al seu torn permet al professor preparar activitats atractives per a l'alumnat i realitzar-li suggeriments basats en la predicció dels recursos formatius que poden resultar-los més útils. Per tant, permet personalitzar l'aprenentatge i adaptar-ho a cada alumne, millorant per tant l'experiència formativa.

Vegeu també

• Aprenentatge supervisat
• Conectivismo
• Mineria de textos
• Reconeixement de patrons

Referències

[[Categoria:Aprenentatge]] [[Categoria:Educació]] [[Categoria:Tecnologia educativa]]