Aplicación de Learning Analytics, ¿Qué decisiones puedo tomar a partir de la actividad de los alumnos?

Miguel Ángel Conde González

miguel.conde@unileon.es

@m_conde

Google Scholar

Escuela de Ingenierías Industrial e Informática. Universidad de León (España)

 

Hoy en día vivimos en una sociedad cada vez más tecnológica donde nuestra forma de interactuar con el contexto ha cambiado. Cada vez es más normal interactuar con todo tipo de dispositivos digitales e incluso disponer de algunos de carácter personal como ordenadores, portátiles, tablets o smartphones (de hecho en los países desarrollados la media de estos últimos es de más de un dispositivo por persona (ITU, 2013)). La interacción con este tipo de medios va a dejar una huella que puede evaluarse con diferentes propósitos. Esta recopilación de información y su análisis no es sin embargo algo tan nuevo, por ejemplo: el uso de tarjetas de puntos en establecimientos, los descuentos a las compras pagadas con tarjetas de crédito, etc.; proporcionan una información que se ha utilizando para hacer estudios de mercado y definir estrategias de marketing que garanticen una atención “personalizada” y un incremento de las ventas. La aparición y popularización de Internet y los dispositivos móviles ha supuesto que el usuario vaya dejando cada vez más información personal en los sistemas de información y sea posible investigar nuestras compras, gustos, necesidades, perfiles profesionales, etc. Esto es lo que se ha denominado como BigData, que puede ser entendido como aquellos datos cuya compresión requiere que busquemos técnicas más avanzadas para el análisis y almacenamiento que las existentes en el momento (Jacobs, 2009). En concreto el “Big Data” se caracteriza por ocupar un gran volumen, por tener una velocidad de generación de datos muy grande, así como gran variedad (Laney, 2001). Es decir, tenemos gran cantidad de datos que crecen muy rápido y no siguen necesariamente una estructura predefinida. Va a ser posible analizar esta información con diferentes propósitos y también información procedente de contextos educativos.

La aplicación de las Tecnologías de la Información y Comunicación (TIC) supone cambios en los diferentes ámbitos en los que se aplica y uno de ellos es en los procesos de enseñanza y aprendizaje. Claro ejemplo de esta aplicación son las plataformas de aprendizaje, LMS (Learning Management Systems). Estas plataformas proporcionan herramientas que extienden y dan soporte al concepto tradicional de clase, ya que se centran básicamente en ayudar a los profesores, gracias a que ponen un especial énfasis en facilitar las tareas administrativas y de gestión relativas al aprendizaje (lo que incluye herramientas de gestión documental, automatización de la corrección de cuestionarios, espacios de discusión, etc.) (Avgeriou, Papasalouros, Retalis, & Skordalakis, 2003). Para los estudiantes los LMS suponen espacios concretos en los que poder llevar a cabo sus actividades lectivas o con los que se complementan sus clases.

Los LMS, así como otras herramientas utilizadas en los procesos de enseñanza/aprendizaje van a recoger información de la interacción del usuario. Cualquier evento que se produce en la plataforma de aprendizaje va a quedar registrado en ella. Dicha información podría analizarse de cara a conocer el uso real que han hecho, los estudiantes en este caso, del campus virtual, quién ha participado y quién no, quién ha estado involucrado en las discusiones más relevantes, etc., de forma que se tuviera una información veraz para tomar decisiones que se podrían aplicar en una aproximación de evaluación continua basada en una metodología activa, o para actuar en el diseño instruccional de la materia, detectando los puntos fuertes y áreas de mejora a través de la interacción en el campus virtual.

Sin embargo en la mayor parte de los casos se trata de datos “en crudo” como los que se observan en la figura 1. ¿Qué información se puede extraer de esos datos? Si en los cursos se tuviera pocos alumnos quizás sería posible obtener información útil. Sin embargo con gran cantidad de alumnos se tiene mucha cantidad de información. Por ejemplo en una asignatura de Ingeniería del Software de la Universidad de Salamanca en un año pueden llegar a generarse 50000 tuplas de información (logs).

Figura 1

Figura 1. – Ejemplo de registros almacenados en una asignatura en Moodle

Las plataformas de aprendizaje tratan de facilitar herramientas gráficas e informes acerca del uso de los recursos y actividades por parte de los alumnos, es decir, que permitan interpretar esos logs, pero ¿es eso suficiente para poder tomar decisiones? ¿puedo de un vistazo saber qué está o no está pasando? ¿puedo anticiparme a los problemas? En la mayoría de los casos sería necesario presentar la información almacenada de forma comprensible, de manera que las personas encargadas de la toma de decisiones pudieran identificar los aspectos más relevantes y tomar decisiones a partir de ellas. Para esto se necesitarían técnicas avanzadas de análisis de los datos, y en el contexto del aprendizaje se podría hablar de Analítica del Aprendizaje (Learning Analytics – LA), Analítica Académica (Academic Analytics – AA) o Minería de Datos Educativos (Educational Data Mining – EDM).

De acuerdo a Buckingham Shum y Ferguson, la primera mención del término Learning Analytics data del 2000 (Buckingham-Shum & Ferguson, 2012). Pero se trata como algo marginal derivado de los principios de la Inteligencia Empresarial (Bussiness Intelligence) y la Minería de Datos (Data Mining) aplicados a los sistemas de gestión de información relativos al campo educativo. De hecho se trata de una forma muy teórica (Conde & Hernández-García, 2013). Sin embargo con la aparición de los LMS y especialmente los Massive Online Courses (MOOCs) el término comienza a tomar importancia (Laney, 2001).

Dado este contexto existen varias definiciones de Learning Analytics y no todos los autores coinciden en ellas. Una de las más representativas es la de Rebecca Ferguson que considera la analítica del aprendizaje como el proceso de evaluación, recopilación, análisis y presentación de información acerca de los estudiantes y sus contextos de aprendizaje con el propósito de entender y optimizar dicho aprendizaje y los entornos en que se lleva a cabo (Ferguson, 2012).

Otra de las posibles tendencias mencionadas es el Academic Analytics que fue definido por Goldstein y Katz (Goldstein, 2005). Estos autores la definen como la aplicación de aplicaciones de Inteligencia Empresarial al aprendizaje. Sin embargo el AA pretende ir más allá del análisis del aprendizaje del alumno, centrándose más en la institución y la organización (Long & Siemens, 2011).

Otra tendencia es la aplicación de minería de datos en contextos educativos. Este es un campo que aplica algoritmos estadísticos, de minería de datos, aprendizaje automático sobre las evidencias de actividad de los alumnos en los contextos educativos. Su objetivo principal es analizar estos tipos de datos de cara a abordar problemas en los procesos de enseñanza/aprendizaje (Barnes, Desmarais, Romero, & Ventura, 2009). El LA y el EDM (van Barneveld, Arnold, & Campbell, 2012) comparten muchos atributos lo que lleva a que varios autores consideren que el segundo es un subconjunto del primero, aunque es una cuestión que se continua debatiendo en la actualidad (Conde & Hernández-García, 2013).

A pesar de las diferencias entre todas estas tendencias de análisis existe un objetivo común entre ellas, la mejora de los procesos de enseñanza aprendizaje a través de técnicas que faciliten la comprensión de como estos se llevan a cabo. Esto supone no solamente tener técnicas que permitan la explotación de la información sino también buscar formas de representar esa información de manera que se pueda utilizar para la toma de decisiones, y en este sentido pueden aplicarse técnicas de analítica visual (Brown, 2012).

A tenor de estas técnicas y de la cantidad de datos de que se dispone parece claro que es posible analizar las evidencias de aprendizaje más allá de la recuperación de unos datos cuantitativos. Lo que se pretende es buscar de relaciones que permitan demostrar que cierto tipo de actividades, actitudes o interacciones pueden favorecer el aprendizaje y tratar de prevenir problemas, actuando antes de que estos se produzcan o en futuras actividades educativas similares.

Sin embargo la aplicación de la analítica del aprendizaje tiene asociados varios aspectos controvertidos como por ejemplo:

    • ¿Como abordar problemas éticos y de privacidad?. Los datos que se recogen pueden usarse para tomar decisiones tanto para solventar problemas de aprendizaje como para realizar seguimiento de los alumnos, o con propósitos no tan loables.
    • ¿Toda la información es válida? ¿Todo lo que se almacena se puede utilizar? ¿Las herramientas van a permitir manejar toda la información disponible? Existe cantidades ingentes de información, puede ser que no sea necesario mantener toda esa información.
    • ¿Cómo reutilizar soluciones existentes basadas en LA en otros contextos? En muchas ocasiones estas soluciones se han definido ad-hoc para entornos y problemas específicos.
    • ¿El análisis llevado a cabo sobre Big Data puede ser aplicado de la misma manera sobre un menor número de datos? En muchas ocasiones se tienen soluciones de LA sobre conjuntos de datos muy pequeños como una clase o un curso concreto.

Como se puede observar la aplicación de LA tiene muchos beneficios potenciales, pero también hay muchas cuestiones que deberían solventarse. En general las instituciones están llevando a cabo cada vez más políticas de análisis de la información y se debe avanzar en como aplicar esas políticas para que sean efectivas, escalables, portables y resuelvan inconvenientes como los anteriormente mencionados.

Avgeriou, P., Papasalouros, A., Retalis, S., & Skordalakis, M. (2003). Towards a Pattern Language for Learning Management Systems. Educational Technology & Society, 6(2), 11-24.

Barnes, T., Desmarais, M., Romero, C., & Ventura, S. (2009). Educational Data Mining 2009. Paper presented at the Proceedings of the 2nd International Conference on Educational Data Mining, Córdoba, Spain.

Brown, M. (2012). Learning Analytics: Moving from Concept to Practice. Paper presented at the ELI Briefs.

Buckingham-Shum, S., & Ferguson, R. (2012). Social Learning Analytics. Educational Technology & Society, 15(3), 3-26.

Conde, M. Á., & Hernández-García, Á. (2013). A promised land for educational decision-making?: present and future of learning analytics. Paper presented at the Proceedings of the First International Conference on Technological Ecosystem for Enhancing Multiculturality, Salamanca, Spain.

Ferguson, R. (2012). The State Of Learning Analytics in 2012: A Review and Future Challenges Technical Report KMI-12-01. UK: The Open University.

Goldstein, P. (2005). Academic Analytics: The Uses of Management Information and Technology in Higher Education. EDUCASE, 8.

ITU. (2013). The Little Data Book on Information and Communication Technology 2013: The World Bank – International Telecommunication Union.

Jacobs, A. (2009). The pathologies of big data. Commun. ACM, 52(8), 36-44. doi: 10.1145/1536616.1536632

Laney, D. (2001, 2001/02/06/). 3-D Data Management: Controlling Data Volume, Velocity and Variety. Application Delivery Strategies by META Group Inc., 949.

Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety: META Group.

Long, P. D., & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education (EDUCAUSE Review) | EDUCAUSE.edu. EDUCAUSE Review, 46(5).

van Barneveld, A., Arnold, K. E., & Campbell, J. P. (2012). Analytics in Higher Education: Establishing a Common Language ELI White Papers: EDUCAUSE.

Tags: