Blog de Fernando Santamaría

Reflexiones sobre ecologías y espacios del aprendizaje, análisis del aprendizaje y análisis de redes sociales, visualización de datos, Big Data y otros temas emergentes

Category: aprendizaje (page 1 of 13)

Ciudades inteligentes y aprendizaje: aprendizaje expandido en el diseño de plataformas IoT

Ciudades Inteligentes y aprendizaje – Smart cities and learning #EduExpandida (me gusta más hablar de #aprendizajeexpandido)

IoT=Internet of Things

Este texto se trata de la introducción que elaboré a un proyecto de investigación que se me rechazó. Quería dejar constancia de las bases de este y cómo podría llevarlo por un nuevo camino, si es posible.

Ciudad inteligente y aprendizaje

 

Contextualización

Las “Smart Cities” prometen de preservar y mejorar el bienestar de la sociedad, la explotación y/o exploración de la información y la comunicación ( través de las plataformas de Internet of Things (IoT) tanto para la estructura Top-Down como para Bottom-Up) como una columna vertebral de la ciudad para la infraestructura de influir y mejorar los factores clave, como la movilidad, el medio ambiente, las personas, la calidad de vida (y la salud como su derivado) y la gobernanza, y, por supuesto, el aprendizaje (expandido). Estas estrategias se acerca una nueva visión impulsada por una “persona centrada en su lugar” (y el conocimiento contextualizado) que está emergiendo con un enfoque de diseño. En este enfoque, el aprendizaje no es sólo una manera de entrenar a un capital humano adecuado, también se convierte en una de las fuerzas impulsoras del bienestar de una comunidad (el aprendizaje revierte sobre la misma comunidad en su proceso, no se trata de una entelequia para uno mismo). Inevitablemente los tecnosistemas subyacentes y ubicuos, en los que se embeben la inteligencia, la sensibilidad y la capacidad de respuesta al entorno y a las interacciones, desafiando el futuro del aprendizaje y exigen una redefinición de los espacios, los contenidos, los procesos, como también en las habilidades y enfoques de evaluación.

En este escenario destacaríamos los siguiente puntos:

a) El proceso de interacción con el medio ambiente se está moviendo desde la metáfora “ser capaz de utilizar” hacia la metáfora “activamente influenciado”. Los consumidores digitales se van a transformar en “enactivos digitales” (ver enactivismo y de la cognición embebida o corpórea) para producir una cantidad cada vez más de datos que contribuya activamente a la redefinición de los lugares y espacios.

b) El aprendizaje se va a transformar en un proceso a lo largo vida para el conocimiento, la habilidad y la adquisición de experiencia y, además, para el fortalecimiento de las comunidades con habilidades metacognitivas, que están relacionados con una autorregulación genuina, con el fin de determinar conscientemente la trayectoria (el aprendizaje como ruta) dentro de las nuevos ecosistemas tecnológicos (llamados también entornos de tecno(eco)sistemas), más allá del angosto concepto de las TIC.

c) Se requiere un nuevo conjunto de habilidades personales e interpersonales para evitar posibles nuevas “brechas” y para permitir a desarrollar adecuadamente los procesos antes mencionados en las personas y en la sociedad.

d) El arraigo con dispositivos móviles y tecnologías cada vez más incrustadas/embebidas en nosotros mismos (wearable tech), sensoresinterconectados y otros artilugios que nos permiten aprender en cualquier sitio o lugar que lo permita y a cualquier hora (lo que se hace es que se “expande” el concepto espacio-tiempo, algo fundamental en la era informacional de la que hablaba Manuel Castells).

e) La representación y uso de las principales fuentes de conocimiento tiene que cambiar para permitir nuevas formas de aprendizaje fuera de los procesos de aprendizaje del aula. La representación medial tradicional, por ejemplo libro (es decir, la unidad de texto) o película (es decir, unidad de material audio-video), tendrán que actuar como una semilla para una nueva estructura abierta que será personalizable y proporcionará el acceso a los datos que está disponible en todas partes, pero podrían ser tema de permanente y cambio. El objeto de conocimiento al que uno va o se dirige para aprender hacia el conocimiento está en todas partes y lugares/objetos, viene hacia ti para contextualizar el entorno donde estamos. De un aprendizaje descontextualizado a un aprendizaje contextualizado y de flujo de vida (Eduvida).

Esta investigación trabajará en algunas de las cuestiones planteadas, teniendo como objetivo abordar el gran reto de diseñar para el aprendizaje en las Smart Cities, siguiendo un enfoque holístico y multidisciplinario que aborda cuestiones relacionadas con la redefinición de los contenidos de aprendizaje, procesos, competencias y espacios.

Las ciudades, los pueblos y sus alrededores están evolucionando hacia una nueva dimensión en la que la infraestructura de información se convierte en un activo indispensable de nuestra vida, contribuyendo al desarrollo de infosistemas tecno-sociales, que abarcaría movilidad inteligente y logística de última milla, de la salud inteligente, del gobierno inteligente, cultura y el turismo inteligente, la sostenibilidad de los recursos naturales y la economía verde. Se espera que produzca la innovación social e, inevitablemente, conduce a preguntarse acerca de qué formas puede tomar la educación inteligente subrayado por todas las piezas que componen el mosaico de las infosistemas. Tal esfuerzo integrado de infourbanismo.

La infraestructura virtual, web y móvil, se integrarán más estrechamente con el paisaje físico – internet de cosas y lugares físicos sensibles con dispositivos de sensores -, y la incorporación de este último en un ecosistema complejo que llevará adelante la oportunidad de aprender de la vida cotidiana. Tecnologías, cada vez más integrados en los espacios cotidianos y artefactos, hará que los lugares no sólo sean más sensible, pero también sensible y, potencialmente, con una considerable coevolución (Lugares/Localizaciones mejoradas por el Aprendizaje) dará lugar a nuevos paisajes en los que uno puede experimentar, sin fisuras, la integración de lo físico y lo virtual. Esto llevará a cabo nuevos caminos en el desarrollo humano, de una expansión de lo sensomotor y de la conectividad junto con lo espacial en las ciudades.

La persona, considerada en toda su complejidad, se colocará en el centro de los contextos educativos y escenarios cada vez más ubicuos, complejos y orgánicos. Escenarios donde el papel mediador de la tecnología se ampliará con el tiempo a:

a)Fomentar las relaciones con los entornos naturales,

b) Filtrar el contenido necesario para apoyar experiencias significativas a nivel glocal.

c) Divulgar la información necesaria para aprender a manejar “en acción”, la complejidad de estática y dinámico, de contextos y procesos de aprendizaje.

d) Establecer pedagogías sobre rutas de aprendizaje en la misma ciudad o territorio.

En este escenario tan nuevo surgen muchas preguntas y esperar respuestas y soluciones, que en las próximas décadas se irán “mascando” y resolviendo sobre la misma práctica:

  • A través de qué camino educativo a todos, y especialmente los jóvenes, se convierten en ciudadanos conscientes de participación?
  • Reconocer los datos y su veracidad. Saber filtrarlos y adaptarlos a su entorno para las rutas de aprendizaje establecidas.
  • ¿Cómo vamos a aprender de los libros abiertos que están representados por las ciudades de arte, parques, agro-tecnología y los distritos industriales / productivas?. Nosotros en el día a día vamos construyendo nuestras notas particulares y nuestros libros colectivos.
  • ¿Cómo crear “espacios interconectados” (cospaces) para desarrollar rutas de aprendizaje?
  • ¿Cómo los datos provenientes de las áreas sensorizado y dispositivos personales serán elaborados para apoyar la conciencia colectiva y el aprendizaje continuo? ¿Qué conexiones, interacciones, hubs nos sirve para estas dinámicas?
  • ¿Cómo será nuestro comportamiento influenciado por el conocimiento de los mecanismos de coevolución y donde demarcar límites de los ecosistemas/tecnosistemas?
  • ¿La infraestructura educativa será lo suficientemente inteligente (y amplia) como para reajustar en tiempo real, incluso “autopoiéticamente”, para satisfacer las necesidades que cada uno pueda desarrollar toda la vida, en diferentes contextos?
  • ¿Le ‘ciudades inteligentes’ de aprendizaje ayuda a reforzar la inclusión social y un sentido común de pertenencia?

Alguna pregunta más que te hagas será bienvenida.

Construyendo los ecosistemas de futuro en los paisajes urbanos…. Continuamos.

Fuentes y referencias del artículo:

Buchem, I.Attwell, G. & Tur, G. (Eds.) (2013). The PLE Conference 2013. Learning and Diversity in the Cities of the Future. Berlin, Melbourne: Beuth University of Applied Sciences, Monash University. Retrieved July 20, 2014 from http://revistas.ua.pt/index.php/ple/issue/view/118 o https://ibuchem.files.wordpress.com/2014/07/pproceedings-ple13.pdf

http://www.mifav.uniroma2.it/inevent/events/scl13/?s=156

Campbell, T. (2012). Beyond Smart Cities: How Cities Network, Learn and Innovate. Abingdon, Oxon ; New York, NY: Routledge.
Learning Sessions « Smart Cities in Europe. (s. f.). Recuperado a partir de http://www.smartcitiesineurope.com/learning-sessions/
SALSA: Smart cities and language learning. (s. f.). Recuperado a partir de http://www.open.ac.uk/blogs/salsa/
Ambrose, S. A., Bridges, M. W., DiPietro, M., Lovett, M. C., & Norman, M. K. (2010). How Learning Works: Seven Research-Based Principles for Smart Teaching (1.a ed.). Jossey-Bass.
Chen, G., Kumar, V., Huang, R., & Kong, S.-C. (2015). Emerging issues in smart learning.
Giovannella, C., & Baraniello, V. (2012). Smart Cities Learning. Int. J. Digit. Lit. Digit. Competence, 3(4), 1–15. http://doi.org/10.4018/jdldc.2012100101
mar. (s. f.). About Smart Cities Learning: A revision of an Special Issue. Recuperado a partir de http://mperezsanagustin.wordpress.com/2013/08/21/about-smart-cities-learning-a-revision-of-an-special-issue/
Pedroni, M. (2012). Dynamic Maps’ Use in Smart-Cities Learning Contexts: International Journal of Digital Literacy and Digital Competence, 3(4), 33-49. http://doi.org/10.4018/jdldc.2012100103

 

El uso de dispositivos móviles para el aprendizaje

Esta es una presentación que hice para la UPTC (Universidad Pedagógica y Tecnológica de Colombia) en la sede de Duitama el 3 de octubre de 2013. Es un trabajo recopilatorio y que he trabajado consultando algunos de estos documentos (no he listado vídeos y post en blogs):

Berge, Z. L., & Muilenburg, L. (2013). Handbook of Mobile Education. Routledge.
Brazuelo Grund, F., & Gallego Gil, D. J. (2011). Mobile learning: los dispositivos móviles como recurso educativo. Alcalá de Guadaira (Sevilla): MAD.
Breuer, H., & Matsumoto, M. (2008). Mobile Learning across Expanding Contexts. In Proceedings of the 2008 Eighth IEEE International Conference on Advanced Learning Technologies (pp. 623–625). Washington, DC, USA: IEEE Computer Society. doi:10.1109/ICALT.2008.301
Brooks-Young, S. (2010). Teaching with the tools kids really use: learning with Web and mobile technologies. Thousand Oaks, Calif.: Corwin.
Dikkers, S. (2012). Mobile media learning: amazing uses of mobile devices for learning. [S.l.]: Lulu Com.
Guia mobile learning. (n.d.). Fundación Telefónica. Retrieved from http://laboratorios.fundaciontelefonica.com/wp-content/uploads/2013/01/Guia_MobLearning.pdf
Herrington, J., & Mantei, J. (2009). Design principles for mobile learning. Faculty of Education – Papers (Archive). Retrieved from http://ro.uow.edu.au/edupapers/88
Herrington, Jan. (n.d.). New technologies, new pedagogies: Mobile learning in higher education. Wollongong: University of Wollongong. Retrieved from http://www.academia.edu/188584/New_technologies_new_pedagogies_Mobile_learning_in_higher_education
Herrington, Jan, Reeves, T. C., & Oliver. (2010). A guide to authentic E-learning. New York: Routledge.
Lara, T. (2013, June 20). #MLEARNING Cuando el Caballo de Troya entró en el aula. Tíscar Lara. Blog. Retrieved from http://tiscar.com/2013/06/20/mlearning-cuando-el-caballo-de-troya-entro-en-el-aula/
Miller, C. (2013). New landscape of mobile learning: redesigning education in an app-based world. [S.l.]: Routledge.
mobiMOOC. (n.d.). mobiMOOC. Wiki. Retrieved from http://mobimooc.wikispaces.com/a+MobiMOOC+hello%21
Pachler, N., Bachmair, B., Cook, J., & Kress, G. (2009). Mobile Learning. Berlin: Springer US.
Quinn, C. N. (2011). Designing mLearning: tapping into the mobile revolution for organizational performance. San Francisco: Pfeiffer.
Quinn, C. N. (2012). The mobile academy: mLearning for higher education. San Francisco: Jossey-Bass.
Udell, C., Woodill, G., Forcum, M., & American Society for Training and Development. (2012). Learning everywhere: how mobile content strategies are transforming training.
VV.AA. (n.d.). Mobile Learning Infokits. JISC. Retrieved from http://www.jiscinfonet.ac.uk/infokits/mobile-learning/
Woodill, G. (2011). The mobile learning edge tools and technologies for developing your teams. New York: McGraw-Hill Professional. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&db=nlabk&AN=335761

Aprender desde el desorden y el caos

En el libro de Z. Bauman “44 cartas desde el mundo líquido” en el que en la carta 25 (¿Un mundo inhabitable para la educación? – Parte III) nos plantea este reto que sólo con técnicas de analítica de los datos y filtrado personal del conglomerado de datos, pero como es desconocido, resulta amenazador. Concepciones de un mundo que vivimos en medio de y que no hay una solución unívoca ni globalizada para tal reto. Z. Bauman nos dice.

La masa de conocimiento acumulado se ha convertido en el arquetipo contemporáneo del desorden y el caos. En esa masa, a semejanza de los misteriosos agujeros negros cósmicos, se han hundido y disuelto progresivamente todos los mecanismos ortodoxos de ordenación: los temas de relevancia, la asignación de importancia, las necesidades que determinan la utilidad y las autoridades que determinan el valor. La masa logra que sus contenidos parezcan uniformemente incoloros. En esa masa, podríamos decir, todos los fragmentos de información fluyen con el mismo peso específico, y para la gente que tiene vedado el derecho a reivindicar su propio criterio, pero que se ve zarandeada por las corrientes opuestas de las afirmaciones contradictorias de los expertos, no hay manera evidente, y mucho menos infalible, de separar el grano de la paja. Las parcelas de conocimiento forjadas, en esta masa, para consumo y uso personal sólo pueden evaluarse por su cantidad; no hay manera de comparar su calidad respecto de otras parcelas de la misma masa. Un bit de información equivale a cualquier otro. Los concursos televisivos son un fiel reflejo de esa nueva condición del conocimiento humano: toda respuesta correcta otorga al concursante el mismo número

de puntos, independientemente del tema de la pregunta y de su «peso específico» (¿cómo se podría medir ese peso específico?). Asignar importancia a los diversos bits de información, y en ese proceso, asignar más importancia a unos que a otros, es, quizá, la tarea más desconcertante y la decisión más difícil que se puede tomar. La única regla general que puede servir de orientación es la relevancia temática momentánea; pero, al cabo de un instante, los cambios de relevancia y los bits asimilados pierden su significación en cuanto han sido dominados (Nota: en la teoría del flijo en entornos de red esto acontece, a parte de lo escurridizo y olvidadizo que supone esta cantidad de datos). Como otros productos del mercado, son para un consumo instantáneo, en el acto, «de usar y tirar». […]

La educación adoptó muchas formas en el pasado y llegó a ser capaz de adaptarse a las circustancias cambiantes, estableciendo nuevos objetivos y diseñando nuevas estrategias. Pero, repito, el presente cambio no es como los cambios del pasado. En ningún punto de inflexión de la historia humana los educadores se han enfrentado a un desafío estrictamente  comparable con el que plantea el momento actual. Sencillamente, nunca hemos estado en una situación similar (Nota: por lo complejo que tiene y desafiante).  Aún no hemos aprendido el arte de vivir en un mundo sobresaturado de información. Ni tampoco el arte, inconcebiblemente difícil, de preparar a los seres humanos para esa vida.

 

Pero quizá estemos mirando para otro lado y no entra en juego en esta cita los intereses de la educación como negocio. Debemos desprendernos  de ese carácter atenazador y ajeno de la educación. A pasar a verlo  como un componente vital de nuestra propia existencia. La educación pasa por la vida de las personas, pero no hay un estadio de pertenencia, no es como algo ajeno e impuesto. Los datos deberán tener más “color” y filtrado para que sean más nuestros.

Seguimos por poco tiempo….

Learning Analytics – Análisis del aprendizaje

Ayer tuve la ocasión de escuchar la conferencia de George Siemens que dió en Buenos Aires sobre la evolución del paradigma del conectivismo. En el le plantearon un peegunta (en la que tuve ocasión de formular también) y me alegre por la respuesta (que ya más veces lo ha planteado así Siemens), ya que baso mucho del cambio en los procesos analíticos del aprendizjae y en la ciberinfraestructura an la era del Big Data para poder llevar acabo movimiento de cambio en el sistema educativo. Pasamos hablar de ello de manera informal y como si se tratara de pequeños apuntes del análisis del aprendizaje (Learning Analytics) y el movimiento del yo quantificado / autocuantificación (otra rama del yo aumentado de manera analítica).

En este tema aprenderás los conceptos básicos sobre Análisis del aprendizaje, lo que significa analítica para el aprendizaje, cómo y por qué queremos analizar el aprendizaje, y lo que los datos sobre educación nos puede decir sobre el aprendizaje y los aprendices.
Los sistemas electrónicos de aprendizaje y plataformas sociales recogen una gran cantidad de información acerca de sus usuarios. Almacenan no sólo los perfiles y las contribuciones que introduce el usuario, sino también una gran cantidad de datos de registro que cubren las interacciones del usuario con el sistema. El análisis del aprendizaje hace la pregunta de cómo podemos utilizar estos datos para nuestro beneficio (lo auto como forma de aprendizaje a través de los datos recibidos). ¿Qué puede decirnos estos datos acerca del usuario? ¿Cómo podemos utilizar los datos y la información contenida en ellos para mejorar el aprendizaje?

Consideraciones
El análisis del aprendizaje es un tema científico que dará mucho juego e interdisciplinariedad a la educación futura con dos fuerzas mayores: la propiamente académica y de extraer datos e interpretarlos para la mejora académica (tanto a nivel macro como micro) y la que es para mi modo de ver más interesante, como la posibilidad de mejorar del propio estudiante ante este aprendizaje sin límite y continúo, sin barreras y totalmente social. Para “el que aprende” (mejor que concepto estudiante) supone un feedback constante a sus logros, la trayectoria que he desarrollado a partir de investigaciones en análisis de redes y otras técnicas analíticas para la mejora del propio aprendiz. Supone un paso más allá en el empoderamiento y autonomía del aprendiz. Podría ser un nuevo “terremoto” en las instituciones educativas, pero no creo qeu vaya a ser así. Hay muchos intereses e inversiones para la ciberinfraestructura  en las plataformas tecnológicas para Análisis del aprendizaje. Eso si metodológicamente y teóricamente da nuevas dimensiones al concepto de (meta)aprendizaje y también en sus investigaciones interdisciplinares.

Análisis del aprendizaje como campo de conocimiento
El tema de análisis del aprendizaje es relevante para cualquier enfoque tecnológico que produce datos y conjuntos de datos. A partir de los datos, se extrae la información, que a su vez se convierte en (nuevo) conocimiento que se puede explotar de muchas maneras diferentes.
El análisis del aprendizaje como dominio de conocimiento se superpone con varias áreas de investigación similares, como la minería de datos educativos (campo interconectado con el aprendizaje analítico), también el  Machine Learning, Inteligencia empresarial (Business Intelligence) o los análisis de redes sociales (SN y SNA). A veces es difícil distinguir las diferencias, sino por el enfoque en el aprendizaje y por la focalización de la investigación.

Uso del análisis del aprendizaje
El análisis del aprendizaje  tiene como objetivo hacer visible para los usuarios la información invisible contenida en bases de datos educativos, para poder hacer un juicio más informado. Otro objetivo es procesar de forma inteligente los datos con el fin de predecir automáticamente recomendaciones de apoyo o el éxito o fracaso que pueda tener una comunidad de práctica o aprendizaje por sus insights. Aquí hay dos casos muestras de casos de uso del análisis del aprendizaje:

El profesor

Usando un Sistema de Gestión del Aprendizaje (LMS o VLE), un profesor puede obtener información del sistema sobre las actividades de los estudiantes del curso. Se pueden observar las actividades de carga y descarga de recursos de aprendizaje, publicaciones de discusión, intentos y resultados alcanzados por los estudiantes en tests. El análisis del aprendizaje les da una ventana para ver cómo los estudiantes están haciendo, cómo están comprometidos en el proceso de aprendizaje, y dónde pueden tener obstáculos o problemas. Las visualizaciones pueden identificar a los estudiantes que no rinden como se esperaba, lo que permite que los profesores investiguen con los respectivos alumnos, e intervengan con medidas correctivas apropiadas.
En este caso de uso, un profesor puede ver el proceso de aprendizaje y la participación de la clase en su conjunto, mientras que al mismo tiempo puede identificar posibles abandonos.

El aprendiz

Un aprendiz profesional en una red de aprendizaje utilizando una plataforma social web 2.0 puede ver no sólo cuáles son los recursos populares, sino que también puede recibir recomendaciones en función de sus intereses y lecturas. Además, mediante la aplicación de un componente de calificación social permite que el análisis del aprendizaje identifique los recursos que los amigos del aprendiz han valorado altamente. Utilizando el análisis de redes sociales (ARS) los recursos y las personas pueden estar vinculados, y permiten predecir y recomendar recursos interesantes para aprendices concretos sobre la base de lo que miran sus contactos.

Teoría

En esta sección se tratan los aspectos teóricos y perspectivas sobre el análisis del aprendizaje. Se compone de dos secciones principales: (a) las definiciones de análisis de aprendizaje, y (b) el marco del análisis del aprendizaje. La intención es obtener una mejor comprensión de lo que es el análisis del aprendizaje, y qué elementos son críticos, cómo se relacionan con otros campos de investigación o cómo difiere de ellos.
Para empezar en los conceptos teóricos del análisis del aprendizaje, echa un vistazo a la siguiente presentación de George Siemens. Da un buen panorama introductorio del análisis del aprendizaje y es una buena base para seguir estudiando.

Definiciones emergentes de análisis del aprendizaje

Poco a poco está evolucionando una comprensión común del análisis del aprendizaje. Hay varios enfoques iniciales para definirlo. Una forma es a partir de una hoja de papel en blanco y tratar de capturar lo que abarca el análisis del aprendizaje.
George Siemens tiene esta descripción que se cita más a menudo:

El análisis del aprendizaje es el uso de datos inteligentes, datos producidos por el aprendiz y modelos de análisis para descubrir información y conexiones sociales y predecir y asesorar sobre el aprendizaje.

* El informe  Horizon 2011usa esta redacción:

El análisis del aprendizaje se refiere a la interpretación de una amplia gama de datos producidos por y reunidos en favor de los estudiantes con el fin de evaluar el progreso académico, predecir el rendimiento futuro y detectar posibles problemas.

* En el contexto del congreso 2011 Learning and Knowledge Analytics (LAK11) se dice:

El análisis del aprendizaje es la medición, recopilación, análisis y presentación de datos sobre los aprendices y sus contextos, a efectos de entender y optimizar el aprendizaje y el entorno en que se produce.

* Nuestra propia definición está en general de acuerdo con los enfoques anteriores y de algunos de las referencias citadas al final, pero tiene una visión especial sobre los beneficios para el aprendiz.

El análisis del aprendizaje utiliza conjuntos de datos educativos de los sistemas digitales de aprendizaje, administración y sociales para analizar la posición del aprendiz y para beneficio y automejorar la eficacia del aprendizaje a través de la retroalimentación/feedback y la predicción.

Otra manera de definir el dominio es para diferenciarlo de disciplinas de investigación similares. La pregunta que debemos hacernos es ¿cómo difiere el análisis del aprendizaje (LA)  de la minería de datos educativos (Educational Data Mining, EDM), el aprendizaje automático, o el análisis de negocios educativos?

¿Cuál es la diferencia entre LA y EDM?
Siemens otra vez resumió esta relación como parental. Él considera que la EDM cubre el análisis del aprendizaje, así como el análisis académico, que él describe como los datos sobre el aprendizaje y datos sobre cosas relacionadas con el aprendizaje, como la administración, la investigación, etc. En nuestro modelo de marco, consideramos la EDM como uno de los posibles métodos que se pueden utilizar para el análisis del aprendizaje, pero no el único. El análisis de redes sociales, por ejemplo, sería otro método que se puede aplicar.

Diferencia entre LA e inteligencia empresarial
Otra cuestión clave es la diferencia entre análisis del aprendizaje y las técnicas de inteligencia empresarial. Divergemos del término análisis del aprendizaje en la medida en que lo consideramos demasiado impreciso para describir lo que contiene. Por lo general, se considera que abarca todo tipo de datos de organización, administrativos o de negocios. Sin embargo, nos gustaría diferenciar más precisamente entre análisis de negocios educativos (EBA) [Educational Business Analytics] y Análisis de Aprendizaje [Learning Analytics].

En esta distinción, el análisis del aprendizaje analiza los datos y la información que estrictamente se refiere al proceso de aprendizaje, incluyendo los datos de rendimiento. El análisis de negocios educativos sigue una estructura muy similar, pero utiliza los datos relacionados con el aprendizaje, administrativos y de negocios. Ejemplos de conjuntos de datos para EBA son los datos del libro de calificaciones (para la concesión de grados), los datos de los antecedentes de los estudiantes (por ejemplo, su lengua materna), o los datos de investigación (por ejemplo, índice de cotización/citas bibliográficas entre papers [quotation]).

Marco [framework] del análisis del aprendizaje

El tópico análisis del aprendizaje está estructurado en seis dimensiones fundamentales, mostradas en el diagrama de abajo. Cada una de estas dimensiones tiene instanciaciones que se ejemplifican en los ítems del rectángulo interior. Éstos son sólo ejemplos típicos y no una lista completa de posibles instanciaciones. En esta comunidad tópico usamos estas dimensiones y subdivisiones como mecanismo de etiquetado para categorizar nuevos ítems, tópicos de debate, posts de blogs y recursos de aprendizaje.

Las seis dimensiones son:
(a) Partes interesadas o stakeholders;

(b) Metas u objetivos;

(c) datos educativos;

(d) Métodos y tecnologías;

(e) Restricciones;

(f) Competencias.
Hay una presentación en slideshare que es bastante interesante al respecto.

Partes interesadas o actores del análisis del aprendizaje

Quiénes son los stakeholders del proceso de análisis del aprendizaje. Distinguimos dos tipos de partes interesadas: (1) Los sujetos/titulares de los datos y (2) los clientes de los datos.

Los sujetos de los datos son las acciones de las personas que están siendo analizadas, mientras que los clientes de datos son los que se benefician del análisis.
Ambos tipos de partes interesadas se puede llenar con cualquier persona o grupos, e incluso organizaciones enteras. Para que el análisis del aprendizaje cumpla su papel, por lo general los sujetos de los datos serían aprendices o grupos de aprendices, tales como clases. Sin embargo, cuando pensamos en organizaciones de aprendizaje, también podemos abarcar toda una institución o empresa. En la práctica, esto significa que las acciones del aprendiz  y el progreso se capturan registran y analizan.
Los clientes de datos son las personas que reciben la información que el análisis revela. En un ejemplo práctico típico, los profesores serían los clientes de los datos, para que puedan ver cómo están progresando sus estudiantes. En otro caso de uso, los estudiantes pueden ver su propia información, para que puedan reflexionar sobre sus actividades.

Objetivos del análisis del aprendizaje

El análisis del aprendizaje, dependiendo del diseño de aprendizaje en sus nuevas formas, servirá a un gran número de objetivos y metas de aprendizaje. Es importante diseñar el proceso de análisis con los objetivos bien claros.
Dos diferencias fundamentales en los objetivos son la reflexión y la predicción (relación con las técnicas del “análisis predictivo“). El primero permite a los estudiantes mirar su propio desempeño y ver cómo lo están haciendo (lo auto que comentaba más arriba), mientras que el segundo trata de predecir lo que podría hacerlo después. Esto es especialmente útil para personalizar la experiencia de aprendizaje, por ejemplo, mediante la sugerencia de los materiales de aprendizaje personales o trayectorias de aprendizaje, con base en lo que los aprendices ya saben.
Un ejemplo práctico comparable para los objetivos reflexivos sería una herramienta para la pérdida de peso que muestre el consumo diario de calorías en base a lo que se come y bebe. Con el uso de un panel de aprendizaje, la información sobre el consumo de calorías puede informar al usuario sobre cómo lo está haciendo en relación con el objetivo de perder peso.

Datos educativos

Los conjuntos de datos educativos son fundamentales para el análisis del aprendizaje. Cualquier resultado reflejará los datos en que se basa. A partir de los datos en bruto, que a menudo no son fáciles de leer (se debe tener competencia en visualizar y ver resultados “invisibles” u ocultos como pasa en un grafo social), las herramientas de análisis están extrayendo  información significativa que se pueda presentar al usuario (serán lso paneles del futuro en términos autoevaluativos). Aparte de cuadros estadísticos, visualizaciones ricas a menudo se utilizan para presentar los resultados y la información para el usuario final.
Hay diferentes tipos de conjuntos de datos de los cuales los más importantes son los siguientes:
Datos personales: datos sobre el individuo, tales como nombre, dirección, edad, etc.
Datos de interacción: datos sobre el comportamiento del usuario en el sistema, que pueden incluir mensajes en los foros, clasificaciones de estrellas, etc.
Datos de navegación: datos de navegación del usuario en el sistema, que enlaces siguió, mapas de calor/riesgo, etc.
Datos relacionales: conexiones relacionadas con el usuario: amigos, seguidores, a quién sigue, los recursos relacionados, etc. Técnicas de Análisis de Redes  Sociales (ARS).
Datos de contexto: datos que muestran el contexto el usuario está actualmente en: datos de ubicación, datos de sensores (movimiento, velocidad, etc.), etc.

Datos textuales: textos creados pro los propios aprendices que son evaluados con téccnicas de minería de forma transparente. Es lo que llamanos el Text Mining.
Los diferentes tipos de datos pueden disfrutar de diferentes niveles de protección y apertura. Los datos personales, por ejemplo, están legalmente protegido por las leyes de protección de datos. Los contextuales y relacionales pueden estar sujetos a normas de privacidad.

Apertura de los datos

Un punto de debate actual es la apertura y la disponibilidad de los datos educativos. La apertura de los datos es importante para compartirlos entre los investigadores con el fin de probar y confirmar los experimentos en diferentes entornos. La anonimización es un método que admite el intercambio de datos.
Cuestiones técnicas para el intercambio de datos son las siguientes:
Formato de datos: los formatos estandarizados son más fáciles de compartir y reutilizar
Historial de la versión: ¿cómo un cambio de conjunto de datos en el tiempo?
Descripción de los datos: ¿cuál fue el propósito de recoger el conjunto de datos? ¿cómo se usaron los datos?
Metainformación: autor, herramienta del colector, etc. Esta información es importante para hacer búsquedas en bases de datos

Análisis de métodos de aprendizaje
Hay que tener en cuenta la focalización de la investigación, aunque se puede usar y mezclar diferentes formas y maneras de forma algorítmica. Como parte del marco es de destacar que el método respectivo elegido (teoría, tecnología, algoritmo) determinará los resultados. Cada método incluye temas complejos relacionados con la precisión y el sesgo.
Los problemas de precisión pueden afectar a la aceptación por parte de los usuarios del servicio que se proporciona. En términos generales, un resultado preciso al 70%  puede ser excelente desde un punto de vista técnico, pero insuficiente desde el punto de vista del usuario. Por otro lado, si aún no hay ningún servicio disponible comparable, los usuarios podrían apreciar un nuevo servicio incluso si su exactitud no es 100%.
El sesgo incluye los supuestos que un desarrollador utiliza sobre sus usuarios. El sesgo está inherentemente diseñado en todos los sistemas, pero afectará a los resultados. Los usuarios tienen que ser conscientes del sesgo que muestra el sistema. A veces, los controles de calibración y el control de usuario pueden aliviar algunos de los sesgos.

Restricciones
En la dimensión “Restricciones” incluimos los aspectos que limitan la aplicación del beneficio del análisis del aprendizaje. Los problemas que pueden impactar directa o indirectamente a la aceptación o el efecto de los servicios del análisis del aprendizaje. Algunas de las limitaciones son las barreras (por ejemplo, las normas legales), otras son cuestiones más suaves que se relacionan con las preferencias de una persona (por ejemplo, los niveles de tolerancia) y disposición.
Los temas principales de esta dimensión son:

  • Requisitos legales con respecto a los que son trackeados.
  • Privacidad
  • Ética

Requisitos legales

Las restricciones legales en materia de análisis del aprendizaje son, por ejemplo, la protección de datos y los derechos de autor. Los datos que identifican a una persona están estrictamente protegidos en la mayoría de países occidentales, y el acceso a estos datos tiene que ser solicitada específicamente por la persona en cuestión. Los derechos de autor y la propiedad intelectual (IPR), por otro lado, limitan el intercambio de conjuntos de datos recogidos por herramientas propietarias. De hecho, la comunidad de intercambio de datos está investigando posibles maneras de aplicar licencias de distribución de conjuntos de datos para hacerlos reutilizables más ampliamente.

Privacidad

El análisis del aprendizaje y otros servicios de datos plantean serias dudas acerca de la privacidad de las personas. Aunque no protegidos tan rotundamente como los datos personales, el derecho a la privacidad es un principio fundamental para una sociedad democrática. Las regulaciones de privacidad incluyen entre otras cosas, el derecho a ser dejado solo o el derecho a formar su propia opinión. Dado que las tecnologías cada vez más recogen datos sobre el paradero, la conducta y los sentimientos de las personas, se perciben cada vez más como intrusión en la vida privada. A medida que la economía de datos evoluciona, tenemos que hacer la pregunta: ¿quién posee los datos de acciones y pensamientos de una persona?

Ética

Aplicar el análisis del aprendizaje en beneficio del aprendiz y otras partes interesadas, puede ser el objetivo original de los diseñadores del sistema, pero no hay garantía de que esto esté sucediendo realmente en la forma prevista. Ya que el análisis de los datos revela información acerca de personas o grupos de personas con características similares, puede dar lugar a prejuicios y discriminaciones confirmados en lugar de ayuda y apoyo. No hay forma real de proteger contra la información acerca de que una persona esté siendo utilizada como un mecanismo para ejercer presión con el fin de manipular en cierto comportamiento. Por lo tanto, tenemos que ser conscientes de que la libertad personal y la creatividad pueden sufrir.

Competencias

El despliegue beneficioso de servicios de análisis del aprendizaje requiere algunas competencias de alto nivel en el grupo de usuarios objetivo. Los resultados no deben tomarse superficialmente, cuestionados críticamente. La evaluación de los resultados presentados, que a menudo se sitúan en una interfaz agradable y brillante, no es fácil, sobre todo porque los métodos subyacentes (véase allí) no son transparentes en los resultados. Para aclarar este punto, tomemos el ejemplo presentado con el número 4. Esto puede ser el resultado de una adición (2 +2), resta (6-2) o incluso un nivel de cálculo más alto (2 al cuadrado). Aún es más irritante si el resultado se basa en un cálculo erróneo (5-3, por supuesto, no es igual a 4). Así que ser crítico y exigente en cuanto a la forma en que se obtienen los resultados nunca es malo.
Entre las competencias clave necesarias para el uso beneficioso del análisis del aprendizaje están las siguientes:

  • habilidades de pensamiento crítico
  • habilidades de evaluación
  • alfabetización digital
  • autodirección y autoaprendizaje

Métodos de análisis del aprendizaje

En “método” entendemos el enfoque técnico y teórico en el que se basa el proceso de análisis. Esto incluye:

Tecnologías

Teorías

Algoritmos

Ejemplos de fundamentos teóricos son las diversas teorías pedagógicas, pero también pueden proceder de diferentes ámbitos como la teoría del caos, el conectivismo o Teoría del Actor-Red.
Los algoritmos son el conductor de una tecnología en particular usando variables específicas, indicadores y puntos de activación. Están específicamente diseñadas y probadas fórmulas matemáticas que convierten números y otros datos en información útil.
Una variedad de tecnologías son de importancia para el análisis del aprendizaje. Algunas de ellas, de las que hemos hecho referencia:

  • La minería de datos
  • El aprendizaje automático
  • El análisis de redes
  • Estadística
  • Técnicas de sensores

El análisis del aprendizaje se extiende por todo el ámbito y el alcance de la actividad en la educación superior, que afectan a los recursos de administración, investigación, enseñanza y aprendizaje, y el apoyo. La universidad, por lo tanto, debe convertirse en una más intencional, la organización inteligente, con datos, pruebas y análisis que juegan un papel central en esta transición.
Cómo el Big Data (y también lo analítico por extensión) y el análisis de aprendizaje puede influir y cambiar el paradigma actual en Educación Superior, tal como nos comentan George Siemens y Phil Long:

  1. Se puede mejorar la toma de decisiones administrativas y de organización asignación de recursos.

  2. Se puede identificar a los alumnos de riesgo y proporcionar una intervención para ayudar a los estudiantes para lograr el éxito. Mediante el análisis de los mensajes enviados de discusión, tareas completadas, y los mensajes leídos en el LMS como Moodle y Desire2Learn, los educadores pueden identificar a los estudiantes que están en riesgo de abandonar out.13

  3. Pueden crear, a través de información transparente y analítica, con una comprensión compartida de los éxitos de la institución  y  que

  4. ..desafíos pueden innovar y transformar el sistema de universitario, así como los modelos académicos y los enfoques pedagógicos.

  5. Ellos pueden ayudar a dar sentido a los temas complejos a través de la combinación de las redes sociales y las redes técnicas y de información: es decir, los algoritmos pueden reconocer y proporcionar información sobre los datos y los desafíos a solucionar (se hace visibles problemas latentes).

  6. Ellos pueden ayudar a la transición a los líderes holístico y distribuidos a la  toma de decisiones a través de análisis de escenarios hipotéticos y la experimentación para explorar cómo diferentes elementos dentro de una disciplina compleja (por ejemplo, los estudiantes de contención, la reducción de costos) la conexión y para explorar el impacto del cambio de los elementos básicos.

  7. Se puede aumentar la productividad de la organización y la eficacia al proveer información actualizada y permitiendo una respuesta rápida a los desafíos.

  8. Ellos pueden ayudar a los líderes institucionales a determinar o resolver asuntos grandes y pesados (por ejemplo, las patentes, la investigación) o de carácter más suave (por ejemplo, , la reputación, el perfil, la calidad de la enseñanza) por el valor generado de las actividades del propio cuerpo docente.

  9. Ellos pueden proporcionar a los estudiantes con la información sobre sus hábitos de aprendizaje propios y puede dar recomendaciones para su mejora. El aprendizaje-que se enfrentan los análisis) para comprobar la actividad, permite a los estudiantes a “comparar su propia actividad. . . en contra de un resumen anónimo de sus compañeros del curso.

Dejó la presentación que he presentado en “1er Summer Course en redes sociales y 1er workshop de investigación en análisis de redes sociales” y he intentando dar unos apuntes sobre este estadio emergente del aprendizaje:

Una infrografía explicativa:

Fuente: Learning Analytics: Leveraging Education Data – An infographic by the team at Open Colleges

Referencias:

Ali, L., Hatala, M., Gašević, D., & Jovanović, J. (2012). A qualitative evaluation of evolution of a learning analytics tool. Computers & Education, 58(1), 470–489. Retrieved from http://dl.acm.org/citation.cfm?id=2072695.2073062

Atkisson, M., & Wiley, D. (2011). Learning analytics as interpretive practice. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 117). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090133

Bader-Natal, A., & Lotze, T. (2011). Evolving a learning analytics platform. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 180). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090146

Bakharia, A., & Dawson, S. (2011). SNAPP. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 168). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090144

Blikstein, P. (2011). Using learning analytics to assess students’ behavior in open-ended programming tasks. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 110). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090132

Buckingham Shum, S., & Deakin Crick, R. (2012, March 7). Learning dispositions and transferable competencies: pedagogy, modelling and learning analytics. Retrieved from http://oro.open.ac.uk/32823/1/SBS-RDC-LAK12-ORO.pdf

Cacciamani, S., Cesareni, D., Martini, F., Ferrini, T., & Fujita, N. (2012). Influence of participation, facilitator styles, and metacognitive reflection on knowledge building in online university courses. Computers & Education, 58(3), 874–884. Retrieved from http://dl.acm.org/citation.cfm?id=2108328.2108524

Conference Chair-Long, P., Conference Chair-Siemens, G., Program Chair-Conole, G., & Program Chair-Gašević, D. (2011). Proceedings of the 1st International Conference on Learning Analytics and Knowledge. Retrieved from http://dl.acm.org/citation.cfm?id=2090116

De Liddo, A., Shum, S. B., Quinto, I., Bachler, M., & Cannavacciuolo, L. (2011). Discourse-centric learning analytics. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (pp. 23–33). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090120

Duval, E. (2011). Attention please! Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (pp. 9–17). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090118

Ferguson, R. (2012). The State of Learning Analytics in 2012: A Review and Future Challenges. Retrieved from http://kmi.open.ac.uk/publications/pdf/kmi-12-01.pdf

Ferguson, R., & Shum, S. B. (2011). Learning analytics to identify exploratory dialogue within synchronous text chat. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 99). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090130

Fournier, H., Kop, R., & Sitlia, H. (2011). The value of learning analytics to networked learning on a personal learning environment. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 104). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090131

Haythornthwaite, C. (2011). Learning networks, crowds and communities. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (pp. 18–22). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090119

Haythornthwaite, C., de Laat, M., & Dawson, S. (2012). Introduction to Learning Analytics and Networked Learning Minitrack. 2012 45th Hawaii International Conference on System Sciences (pp. 3357–3357). IEEE. Retrieved from http://dl.acm.org/citation.cfm?id=2116261.2117324

Learning analytics and complexity | The Weblog of (a) David Jones on WordPress.com. (n.d.). Retrieved July 31, 2012, from http://davidtjones.wordpress.com/2012/06/24/learning-analytics-and-complexity/

Leony, D., Pardo, A., de la Fuente Valentín, L., de Castro, D. S., & Kloos, C. D. (2012). GLASS. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge – LAK  ’12 (p. 162). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2330601.2330642

Lockyer, L., & Dawson, S. (2011). Learning designs and learning analytics. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 153). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090140

Pardo, A., & Kloos, C. D. (2011). Stepping out of the box. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 163). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090142

Petrushyna, Z., Kravcik, M., & Klamma, R. (2011). Learning Analytics for Communities of Lifelong Learners: A Forum Case. 2011 IEEE 11th International Conference on Advanced Learning Technologies (pp. 609–610). IEEE. Retrieved from http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=5992412&contentType=Conference+Publications

Romero-Zaldivar, V.-A., Pardo, A., Burgos, D., & Delgado Kloos, C. (2012). Monitoring student progress using virtual appliances: A case study. Computers & Education, 58(4), 1058–1067. Retrieved from http://dl.acm.org/citation.cfm?id=2133838.2133897

Siemens, G. (2012). Learning analytics. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge – LAK  ’12 (p. 4). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2330601.2330605

Siemens, G., & Baker, R. S. J. d. (2012). Learning analytics and educational data mining. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge – LAK  ’12 (p. 252). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2330601.2330661

The NMC Horizon Report: 2012 Higher Education Edition. (n.d.).New Media Consortium. Retrieved from http://www.eric.ed.gov/ERICWebPortal/search/detailmini.jsp?_nfpb=true&_&ERICExtSearch_SearchValue_0=ED532397&ERICExtSearch_SearchType_0=no&accno=ED532397

Vatrapu, R. (2011). Cultural considerations in learning analytics. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 127). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090136

Vatrapu, R., Teplovs, C., Fujita, N., & Bull, S. (2011). Towards visual analytics for teachers’ dynamic diagnostic pedagogical decision-making. Proceedings of the 1st International Conference on Learning Analytics and Knowledge – LAK  ’11 (p. 93). New York, New York, USA: ACM Press. Retrieved from http://dl.acm.org/citation.cfm?id=2090116.2090129

Más desde mi Bookends:

Blikstein, P. (2011). Using learning analytics to assess students’ behavior in open-ended programming tasks. Actas de Proc. of the Learning Analytics Knowledge Conference, Banff,. Recuperado de http://dl.acm.org/ft_gateway.cfm?id=2090132&ftid=1075980&dwn=1

Lytras, M. D., Pablos, P. O. d., Damiani, E., Avison, D., Naeve, A., & Horner, D. G. (Eds.). (2009). Best Practices for the Knowledge Society. Knowledge, Learning, Development and Technology for All: Second World Summit on the Knowledge Society, WSKS 2009 Chania, Crete, Greece, September 16-18, 2009 Proceedings (Vol. 49). Berlin: Springer.

Shum, S. B., & Ferguson, R. (2012). Social learning analytics. Available as: Technical Report KMI-11-01, Knowledge Media Institute, The Open University, UK. http://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf

Siemens, G. (2010). What are Learning Analytics? Recuperado el 24 de septiembre del 2010 en http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/

Siemens, G. (2010). What are learning analytics. Retrieved March, 10, 2011.

Veletsianos, G. (Ed.). (2010). Emerging Technologies in Distance Education. Athabasca, CA: AU Press.

Cómo aprenden los estudiantes: siete principios para un óptimo aprendizaje

Front: How Learning Works: Seven Research-Based Principles for Smart Teaching (Ed. Jossey-Bass)

Cualquier conversación sobre aprendizaje eficaz o auténtico debe comenzar con una consideración de cómo aprenden los estudiantes. Sin embargo, los instructores pueden encontrar una diferencia entre los recursos que se centran en la investigación técnica en el aprendizaje y los que proporcionan estrategias prácticas en el aula. Este libro intenta crear un puente para tal brecha.

En este volumen, los autores introducen siete principios generales del aprendizaje, derivados de la literatura de investigación de esta área, así como de veintisiete años de experiencia de los disitintos autores como profesores. Se han basado en la investigación desde la amplitud de perspectivas (estudios de neurociencia cognitiva, de psicología social y desarrollo, de la investigación educativa, de la antropología, de la demografía y del comportamiento/aprendizaje organizacional) para identificar una serie de principios clave que subyacen en el aprendizaje de cómo una organización eficaz mejora la recuperación y uso de la información, así cómo la mejora estratégica para una buena motivación.

En otras palabras, los profesores necesitan un puente entre la investigación y la práctica, entre la enseñanza y el aprendizaje. Por eso se necesitan libros como este para tener un buen feedback (por lo menos ami a la hora de formar al profesorado) sobre la práctica profesional para mejorar la calidad de formación del profesorado.

Estos autores del libro comentan lo siguiente:

Mientras que trabajamos con los profesores para explorar las fuentes de estos problemas, recurrimos a la investigación sobre el aprendizaje, y a partir de esta investigación se destilan siete principios, cada uno de los cuales cristaliza en un aspecto clave del aprendizaje del estudiante. Estos principios se han convertido en la base de nuestro trabajo. No sólo los hemos encontrado indispensables en nuestra propia enseñanza y en nuestras consultas con el profesorado, sino que a medida que hemos hablado y trabajado con miles de profesores de todo el mundo, también hemos encontrado que los principios resuenan a través de las disciplinas, tipos de instituciones culturas, desde América Latina hasta Asia. En nuestra experiencia, estos principios proporcionan a los instructores un entendimiento del aprendizaje de los estudiantes que pueden ayudarles a (a) ver por qué ciertos enfoques de enseñanza apoyan o no el aprendizaje de los estudiantes, (b) generar o perfeccionar los enfoques de la enseñanza y estrategias que sean más efectivas para fomentar el aprendizaje del estudiante en contextos específicos, y (c) transferir y aplicar estos principios a los nuevos cursos (p. 2).

 

En este libro se define el aprendizaje como un proceso que conduce al cambio, que se produce como resultado de la experiencia y aumenta el potencial de mejorar el rendimiento y el aprendizaje futuro ( esta adaptado del libro de Clark Mayer de 2002 entre otros). Hay tres componentes críticos en esta definición:

  1. El aprendizaje es un proceso, no un producto. Sin embargo, dado que este proceso tiene lugar en la mente, sólo podemos inferir que ha ocurrido a partir de los productos o actuaciones de los estudiantes.
  2. El aprendizaje conlleva cambio en el conocimiento, creencias, conductas y actitudes. Este cambio se despliega a lo largo del tiempo. No es efímero sino que tiene un impacto duradero sobre cómo los estudiantes piensan y actúan.
  3. El aprendizaje no es algo dado a los estudiantes, sino algo que los estudiantes crean por sí mismos. Es el resultado directo de cómo los estudiantes interpretan y responden a sus experiencias, conscientes e inconscientes, pasadas y presentes.

LOS SIETE PRINCIPIOS DEL APRENDIZAJE

Nuestros siete principios del aprendizaje provienen de una perspectiva interdisciplinar y holística. En otras palabras, parten del reconocimiento de que

a) el aprendizaje es un proceso de desarrollo que se cruza con otros procesos de desarrollo en la vida de un estudiante, y

(b) los estudiantes entran a las aulas, no sólo con destrezas, conocimientos y habilidades, sino también con experiencias sociales y emocionales que influyen en lo que valoran, en cómo se perciben a sí mismos y perciben a los demás, y cómo van a participar en el proceso de aprendizaje (un análisis de sus costumbres, formas y maneras de aprender).
En los siguientes párrafos resumimos brevemente cada uno de los principios en el orden en que se analizan en el libro y que cada capítulo trata uno de los principios:
* El conocimiento previo de los estudiantes puede ayudar o dificultar el aprendizaje.
Los estudiantes vienen a nuestros cursos con los conocimientos, las creencias y las actitudes adquiridas en otros cursos y en la vida diaria. Como los estudiantes traen este conocimiento para tener en nuestras aulas, influyen en cómo filtrar e interpretar lo que están aprendiendo. Si el conocimiento previo de los estudiantes es robusta y precisa y se activa en el momento apropiado, entonces proporciona una base sólida para la construcción de nuevos conocimientos. Sin embargo, cuando el conocimiento es inerte, insuficiente para la tarea, que se activa inapropiadamente, o inexacta, puede interferir con o impedir un nuevo aprendizaje

* Cómo los estudiantes organizan el conocimiento influye en cómo aprenden y aplican lo que saben

Los estudiantes hacen conexiones de manera natural entre piezas de conocimiento. Cuando esas conexiones forman estructuras de conocimiento que son precisas y están significativamente organizado, los estudiantes son más capaces de recuperar y aplicar sus conocimientos de manera eficaz y eficiente. En contraste, cuando el conocimiento está conectado de manera inexacta o aleatoria, los estudiantes pueden no recuperar o aplicarlo de manera apropiada. Es un principio conectivista y que atiende a unos principios emergentes a partir de un caos de datos e informaciones.

* La motivación de los estudiantes determina, dirige y sostiene lo que hacen para aprender.

Cuando los estudiantes ingresan en la universidad y obtienen una mayor autonomía sobre qué, cuándo y cómo estudiar y aprender, la motivación juegará un papel fundamental en la orientación de la dirección, intensidad, persistencia y calidad de los comportamientos de aprendizaje en las que participen. Cuando los estudiantes encuentran un valor positivo en un objetivo de aprendizaje o actividad, esperan alcanzar con éxito un resultado de aprendizaje deseado, y perciben el apoyo de su entorno, es probable que estén muy motivados para aprender.

* Para desarrollar la maestría, los estudiantes deben adquirir habilidades componentes, practicar su integración y saber cuándo hay que aplicar lo que han aprendido.
Los estudiantes deben desarrollar no sólo las habilidades de los componentes y el conocimiento necesario para realizar tareas complejas, también deben practicar su combinación e integración para desarrollar una mayor fluidez y automaticidad. Por último, los estudiantes deben aprender cuándo y cómo aplicar las habilidades y los conocimientos que aprenden. Como instructores, es importante que desarrollemos la conciencia de estos elementos de dominio con el fin de ayudar a nuestros estudiantes a aprender más efectivamente.

* La práctica orientada por el objetivo junto con la retroalimentación dirigida mejora la calidad del aprendizaje de los estudiantes.
El aprendizaje y la ejecución se desarrollan mejor cuando los estudiantes se involucran en la práctica que se centra en un objetivo o criterio específico, se dirige a un nivel apropiado de desafío y es de suficiente cantidad y frecuencia para satisfacer los criterios de rendimiento. La práctica debe ir acompañada de retroalimentación que comunica explícitamente para algún aspecto(s) del desempeño de los estudiantes en relación con los criterios específicos, aporta información para ayudar a los estudiantes a progresar en el cumplimiento de estos criterios, y se da en un momento y con la frecuencia que le permita ser útil.

* Los estudiantes no son seres sólo intelectuales, sino también sociales y emocionales, y todavía están desarrollando una amplia gama de habilidades intelectuales, sociales y emocionales. Si bien no podemos controlar el proceso de desarrollo, podemos dar forma a los aspectos intelectuales, sociales, emocionales y físicos del clima del aula en formas de desarrollo apropiadas. De hecho, muchos estudios han demostrado que el clima que creamos tiene implicaciones para nuestros estudiantes. Un clima negativo puede impedir el aprendizaje y el rendimiento, pero uno positivo puede activar el aprendizaje de los estudiantes.

* Para convertirse en aprendices auto-dirigidos, los estudiantes deben aprender a controlar y ajustar sus enfoques del aprendizaje.
Los estudiantes pueden participar en una variedad de procesos metacognitivos para monitorear y controlar su aprendizaje, evaluando la tarea en cuestión, sus propias fortalezas y debilidades, planificando y aplicando su enfoque y vigilando estrategias diversas y reflexionando sobre el grado en que su enfoque actual está funcionando de trabajo. Desafortunadamente, los estudiantes tienden a no participar en estos procesos de forma natural. Cuando los estudiantes desarrollan las habilidades para emplear estos procesos, adquieren hábitos intelectuales que no sólo mejoran su rendimiento, sino también su eficacia como aprendices.

¿QUÉ HACE QUE ESTOS PRINCIPIOS SEAN POTENTES?
La potencia principal de estos siete principios es que se basan directamente en la investigación y están diseñados sobre la base de la literatura cognitiva, de desarrollo y de psicología social, de antropología, educación y estudios de diversidad y la investigación dirigida no sólo en educación superior, sino también en la educación K-12. Aunque, por supuesto, no se trata de una revisión exhaustiva y cualquier resumen de la investigación necesariamente simplifica una serie de complejidades en aras de la accesibilidad, creemos que nuestras discusiones sobre la investigación que subyace a cada principio son fieles a la erudición y describen las características del aprendizaje sobre las que existe un amplio acuerdo. De hecho, varios de nuestros principios convergen con los que otros han delineado  (Pittsburgh Science of Learning Center, 2009; American Psychological Society, 2008), una convergencia que creemos que da fe de su relevancia.

No sólo estos principios están basados en la investigación, sino que a medida que los hemos compartido con colegas a lo largo de los años, hemos encontrado que son:

  • Independientes del dominio: se aplican igualmente bien en todas las disciplinas, desde biología al diseño de la historia de la robótica. Los factores fundamentales que afectan a la manera en que los estudiantes aprenden trasciende las diferencias disciplinarias.
  • Independientes de la experiencia: se aplican a todos los niveles educativos y situaciones pedagógicas. En otras palabras, a pesar de las implicaciones pedagógicas de que un principio será un poco diferente para los estudiantes de primer año de licenciatura en un entorno de laboratorio que para los estudiantes graduados en un entorno de estudio, el principio sigue siendo válido.
  • Relevantes transculturalmente: aunque la investigación a la que nos referimos se ha llevado a cabo principalmente en el mundo occidental, los colegas profesores de otros países se han hecho eco de los principios, encontrándolos relevantes para sus propias clases y estudiantes. Sin embargo, es importante tener en cuenta que la cultura puede y debe influir en cómo los principios se deben aplicar a medida que los instructores diseñan y enseñan en sus cursos.

Referencia:

Ambrose, S. A., Bridges, M. W., DiPietro, M., Lovett, M. C., & Norman, M. K. (2010). How Learning Works: Seven Research-Based Principles for Smart Teaching (1st ed.). San Francisco: Jossey-Bass.
Older posts