Warning: Use of undefined constant get_magic_quotes_gpc - assumed 'get_magic_quotes_gpc' (this will throw an Error in a future version of PHP) in /home/customer/www/fernandosantamaria.com/public_html/blog/wp-content/plugins/cforms/lib_functions.php on line 339
aprendizaje | Blog de Fernando Santamaría - Part 2

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

Etiqueta: aprendizaje (página 2 de 9)

Knowit: aplicación para la evaluación evidencial de tu flujo informacional

Mi círculo en Knowit con los temas que trato en Twitter

Knowit es una herramienta gratuita que trata de dar sentido al caos de los medios sociales (en este caso mediante Twitter es su registro). Cuando te registras, Knowit recorre los enlaces que compartes en Twitter, automáticamente los clasifica y hace inferencias acerca de su experiencia. Procesos automatizados de inferencia (siguente paso poder personalizar esos algoritmos y que se adapten a tus circunstacias). A continuación, construye un perfil sencillo, pero rico en información, estableciendo un perfil de su conocimiento o difusión de él, más concretamente. Una vez que la historia de su aprendizaje informal se ha reunido, se puede utilizar para documentar su desarrollo profesional, aprender con mayor eficacia, e incluso utilizarlo en su CV u hoja de vida para dar a los responsables de contratación de encontrar algo positivo en el perfil de los medios de comunicación social y ayudar a dar un poco sentido de lo que habla uno en los medios. En mi caso resalta la palabra learning. Todavía hay cuestiones sin implementar.

La palabra/etiqueta Knowledge esta relacionada con learning, environment, data, computer y business, dando idea de su dimensionalidad relacional.

Creemos que la evaluación del futuro no se basan en pruebas o tareas, sino que se deriva de la totalidad de su trabajo en línea. Todavía esta muy verde pero la evaluación sobre la red se ve sobre criterios de evidencia, y claro la inclusión de análisis textual y de imágenes/vídeos como parte de la analítica. Se deben cruzar determinadas bases de datos para establecer algo con más peso. Obviamente estamos todavía en las primeras etapas de este tipo de capacidad, pero las nuevas empresas están empezando a aparecer en este nicho.
Mi Knowit: http://knowitapp.com/lernys

Mi CV visual: http://vizualize.me/fernando.santamaria?r=fernando.santamaria

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….

Nuevas plataformas de aprendizaje en el contexto de educación superior global (I)

Hay tres plataformas de LMS ( por llamarlo de la manera más clásica ya que integran abertura y networking en su diseño. Seguro que hay más y saldrán más en este contexto global) que están creando un paso más allá de lo que entendemos por aprendizaje online hasta ahora. Se trata de Lore, Canvas Network y OpenClass.
Todo lo que mueve alrededor la forma y la filosofía xMOOC es muy potente y hará que en los próximos años muchas universidades de todo el mundo tengan que cambiar las perspectivas de formación y abrirse a la intrincada selva del exterior con acuerdos y sinergias para no quedar aislado y muerto de forma agónica. Los potenciales valdores de una institución universitaria como son los estudiantes podrán hacerlo en cualquier universidad del mundo y a un precio irrisorio. Otra cuestión es que  vaya ser la panacea ante las desigualdades educativas. Como han dicho algunos autores de que va ser posible mejorar la formación en países del tercer mundo. Este es un tema para otro post más extenso que estoy elaborando sobre los MOOCs. La globalización en la educación superior ha entrado a gran velocidad.

Lore

En julio se presentó la plataforma Lore, antes conocido como Coursekit.
Esta nueva versión no es sólo una actualización, sino una construcción completamente nueva que se ha ido creando en el primer semestre de 2012. Su CEO y cofundador, Joseph Cohen, ha dicho que su objetivo con Lore es llegar a ser una comunidad global interconectada de estudiantes y profesores, y algunas de las nuevas características introducidas como una buena experiencia de usuario con su diseño.
Lore no se parece en nada a los competidores establecidos en el espacio de la educación, es muy por delante de la curva e incluso en comparación con los últimos estándares de diseño web.
J. Cohen abandonó la Universidad de Pennsylvania hace más de un año para crear su visión de la educación a distancia.

Hay una serie de características en Lore que son las siguientes:

Cuidado diseño en los perfiles: Los profesores y estudiantes ahora obtendrán un perfil personal que les permite mostrar sus antecedentes, logros académicos y aspiraciones (como un portafolio integrado y relacional a otros perfiles).
Los nuevos perfiles parecen una mezcla entre about.me y perfiles de redes sociales populares como Facebook, LinkedIn o Google +. La gente puede agregar su curriculum vitae, enlaces a sitios web o blogs y el perfil muestra también lo que la persona es en el mundo educativo. Me imagino que este tipo de perfil funciona bastante bien para los estudiantes que están buscando una pasantía o un trabajo. Ellos simplemente puede añadir su URL de perfil a la CV o, en algunos casos, sustituir el CV completo con el perfil de Lore.

Para hacer los cursos abiertos y globales: el segundo gran cambio permite a los instructores para que abran sus cursos al mundo. El público ahora puede auditar cursos abiertos similares a plataformas como Udacity o Coursera.

En momentos en que el contenido se convierte en mercancía lo que establece una plataforma o servicio, aparte de que el otro es la capacidad de crear contexto de todo el contenido. En el caso de Lore este contexto tiene su valor en  la comunidad. Tiene una sección de Grupos Académicos. Esta comunidad se inicia con el instructor y los estudiantes de un curso en particular, pero no termina ahí. Al igual que en los estudiantes de Facebook tienen la capacidad de hablar e interactuar unos con otros fuera de la carrera o escuela.


Desde su lanzamiento hace aproximadamente un año, más de 600 profesores se han inscrito en Lore, algunos de ellos enseñando en Harvard, Princeton y Stanford. PayPal co-fundador y Lore inversionista Peter Thiel, Lore utilizado para enseñar «Computer Science 183: Start-up» de Stanford en la primavera pasada (no encuentro ya enlace).

Por último, pero no menos  Lore es de uso libre y de acuerdo con el sitio web que siempre se mantendrá de esa manera. En su página en la sección de Ayuda nos dicen:

Lore is totally free (and always will be). We have great investors who enable us to focus on building great products for students and instructors without having to charge.

Por lo tanto, si se es un instructor/facilitador/profesor se puede hace uso de forma individual para llevar a cabo tus cursos por aquí.

Otra de las cuestiones que se plantean es hacer negocio con ello. En un futuro cercanao poder poner a disposición cobros por contenidos (claro está detrás Paypal). A este respecto comentan ante la posibilidad de ganar dinero por parte de J Cohen:
“Nuestro modelo de negocio es muy diferente de otros proveedores de sistemas de gestión de aprendizaje, ya que no se dirigen a las escuelas en su totalidad, sino más bien cursos individuales. Todo se reduce a la idea de que una plataforma con millones de estudiantes y profesores es muy valioso, ya que podría ser aprovechada para la distribución de contenidos y software. Hay muchas posibilidades para el futuro, pero por ahora nuestra atención se centra en la construcción de la plataforma y proporcionar una gran experiencia.”

Actualización:

Podemos poner un LMS gratuito para dar cursos de tipo xMOOC. Esto es, la contraofensiva de Blackboard (perteneciente a esta empresa) con CourseSites. Lo trataremos en los siguientes artículos.

Referencias de interés:

Continuará en una segunda parte

El aprendizaje en las ciudades inteligentes (smart cities)

Llevo dándole vueltas a la idea de aprendizaje y formación que irá más allá de lo abierto, interactivo-social y lo global (glocalizado), siendo de un tipo de interacción más compleja y sensitiva a los cambios y movimientos del actor que se encuentra en el entorno de aprendizaje ambiental (muchos de estas elucubraciones futuras parten del aprendizaje ambiental (ambient learning, otro paper y otro más) junto con el concepto de la visualización de la información de carácter ambiental.

Se trata del aula de la vida de cada persona, sin los constreñimientos de una institución educativa para aprender.

Me gustaría poder asistir a congresos como el de «Horizon 2020: Smart Cities Learning»  o en el «SciLearn 2012: Learning within and from Smart Cities«, y que tiene relación con las formas por venir de aprendizaje en el mismo proceso de la vida y es donde habría que plantear las auto-instrucciones y algoritmos para el mismo aprendizaje mientras se camina por la trayectoria vital. Esto es, lo que desarrollé en el TEDxLeón con «Eduvida: una nueva educación«, rompiendo con el concepto de espacio para el aprendizaje, con el concepto de profesor/tutor y con la concepción que tenemos ahora de educación como esfuerzo y trabajo para conseguir algo (eso si habrá negocio por todos los intersticios (o esquinas) de esa ciudad inteligente, o lo que es lo mismo abierto, pero pasando por caja.

En estos congresos que comento más arriba describen que vamos viendo que las ciudades están evolucionando hacia una nueva dimensión en la que la infraestructura de información se convierte en un activo indispensable para nuestras vidas y que contribuye al desarrollo de tecno-ecosistemas que abarcan la «movilidad inteligente y la logística de último tramo», como puede ser en  la salud inteligente, en los procesos autocuantificados para la automejora, de la administración inteligente (eso esperamos), de aspectos de la cultura y el turismo inteligente, de la sostenibilidad de los recursos naturales y la economía verde. Tal esfuerzo integrador de info-urbanismo se espera que produzca un nuevo filón de innovación social e, inevitablemente, conduzca a preguntarse acerca de qué formas puede adoptar la educación inteligente y autopersonal (uno será el garante de su propia trayectoria educativa y de sus propios recursos sin asistir a universidades ni escuelas como lo entendemos hoy. Donde estar en centros educativos no será lo más efectivo para el aprendizaje, subrayado que todas las piezas que componen el mosaico de los ecosistemas de información será mucho más complejo en capas de actuación e interacción con los objetos y el medio ambiente.
La infraestructura híbrida, sobre todo para dispositivos móviles, se integrarán más estrechamente con el paisaje físico (es lo que llamamos la visualización ambiental y su relación con la arquitectura como en este paper de Carlos Ramos y el concepto de movilidad para el aprendizaje como si se tratara de una geografía imaginaria, una clase glocalizada y por capas) con el Internet de las Cosas y los mismos lugares físicos a la vez. La incorporación de éste (internet de las cosas, sensores interconectados e inteligentes en el procesamiento de los datos más lo físico)  en un ecosistema complejo que llevará adelante las oportunidades para aprender de la misma vida cotidiana.

El aprendizaje como autocreación orgánica, como si se tratará de una edupoiesis (término que relaciona educación y autopoiesis).
Las tecnologías están en todas las partes y en ningún lado (procesos de fuga e invisibilización), se encuentran en los mismos objetos físicos y cotidianos. Esto hará que los lugares no sólo sean más sensibles (más pervasivos), pero también sensible y, potencialmente coevolutivos (Hay un término que han desarrollado sobre tales aspectos, se trata del TEP – Technologies Enhaced Places, Tecnología que mejora
lugares). Esto dará lugar a nuevos paisajes en los que uno puede experimentar, sin costura, la integración de lo físico y lo virtual.
La persona, considerada en toda su complejidad, se colocará en el centro del contexto y escenarios educativos cada vez más ubicuos (dentro de los parámetros de la computación ubícua), complejos y de carácter orgánicos (edupoiésis). Escenarios donde el papel mediador de la tecnología se ampliará con el tiempo para fomentar las relaciones con los entornos naturales, para filtrar el contenido necesario y para apoyar experiencias significativas a nivel glocal. También es factible revelar información necesaria para aprender a manejarse en el aprendizaje «en acción», para una complejidad estática y, a la vez, con la capa dinámica de los contextos de aprendizaje y procesos (visibles en tiempo real en todo momento).
De paso se hace una serie de prenguntas inquietantes y expasivas:
¿Cómo vamos a aprender de los libros abiertos que están representados por las ciudades y sus calles, sobre arte, parques, agro-industrial y tecnología, y en distritos productivos, como clusters tecnológicos?
¿De qué manera los datos provenientes de las áreas sensorizadas y de los dispositivos personales serán elaborados para apoyar la conciencia y el aprendizaje continuo?
¿Cómo va a ser nuestro comportamiento influenciado por el conocimiento de los mecanismos de co-evolución y los límites que tienen los propios ecosistemas?
¿La infraestructura educativa será lo suficientemente inteligente como para reajustarse de manera autopoiética, para satisfacer las necesidades que cada individuo aprendiente pueda desarrollar a lo largo de la vida en diferentes contextos híbridos?
¿Qué ciudades inteligentes de aprendizaje ayudarán a reforzar la inclusión social y el sentido común de pertenencia y el procomún de esas ciudades futuras?

Nos quedamos pensando….

 

 

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.

« Siguientes entradas Recientes entradas »