Autor: Fernando Santamaría González (Página 17 de 158)

Soy un investigador y formador en espacios online. Trabajando e investigando en temas de aprendizaje emergente.

Learning Analytics – Análisis del aprendizaje

septiembre 13, 2012 / Fernando Santamaría González / 10 comentarios

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;

(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:

Se puede mejorar la toma de decisiones administrativas y de organización asignación de recursos.
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
Pueden crear, a través de información transparente y analítica, con una comprensión compartida de los éxitos de la institución y que
..desafíos pueden innovar y transformar el sistema de universitario, así como los modelos académicos y los enfoques pedagógicos.
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).
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.
Se puede aumentar la productividad de la organización y la eficacia al proveer información actualizada y permitiendo una respuesta rápida a los desafíos.
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.
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:

Análisis del aprendizaje from Fernando Santamaria

Grupo de Mendeley que coordino: Learning Analytics

Grupo de discusión de Learning Analytics

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.

Actividad para el aprendizaje (viejo post)

septiembre 10, 2012 / Fernando Santamaría González / 2 comentarios

Nos interesa aquí para definir una actividad de aprendizaje de una manera que apoya el proceso de diseño de una actividad. En esta incluiremos las decisiones del diseño, la información de apoyo que tenemos para decidir y cómo las teorías o principios desarrollados pueden ser aplicados. Desde esta perspectiva, una actividad de aprendizaje se puede definir como una interacción específica del alumno(s) con otro(s) con las herramientas y recursos específicos, orientados hacia resultados específicos. Ejemplos de actividades de aprendizaje pueden incluir la solución de problemas, la comparación y evaluación de los argumentos, la presentación de hechos o la negociación de metas.
La figura que mostramos abajo, muestra un esquema para una actividad de aprendizaje con los elementos pertinentes. Partimos del primer enfoque que El acuerdo específico de los elementos de esta cifra es ligeramente derivada de la teoría de actividad ( Engeström, 1999), un enfoque que ha demostrado ser productivo para el aprendizaje de la tecnología de los investigadores en los últimos años. Begoña Gros dice a este respecto:

La noción de actividad es importante porque contiene una forma de explicar la cognición humana ligada a situaciones y a las acciones. La actividad, en términos simples, es lo que las personas hacen en un dominio de prácticas, como trabajo, la vida comunitaria, la vida estudiantil, etc.

La actividad es una forma colectiva y sistémica con una compleja estructura mediadora….
Jonassen (2000) clasifica las actividades basado en normas, basado en un incidente o suceso, basado en estrategías y basado en roles. Podemos ver que el aprendizaje asociativo está basado en normas, con las actividades que los estudiantes ayudan a recordar las normas del conjunto de habilidades o marco conceptual. Aprendizaje constructivo se centra en los incidentes y las estrategias: actividades permiten a los estudiantes a descubrir sus propias reglas y elaborar sus propias estrategias para las situaciones cada vez más complejas. Las actividades basadas en un papel o rol son inherentemente situacionales.

Debido a una actividad de aprendizaje o la interacción surge como el estudiante se involucra en una tarea, los elementos identificados aquí son muy interdependientes, en la práctica y sólo puede ser finalmente definidas la actividad se ha completado. Sin embargo, los profesionales han encontrado útil considerar estos elementos por separado cuando inicia el proceso de diseño. En contextos de aprendizaje centrado en el estudiante, tales como los proyectos de investigación o la adquisición de competencias clave, las necesidades y objetivos del estudiante será de primera preocupación. Hay situaciones pragmático en el que se limita el acceso a tecnologías específicas, o en el que una persona importante (por ejemplo, la exportación o mentor) sólo está disponible en un momento determinado. En estas situaciones, el acceso a predominar sobre otras consideraciones. En general, sin embargo, la educación en el currículo basado en los resultados de aprendizaje deseado (s) será el punto de partida para este diseño mostrado en el siguiente gráfico:

Las redes de práctica y las redes distribuidas de práctica

septiembre 4, 2012 / Fernando Santamaría González / 4 comentarios

Una red disttibuida dibujada. Fuente: El Correo de las Indias. Ver http://bitacora.lasindias.com/globalizacion-guion-ilustrado/

Una red de prácticas es un concepto originado por John Seely Brown y P. Duguid (a menudo abreviado con las siglas NOP en inglés, Networks of Practice). Este concepto, relacionado con el trabajo en comunidades de práctica por Jean Lave y Etienne Wenger, se refiere al conjunto general de los distintos tipos de grupos informales y las redes sociales emergentes que facilitan el intercambio de información entre las personas con objetivos relacionados con la práctica.

Conceptos básicos

Para definir mejor el concepto, en primer lugar el término red implica un conjunto de personas que se conectan a través de las relaciones sociales, que pueden ser por medio de vínculos fuertes o débiles. Los términos tales como comunidad tienden a indicar una forma más fuerte y cohesionada de la relación, pero las redes se refieren a todas las redes de relaciones sociales, ya sean débiles o fuertes.
En segundo lugar, el término práctica representa el sustrato que conecta a los individuos en sus redes. Las ideas principales son que la práctica implica las acciones de los individuos y de los grupos al realizar su trabajo, por ejemplo, la práctica de los ingenieros de software, periodistas, educadores, etc, y que la práctica implica la interacción entre las determinadas personas de ese oficio.

Lo que distingue a una red de la práctica de otras redes o sitios de redes sociales (SRS) es que los individuos interactúan a través del intercambio de información con el fin de realizar su trabajo (no hay focalización temática), pedir y compartir el conocimiento con los demás. Una red de práctica se pueden distinguir de otras redes que surgen debido a otros factores, tales como la participación en pasatiempos o deportes comunes en discusiones teniendo el mismo autobús al trabajo, por ejemplo. Por último, la práctica no tiene por qué limitarse a incluir aquellos dentro de una ocupación o disciplina funcional. Más bien, puede incluir a personas de diversas ocupaciones, por lo que el término, la práctica, es más apropiado que otros, como la ocupación de cada uno.

Como ya describí en un artículo del Congreso de Cibersociedad, las redes de la práctica incorporan una serie de redes informales, emergentes, de las comunidades de práctica a los sitios de redes sociales en Internet y con una práctica determinada. De acuerdo con Lave y el trabajo original de Wenger de 1991 y el de J.S. Brown & P. Duguid proponen que las comunidades de práctica son un subconjunto limitado y especializado de las redes de la práctica, por lo general consiste en fuertes lazos que unen personas que participan en una práctica común que suelen interactuar en situaciones de cara a cara (las redes sociales estan formados por el potencial de vínculos débiles). En el extremo opuesto del espectro están las redes electrónicas de práctica, que a menudo se hace referencia como las comunidades virtuales o electrónicas y que consisten generalamente en lazos débiles. En las redes electrónicas de práctica, los individuos nunca podrán llegar a conocer unos a otros y en general se coordinan a través de medios tales como blogs, microblogging, correo electrónico, listas de anuncios, wikis, sitios de redes sociales y demás herramientas.

Las redes de práctica distintas de los grupos de trabajo formales

En contraste con el uso de los controles oficiales para apoyar el intercambio de conocimientos de uso frecuente en los grupos de trabajo formales, como obligación contractual, de organización jerarquías,incentivos monetarios, o reglas ordenadas, las redes de práctica promueven flujos de conocimiento a lo largo de las líneas de la práctica informal y a través de redes sociales. Por lo tanto, una manera de distinguir entre las redes de práctica y grupos de trabajo creados es por la cuestión de jerarquías y de mecanismos de control. Los grupos de trabajo tienen una jerarquía establecida en las organizaciones mientras que las redes de práctica no tienen una delimitación de temas a tratar ni una jerarquía implícita.

Un segundo grupo de propiedades distintivas se refiere a su composición. Las redes de práctica y los grupos formales de trabajo varían en función de su tamaño, ya que las redes de práctica puede variar desde unos pocos individuos selectos a muy grandes, las redes abiertas electrónicos que consisten en miles de participantes mientras que los grupos son generalmente más pequeñas. También varían en cuanto a quién puede participar.Los grupos de trabajo y los equipos virtuales suelen consistir en miembros que son formalmente designados. Por el contrario, las redes de práctica están integrados por voluntarios sin restricciones formales impuestas a la adhesión de la NoP.

Finalmente, las redes de práctica y grupos formales de trabajo varían en función de las expectativas sobre la participación. En los grupos formales de trabajo y los equipos virtuales, la participación se determinan conjuntamente y los miembros deben alcanzar un objetivo de trabajo específico. La participación en comunidades de práctica se determinan conjuntamente, de manera que las personas en general tienen un acercamiento a otros específicos grupos o personas para obtener ayuda. En las redes electrónicas de práctica, la participación se determinará individualmente, buscadores de conocimiento no tienen ningún control sobre quién responde a sus preguntas o la calidad de las respuestas. A su vez, los contribuyentes del conocimiento no tienen garantías de que los solicitantes puedan entender la respuesta dadas o estar dispuesto a corresponder el favor.

Este trabajo se deriva de un estudio longitudinal realizado en una empresa multinacional. A través de un enfoque de estudio de caso interpretativo, hemos explorado el fenómeno de las redes de conocimientos en el trabajo distribuido. Más concretamente, nos hemos centrado en los patrones de evolución en una estructura de conocimiento en red en particular denota como redes distribuidas de práctica. En el documento se conceptualiza este tipo de red de práctica como una tecnología de la información y comunicación (TIC) que facilita la relación dinámica de los participantes que están geográficamente dispersos y en el tiempo mutuo, y que comparten y crean conocimientos relacionados con sus prácticas diarias de trabajo y los problemas de negocio. Hay tres categorías diferentes de redes que se identificaron:

1) redes de resolución de problemas,

2) redes de mejora de empresas, y

3) redes de innovación.

Los hallazgos demuestran que las redes evolucionan de forma distinta con el tiempo, y en el estudio de E. Hustad (2010) identificó cuatro patrones de evolución diferentes que comprenden: 1) la descentralización y disolución en términos de ciclo de vida corto, 2) los patrones recurrentes en las nuevas redes ad-hoc surgidas de la red madre, 3) la integración de las prácticas de los conocimientos a través de propuestas de redes cruzadas, y 4) la innovación y expansión en alcance y tamaño de estas.
Por lo tanto, estos hallazgos desafían los modelos de los ciclos de vida que se sugiere en la comunidad tradicional de la investigación práctica. A través de las líneas sociales de la práctica y el intercambio eficaz de conocimientos, los participantes crearon una infraestructura de conocimiento dentro de la organización y lograron alterar las prácticas de la organización a través de la evolución. Esto es, una estructura de redes de conocimientos, como tal, puede facilitar las prácticas de trabajo distribuido y actividades de conocimiento a través de límites temporales y espaciales.

Las redes distribuidas de práctica

Investigadores y profesionales han sugerido que las comunidades de práctica (CoPs) y las redes de la práctica (Networks of Practice, NoPs) son importantes para el intercambio de conocimientos (transfer knowledge), la creación de conocimiento, el aprendizaje y la innovación dentro de las organizaciones, como han dicho ya hace mucho tiempo (2001) J. Seely Brown y P. Duguid en su libro The Social Life og Information. El concepto de NoP (Teigland 2003) y los subconjuntos de comunidades de práctica (Lave y Wenger, 1991) describen la autoorganización de los grupos que surgen de forma natural, y que consiste en la realización de los individuos relacionados con la práctica las tareas. Las redes distribuidas de práctica (Distributed Networks of Practice, DNOPs), son estructuras de red que representan una extensión del concepto de una comunidad de práctica (Brown y Duguid, 1991; Lave y Wenger, 1991). Una comunidad de práctica (CoP) consiste en un grupo muy unido de miembros que participan en una práctica común que se conocen entre sí y trabajan juntos, por lo general se encuentran cara a cara, y negocian continuamente, se comunican y se coordinan entre sí directamente. En comparación, una DNoP cuenta con un mayor cantidad de miembros por lo general. Se trata de un grupo geográficamente disperso de los participantes que se involucraron en una práctica compartida o tema de interés común (Brown y Duguid, 2001; Teigland 2003; Wasko y Faraj 2005). Las comunidades de práctica y las redes distribuidas de práctica (DNoPs) comparten las características de ser emergentes y con procesos de autoorganización y, por otro lado, los participantes crean vínculos de comunicación dentro y entre las organizaciones que proporcionan una red «invisible» existente junto a la jerarquía de la organización formal. Dentro de una organización, las redes de la práctica por lo general consisten en débiles lazos que unen a individuos dispersos geográficamente a través de una organización que está trabajando en tareas similares que utilizan una base de conocimientos similar (Granovetter, 1973). En un trabajo distribuido, los participantes que pertenecen a estas redes que comparten la dinámica del conocimiento mediante el uso de diferentes tipos de herramientas web, tales como correo electrónico, videoconferencias, twitter, intranet y otra gran cantidad de herramientas de colaboración en web. La dinámica de las comunidades y las redes de la práctica se han conceptualizado en la literatura antigua como ciclos de vida desde el nacimiento hasta la muerte o como etapas en el desarrollo de un modelo de evolución en organizaciones. El equilibrio entre los grupos de autoorganización y el grado de formalización con las comunidades de práctica ha sido importante entender que las iniciativas de organización y estilos de gestión pueden influir en los ciclos de vida de las comunidades y los resultados (Thompson 2005). En particular, las comunidades innovadoras (llamadas comunidades de innovación) han demostrado ser vulnerables a las interferencias y cambios que no son por iniciativa propia y puede alterar ese círculo virtuoso y la existencia de una comunidad (Thompson, 2005).

El estudio de E. Hustad (2010) identificó varias redes que giraban en torno a la organización. Estos entretejen redes e interactuan unos con otros a través de fronteras distintas, independientemente de la estructura jerárquica de la organización (tiene conceptualizaciones que fueron precursora de la innovación abierta) Varias de las redes de la práctica se identificaron de forma dispersa en la geografía de países a nivel mundial, en el que los participantes se encontraban en diferentes oficinas de negocios geográficas, y por lo tanto dependían de las tecnologías de la información para mantener una relación. Aunque algunas de las redes tienen una composición estable de los miembros a través del tiempo, otros son más ad-hoc (las comunidades ad-hoc son muy estratégicas en al organización y en un periodo de timepo muy corto) por la relación con los temas tratados, el propósito y la pertenencia. Típicamente, cada una de estas redes constituyen una estructura de la comunidad interconsistente e interrelacionadas en múltiples co-comunidades ubicadas en las que los participantes pertenecen a una comunidad de co-ubicados (geoposicionada), así como de red distribuida. Por lo tanto, el intercambio de conocimientos se produjo entre los participantes dispersos que cruzan las diferentes prácticas y ubicaciones geográficas, así como entre los participantes en que se encuentran estas co-comunidades.

Los resultados de este estudio de caso demuestran diferentes características de los identificados DNoPs y hecho posible dividen las redes en tres categorías principales ya dichas más arriba:

Los tipos de redes de práctica según E. Hustad

Lo podemos ver en la siguiente tabla de categorización:

Red de práctica	Categoría de la red	Resultado
Contrato de la red de consultoría	Redes de resolución de problemas	Aprendizaje
Redes de aseguraciónRed de manejo de reclamaciones	Redes de mejora de negocios	Innovación incremental
Red de desarrollo de productos	Redes de innovación	Innovación incremental/radical

Referencias:

Blog de Andy Coverdale: http://phdblog.net/ y su wiki: https://sites.google.com/site/andycoverdale/texts/distributed-communities-of-practice

DCoP or DNoP:
https://sites.google.com/site/andycoverdale/texts/distributed-communities-of-practice

Exploring Knowledge Work Practices and Evolution in Distributed Networks of Practice: http://www.ejkm.com/issue/download.html?idArticle=221

A Conceptual Framework for Knowledge Integration in Distributed Networks of practice: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.102.6754&rep=rep1&type=pdf

Hustad, E. (2010). Exploring Knowledge Work Practices and Evolution in Distributed Networks of Practice. Electronic Journal of Knowledge Management, 8(1), 69-78.

Granovetter, M. S. (1973). The Strength of Weak Ties. American Journal of Sociology, 78(6), 1360-1380.

Teigland, R., & Wasko, M. (2004). Extending richness with reach: participation and knowledge exchange in Electronic Networks of Practice. En: P. Hildreth & Kimble, C. (Eds.), Knowledge Networks: innovation through communities of practice (pp. 230-242). Hershey: Idea Group Publishing.
Hildreth, P. M., & Kimble, C. (2004). Knowledge Networks: Innovation Through Communities of Practice. Idea Group Inc (IGI).

Seely, J. S., & Duguid, P. (2000). The Social Life of Information. Boston: Harvard Business School Press.
Thompson, M. (2005). Structural and epistemic parameters in communities of practice. Organization Science, 16(2), 151-164.
Wenger, E., Mcdermott, R., & Snyder, W. (2002). Cultivating Communities of Practice: A Guide to Managing Knowledge. Boston, Massachussetts: Harvard Business School Press.

Wasko, M., and Faraj, S. (2005). Why should I share? Examining social capital and knowledge contribution in electronic networks of practice. MIS Quarterly (29:1), 35-57

Aprendizaje por indagación personal

agosto 30, 2012 / Fernando Santamaría González / 2 comentarios

Según la entrada de la Wikipedia la Investigación basada en el aprendizaje (Enquiry-based learning, aprendizaje inductivo de aprendizaje en el inglés británico) o basado en la investigación científica (Inquiry-based science) describe una serie de enfoques filosóficos, curriculares y pedagógicos de la enseñanza. Este aprendizaje basado en las pesquisas o investigaciones tiene un carácter circular. Sus procesos son circulares.

La investigación basada en el aprendizaje es un método de enseñanza desarrollado durante el movimiento de aprendizaje por descubrimiento de la década de 1960 y el aprendizaje basado en problemas (ABP), que partió de los profesionales y docentes de universidad en la década de 1960 en la McMaster University en medicina (en las siguientes décadas se fueron confirmando las investigaciones en ABP).
Ha sido desarrollado en respuesta a la percepción de un fracaso de las formas más tradicionales de enseñanza, donde los estudiantes tenían que simplemente memorizar hechos puestos en los materiales de instrucción. El aprendizaje por investigación es una forma de aprendizaje activo, donde el progreso de los estudiantes se evalúa al desarrollar habilidades experimentales y analíticas en lugar de memorizar conocimientos y relacionarlos.

Uno de los primero en poner la experiencia como forma de aprendizaje fue John Dewey. Hace más de 100 años propone la investigación como base de aprendizaje para la enseñanza de las ciencias. También defendió que esas experiencias deben ser estudiadas por los propios estudiantes buscando evidencias de lo investigado, con los estudiantes como aprendices activos preguntan a las que realmente quieren saber la respuesta, y que la realización de esas investigaciones se deben relacionar con sus propias necesidades e intereses, y discutir los hallazgos emergentes con colegas y expertos.

Se ha pasado de la investigación guiada (2007) a la investigación personalizada y autorregulada por el propio aprendiz de ahí la palabra “Personal”. En el ámbito educativo es pertinente la relación con los PLNs y en el ámbito organizacional tiene que ver con PKM (Personal Knowledge Management) o la visión más evolucionada de Mohamed Amine Chatti de Personal Knowledge Network (PKN).

Un aspecto central de este tipo de aprendizaje de indagación personal es que los estudiantes, individualmente y colectivamente, deben apropiarse del proceso de investigación. Para que esto suceda deben tener una clara comprensión del proceso y de su agencia en la adquisición de los conocimientos científicos. Deben llegar a conocer qué tipo de preguntas son científicamente apropiado, cómo pueden ser enmarcados como consultas válidas, que pueden encontrar y confiar en informantes expertos como científicos, ¿qué tipo de estudios son apropiados, por qué es importante recoger datos fiables, cómo pueden estos ser analizados y presentados como pruebas válidas, y cómo los resultados de una investigación pueden ser compartidos y discutidos. Una pregunta típica puede comenzar con una clase en línea donde un profesor ayuda a los alumnos a formar y perfeccionar sus preguntas, continúe en casa o al aire libre con los alumnos en esa recolección y visualización de datos, y luego volver a la configuración formal para compartir los resultados y el presente.

Si los alumnos se espera para participar en los procesos de aprendizaje según el modelo de las prácticas científicas, necesitan herramientas que les ofrecen las facultades de investigación iguales a las de los científicos. Toolkits Tales servicios de información son cada vez más asequibles como teléfonos móviles se conviertan en instrumentos científicos equipados con sensores integrados, cámara, grabadora de voz y un ordenador potente.

Los estudiantes también deben entender y participar en todo el proceso de investigación, como se muestra en la ilustración. Algunos puntos a tener en cuenta a partir de esta representación son los siguientes: una investigación puede comenzar en cualquier fase (por ejemplo, mediante el análisis de la evidencia de otra persona), el proceso forma un ciclo, con la reflexión que sugiere otros temas a investigar, a pesar de que hay una progresión sistemática de una fase de consulta a la siguiente, esto no es un fijo orden de actividad, las fases están interconectadas así. Por ejemplo, la pregunta o hipótesis inicial se revisa después de la evidencia que se ha recogido.

Aunque el aprendizaje investigación pone de relieve la responsabilidad de los alumnos para plantear investigar a partir de preguntas, sino que también hace hincapié en que estas son habilidades que deben ser aprendidas, por lo que el profesor tiene un papel crucial en la orientación y el apoyo al ciclo de indagación. Esta toma de conciencia ha llevado al desarrollo de kits de herramientas para los profesores y los alumnos para gestionar el proceso de investigación y para acceder y compartir conjuntos de datos de gran tamaño (nquire).

El proyecto de investigación personal ha explorado cómo un profesor y los alumnos pueden estar equipados con herramientas personales para organizar el proceso de investigación (no sólo los toolkits, sino que aquí entra en juego un diseño de tu red personal de aprendizaje, véase Personal Learning Networks). El objetivo es apoyar el proceso de investigación completo y permitir una transición fluida de un maestro que trabaja con los estudiantes para seleccionar las preguntas adecuadas y para planificar una investigación, a través de los estudiantes de forma individual o en equipos. También es importante la recopilación de datos en una variedad de localizaciones con el software que proporciona controles de precisión y su método. Todos los datos e informaciones se comparten colectivamente, también el análisis y discusión de los resultados.

Uno de los primeros proyectos en el Reino Unido fue “Enquiring Minds”, desarrollado e implementado de forma curricular en algunas escuelas de UK. Exploran un enfoque más activo para la enseñanza y aprendizaje que es relevante para la vida de los estudiantes modernos y permite desarrollar ciertas habilidades. Se pasa de una pedagogía de la transmisión a una pedagogía de la investigación. En esta, se parte que los estudiantes tienen un determinado conocimiento para construir e investigar con el apoyo de los docentes:

Tienen control sobre su propio pensamiento y se encuentran motivados ya que lo ven como propio.
Ayuda a los estudiantes a organizar su propio aprendizaje.
Generar un pensamiento más analítico y cuando se atascan deben interpretar la situación y el contexto.
Mueve a los estudiantes al campo de la creación de conocimiento, alentandolos a organizar e interpretar la información.
Mejora el pensamiento y los procesos de la investigación, de cómo hacerlo.
Genera un ambiente colaborativo y activa al estudiante a trabajar juntos.

Otro proyecto es Personal Inquiry (PI) [y un informe en pdf], realizado por la Universidad de Nottingham y la Open University. En su web reza:

El objetivo es que los niños entiendan por sí mismos y al mundo en que viven, a través de un proceso científico de recopilación y valoración de las pruebas hechas, en la realización de experimentos y participar en un debate informado. Los portátiles, monitoreados y apoyados por su profesor, guiarán a los estudiantes a través de las actividades, que pueden cambiar en función del perfil y las aportaciones de cada parte toma de forma individual. Sus actividades se basan en torno a temas – Yo, mi entorno, mi comunidad – que se dedican a los jóvenes estudiantes en la investigación de la salud, la dieta y el estado físico, su entorno inmediato y sus entornos más amplios. Estos temas son los elementos clave del nuevo plan de estudios de la ciencia de este siglo, también requiere que los niños razonen acerca de las ciencias de la naturaleza como un sistema complejo y explorar cómo las personas se relacionan con el mundo físico.

Para poder formarnos en ello la universidad P2PU esta creando un curso al respecto para facilitadores o profesores. Se trata de «Teaching in Personal Inquiry Learning Environments«. Este curso le permitirá al maestro a ser un estudiante «translucido» junto a estudiantes individuales, para personalizar los planes de aprendizaje con los estudiantes, para convertirse en un experto en la investigación en ambientes de aprendizaje pequeños, para aprovechar el poder de la tecnología, de individualizar la instrucción, y para conectar estudiante a expertos mentores.
«WISE» es un entorno de investigación científica libre donde los estudiantes pueden examinar la evidencia del mundo real y participar en el debate científico. Guías basadas en la web de software a los estudiantes para reunir evidencia, colaborar y reflexionar, con herramientas para la visualización de datos, modelado, simulación y evaluación.
Otro proyecto de investigación personal es LETS GO, que está desarrollando un conjunto de herramientas de «investigación abierta» para la colaboración móvil en investigaciones al aire libre (una parte de mi concepto de #eduvida).
Y otro proyecto más es SCY, donde los estudiantes trabajan en misiones de investigación apoyados por los modelos en web y simulaciones para analizar los datos y artefactos que surgen del proceso de aprendizaje. En constante feedback (técnicas de aprendizaje colectivo/collective learning)

Las investigaciones recientes sobre la investigación del aprendizaje ha puesto de manifiesto algunos desafíos. Los estudiantes pueden ser motivados para abordar las cuestiones de significado personal, pero esto requiere una investigación de fondo, la planificación cuidadosa y la autogestión de los procesos de aprendizaje complejos. Se ha demostrado que es difícil generar preguntas que se pueden explorar con las herramientas disponibles y en el medio ambiente circundante, lo que lleva a la repetición de proyectos para medir la calidad del agua o la contaminación del aire, por ejemplo. También existe lo que Edwards y Mercer (1987) denominaron el “dilema” del profesor, donde un profesor puede tener que actuar en contra de la práctica de una clase establecido por retener respuestas en interés de mantener a los estudiantes autodirigidos en la investigación. Sin embargo, los estudiantes esperan a los expertos para dar respuesta (propiciado por el ambiente educacional que han recibido y por la fuerza de la costumbre. Los estudiantes de la Facultad de Educación, por ejemplo, harán en sus aulas lo que hayan visto y percibido de sus profesores), por lo que no pueden tolerar los intentos de un maestro/facilitador para proponer preguntas abiertas o dicen como estrategia que no saben la respuesta correcta.

Una dificultad se presenta en la integración de los resultados del trabajo de campo de nuevo en la actividad en el aula. No sólo habrá dificultades técnicas de la fusión y el intercambio de datos, sino también el profesor tiene que improvisar en torno a los resultados que surjan. Esa improvisación disciplinado presenta el desafío de construir una sesión de enseñanza en torno a la experiencia de los estudiantes colectivo de oficio.

Las dificultades que los educadores se enfrentan en aplicar el aprendizaje en parte de la investigación de una contradicción entre la forma en que se espera que se enseñe y cómo aprendieron con su profesorado, que sigue estando dominado por las pedagogías tradicionales, y una actividad de la ciencia basada en la práctica suele cubrir sólo un fragmento de una investigación. Una posible alternativa sería la de guiar a los educadores que perciben su trabajo como un lugar de investigación, lo que plantea interrogantes sobre el aprendizaje de sus alumnos, proponiendo conjeturas sobre cómo apoyar el aprendizaje, la formulación de estos diseños como el aprendizaje y la implementación y la evaluación de estos diseños.

Por el futuro, es una oportunidad para promover una amplia participación pública en la investigación científica mediante la combinación de ciencia ciudadana con la investigación basada en el aprendizaje. A través de tecnologías web sociales para la organización de grupos de personas con intereses comunes, los voluntarios podrían formar equipos para proponer e investigar cuestiones comunes, con métodos que van desde los experimentos de psicología online y las encuestas, las observaciones del mundo natural. Una indicación de cómo se puede hacer esto es la comunidad iSpot, actualmente con más de 18.000 usuarios registrados, que participa en el intercambio y la interpretación de las observaciones de la vida silvestre. Si las instalaciones se puede agregar a proponer preguntas y manejar el proceso de investigación, las personas sin formación científica formal será capaz de actuar como equipos de investigación y explorar la ciencia que afecta a sus vidas.

Referencias:
Informe donde se ha copiado mucha información:

VV.AA. (2012). Innovating pedagogy 2012: Exploring new forms of teaching, learning and assessment, to guide educators and policy makers. London: The Open University. Recuperado 24 julio, 2012 de http://www.open.ac.uk/personalpages/mike.sharples/Reports/Innovating_Pedagogy_report_July_2012.pdf

Más fuentes sobre aprendizaje por investigación:

Anderson, E. R. (1975). Personal Inquiry in the Classroom: An Alternative Approach to Educational Research. Report No. 76-5. Retrieved from http://www.eric.ed.gov/ERICWebPortal/contentdelivery/servlet/ERICServlet?accno=ED113395

Bonnstetter, R. J. (1998). Inquiry: Learning from the Past with an Eye on the Future. Electronic Journal of Science Education, 3(1). Retrieved from http://ejse.southwestern.edu/article/view/7595

Colin Milligan. (2009, March 2). Collective Learning and Charting, Allison Littlejohn. Retrieved from http://www.slideshare.net/caledonianacademy/collective-learning-and-chartin

Edwards, D. and Mercer, N. (1987) Common Knowledge: The Development of Understanding in the Classroom. London: Methuen.

KUHLTHAU, C., MANIOTES, L., & CASPARI, A. (2007). Guided Inquiry: Learning in the 21st Century. Greenwood Publishing Group.

LETS GO: Learning Ecology with Technologies from Science for Global Outcomes. (2008).CeleKT. Retrieved from http://www.celekt.info/projects/show/20

Paavola, S., Lipponen, L., & Hakkarainen, K. (2004). Models of Innovative Knowledge Communities and Three Metaphors of Learning. Review of Educational Research, 74(4), 557–576. doi:10.3102/00346543074004557

Reader Idea | Personal Inquiry Projects With The Learning Network. (n.d.).The Learning Network Blog. Retrieved August 30, 2012, from http://learning.blogs.nytimes.com/2012/06/15/reader-idea-personal-inquiry-projects-with-the-learning-network/

Reigeluth, C. M. (1999). Instructional-design Theories and Models: A New Paradigm of Instructional Theory. Routledge.

University of Nottingham/ The Open University. (2010). Personal Inquiry (PI): Designing for Evidence-based Inquiry Learning across Formal and Informal Setting.

Wikipedia contributors. (2012, August 29). Inquiry-based learning. Wikipedia, the free encyclopedia. Wikimedia Foundation, Inc. Retrieved from http://en.wikipedia.org/w/index.php?title=Inquiry-based_learning&oldid=509762841

Tópicos emergentes para la investigación en redes sociales

agosto 28, 2012 / Fernando Santamaría González / 1 comentario

Este es un trabajo de clasificación que he ido desarrollando e invirtiendo tiempo para dilucidar y comprender mejor mi labor como asesor en redes sociales en organizaciones y universidades en países iberoamericanos. He intendado dar una serie de tópicos a través de las investigaciones hechas desde los años 50 del siglo pasado. Algunos de los tópicos (hibridados e interdisciplinares) que suelen ser uso frecuente en datos tomados de redes sociales.:

Análisis estadístico de redes sociales: uno de los trabajos pioneros en este campo es el experimento de Milgram. Creo que es uno de los primeros trabajos de un análisis amplio de datos con propiedades estructurales a gran escala. Es la investigación más frecuente y común. La conducta de la conectividad de los nodos se examina para ver si la mayor parte de los nodos tienen pocas conexiones, con muchos “hubs” o si los grados están distribuidos más igualmente. Se examina el comportamiento del agrupamiento de los nodos en redes sociales típicas. Otro tema importante en este tópico son las características temporales típicas de las redes sociales. Por ejemplo, examinando cómo varía la estructra a medida que crece la red. Dado que la red evoluciona a lo largo del tiempo, se puede añadir a la red nuevas entidades, aunque ciertas propiedades del grafo puedan continuar retenidas a pesar de esto. También se examina la conducta y distribución de las componentes del grafo.

Caminos aleatorios y sus aplicaciones en redes sociales: la clasificación jerárquica en redes [ranking] es uno de los métodos mejor conocidos en la búsqueda en web. Empezando con bien conocido algoritmo PageRank de Google para clasificar documentos web, el principio más amplio se puede aplicar para buscar y clasificar entidades y actores en las redes sociales. El algoritmo de PageRank usa técnicas aleatorias para el proceso de clasificación. La idea es que el enfoque del camino aleatorio [trayectorias vitales de las que hablo en #eduvida y que tienen sus algunso marcos teóricos como aprendizaje experiencial y aprendizaje biográfico de Peter Alheit) se usa en la red en orden a estimar la probabilidad de visitar cada nodo. Esta probabilidad se estima como el PageRank. Claramente, los nodos que están estructuralmente bien conectados tienen un PageRank alto y también son, naturalmente, de gran importancia. Las técnicas de camino/trayectoria aleatoria también se puden usar para personalizar el proceso de cálculo del PageRank polarizando el rango hacia tipos particulares de nodos y sus influencias.

Otro aspecto de investigación es la serindipia que emerge en el análisis de las trayectorias en redes sociales dinámicas.

Detección de comunidad en redes sociales: uno de los problemas más importantes en el contexto del análisis de redes sociales es el de la detección de comunidades. El problema de la detección de comunidad está próximamente relacionado con el clustering e intenta determinar las regiones de una red que son más densas en términos de la conducta de enlaces (clusters específicos por sus relaciones). El tópico está relacionado con el problema genérico de la partición del grafo, que particiona la red en regiones densas basadas en el comportamiento del enlace. Sin embargo, habitualmente las redes sociales son dinámicas y esto conduce a algunos temas únicos desde el punto de vista de la detección de la comunidad. En tales casos, el contenido se puede aprovechar en ordenar a determinar grupos de actores con intereses similares. Se han creado una serie de algoritmos importantes sobre el problema de la detección de comunidad en redes sociales de larga escala. También es factible para al investigación de detección de comunidades en medios sociales [slides].

Clasificación de los nodos en las redes sociales: En muchas aplicaciones, algunos de los nodos de la red social pueden ser etiquetados y puede ser conveniente para usar el atributo y la información estructural en la red social con vistas a propagar estas etiquetas. Por ejemplo, en una aplicación de marketing (todavía existen), se puede conocer a ciertos nodos por estar interesados en un producto particular, y puede ser deseable utilizar el atributo y la información estructural en la red a fin de conocer otros nodos que también pueden estar interesados en el mismo producto. Las redes sociales también contienen una rica información sobre el contenido y la estructura de la red, que pueden ser aprovechados para este fin. Por ejemplo, cuando dos nodos en una red social están vinculados entre sí, es probable que las etiquetas del nodo también se correlacionen. Por lo tanto, la estructura de los vínculos se puede utilizar para propagar las etiquetas entre los diferentes nodos. En este caso para mi, el contenido y los atributos pueden ser utilizados con el fin de mejorar aún más la calidad de la clasificación hecha.

La evolución en las redes sociales dinámicas: Las redes sociales son entidades intrínsecamente dinámicas por su naturaleza. Nuevos miembros se unen a ellas, antiguos miembros dejan de participar, emergen nuevos enlaces a medida que se construyen nuevos contactos, y los enlaces se hacen obsoletos a medida que los miembros dejar de interactuar con algún otro, etc.. Esto conduce a cambios en la estructura de la red social como un todo y de las comunidades que hay en ella. En este contexto surgen dos cuestiones importante:

¿Cuáles son las leyes que rigen los cambios a largo plazo en la red social a través del tiempo?, Y también una pregunta subsidiaria de la anterior como ¿cuáles se observan con frecuencia en las clases de las redes sociales a gran escala?
(b) ¿Cómo evoluciona una comunidad dentro de una plataforma social a lo largo del tiempo? ¿Qué cambios pueden ocurrir y cómo capturarlos y presentarlos?

Análisis de la influencia social: Dado que las redes sociales están diseñadas principalmente sobre la base de las interacciones entre los diferentes participantes, es natural que estas interacciones pueden dar lugar a que los diferentes actores influyan el uno al otro en términos de su comportamiento. Un ejemplo clásico de esto sería una aplicación de marketing viral en la que utilizamos los mensajes entre los participantes interconectados en una red social con el fin de propagar la información a través de las diferentes partes de la red. En este contexto surgen una serie de preguntas naturales:

(a) ¿Cómo podemos modelar la naturaleza de la influencia entre los actores?
(b) ¿Cómo podemos modelar la propagación de la influencia?
(c) ¿Quiénes son los actores más influyentes para la propagación de la influencia?
A mi modo de ver, estos temas proporcionan un profundo conocimiento de la naturaleza del análisis de la influencia en las redes sociales. Hay herramientas específicas para este propósito, pero el análisis de redes sociales es la forma de tratarlo de una forma más holísitica y personalizando el análisis.

Descubrimiento de expertos en las redes: Las redes sociales se pueden utilizar como una herramienta con el fin de identificar a los expertos para una determinada tarea. Por ejemplo, teniendo en cuenta las actividades de los candidatos dentro de un contexto ( casos como la autoría de un documento o responder a una pregunta). Primero describimos los métodos para evaluar el nivel de conocimientos de cada uno de ellos. A menudo, los expertos están organizados en redes que corresponden a redes sociales o estructuras organizativas en una determinada empresa. Muchas de las tareas complejas requieren a menudo la experiencia colectiva de más de un experto. En estos casos, es más realista requerir un equipo de expertos o incluir la externalización con una firma de asesoria que puedan colaborar hacia un objetivo común.

Predicción de enlace en las redes sociales: gran parte de la investigación en minería de redes sociales se centra en el uso de los enlaces a fin de obtener información interesante sobre la red social, tal como las comunidades subyacentes o de subgrupos, o el etiquetado de los nodos con etiquetas de clase y personales (ejemplo de los hashtags). Sin embargo, en la mayor parte de las aplicaciones de redes sociales, los enlaces son dinámicos y pueden variar considerablemente con el tiempo. Por ejemplo, en una red social, los vínculos de amistad se crean continuamente a lo largo del tiempo. Por lo tanto, una pregunta natural es determinar o predecir futuros vínculos en la red social como campo emergente en estos años. El proceso de predicción puede utilizar tanto la estructura de la red como la información del atributos en los nodos diferentes.

Privacidad en las redes sociales: Las redes sociales contienen una gran información sobre el individuo en función de sus intereses, información demográfica, información de los vínculos de amistad y otros atributos. Esto puede conducir a la divulgación de diferentes tipos de información en la red social, como la revelación de la identidad, la divulgación de atributos y la divulgación de la información del vínculo.

Visualización de Redes Sociales (network visualization): a medida que las redes sociales se hacen más grandes y más complejas, el razonamiento acerca de las dinámicas sociales a través de simples estadísticas es muy complicado y no muy intuitivo. La visualización proporciona una forma natural de resumir la información con el fin de hacer que sea mucho más fácil de entender. Los últimos años han sido testigos de una convergencia de análisis de redes sociales y la visualización, junto con la interacción, que está cambiando la manera en que los analistas entienden y caracterizan las redes sociales. En el capítulo 11, se discute el objetivo principal de la visualización en el contexto de la comprensión del usuario y de la interacción. El capítulo también analiza cómo diferentes metáforas están dirigidas hacia la aclaración de diferentes aspectos de las redes sociales, como la estructura y la semántica. Se describen una serie de métodos, en donde los análisis y la visualización se entrelazan para proporcionar una mejor comprensión de la estructura y dinámicas sociales.

Minería de datos en los medios sociales: los medios de comunicación social ofrecen una gran cantidad de datos de redes sociales, que se pueden extraer con el fin de descubrir las aplicaciones comerciales útiles. Las técnicas de minería de datos proporcionan a los investigadores y a los profesionales las herramientas necesarias para analizar el gran, complejo y frecuente cambio en los datos de los medios de comunicación social. En algunos libros y blogs ya hablan de tal fenómeno que hasta los marketinianos ven como lo próximo en Social Media. En algunos blogs como «Data Mining: Text Mining, visualization and social media» de Mathew Husrt. Estamos todavía en la época emergente y de entusiasmo. No creo que sea unas técnicas que hagan cambiar los Social Media.

Minería de texto en las redes sociales: las redes sociales contienen una gran cantidad de texto en los nodos en diversas formas. Por ejemplo, las redes sociales puede contener enlaces a posts, blogs y demás artículos de noticias. En algunos casos, los usuarios pueden etiquetarse mutuamente, que es también una forma de datos de texto sobre los enlaces. El uso del contenido puede mejorar enormemente la calidad de las inferencias que se puedan hacer en el contexto de los grafos y redes sociales.

Integración de sensores en redes sociales con datos: muchos teléfonos móviles ofrecen la posibilidad de que los actores interactúen entre sí dinámicamente y en tiempo real, dependiendo de su ubicación y el estado. Tales aplicaciones también dan lugar a la generación de flujos masivos en tiempo real, que se pueden utilizar para hacer inferencias sobre alguien o sobre las propiedades globales de los objetos que se están rastreando. Dado que la información de la ubicación es privada, esto también nos lleva naturalmente a una serie de preocupaciones sobre la privacidad desde una perspectiva del procesamiento.

Análisis de la red multimedia en los medios sociales: muchos modelos de sitios de compartición tales como Flickr y Youtube que ofrecen la posibilidad de compartir los medios de comunicación. Tales medios compartidos se utilizan a menudo junto con las interacciones de los diferentes usuarios, tales como la colocación de etiquetas o comentarios en diferentes imágenes. Tales ricas redes de información basadas en el contexto se pueden extraer mediante una amplia variedad de aplicaciones que aprovechan la combinación de las etiquetas de usuarios y los datos de imagen en el proceso de extracción y recuperación.

Etiquetado social (tagging): gran parte de la interacción entre los usuarios y las redes sociales se produce en forma de etiquetado, en la que los usuarios adjuntan descripciones cortas de los diferentes objetos en la red social, tales como imágenes, texto, vídeo u otros datos multimedia. En el capítulo se 16 ofrece un estudio detallado de los diversos aspectos del etiquetado. Entramos aquí en los modelos de etiquetado, de la semántica de las etiquetas, de las recomendaciones generadas a través de las etiquetas, de las visualizaciones de las etiquetas, de las aplicaciones de las etiquetas, de la integración de diferentes sistemas de etiquetado y los problemas asociados con el uso del etiquetado. Se discuten muchos temas interesantes, como la razón de la gente para etiquetar, lo que influye en la elección de las etiquetas, la forma de modelar el proceso de etiquetado, tipos de etiquetas, diferentes leyes de energía observados en el dominio de etiquetado, cómo se crean las etiquetas se crean y cómo elegir las etiquetas correctas para la recomendación.

Todos estos campos emergentes del análisis de datos de una red social o un medio social se encuentra todavía en su infancia. Hay una enorme cantidad de trabajo por hacer, particularmente en el área de las redes sociales basadas en el contenido y de carácter temporal (introducción el factor tiempo y porpio de redes dinámicas). Algunas líneas de investigación clave para el futuro son las siguientes:
En todo esto encotramos diversidad de procedencia y de los mismos datos para analizar. Esta visión híbrida en los datos será más importante al analizar las redes en el contexto de datos heterogéneos, en los que los enlaces son de tipos diferentes y corresponden a diferentes tipos de relaciones entre los actores. Una generalización del concepto de redes sociales son las redes de información, en la que los nodos pueden ser actores de entidades, y corresponder estos nodos con las relaciones lógicas entre estas entidades. Tales redes son también heterogéneas, por lo que es cada vez más importante diseñar herramientas y técnicas que puedan analizar eficazamente redes heterogéneas.

Referencias:

Aggarwal, C. C. (2011). Social Network Data Analytics (1st ed.). Springer.

Aggarwal, C. C. (2009). Managing and Mining Uncertain Data. Springer.

Carrington, P. J., Scott, J., & Wasserman, S. (2005). Models and Methods in Social Network Analysis. Cambridge University Press.

Kadushin, C. (2011). Understanding Social Networks: Theories, Concepts, and Findings. Oxford University Press, USA.

Kadushin, C. (2012). Understanding Social Networks:Theories, Concepts, and Findings. New York: Oxford University Press.

Kilduff, M., & Tsai, W. (2003). Social Networks and Organizations. Sage Publications Ltd.

Prell, C. (2011). Social Network Analysis: History, Theory and Methodology. SAGE Publications.

Russell, M. A. (2011). Mining the Social Web: Analyzing Data from Facebook, Twitter, LinkedIn, and Other Social Media Sites (1st ed.). O’Reilly Media.

Scott, J. P., & Carrington, P. (2011). The SAGE Handbook of Social Network Analysis. Sage Publications Ltd.

Autor: Fernando Santamaría González (Página 17 de 158)

Learning Analytics – Análisis del aprendizaje

El profesor

El aprendiz

Teoría

Definiciones emergentes de análisis del aprendizaje

Marco [framework] del análisis del aprendizaje

Partes interesadas o actores del análisis del aprendizaje

Objetivos del análisis del aprendizaje

Datos educativos

Apertura de los datos

Requisitos legales

Privacidad

Ética

Competencias

Actividad para el aprendizaje (viejo post)

Las redes de práctica y las redes distribuidas de práctica

Conceptos básicos

Las redes de práctica distintas de los grupos de trabajo formales

Aprendizaje por indagación personal

Este sitio está alojado en

Comentarios recientes

Meta

Licencia CC

Meta

Archivos

Learning Analytics – Análisis del aprendizaje

El profesor

El aprendiz

Teoría

Definiciones emergentes de análisis del aprendizaje

Marco [framework] del análisis del aprendizaje

Partes interesadas o actores del análisis del aprendizaje

Objetivos del análisis del aprendizaje

Datos educativos

Apertura de los datos

Requisitos legales

Privacidad

Ética

Competencias

Actividad para el aprendizaje (viejo post)

Las redes de práctica y las redes distribuidas de práctica

Conceptos básicos

Las redes de práctica distintas de los grupos de trabajo formales

Aprendizaje por indagación personal

Tópicos emergentes para la investigación en redes sociales

Este sitio está alojado en

Comentarios recientes

Etiquetas

Meta

Licencia CC

Meta

Archivos