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:
-
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:
- Grupo de Mendeley que coordino: Learning Analytics
- Grupo de discusión de Learning Analytics
Fuente: Learning Analytics: Leveraging Education Data – An infographic by the team at Open Colleges
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.
Comentarios recientes