15 Aprendizaje analítico y minería de datos educativos
Anne Boyer; Azim Roussanaly; y Jiajun Pan
¿Qué son las analíticas de aprendizaje?
Cada vez más organizaciones utilizan el análisis de datos para resolver problemas y mejorar decisiones relacionadas con sus actividades. Y el mundo de la educación no es una excepción porque, con la generalización del entorno de aprendizaje virtual (EAV) y los sistemas de gestión del aprendizaje (SGA), ahora están disponibles enormes cantidades de datos de aprendizaje, generados por la interacción de los estudiantes con estas herramientas.
Las Analíticas de Aprendizaje (AA) es un campo disciplinario definido como «la medición, recolección, análisis y reporte de datos sobre los aprendices y sus contextos, con el propósito de entender y optimizar el aprendizaje y los entornos en los que ocurre»4.
Generalmente se distinguen cuatro tipos de analíticas según la pregunta a resolver:
- Analíticas Descriptivas: ¿Qué ocurrió en el pasado?;
- Analíticas Diagnósticas: ¿Por qué algo ocurrió en el pasado?;
- Analíticas Predictivas: ¿Qué es lo más probable que ocurra en el futuro?;
- Analíticas Prescriptivas: ¿Qué acciones deberían tomarse para afectar esos resultados?
¿Qué es?
Desde la visualización hasta los sistemas de recomendación. La investigación en esta área está actualmente activa. Nos limitaremos a resumir los problemas frecuentes encontrados en la literatura. Cada problema conduce a familias de herramientas dirigidas principalmente a estudiantes o profesores que representan la mayoría de los usuarios finales de aplicaciones basadas en AA.
Predecir y mejorar los resultados de aprendizaje de los estudiantes
Una de las aplicaciones emblemáticas de las AA es la predicción de fracasos.
Los indicadores de aprendizaje se calculan automáticamente a partir de las huellas digitales y accesibles a los estudiantes para que puedan adaptar sus propias estrategias de aprendizaje.
Uno de los primeros experimentos se realizó en la Universidad de Purdue (EEUU) con una aplicación móvil diseñada como un tablero basado en semáforos1.
Cada estudiante puede monitorear sus propios indicadores de progreso.
Una captura de pantalla del tablero se muestra en la figura 1.
Los indicadores también pueden ser dirigidos a los profesores, como en un sistema de alerta temprana (EAT).
Esta es la elección hecha por el centro nacional francés para la Educación a Distancia (CNED) en un estudio en curso2.
El objetivo de un EAT es alertar, lo antes posible, a aquellos tutores responsables de monitorear a los estudiantes, con el fin de implementar acciones correctivas apropiadas.
Analizar el proceso de aprendizaje del estudiante
Las técnicas de AA pueden ayudar a modelar el comportamiento de aprendizaje de un estudiante o un grupo de estudiantes (es decir, una clase). El modelo se puede utilizar para mostrar procesos de aprendizaje en aplicaciones de AA, proporcionando información adicional que permitirá a los profesores detectar deficiencias que ayudarán a mejorar los materiales y métodos de formación. Además, el análisis del proceso de aprendizaje es una forma de observar el compromiso del estudiante. Por ejemplo, en el proyecto METAL e-FRAN, los indicadores se reunieron en un tablero co-diseñado con un equipo de profesores de secundaria como se muestra en la figura 23.
Personalizar los caminos de aprendizaje
La personalización de los caminos de aprendizaje puede ocurrir en sistemas de recomendación o aprendizaje adaptativo. Los sistemas de recomendación tienen como objetivo sugerir, a cada estudiante, los mejores recursos o comportamientos apropiados que pueden ayudar a alcanzar objetivos educativos.
Algunos sistemas se centran en poner al profesor en el bucle presentando primero las recomendaciones propuestas para su validación. Los sistemas de aprendizaje adaptativo permiten que el estudiante desarrolle habilidades y conocimientos de una manera más personalizada y a su propio ritmo, ajustando constantemente el camino de aprendizaje hacia la experiencia del aprendiz.
¿Funciona?
En las publicaciones, el feedback se centra principalmente en los estudiantes, incluidos aquellos de educación superior. Las observaciones generalmente muestran una mejora en el rendimiento (por ejemplo, +10% de calificaciones A y B en la Universidad de Purdue, EEUU). Para los profesores, el impacto de las AA es más complejo de evaluar. Los estudios basados en el modelo de aceptación de tecnología (TAM) sugieren que los profesores tienen una percepción positiva del uso de herramientas de AA. Un estudio muestra el análisis final de Fortalezas, Debilidades, Oportunidades y Amenazas (FODA) que reproducimos aquí5 (ver figura 3).
Algunos puntos de atención, incluidos en las secciones de amenazas y debilidades, forman la base de la reflexión de la comunidad de la Sociedad para la Investigación de Analíticas de Aprendizaje (SoLAR) para recomendar un enfoque de ética por diseño para las aplicaciones de AA (Drashler-16). Las recomendaciones se resumen en una lista de verificación de ocho palabras clave: Determinar, Explicar, Legitimar, Involucrar, Consentir, Anonimizar, Técnico, Externo (DELICATE).
1 Arnold, K. E., & Pistilli, M. D. (2012). Course Signals at Purdue: Using learning analytics to increase student success. LAK2012 [Proceedings of the 2nd International Conference on Learning Analytics and Knowledge]. ACM International Conference Proceeding Series, 267–270. https://doi.org/10.1145/2330601.2330666
2 Ben Soussia, A., Roussanaly, A., & Boyer, A. (2022). Toward an early risk alert in a distance learning context. Proceedings of the International Conference on Advanced Learning Technologies (ICALT), 206–208. https://dblp.org/rec/conf/icalt/SoussiaRB22
3 Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., & Boyer, A. (2019). Learning analytics made in France: The METAL project. International Journal of Information and Learning Technology, 36(4), 299–313. https://doi.org/10.1108/IJILT-02-2019-0022
4 Long, P., & Siemens, G. (2011, February 27–March 1). 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, Canada. ACM. https://doi.org/10.1145/2090116
5 Mavroudi, A. (2021). Teachers’ views regarding learning analytics usage based on the Technology Acceptance Model. TechTrends, 65(1), 278–287. https://doi.org/10.1007/s11528-020-00580-7
