Generalmente se distinguen cuatro tipos de anal\u00edticas seg\u00fan la pregunta a resolver:<\/p>\r\n\r\n
- \r\n \t
- Anal\u00edticas Descriptivas: \u00bfQu\u00e9 ocurri\u00f3 en el pasado?;<\/li>\r\n \t
- Anal\u00edticas Diagn\u00f3sticas: \u00bfPor qu\u00e9 algo ocurri\u00f3 en el pasado?;<\/li>\r\n \t
- Anal\u00edticas Predictivas: \u00bfQu\u00e9 es lo m\u00e1s probable que ocurra en el futuro?;<\/li>\r\n \t
- Anal\u00edticas Prescriptivas: \u00bfQu\u00e9 acciones deber\u00edan tomarse para afectar esos resultados?<\/li>\r\n<\/ul>\r\n
\u00bfQu\u00e9 es?<\/h3>\r\n
Desde la visualizaci\u00f3n hasta los sistemas de recomendaci\u00f3n. La investigaci\u00f3n en esta \u00e1rea est\u00e1 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 mayor\u00eda de los usuarios finales de aplicaciones basadas en AA.<\/p>\r\n\r\n
Predecir y mejorar los resultados de aprendizaje de los estudiantes<\/h3>\r\n[caption id=\"attachment_78\" align=\"alignright\" width=\"231\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/ch3-page-2-Purdue-LA.jpg\")
Figura 1: diagrama sobre datos, sesgos y equidad en inteligencia artificial [Ilustraci\u00f3n]. En AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodr\u00edguez Enr\u00edquez. Licencia CC BY\u2011NC\u2011SA 4.0. Disponible en https:\/\/creativecommons.org\/licenses\/by-nc-sa\/4.0\/<\/a>[\/caption]\r\nUna de las aplicaciones emblem\u00e1ticas de las AA es la predicci\u00f3n de fracasos.<\/p>\r\n
Los indicadores de aprendizaje se calculan autom\u00e1ticamente a partir de las huellas digitales y accesibles a los estudiantes para que puedan adaptar sus propias estrategias de aprendizaje.<\/p>\r\n
Uno de los primeros experimentos se realiz\u00f3 en la Universidad de Purdue (EEUU) con una aplicaci\u00f3n m\u00f3vil dise\u00f1ada como un tablero basado en sem\u00e1foros1<\/sup>.<\/p>\r\n
Cada estudiante puede monitorear sus propios indicadores de progreso.<\/p>\r\n
Una captura de pantalla del tablero se muestra en la figura 1.<\/p>\r\n
Los indicadores tambi\u00e9n pueden ser dirigidos a los profesores, como en un sistema de alerta temprana (EAT).<\/p>\r\n
Esta es la elecci\u00f3n hecha por el centro nacional franc\u00e9s para la Educaci\u00f3n a Distancia (CNED<\/a>) en un estudio en curso2<\/sup>.<\/p>\r\n
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.<\/p>\r\n\r\n
Analizar el proceso de aprendizaje del estudiante<\/h3>\r\n[caption id=\"attachment_79\" align=\"alignleft\" width=\"287\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/ch3-page-2-efran-1024x767.jpg\")
Figura 2: Imagen Tablero del proyecto METAL.Pasos para mitigar sesgos en sistemas de inteligencia artificial [Ilustraci\u00f3n]. En AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodr\u00edguez Enr\u00edquez. Licencia CC BY\u2011NC\u2011SA 4.0. https:\/\/pressbooks.pub\/aiforteachers\/chapter\/235\/<\/a>[\/caption]\r\nLas t\u00e9cnicas 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 informaci\u00f3n adicional que permitir\u00e1 a los profesores detectar deficiencias que ayudar\u00e1n a mejorar los materiales y m\u00e9todos de formaci\u00f3n. Adem\u00e1s, el an\u00e1lisis del proceso de aprendizaje es una forma de observar el compromiso del estudiante. Por ejemplo, en el proyecto METAL e-FRAN<\/a>, los indicadores se reunieron en un tablero co-dise\u00f1ado con un equipo de profesores de secundaria como se muestra en la figura 23<\/sup>.<\/p>\r\n\r\n
<\/h3>\r\n
Personalizar los caminos de aprendizaje<\/h3>\r\n
La personalizaci\u00f3n de los caminos de aprendizaje puede ocurrir en sistemas de recomendaci\u00f3n o aprendizaje adaptativo. Los sistemas de recomendaci\u00f3n tienen como objetivo sugerir, a cada estudiante, los mejores recursos o comportamientos apropiados que pueden ayudar a alcanzar objetivos educativos.<\/p>\r\n
Algunos sistemas se centran en poner al profesor en el bucle presentando primero las recomendaciones propuestas para su validaci\u00f3n. Los sistemas de aprendizaje adaptativo permiten que el estudiante desarrolle habilidades y conocimientos de una manera m\u00e1s personalizada y a su propio ritmo, ajustando constantemente el camino de aprendizaje hacia la experiencia del aprendiz.<\/p>\r\n\r\n
\u00bfFunciona?<\/h3>\r\n
En las publicaciones, el feedback se centra principalmente en los estudiantes, incluidos aquellos de educaci\u00f3n 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 m\u00e1s complejo de evaluar. Los estudios basados en el modelo de aceptaci\u00f3n de tecnolog\u00eda (TAM)<\/a> sugieren que los profesores tienen una percepci\u00f3n positiva del uso de herramientas de AA. Un estudio muestra el an\u00e1lisis final de Fortalezas, Debilidades, Oportunidades y Amenazas (FODA) que reproducimos aqu\u00ed5<\/sup> (ver figura 3).<\/p>\r\n\r\n\r\n[caption id=\"attachment_843\" align=\"aligncenter\" width=\"521\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Diapositiva1.jpeg\")
Imagen an\u00e1lisis FODA realizado pro profesores sobre el impacto del aprendizaje autom\u00e1tico. Elaborada por Rodriguez Enr\u00edquez basada en AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook. Licencia CC BY\u2011NC\u2011SA 4.0. https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\nAlgunos puntos de atenci\u00f3n, incluidos en las secciones de amenazas y debilidades, forman la base de la reflexi\u00f3n de la comunidad de la Sociedad para la Investigaci\u00f3n de Anal\u00edticas de Aprendizaje (SoLAR) para recomendar un enfoque de \u00e9tica por dise\u00f1o para las aplicaciones de AA (Drashler-16). Las recomendaciones se resumen en una lista de verificaci\u00f3n de ocho palabras clave: Determinar, Explicar, Legitimar, Involucrar, Consentir, Anonimizar, T\u00e9cnico, Externo (DELICATE).<\/p>\r\n\r\n\r\n
\r\n1<\/sup> Arnold, K. E., & Pistilli, M. D.<\/strong> (2012). Course Signals at Purdue: Using learning analytics to increase student success. LAK2012<\/em> [Proceedings of the 2nd International Conference on Learning Analytics and Knowledge]. ACM International Conference Proceeding Series, 267\u2013270. https:\/\/doi.org\/10.1145\/2330601.2330666<\/a><\/p>\r\n
2<\/sup> Ben Soussia, A., Roussanaly, A., & Boyer, A.<\/strong> (2022). Toward an early risk alert in a distance learning context. Proceedings of the International Conference on Advanced Learning Technologies (ICALT)<\/em>, 206\u2013208. https:\/\/dblp.org\/rec\/conf\/icalt\/SoussiaRB22<\/a><\/p>\r\n
3<\/sup> Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., & Boyer, A.<\/strong> (2019). Learning analytics made in France: The METAL\u202fproject. International Journal of Information and Learning Technology, 36<\/em>(4), 299\u2013313. https:\/\/doi.org\/10.1108\/IJILT-02-2019-0022<\/a><\/p>\r\n
4<\/sup> Long, P., & Siemens, G.<\/strong> (2011, February 27\u2013March 1). 1st International Conference on Learning Analytics and Knowledge<\/em>, Banff, Alberta, Canada. ACM. https:\/\/doi.org\/10.1145\/2090116<\/a><\/p>\r\n
5<\/sup> Mavroudi, A.<\/strong> (2021). Teachers\u2019 views regarding learning analytics usage based on the Technology Acceptance Model. TechTrends, 65<\/em>(1), 278\u2013287. https:\/\/doi.org\/10.1007\/s11528-020-00580-7<\/a><\/p>","rendered":"
\u00bfQu\u00e9 son las anal\u00edticas de aprendizaje?<\/h3>\n
Cada vez m\u00e1s organizaciones utilizan el an\u00e1lisis de datos para resolver problemas y mejorar decisiones relacionadas con sus actividades. Y el mundo de la educaci\u00f3n no es una excepci\u00f3n porque, con la generalizaci\u00f3n del entorno de aprendizaje virtual (EAV) y los sistemas de gesti\u00f3n del aprendizaje (SGA), ahora est\u00e1n disponibles enormes cantidades de datos de aprendizaje, generados por la interacci\u00f3n de los estudiantes con estas herramientas.<\/p>\n
Las Anal\u00edticas de Aprendizaje (AA) es un campo disciplinario definido como \u00abla medici\u00f3n, recolecci\u00f3n, an\u00e1lisis y reporte de datos sobre los aprendices y sus contextos, con el prop\u00f3sito de entender y optimizar el aprendizaje y los entornos en los que ocurre\u00bb4<\/sup>.<\/p>\n
Generalmente se distinguen cuatro tipos de anal\u00edticas seg\u00fan la pregunta a resolver:<\/p>\n
- \n
- Anal\u00edticas Descriptivas: \u00bfQu\u00e9 ocurri\u00f3 en el pasado?;<\/li>\n
- Anal\u00edticas Diagn\u00f3sticas: \u00bfPor qu\u00e9 algo ocurri\u00f3 en el pasado?;<\/li>\n
- Anal\u00edticas Predictivas: \u00bfQu\u00e9 es lo m\u00e1s probable que ocurra en el futuro?;<\/li>\n
- Anal\u00edticas Prescriptivas: \u00bfQu\u00e9 acciones deber\u00edan tomarse para afectar esos resultados?<\/li>\n<\/ul>\n
\u00bfQu\u00e9 es?<\/h3>\n
Desde la visualizaci\u00f3n hasta los sistemas de recomendaci\u00f3n. La investigaci\u00f3n en esta \u00e1rea est\u00e1 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 mayor\u00eda de los usuarios finales de aplicaciones basadas en AA.<\/p>\n
Predecir y mejorar los resultados de aprendizaje de los estudiantes<\/h3>\n
Figura 1: diagrama sobre datos, sesgos y equidad en inteligencia artificial [Ilustraci\u00f3n]. En AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodr\u00edguez Enr\u00edquez. Licencia CC BY\u2011NC\u2011SA 4.0. Disponible en https:\/\/creativecommons.org\/licenses\/by-nc-sa\/4.0\/<\/a><\/figcaption><\/figure>\n Una de las aplicaciones emblem\u00e1ticas de las AA es la predicci\u00f3n de fracasos.<\/p>\n
Los indicadores de aprendizaje se calculan autom\u00e1ticamente a partir de las huellas digitales y accesibles a los estudiantes para que puedan adaptar sus propias estrategias de aprendizaje.<\/p>\n
Uno de los primeros experimentos se realiz\u00f3 en la Universidad de Purdue (EEUU) con una aplicaci\u00f3n m\u00f3vil dise\u00f1ada como un tablero basado en sem\u00e1foros1<\/sup>.<\/p>\n
Cada estudiante puede monitorear sus propios indicadores de progreso.<\/p>\n
Una captura de pantalla del tablero se muestra en la figura 1.<\/p>\n
Los indicadores tambi\u00e9n pueden ser dirigidos a los profesores, como en un sistema de alerta temprana (EAT).<\/p>\n
Esta es la elecci\u00f3n hecha por el centro nacional franc\u00e9s para la Educaci\u00f3n a Distancia (CNED<\/a>) en un estudio en curso2<\/sup>.<\/p>\n
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.<\/p>\n
Analizar el proceso de aprendizaje del estudiante<\/h3>\n
Figura 2: Imagen Tablero del proyecto METAL.Pasos para mitigar sesgos en sistemas de inteligencia artificial [Ilustraci\u00f3n]. En AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodr\u00edguez Enr\u00edquez. Licencia CC BY\u2011NC\u2011SA 4.0. https:\/\/pressbooks.pub\/aiforteachers\/chapter\/235\/<\/a><\/figcaption><\/figure>\n Las t\u00e9cnicas 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 informaci\u00f3n adicional que permitir\u00e1 a los profesores detectar deficiencias que ayudar\u00e1n a mejorar los materiales y m\u00e9todos de formaci\u00f3n. Adem\u00e1s, el an\u00e1lisis del proceso de aprendizaje es una forma de observar el compromiso del estudiante. Por ejemplo, en el proyecto METAL e-FRAN<\/a>, los indicadores se reunieron en un tablero co-dise\u00f1ado con un equipo de profesores de secundaria como se muestra en la figura 23<\/sup>.<\/p>\n
<\/h3>\n
Personalizar los caminos de aprendizaje<\/h3>\n
La personalizaci\u00f3n de los caminos de aprendizaje puede ocurrir en sistemas de recomendaci\u00f3n o aprendizaje adaptativo. Los sistemas de recomendaci\u00f3n tienen como objetivo sugerir, a cada estudiante, los mejores recursos o comportamientos apropiados que pueden ayudar a alcanzar objetivos educativos.<\/p>\n
Algunos sistemas se centran en poner al profesor en el bucle presentando primero las recomendaciones propuestas para su validaci\u00f3n. Los sistemas de aprendizaje adaptativo permiten que el estudiante desarrolle habilidades y conocimientos de una manera m\u00e1s personalizada y a su propio ritmo, ajustando constantemente el camino de aprendizaje hacia la experiencia del aprendiz.<\/p>\n
\u00bfFunciona?<\/h3>\n
En las publicaciones, el feedback se centra principalmente en los estudiantes, incluidos aquellos de educaci\u00f3n 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 m\u00e1s complejo de evaluar. Los estudios basados en el modelo de aceptaci\u00f3n de tecnolog\u00eda (TAM)<\/a> sugieren que los profesores tienen una percepci\u00f3n positiva del uso de herramientas de AA. Un estudio muestra el an\u00e1lisis final de Fortalezas, Debilidades, Oportunidades y Amenazas (FODA) que reproducimos aqu\u00ed5<\/sup> (ver figura 3).<\/p>\n
Imagen an\u00e1lisis FODA realizado pro profesores sobre el impacto del aprendizaje autom\u00e1tico. Elaborada por Rodriguez Enr\u00edquez basada en AI Speak: Issues with Data, Bias and Fairness, en AI for Teachers: an Open Textbook. Licencia CC BY\u2011NC\u2011SA 4.0. https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a><\/figcaption><\/figure>\n Algunos puntos de atenci\u00f3n, incluidos en las secciones de amenazas y debilidades, forman la base de la reflexi\u00f3n de la comunidad de la Sociedad para la Investigaci\u00f3n de Anal\u00edticas de Aprendizaje (SoLAR) para recomendar un enfoque de \u00e9tica por dise\u00f1o para las aplicaciones de AA (Drashler-16). Las recomendaciones se resumen en una lista de verificaci\u00f3n de ocho palabras clave: Determinar, Explicar, Legitimar, Involucrar, Consentir, Anonimizar, T\u00e9cnico, Externo (DELICATE).<\/p>\n
\n1<\/sup> Arnold, K. E., & Pistilli, M. D.<\/strong> (2012). Course Signals at Purdue: Using learning analytics to increase student success. LAK2012<\/em> [Proceedings of the 2nd International Conference on Learning Analytics and Knowledge]. ACM International Conference Proceeding Series, 267\u2013270. https:\/\/doi.org\/10.1145\/2330601.2330666<\/a><\/p>\n
2<\/sup> Ben Soussia, A., Roussanaly, A., & Boyer, A.<\/strong> (2022). Toward an early risk alert in a distance learning context. Proceedings of the International Conference on Advanced Learning Technologies (ICALT)<\/em>, 206\u2013208. https:\/\/dblp.org\/rec\/conf\/icalt\/SoussiaRB22<\/a><\/p>\n
3<\/sup> Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., & Boyer, A.<\/strong> (2019). Learning analytics made in France: The METAL\u202fproject. International Journal of Information and Learning Technology, 36<\/em>(4), 299\u2013313. https:\/\/doi.org\/10.1108\/IJILT-02-2019-0022<\/a><\/p>\n
4<\/sup> Long, P., & Siemens, G.<\/strong> (2011, February 27\u2013March 1). 1st International Conference on Learning Analytics and Knowledge<\/em>, Banff, Alberta, Canada. ACM. https:\/\/doi.org\/10.1145\/2090116<\/a><\/p>\n