Learning analytics

Learning Analytics es la medición, recopilación, análisis y presentación de datos sobre los estudiantes, sus contextos y las interacciones que allí se generen, con el fin de comprender el proceso de aprendizaje que se está desarrollando y optimizar los entornos en los que se produce. En español algunos autores la han denominado analítica del aprendizaje o análisis del aprendizaje.

Los análisis del aprendizaje pueden ayudar al usuario de un Sistema de Gestión del Aprendizaje (LMS= Learning Management System) a mejorar los resultados de su aprendizaje o funciones dentro del sistema educativo. Los usuarios incluyen estudiantes, docentes, administradores y las personas que toman las decisiones.

¿Qué es el Learning Analytics?

La incorporación de las tecnologías de la información y la comunicación (TIC), y el uso cada vez más común de las tecnologías móviles en el ámbito de la educación, ha aumentado la cantidad de datos que se generan en la web. No solo hay mayor interacción y solicitud de datos por medio de las pantallas de los dispositivos sino que también los dispositivos tienen mayores sensores, que registran una mayor cantidad de datos (cámaras, GPS, etc...)

Teniendo en cuenta esta cantidad de información, han surgido compañías cuyo negocio se enfoca en el acopiamiento y administración de la misma, tales como Google, Amazon, Netflix, Spotify, entre otras. Estas empresas, tienen como objetivo principal hacer un análisis de la información para prestar servicios personalizados de acuerdo a la información de cada usuario. En el marco de este nuevo mercado surge la necesidad de desarrollar nuevas tecnologías que ayuden a la recuperación y análisis de esta gran cantidad de datos (Greller & Drachsler, 2012, p. 42).

Lo anterior, no es indiferente a los procesos de enseñanza y aprendizaje que utilizan Ambientes Virtuales de Aprendizaje, pues se presenta como una oportunidad para analizar datos que se toman por medio de las diferentes plataformas para diseñar y pensar en diferentes estrategias. Es decir, “El objetivo principal es mejorar la calidad, efectividad y eficiencia de los procesos de aprendizaje. Se espera que el aprendizaje personalizado tenga el potencial de disminuir costos mientras que al mismo tiempo se crean experiencias de aprendizaje más efectivas, se acelera el desarrollo de competencias y se incrementa la colaboración entre estudiantes". (Greller & Drachsler, 2012, p. 42)

A este proceso de recopilación, estructuración y análisis de datos en los procesos de enseñanza aprendizaje utilizando tecnologías de la información y la comunicación se le conoce, en general, como Learning Analytics. A continuación se presentan algunos conceptos del término.

• Una de las definiciones discutida por la comunidad en general sugirió que el Learning Analytics "es el uso de datos inteligentes, datos del alumno-producido, y modelos de análisis para descubrir las conexiones de la información y sociales, que se originan en un entorno digital para predecir y asesorar el aprendizaje de las personas".

Pero esta definición ha sido cuestionada:

• George Siemens señala al respecto: "Estoy un poco de acuerdo con esta definición - que sirve así como un concepto de introducción si utilizamos análisis como una estructura de soporte para los modelos de educación existente. En una implementación avanzada e integrada - se puede acabar con los modelos curriculares prefabricadas". Los datos se recogen a partir de acciones explícitas, como contemplar tareas y realizar exámenes pero también, y en esto está la novedad, de las actuaciones tácitas, de las interacciones sociales en línea, de actividades extracurriculares, y otras.

• A su vez, Mike Sharkey expresa que: "En las descripciones del Learning Analytics hablamos de uso de datos para predecir el éxito". Además, por su parte, Papamitsiou, Z., & Economides, A., (2014), han identificado que el Learning Analytics pretende: "modelar el comportamiento de los estudiantes, predecir el desempeño, incrementar la reflexión y la conciencia, predecir el abandono escolar y la persistencia, mejorar la evaluación y la realimentación y posibilita la recomendación de recursos".

• Según Fernando Santamaría, el análisis del aprendizaje utiliza conjuntos de datos educativos de los sistemas digitales de aprendizaje de administración y sociales con el fin de analizar la posición del aprendizaje y la automejora de la eficacia en el aprendizaje a través de la retroalimentación y la predicción.

• Según Begoña Gros, el análisis del aprendizaje consiste en la interpretación de un amplio espectro de datos producidos y recogidos de los estudiantes para orientar su producción académica, predecir acciones futuras e identificar elementos problemáticos. El objetivo es posibilitar que los profesores puedan adaptar de forma rápida y eficaz las estrategias educativas que más se adapten a sus alumnos.

• Johnson menciona que no necesita el análisis del aprendizaje centrarse simplemente el rendimiento de los estudiantes. Podría ser utilizado para evaluar los planes de estudio, programas, e instituciones. Además podrían contribuir los esfuerzos de evaluación en un campus, ayudando a proporcionar un análisis más profundo, o podría ser utilizado para transformar la pedagogía de una manera radical.

• Una revisión sistemática sobre el Learning Analytics y sus conceptos clave es proporcionada por Chatti et al. (2012) a través de un modelo de referencia para el análisis de aprendizaje basado en cuatro dimensiones:
  1. Los datos, los ambientes y el contexto (¿qué?)
  2. Los grupos de interés (¿quién?)
  3. Los objetivos (¿por qué?)
  4. Los métodos (¿cómo?).

El concepto de análisis del aprendizaje busca que exista una acción posterior a los resultados y que se trace un plan de estudios, personalización y adaptación, así como predicción e intervención sobre las capacidades con el objetivo de mejorarlas.

Constantemente aparecen en Internet datos sobre los usuarios que permanecen a la espera de que sean analizados. Un método de análisis servirá como base para la predicción, la intervención, la personalización, y la adaptación. Es importante tener en cuenta que la adaptación y la personalización tienen que incorporar la tecnología, la socialización, y la pedagogía. La inmediatez y la eficacia del análisis del aprendizaje de un alumno servirá para que este conozca cuáles son sus propias dificultades y, a su vez, para que sus educadores conozcan más a fondo su dificultad personal y grupal. La mayoría de instituciones educativas tienen un currículum prediseñado. Con el análisis del aprendizaje los profesores podrán modificarlo con el objetivo que los estudiantes puedan adquirir mejor sus capacidades.

Así, el análisis del aprendizaje buscará:

1. Reflexionar sobre los logros y los patrones de comportamiento de cada alumno respecto a sus compañeros (o currículum prediseñado).
2. Contemplar aspectos del perfil de los estudiantes, forma de pensar y aprender, habilidades y procesos de aprendizaje, como factores que influyen en la motivación y éxito final.
3. Predecir si los estudiantes necesitarán apoyo y atención personalizada.
4. Ayudar a los profesores y personal de apoyo en sus intervenciones.
5. Mejorar los cursos actuales o desarrollar nuevas ofertas del plan de estudios para los grupos funcionales.
6. Ayudar a las instituciones educativas en la toma de decisiones en la dirección y gestión del centro educativo.

Diferencia entre Learning Analytics (LA) y Educational Data Mining (EDM)

Diferenciar los conceptos de la minería de datos educativa (EDM) y de análisis de aprendizaje (LA) ha sido una preocupación de varios investigadores. George Siemens adopta la posición de que la minería de datos educativos abarca tanto las analíticas de aprendizaje y análisis académicos, el primero de los cuales está dirigido a los gobiernos, los organismos de financiación, y los administradores en lugar de los estudiantes y de la facultad.

Baepler y Murdoch definen análisis académicos como un área que "... combina selectos de datos institucionales, análisis estadístico y modelos de predicción para crear inteligencia en la que alumnos, docentes o administradores pueden cambiar la conducta académica". Ellos van a intentar, para eliminar la ambigüedad entre minería de datos educativa y análisis académicos, analizar si el proceso está impulsado por hipótesis o no, aunque Brooks se pregunta si existe esta distinción en la literatura.

Brooks, en lugar de eso, propone que una mejor distinción entre las comunidades de EDM y LA se encuentra en las raíces de donde se originó cada comunidad, siendo que la autoría en la comunidad EDM está dominada por investigadores procedentes de los paradigmas de tutoría inteligente, y en Learning Analytics por investigadores que se centran en sistemas de aprendizaje de la empresa (por ejemplo, LMS).

Independientemente de las diferencias entre las comunidades de LA y de EDM, las dos áreas tienen una esencia común significativa tanto en los objetivos de los investigadores, así como en los métodos y las técnicas que se utilizan en la investigación.

Historia

Según Campbell, la era de la información trajo consigo la posibilidad de manejar grandes grupos de datos que, convenientemente analizados, podían ayudar a la aplicación de modelos predictivos y datos estadísticos. Esto, unido al interés mundial creciente por incrementar el nivel educativo de la ciudadanía para mejorar la competitividad de los Estados, ha sido un factor muy influyente en la creación de disciplinas como Learning Analytics.

Delimitación del concepto

La historia del learning analytics está vinculada al desarrollo del análisis de datos dentro del mundo de la empresa, conocido como business analytics, y de los entornos web, llamados web analytics. El desarrollo de las TIC, unido al de la inteligencia empresarial y de la web analytics abrió un campo nuevo a las instituciones educativas. Si bien el análisis de datos es connatural a la evaluación del alumnado y de las instituciones académicas, que siempre han medido la evolución de los estudiantes, sus resultados y el impacto de las políticas educativas, las TIC permiten introducir una innovación en el mundo educativo y, por primera vez, recoger de manera precisa, rápida, eficiente y en tiempo real los comportamientos internos y externos en las instituciones educativas.

El término fue utilizado por primera vez por Mitchel y Costello (2000) en una investigación sobre e-learning. En 2005, la multinacional educativa Blackboard retomaría el concepto para exponer cómo su sistema de gestión de aprendizaje podía proporcionar datos a ejecutivos académicos, instructores y personas implicadas en la toma de decisiones. Desarrolló y licenció aplicaciones de programas empresariales y servicios relacionados a más de 2200 instituciones educativas en más de 60 países, que usaron sus programas para administrar aprendizaje en línea y ofreció información a las instituciones educativas para implementar mejoras estratégicas (Baepler & Murdoch, 2010). Pese a la implantación temprana del concepto, este ha sido objeto de debate en el mundo educativo.

Así, Goldstein and Katz (2005) prefieren el término academic analytics, relacionado con la aplicación de la inteligencia empresarial a la academia, mientras que Oblinger y Campbell (2007) limitan ese concepto al éxito académico, es decir, al número de graduados. Norris, Baer, Leonard, Pugliese y Lefrere (2008) propusieron el concepto action analytics para mejorar las prácticas académicas y reducir sus costes. Finalmente, se logró el consenso con el término learning analytics, que subraya la importancia de la obtención de datos en tiempo real sobre la actividad de estudiantes, docentes e instituciones para mejorar el rendimiento; es decir, frente a otros conceptos, resulta más adecuado porque hace referencia al proceso de capturar, procesar y utilizar información tiempo real.

Debate en el seno académico

El avance en el learning analytics se manifestó en la publicación de textos académicos sobre la materia. Además de los citados, fue importante el trabajo de Mobasher, Colley y Srivastava (2000), Cho y Kim (2002) y Wang y Ren (2009), que subrayaron que learning analytics permite atender las necesidades que tienen los agentes educativos en el presente y, asimismo, una sus principales ventajas es predecir los comportamientos, por lo que la reflexión sobre los procesos educativos es inmediata y el proceso de mejora e implementación de innovaciones está asegurado.

Asimismo, destacan publicaciones como Journal of Educational Data Mining, editado desde el año 2009 y Journal of Learning Analytics, desde el año 2014. En el año 2015 la Universitat Oberta de Catalunya (UOC) hizo un “Call for papers” sobre learning analytics dentro de un especial sobre “Intelligent Decision Support Systems for Learning Environments”. Desde 2011 se celebran las conferencias de Learning Analytics and Knowledge (LAK), cuya [http://educ-lak17.educ.sfu.ca/index.php/general-call/ próxima edición se desarrollará en Canadá en 2017. Un hito en la historia del learning analytics es la publicación de artículo de Rebecca Ferguson del artículo sobre el estado de la disciplina en 2012 y de los retos futuros, titulado “The State of Learning Analytics in 2012: A Review and Future Challenges”.

Ese mismo año el departamento de educación del gobierno de Estados Unidos sacó el informe sobre el estado del learning analytics, titulado Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief . Asimismo, dentro del ámbito europeo destaca el proyecto LACE, dedicado a los desafíos presentes y futuros del learning analytics (LA) y la educational data mining (EDM) e integra a comunidades escolares, universitarias y laborales que busquen soluciones a problemas reales relacionados con learning analytics.

Historia del contexto de Learning Analytics

(Este punto es una adaptación traducida del wiki Edfutures.net)

En “The State of Learning Analytics in 2012: A Review and Future Challenges”, Rebecca Ferguson señala el progreso del análisis de datos en educación como un desarrollo producido a través de:

1. El creciente interés en “big data” para la inteligencia empresarial.
2. La orientación de la educación en línea hacia Entornos Virtuales de Aprendizaje, Sistema de gestión de contenidos y Sistemas de información gerencial para educación, que vieron un aumento en los datos digitales en cuanto al historial del estudiante (a menudo recopilado mediante los Sistemas de información gerencial) y el registro de datos de aprendizaje (a través de los Entornos Virtuales de Aprendizaje). Esto permitió tener la oportunidad de aplicar técnicas propias de la inteligencia empresarial a los datos educativos.
3. Cuestiones referentes a la optimización de sistemas de apoyo al aprendizaje, principalmente a través de la pregunta: ¿Cómo podemos saber cuándo un estudiante está aprendiendo si no lo podemos ver?
4. Un aumento del enfoque hacia qué evidencias ofrece el progreso y los estándares profesionales para el sistema de asignación de responsabilidades.
5. Este enfoque condujo a una participación continua en el análisis por parte del docente, dado que éste está asociado con los sistemas de asignación de responsabilidades.
6. Mayor énfasis en el abordaje de aspectos pedagógicos de Learning Analytics.
7. Todo esto se ve aumentado gracias a la intención económica de comprometerse a mejorar la educación en línea ofreciendo educación realizable de alta calidad.

Disciplinas y elementos que contribuyeron a su desarrollo

En un análisis de la historia de la analítica, Cooper pone de relieve una serie de comunidades de las que la analítica de aprendizaje atrae técnicas, incluyendo:

1. Estadísticas - que son un medio bien establecido para hacer frente a la prueba de hipótesis.
2. Inteligencia Empresarial - que tiene similitudes con la analítica de aprendizaje, a pesar de que históricamente se ha dirigido a hacer la producción de informes más eficientes a través de permitir el acceso de datos y el resumen de los indicadores de desempeño.
3. La Analítica Web - herramientas como Google Analytics informan sobre visitas a la página web y referencias a sitios web, marcas y otros elementos clave a través de Internet. El "grano fino" más de estas técnicas puede ser adoptado en la analítica de aprendizaje para la exploración de las trayectorias de los estudiantes a través de recursos de aprendizaje (cursos, materiales, etc.).
4. La Investigación Operativa - tiene como objetivo destacar la optimización del diseño para maximizar los objetivos mediante el uso de modelos matemáticos y los métodos estadísticos. Tales técnicas están implicados en la analítica que buscan crear modelos de comportamiento del mundo real para la aplicación práctica del aprendizaje.
5. Inteligencia Artificial (IA) y la Minería de datos - las técnicas de aprendizaje de máquinas construidas sobre la minería de datos y métodos de IA son capaces de detectar patrones en los datos. En el Learning Analytics tales técnicas se pueden utilizar para los sistemas de tutoría inteligentes, la clasificación de los estudiantes de manera más dinámica que los factores demográficos simples, y recursos tales como los sistemas de los cursos sugerido 'modelados en técnicas de filtrado colaborativo.
6. Análisis de Redes Sociales - SNA analiza las relaciones entre las personas mediante la exploración implícita (por ejemplo, las interacciones en los foros) y explícito en línea (por ejemplo, "amigos" o "seguidores") los vínculos y fuera de línea. SNA se ha desarrollado a partir del trabajo de los sociólogos como Wellman y Watts, y matemáticos como Barabási y Strogatz. El trabajo de estas personas nos ha proporcionado un buen sentido de los patrones que las redes de exhibición (pequeño mundo, las leyes de alimentación), los atributos de las conexiones (a principios de los años 70, Granovetter exploraron las conexiones desde una perspectiva de la fuerza del vínculo y el impacto de la nueva información), y las dimensiones sociales de las redes (por ejemplo, la geografía sigue siendo importante en un mundo digital en red). Se utiliza sobre todo para explorar los grupos de redes, redes de influencia, acoplamiento y desacoplamiento, y se ha desplegado a estos efectos en el aprendizaje de los contextos analíticos.
7. La Visualización de la información - la visualización es un paso importante en muchos análisis para la construcción de sentido en torno a los datos proporcionados. Por tanto, es utilizado en la mayoría de las técnicas ya mencionadas.
8. Los modelos predictivos y los análisis productivos - estas técnicas de matemática y psicología avanzada permiten predecir el comportamiento del usuario y constituyen una de las bases del learning analytics. Pese a los avances en los análisis, la predicción de comportamientos y la implementación de mejoras, Eckerson (2006) manifiesta que se está lejos de un modelo óptimo relacionado con el aprendizaje a la práctica docente, algo que también han denunciado en el ámbito del LMS Hijon and Carlos (2006).
9. La psicología social, organizacional y comunitaria - ambas son esenciales para en el análisis de los procesos de enseñanza-aprendizaje por medio de las TIC.
10. Las teorías del aprendizaje - la pedagogía está, como es obvio en la base de la educación y, por eso, el learning analytics tiene en las teorías del aprendizaje uno de sus pilares esenciales.

Métodos de Análisis

Los métodos de análisis de aprendizaje incluyen:

• El análisis de contenido: en particular de los recursos que los estudiantes crean (como ensayos).
• Análisis del discurso: tiene como objetivo capturar datos significativos sobre las interacciones de los estudiantes que (a diferencia de "red social analytics ') tiene como objetivo explorar las propiedades del lenguaje utilizado, en lugar de solo la red de interacciones, o recuentos foro-post, etc.
• Análisis de Redes Sociales (SNA): cuyo objetivo es explorar el papel de la interacción social en el aprendizaje, la importancia de las redes de aprendizaje, el discurso utilizado, etc.
• Analítica de disposición: que trata de capturar los datos relativos a las disposiciones de los estudiantes sobre su propio aprendizaje, y la relación de éstos con su aprendizaje. Por ejemplo, los alumnos "curiosos" pueden estar más inclinados a hacer preguntas - y estos datos pueden ser capturados y analizados para el análisis de aprendizaje.

Además del método del Análisis de Redes Sociales, Chatti et al. (2014) identifican otras tres técnicas que en los últimos años han recibido especial atención en el campo de Learning Analytics:

1. Estadística basada en la interacción de los estudiantes dentro de los Sistemas de Gestión del Aprendizaje que proporciona información básica el promedio, la media o la desviación estándar de datos como el número total de visitas, el número de visitas por páginas, el número de comentarios y respuestas de los estudiantes, los materiales leídos, etc. y que a través de las herramientas de informes.
2. Visualización de la información, la representación de los datos a través de imágenes puede facilitar la comprensión y el análisis de estos.
3. La Minería de datos o exploración de datos es el proceso que intenta descubrir patrones en grandes volúmenes de conjuntos de datos.

• Desde una perspectiva constructivista, el estudio de las “formas de organización de la actividad conjunta”, las maneras concretas en que profesor y alumnos articulan y se organizan de forma regular y reconocible en una situación determinada, lo que hacen y dicen en torno a un contenido. El “triángulo interactivo” formado por las relaciones mutuas entre alumno, contenido y profesor aparece, así, en este método, como el núcleo básico de los procesos formales de enseñanza y aprendizaje, como la unidad mínima significativa para el análisis de tales procesos. y como el instrumento fundamental para el estudio empírico de los procesos de construcción de conocimiento que los alumnos llevan a cabo. Este método involucra el análisis de las relaciones entre los elementos del triángulo interactivo: qué actuaciones desarrollan profesor y alumnos y qué reglas las rigen; cómo se relacionan las actuaciones del profesor con las actuaciones de los alumnos, y viceversa; cómo se manifiestan e influyen en esas actuaciones, y en su relación mutua, las características concretas de los contenidos y tareas específicos alrededor de los que se organiza la actividad; cómo evolucionan y cambian esas actuaciones y sus relaciones mutuas a lo largo del proceso de enseñanza y aprendizaje, desde su inicio hasta su final; cómo se insertan los intercambios comunicativos entre profesor y alumnos es esas actuaciones, y qué formas de discurso se emplean en ellos, cuándo y cómo.

Usos del Learning Analytics

Recordando la frase de Peter Drucker "Todo lo que se puede medir se puede mejorar", si queremos mejorar necesitamos datos. Con información y reflexión podremos crear conocimiento, podremos crear valor. Por lo tanto, es importante conocer este nuevo campo para poder mejorar la práctica educativa ya que proporciona la retroalimentación que tanto se necesita. El análisis se puede utilizar para:

• Una mejor toma de decisiones administrativas, así como la asignación de recursos.
• La predicción, por ejemplo para identificar a los estudiantes de un curso que puedan estar en riesgo de abandono o el posible fracaso o éxito de una formación.
• La intervención, proporcionando información a los educadores estos pueden aplicar medidas correctivas para apoyar a los estudiantes que no rinden como se esperaba.
• La personalización y adaptación, para proporcionar a los estudiantes itinerarios de aprendizaje a medida, o materiales de evaluación.
• El empoderamiento de los estudiantes para monitorizar su propio progreso, una herramienta para facilitar la autoevaluación y un poderoso componente del Entorno Personal de Aprendizaje (EPA).
• La visualización de la información, por lo general a través de los llamados cuadros de mando del aprendizaje que proporcionan una visión de conjunto de los datos, se realizan con herramientas especializadas de la visualización de datos.

Según Dolors Reig, las interacciones en las redes, plataformas y otros entornos generan una serie de datos que pueden ser analizados por determinadas aplicaciones, permitiendo obtener:

• Información sobre los logros y patrones de comportamiento de los estudiantes en relación con los demás.
• Predicciones sobre si los estudiantes necesitan un apoyo extra, en el contexto del Aula invertida (en inglés “Flipped classroom") esta información es de gran utilidad.
• Ayuda a los profesores y gestores de la formación en la tarea de planificar las acciones formativas, aplicando las mejoras necesarias con un mayor nivel de adaptación a las necesidades de un público que con estos datos será más fácil conocer.

Tinisaray, Menciona que la tendencia en las universidades es trabajar con tecnologías que faciliten y mejoren el desarrollo de las actividades académicas, la información procesada con las herramientas adecuadas permite predecir, prevenir y/o actuar para mejorar el rendimiento académico de los estudiantes.

Fernando Santamaría ejemplifica dos casos de uso del análisis del aprendizaje:

• Desde el lado del profesor, que a través de los Sistemas de Gestión del Aprendizaje (LMS) obtiene información de toda la actividad del estudiante, la carga y descarga de recursos, las intervenciones en foros de discusión, los resultados de tests, etc. y que sirve para observar el proceso de aprendizaje y de esta manera identificar los obstáculos que pueden provocar el abandono de los estudiantes. Esto sirve para que los profesores pueden establecer medidas correctivas.
• Desde el punto de vista de un aprendiz que utilice la Web 2.0, éste puede beneficiarse de la información obtenida a través del análisis de las redes sociales, por ejemplo sobre los recursos más populares, recibir recomendaciones personalizadas que se adecuen a sus intereses o bien en función de lo que sus contactos han valorado mejor.

El uso de Learning Analytics tiene una influencia particularmente significativa en tres áreas:

Aprendizaje personalizado:

• Ayuda a que los estudiantes puedan configurar sus Entornos Personales de Aprendizaje (PLE) combinando el análisis de los datos obtenidos en las LMS con los usos de las RR.SS. y otros espacios 2.0 integrados en el desarrollo del curso.
• Facilita el refuerzo de la motivación individual y colectiva del alumnado, pues su mejor conocimiento ayuda a diseñar estrategias de coaching educativo más adecuadas.
• Mejora la confección de esquemas de docencia-aprendizaje multidispositivo, abiertos y flexibles que promuevan la investigación individual y la experimentación.
• Sus conclusiones sirven para diseñar itinerarios formativos personalizables, con diferentes contenidos instructivos así como para estructurar los grupos de estudio y prever el carácter de sus interacciones.

Aprendizaje adaptativo:

• Contribuye a adaptar la metodología, el ritmo de trabajo y el diseño instructivo a los esquemas cognitivos de los aprendices, identificando las áreas donde los participantes encuentran más dificultades.
• Permite establecer los tiempos óptimos para la tutorización y rectificar carencias de información o errores implícitos en las pruebas de evaluación propuestas.
• Mejora la distribución y etiquetado de elementos en las plataformas LMS y la selección de herramientas educativas así como de los tipos de tareas y estrategias de evaluación.

Intervención educativa:

• Es un instrumento útil para combatir el fracaso educativo y promocionar el aprendizaje basado en competencias.
• Posibilita sacar conclusiones sobre la actitud y el comportamiento que previsiblemente adoptará un aprendiz ante un determinado contenido, una tarea de evaluación, un conflicto de equipo o un proyecto formativo completo.

Software

La mayoría del software que se usa actualmente para Learning Analytics duplica las funcionalidades de las herramientas de analítica web, pero lo aplica a las interacciones de los estudiantes al contenido. A menudo se utiliza también el software para el análisis de redes sociales (Social network analysis software) para analizar las conexiones y discusiones sociales.

Por defecto, muchos de los Learning Management System (LMS) o Entorno Virtual de Aprendizaje (EVA) disponen de su propia herramienta de seguimiento.

Existen también herramientas adicionales, desarrolladas a través de investigación o disponibles como módulos adicionales a los sistemas comerciales. Estas herramientas pueden ayudar a mejorar los diseños tradicionales de e-learning.

A continuación, se presentan algunas de las herramientas más usadas:

• SNAPP - es una herramienta de learning analytics que permite visualizar la red de interacciones que resultan de los mensajes y las respuestas en los foros de discusión para identificar patrones de comportamiento de usuarios. Es una herramienta que trabaja con diferentes LMS de código abierto, como BlackBoard o Moodle. La mayoría de datos generados desde los LMS incluyen informes con el número de sesiones (log-ins), el tiempo de conexión, el número de descargas, entre otros. Sin embargo, debido a las posibilidades que nos dan las redes sociales, SNAPP carece de otro tipo de métricas útiles, como quién responde a quién, a qué nivel se comunican los miembros, cuáles son las discusiones que generan más interés, etc.

• LOCO-ANALYST - es una herramienta para el análisi de los procesos de aprendizaje que ocurren en un ambiente de aprendizaje basado en la web, para poder mejorar el contenido y la estructura de los cursos. LOCO-Analyst facilita información sobre qué tipo de actividades llevan a cabo los estudiantes, el uso y la comprensibilidad del contenido educativo, y las interacciones sociales entre los estudiantes.

• STUDENT SUCCESS SYSTEM (D2L)- es una herramienta predictiva para el análisis del aprendizaje que predice el rendimiento de los estudiantes y marca unos cuadrantes de riesgo basados en el compromiso y las predicciones. Aporta indicadores para mejorar el desarrollo al por qué el estudiante no está en el buen camino a través de visualizaciones como la red de interacciones que resultan del compromiso social (p.ej. discusiones y respuestas), evaluación de rendimiento, compromiso con el contenido, entre otros indicadores.

• SAM (Social Networks Adapting Pedagogical Practice) - es una herramienta que monitorea la actividad estudiantil, destinada al Entorno Personal de Aprendizaje.

• BEESTAR INSIGHT - es un sistema en tiempo real que recoge automáticamente la participación y la asistencia del estudiante. Proporciona herramientas de análisi.

• - es una herramienta para la minería de datos y aprendizajes automáticos basada en un software visual muy fácil y potente.

• RAPIDMINER (antes conocido como YALE) - es una herramienta que se utiliza para la minería de datos. Estas tareas pueden ser tanto a nivel experimental como en el mundo real.

• KNIME - es una plataforma de código abierto, fácil de entender y de utilizar para integrar datos, procesarlos y realizar análisis y exploraciones.

Existen estándares para software de e-learning que permiten estructurar y almacenar interacciones de un usuario ante distintas actividades de aprendizaje electrónico, como puede ser el Tin Can API. A través de estos estándares se extraen datos en un formato consistente y facilita intercambiar datos entre aplicaciones.

Críticas

La ética sobre la recolección de datos, la analítica, los informes y la responsabilidad se ha puesto en relieve como posible problema para el Learning Analytics (p. ej. y), con preocupaciones tales como:

• Propiedad de los datos
• Comunicaciones sobre el ámbito y el papel de Learning Analytics
• La necesidad del papel del feedback humano y de los sistemas de corrección de errores en Learning Analytics
• Datos compartidos entre sistemas, organizaciones y actores

Tal y como Kay, Kom y Oppenheim señalan, la variedad de datos es amplia, derivados mayormente de:

• Actividad registrada, registros de estudiantes, participación, tareas, información de investigación.
• Sistemas de interacciones, entornos personales de aprendizaje, búsquedas en repositorios/bibliotecas, operaciones de tarjetas de crédito.
• Mecanismos de feedback, encuestas, atención al cliente.
• Sistemas externos que ofrecen identificación segura como servicios compartidos y del sector y redes sociales.

Por eso, la situación legal y ética será complicada, ya que aumentan las implicaciones para:

• La variedad de datos - principios de colección, conservación y explotación.
• La misión educativa - temas subyacentes de la gestión del aprendizaje, incluyendo la ingeniería social y de logros.
• La motivación para el desarrollo del análisis - reciprocidad, una combinación de lo corporativo, lo individual y el bien común.
• Las expectativas del cliente - práctica empresarial efectiva, expectativas de datos sociales, consideraciones culturales de una base de clientes común.
• La obligación de actuar - obligación de diligencia derivada del conocimiento y los retos correspondientes a la gestión del desempeño profesional y del estudiante.

Tendencias

A medida que el Learning Analytics sigue creaciendo, parece que hay al menos tres campos de gran crecimiento:

1. La inclusión de datos multimodales para realizar el análisis (gestos, seguimiento ocular, biosensores),
2. La diversificación de ambientes de aprendizaje para analizar (MOOCs, aulas, aprendizaje práctico presencial, etc),
3. Los temas de investigación teniendo en cuenta un conjunto más amplio de constructos relacionados con el aprendizaje.

Dentro del Learning Analytics, los avances en Big Data tienen muchas consideraciones. En primer lugar, el campo se está expandiendo a un conjunto más amplio de fuentes y modalidades de datos, que es esencial en la realización de las investigaciones. Al mismo tiempo, estas nuevas fuentes de datos y plataformas de aprendizaje están alimentando oportunidades para la comunidad para desarrollar nuevas técnicas analíticas. Por último, una consideración importante es la creciente preocupación en torno a cuestiones de privacidad del usuario. Si Big Data va a tener gran impacto en la educación, las cuestiones de la privacidad serán fundamentales. La generación de resultados suficientemente generalizables y robustos debe justificar los reclamos e intervenciones que se realizan. Por lo tanto, los desafíos y oportunidades de Big Data van más allá de meros terabytes de información a temas de acceso a datos, privacidad, confiabilidad y generalización.

Ética y Learning Analytics

El propósito institucional de Learning Analytics puede ser definido como "la maximización del número de estudiantes que consiguen graduarse, la mejora de del desempeño de los alumnos que pueden ir retrasados o con algún tipo de desventaja o, simplemente, maximizar beneficios". En definitiva, su uso viene impuesto por un paradigma utilitarista.

El uso de Learning Analytics puede presentar controversias de tipo ético marcadas por posturas ideológicas. Desde la perspectiva de la optimización de recursos, los problemas éticos serán diferentes a los que identificamos desde una perspectiva critico-social.

Algunos autoresPlantilla:Quién sostienen que la frialdad de los datos que proporciona un mero análisis estadístico de la actividad de aprendizaje de un discente puede entrar en conflicto con la necesaria sensibilidad que se debe mostrar en un proceso de enseñanza-aprendizaje en cuanto que el campo de aplicación de Learning Analytics ha trascendido del uso meramente administrativo y ha pasado a ser integrado de forma plena en la enseñanza mediada por TIC, en especial, en el ámbito de la enseñanza superior, si bien, tradicionalmente el uso de los avances en el tratamiento de datos en la educación superior, en comparación con otras áreas como la sanitaria, ha sido ineficiente.

El profesor Paul Prinsloo establece unos principios, a modo de marco guía, a la hora de considerar Learning Analytics como una práctica moral:

• Principio 1. Learning Analytics es una práctica moral. En respuesta al incremento de posibilidades analíticas, Learning Analytics no solamente debe determinar lo que es efectivo, pero también debe usarse para decidir lo que es apropiado y moralmente necesario.
• Principio 2. El estudiante deber ser considerado un agente colaborador, no solamente un receptor de servicios educativos. Los alumnos deben no solo dar el consentimiento acerca de la recogida de datos, sino que deben colaborar facilitando cualquier tipo de información que sirva a un mejor desempeño.
• Principio3. La identidad y el desempeño del estudiante deben ser considerados desde un punto de vista dinámico. El estudiante cuenta con una serie atributos permanentes y otros que son dinámicos. Durante el tiempo en el que forman parte de la institución educativa, su identidad y sus competencias varían, lo que puede afectar a la caducidad de los datos registrados en un momento determinado.
• Principio 4. El estudiante debe ser considerado como un fenómeno complejo y multidimensional. El éxito escolar es el resultado de un conjunto de interacciones multidimensionales, generalmente no lineales e interdependientes, a considerar durante el tiempo en el que el estudiante esté matriculado.
• Principio 5. Transparencia. La consideración del Learning Analytics como una práctica moral implica la necesidad de transparencia respecto a los propósitos para los que se usan los datos recogidos.
• Principio 6. La educación superior no puede permitirse el lujo de no usar los datos. Ignorar la información que proporcionan las herramientas actuales dificulta la consecución de los objetivos relativos bien al beneficio. bien a la enseñanza que la institución haya definido.

Prinslo, junto con el profesor Slade, identificó los siguientes campos de estudio que presentan problemas éticos a analizar:

1. La localización y la interpretación de los datos.
2. La información sobre consentimiento, privacidad y el uso de los datos.
3. La gestión, clasificación y archivo de los datos.

Desde una perspectiva más práctica, los profesores John P. Campbell, Peter B. DeBlois, y Diana G. Oblinger identificaron los siguientes aspectos que pueden generar conflictos éticos.

• Gran Hermano: La idea de que una persona o institución puede realizar un seguimiento de las acciones de los individuos dentro de una aplicación de software puede generar recelos. ¿Quién determina qué datos se recogen?¿Qué obligación tiene la institución tiene que informar que su comportamiento dentro de una aplicación se está realizando un seguimiento? Etc.
• Visión holística: A pesar de análisis produce una predicción basada en los datos disponibles, la predicción no puede tener en cuenta todas las posibles causas del éxito o falta de éxito. Siempre hay casos que se escapan a la predicción de un modelo. Los modelos, aunque tengan una alta fiabilidad no tienen porqué tener en cuenta todas las variables afectan a una determinada cuestión puesto que su propia definición implica la simplificación de un fenómeno real y su validación se determina por la capacidad de predicción.
• Participación del claustro: La implicación de los miembros del claustro en el proceso de enseñanza en la etapa de análisis es fundamental. Son ellos quienes deben detectar a los estudiantes en situación de riesgo y llevar a cabo medidas adicionales para asegurar un buen desempeño del estudiante.
• Perfiles: Un uso de Learning Analytics puede ser la predicción de éxito o fracaso de un estudiante. Dicha predicción podría condicionar la actuación de la institución académica con el mismo.
• Privacidad de datos: Muchos de los datos recogidos pertenecen a la intimidad de la persona y deben ser tratados como datos de nivel alto atendiendo a la clasificación que realiza la LOPD.
• Datos de Administración: Los datos pueden proceder de un amplio abanico de fuentes ¿Cómo se han conservado? ¿Quién los ha compartido con la institución? ¿Quién determina las decisiones de uso?
• Intercambio de información: Si un modelo predice el éxito de un estudiante, ¿con quién debe ser compartida esa información? ¿estudiantes, profesores, la propia institución u otro personal? ¿qué información debe ser compartida? ¿quién toma esa decisión?
• Obligación de actuar. Atendiendo a la información recogida por cualquiera de los agentes nombrados en el punto anterior ¿qué obligación tienen de actuar ante dicha información? En cualquier caso, la decisión de actuar debe ser considerada dentro de un contexto específico de aplicación.
• Distribución de los recursos: Los modelos de predicción cuantitativos, son insensibles a la distribución de los recursos a los estudiantes más necesitados, lo que puede presentar dar lugar a situaciones de desasistencia injustificada.

A la vista de lo anterior, los problemas y controversias que pueden surgir en el uso de Learning Analytics hace recomendable que la organización educativa defina una clara política de uso de datos de los estudiantes para garantizar el uso adecuado de los mismos, un ejemplo de esta política lo tenemos en la compañía de prestación de servicios digitales para universidades JISC, que ha elaborado su propio Código de prácticas, de compleja elaboración, en la que se ha tenido en cuenta toda la literatura sobre la materia, las conclusiones de un grupo de asesoramiento, el desarrollo de una clasificación de las diferentes problemas y la validación del Código por los diferentes miembros de la comunidad educativa hasta la publicación del Código en su web.

THE OPEN UNIVERSITY, que aun dejando constancia del amplio uso e información que pueden obtener de los datos del estudiante a través del Learning Analytics, limita su uso a aquellas actuaciones que puedan suponer un beneficio para el estudiante y definiendo taxativamente el ámbito ajeno al Learning Analytics, como pueden ser las quejas que presenten los alumnos o la información que estos faciliten en redes sociales.

Además, se apuesta por una total transparencia en el uso del Learning Analytics, de tal forma que las personas que sean objeto de dichos análisis tengan a su disposición guías sobre su funcionamiento y ejemplos prácticos para una mayor comprensión.

En definitiva, el continuo aumento de Learning Analytics hace necesario no solo considerar las oportunidades que nos ofrece para tomar mejores y más eficientes decisiones, sino que no podemos obviar los desafíos éticos que presenta su uso. El debate sobre el uso ético sigue vivo en el contexto académico, tal y como se recoge recientemente en el Journal of Learning Analytics, en un volumen que lleva por título Ethics and privacy in learning analytics -Vol 3, No 1 (2016). En el editorial de ese número, titulado “Guest Editorial: Ethics and Privacy in Learning Analytics”, Rebecca Ferguson, Tire Hoel y Maren Scheffel recogían los desafíos éticos del learning analytics se resumen en nueve metas éticas, a saber:

1. El éxito del alumno.

2. Instituciones educativas fiables.

3. Respeto por las aportaciones individuales y grupales.

4. Respeto por los derechos de autor.

5. Educadores e instituciones educativas que salvaguarden a sus quienes están bajo su amparo.

6. Acceso igualitario a la educación.

7. Observación, aplicación equitativa de leyes justas.

8. Libertad de trato.

9. Integridad personal.

Ventajas del learning analytics

El Learning Analytics ofrece una solución a nuestras limitaciones actuales en el ámbito del aprendizaje como herramienta de soporte para ayudar en la evaluación diagnóstica y formativa, la mejora en la planificación individualizada así como para adaptar los contenidos a las necesidades educativas reales.

El impulso de la creatividad, el cambio del paradigma en la educación, la incorporación de las nuevas tecnologías y su papel como motor de cambio hacia un aprendizaje más personalizado serán algunos de los puntos que se analizarán.

Compromiso:

Learning Analytics permite a través del estudio de los datos de los estudiantes, crear mejores pedagogías y conocer de forma más concreta a nuestro alumnado. Nos permite clasificar y diferenciar al alumno que no va a finalizar el curso, porque no está interesado, del alumno que aun no obteniendo buenos resultados quiere realizar el curso y necesita un apoyo extra para terminarlo.

El tutor puede disponer de toda esta información sin necesidad de preguntarle al alumno, pudiendo así actuar de diferente manera según el alumno ante el que se encuentre, tratando de motivar de la manera más adecuada al alumnado. Learning Analytics proporciona datos muy interesantes para educadores e investigadores y permite descubrir el compromiso de los estudiantes tanto dentro como fuera de clase, así como detectar obstáculos formativos y disminuir las situaciones de abandono. A su vez permite al tutor preparar actividades atractivas para el alumnado y realizar sugerencias basadas en la predicción de los recursos formativos que pueden resultarles más útiles. Por tanto, permite personalizar el aprendizaje y adaptarlo a cada alumno, mejorando por tanto la experiencia formativa.

Contenidos:

Permite personalizar al máximo la enseñanza en función del “rastro tecnológico” que deja el alumnado. Sería útil a la hora de presentar varias opciones de seguimiento de un contenido dado virtualmente, es decir, ante un concepto le propongo tres recursos simultáneamente, un video audiovisual, un test, un juego y de allí se puede ver cuál es el que mejor se adapta mediante el análisis de la cantidad de veces y alumnos que han accedido a cada uno…

Mejorar los procesos de formación:

Toda esta información que proporciona Learning Analytics se puede utilizar para mejorar los procesos de formación y aumentar lo que aprenden los usuarios, redundando así en una mejora de la productividad para las empresas, las organizaciones y la sociedad. Entre las maneras que se puede aprovechar esta información del Learning Analytics están las siguientes:

• Teniendo disponibles indicadores como la efectividad, eficiencia o tiempo invertido en recursos, los profesores pueden comprender qué recursos educativos fallaron o cuales son más difíciles de comprender e incluso que parte de esos recursos tienen problemas y cuáles no o en qué contextos. Esto hace que los profesores puedan mejorar dichos recursos para futuros cursos o en medio de un mismo curso.
• Los profesores pueden comprender mejor a sus alumnos, conociendo su evolución a lo largo del tiempo, su grado de aprovechamiento, materias concretas donde tiene problemas, perfiles, etc. Con esta información los profesores pueden actuar para dar una realimentación y ayuda al aprendizaje para los alumnos de forma que sea más efectivo.
• La aplicación de técnicas de predicción, pueden permitir predecir el futuro a partir de un conjunto de indicadores pasados. Así por ejemplo pueden detectar alumnos con riesgo de abandono del curso o que tendrán un aprendizaje bajo o alto. También se pueden inferir qué indicadores influyen en el aprendizaje futuro. De esta forma se puede realizar una intervención temprana para tratar de evitar casos como el abandono de cursos o un aprendizaje bajo.
• Los alumnos pueden visualizar información sobre ellos mismos, de forma que puedan reflexionar ellos mismos sobre su propio aprendizaje, ver su evolución, perfiles. Además, pueden realizar los cambios que ellos consideren oportunos al ser conscientes de su propio aprendizaje.
• Se puede habilitar la adaptación y personalización a los alumnos en función de sus diferentes perfiles para hacer su aprendizaje mejor. Así se pueden habilitar diferentes caminos de aprendizaje dando recursos más adecuados para acelerar el aprendizaje según determinados perfiles.
• Se pueden habilitar recomendadores que guíen al alumno en su aprendizaje por ejemplo que ante comportamientos que puedan ser inadecuados (p. ej. abuso de pistas) se le dé un determinado mensaje para intentar que sea consciente y que si quiere, puede cambiar para incrementar su aprendizaje y reflexionar antes de ver las pistas.
• Los gestores de las organizaciones puedan conocer a los mejores profesores, alumnos, cursos, etc. sobre la base de un conjunto de indicadores.
• Los gestores de las organizaciones puedan conocer más sobre los usuarios y así poder asignar tareas en función de perfiles conocidos fruto de su interacción con las plataformas educativas. Por ejemplo si se detectan perfiles de buscador de información, dar una serie de tareas en la organización adecuadas para quien tiene esa habilidad.

Evaluación:

Ayuda a resolver algunos problemas en los que nos vemos inmersos; por ejemplo, es una excelente ayuda para la evaluación diagnóstica y la formativa, para la adaptabilidad de los recursos de aprendizaje, para mejorar la planificación personalizada, para la tutoría proactiva. Así mismo también nos puede servir para establecer modelos asociados a competencias (además de validar su eficacia).

Learning Analytics es como una constante evaluación, es decir un seguimiento constante del alumnado de forma individual y colectiva, de lo cual parte la toma de decisiones.

Sin embargo, se deben tomar algunas precauciones en la aplicación del Learning Analytics dentro de las organizaciones para no generar más inconvenientes que beneficios, en particular en lo que se refiere a temas tan delicados como protección de datos y transparencia.

Aprendizaje autorregulado

Los agentes que colaboran en un proceso de e-learning se caracterizan por su voluntad de desarrollar un proceso de aprendizaje basado, entre otros, en la libertad, la autonomía y la construcción colaborativa del conocimiento. La influencia de las teorías del aprendizaje del constructivismo y el colectivismo hacen que el aprendizaje autorregulado sea uno de los rasgos que definen a los agentes del aprendizaje en línea. Por eso, los estudiantes se sienten protagonistas responsables de su conducta y consideran que forman parte de un proceso proactivo, que radica en la automatización y en uso de estrategias que les permiten alcanzar su metas académicas.

Aprendizaje personalizado

El Learning Analytics permite a través del estudio de los datos de los estudiantes, conocer de forma más concreta al alumnado y crear mejores pedagogías. Nos permite diferenciar y clasificar al alumno que no va a finalizar el curso, porque no está interesado, del alumno que aun no obteniendo buenos resultados quiere realizar el curso y necesita un apoyo para terminarlo.

El profesor puede disponer de toda esta información sin necesidad de preguntarle al alumno, pudiendo así actuar de diferente manera según el alumno ante el que se encuentre, tratando de motivarlo de la manera más adecuada. El Learning Analytics proporciona datos muy interesantes para educadores e investigadores y permite descubrir el compromiso de los estudiantes tanto dentro como fuera de clase, así como detectar obstáculos formativos y disminuir las situaciones de abandono. A su vez permite al profesor preparar actividades atractivas para el alumnado y realizar sugerencias basadas en la predicción de los recursos formativos que pueden resultarles más útiles. Por tanto, permite personalizar el aprendizaje y adaptarlo a cada alumno, mejorando por ende la experiencia formativa.

Véase también

• Aprendizaje supervisado
• Conectivismo
• Minería de textos
• Reconocimiento de patrones