02 marzo, 2017

Arquitectura MOOC: 5. Learning Analytics - Analítica del Aprendizaje

Learning Analytics es la colección, análisis y reporte de datos sobre la actividad del estudiante y su contexto. El objetivo del Learning Analytics es comprender  y optimizar el aprendizaje y el contexto en el que los estudiantes desarrollan sus actividades.
Los sistemas de auto-aprendizaje (LMS) y las redes sociales informáticas pueden coleccionar una gran cantidad de información acerca de sus usuarios. Por ejemplo, recogen datos sobre perfiles, la interacción con otros usuarios y el contenido, la participación y las contribuciones del usuario. El análisis del aprendizaje pretende utilizar estos datos para mejorar el aprendizaje y de esta forma aportar beneficios tanto para el usuario o para la institución.

La identificación, recopilación y organización de datos, el desarrollo de modelos analíticos, la colaboración y la toma de decisiones sobre las acciones es un esfuerzo institucional que abarca la administración, la gestión académica y la asignación de recursos.

Objetivos del Learning Analytics

  • Mejorar la toma de decisiones: administrativas, organización, asignación de recursos sobre la base de datos concretos
  • Identificar estudiantes en riesgo y ayudarlos para lograr éxito académico
  • Ayudar a innovar y transformar el sistema de universitario
  • Aumentar la productividad y eficacia en la medida que contribuye a proveer información actualizada
  • Proporcionar a los estudiantes la información sobre sus hábitos de aprendizaje y recomendaciones para su mejora
  • Mejorar la calidad de la enseñanza, innovar y transformar el sistema de educativo
  • Aumentar la retención de los estudiantes (evitar abandono)
  • Aumentar la participación de los estudiantes

Análisis del aprendizaje

Los datos educativos recogidos tienen un rol fundamental para el análisis del aprendizaje. Ya que el volumen de datos recogidos puede dificultar el análisis, existen herramientas de análisis que permiten extraer resultados e información significativa posible de presentar en forma de gráficos, cuadros estadísticos y visualizaciones multimedia. Estas herramientas facilitan la presentación de resultados a estudiantes, responsables administrativos, organizativos o académicos.

Datos más significativos

De la gran variedad de datos, los más significativos son:
  • Datos personales (nombre, dirección, edad, etc.)
  • Datos de interacción social (mensajes, foros, etc.)
  • Datos de navegación (enlaces, mapas, etc.)
  • Datos relacionales (conexiones relacionadas con amigos, seguidores, a quién sigue, recursos relacionados, etc.)
  • Datos de contexto (datos de ubicación, datos de sensores, etc.)
  • Datos textuales (los textos creados y evaluados con técnicas de minería de datos)
  • Datos para el análisis de calidad

Analytics – uso primario

Fase 1: Extracción y reporte
Fase 2: Análisis y seguimiento (monitoreo)
Fase 3: Escenarios “What if”
Fase 4: Modelamiento y simulación predictiva
Fase 5: Factores desencadenantes (triggers) y alertas

Próximo artículo:

Arquitectura MOOC: 6. Certificación

Artículos anteriores:

Arquitectura de un MOOC - presentación de la serie
Arquitectura MOOC: 1. Recursos Educativos
Arquitectura MOOC: 2. Interacciones
Arquitectura MOOC: 3. Identificación – Identidad, Gestión,Portafolio

No hay comentarios:

Publicar un comentario

Descarga Guía: Cómo aplicar la Inteligencia Artificial, en la práctica docente

La IA: una tecnología disruptiva Descarga esta Guía de apoyo: Cómo  aplicar la Inteligencia Artificial en la práctica docente Esta guía pued...