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 serieArquitectura MOOC: 1. Recursos Educativos
Arquitectura MOOC: 2. Interacciones
Arquitectura MOOC: 3. Identificación – Identidad, Gestión,Portafolio
No hay comentarios:
Publicar un comentario