La analítica del aprendizaje (Learning Analytics) es una disciplina interdisciplinaria que combina la educación, la informática y la estadística para analizar y mejorar el aprendizaje y la enseñanza. Desde su surgimiento en la década de 2010, ha sido objeto de un creciente interés y desarrollo, tanto en el ámbito académico como en el empresarial.

Origen y desarrollo histórico:

El término "Learning Analytics" se acuñó por primera vez en 2011, pero la disciplina tiene sus raíces en la minería de datos educativos (Educational Data Mining) y la evaluación del aprendizaje (Learning Assessment). La idea de utilizar datos para mejorar el aprendizaje y la enseñanza se remonta a la década de 1990, pero fue con la popularización de la educación en línea y los sistemas de gestión del aprendizaje (LMS) en la década de 2000 que la disciplina comenzó a tomar forma. Desde entonces, ha habido un creciente interés en la analítica del aprendizaje como una herramienta para mejorar la educación y el aprendizaje en línea.

Dominio del conocimiento donde estuvieron sus fundamentos:

Los fundamentos de la analítica del aprendizaje se encuentran en la teoría del aprendizaje, la psicología educativa, la minería de datos, la inteligencia artificial y la estadística, entre otras áreas de conocimiento.

Herramientas usadas para su aplicación:

La analítica del aprendizaje utiliza una variedad de herramientas y técnicas para analizar los datos de aprendizaje y mejorar la enseñanza. Algunas de las herramientas más comunes incluyen:

1. LMS (Learning management systems): Los sistemas de gestión del aprendizaje recopilan datos sobre el progreso del estudiante, la participación y el rendimiento en las actividades de aprendizaje.

2. Herramientas de seguimiento: Las herramientas de seguimiento, como los sistemas de seguimiento de clics y la tecnología de seguimiento de ojos, recopilan datos sobre cómo los estudiantes interactúan con los materiales de aprendizaje.

3. Análisis de texto: El análisis de texto se utiliza para analizar la retroalimentación de los estudiantes, como las respuestas a las preguntas y los comentarios en los foros de discusión.

4. Minería de datos: La minería de datos se utiliza para descubrir patrones y relaciones en los datos de aprendizaje.

Descripción general del proceso de analítica del aprendizaje:

1. El proceso de analítica del aprendizaje consta de varios pasos, que incluyen:

1. Recopilación de datos: Los datos de aprendizaje se recopilan de diversas fuentes, como los sistemas de gestión del aprendizaje, las herramientas de seguimiento y las encuestas de retroalimentación.

2. Procesamiento de datos: Los datos se procesan para extraer información relevante, como el rendimiento del estudiante, la participación y la retroalimentación.

3. Análisis de datos: Los datos se analizan para descubrir patrones, relaciones y tendencias en el aprendizaje.

El origen de la definición de la analítica del aprendizaje se fijó en la Primera Conferencia Internacional sobre Aprendizaje, Análisis y Conocimiento 2011 (Learning Analytics and Knowledge - 2011) adoptado a partir de tal fecha por la Society for Learning Analytics Research (SoLAR), institución que afirma que la analítica de aprendizaje viene a ser “la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce” (Sabulsky, 2019, p. 15)

• Herramientas usadas para su aplicación.

Existen varias herramientas que se utilizan para la aplicación de la analítica del aprendizaje, una de ellas son los Sistemas de gestión de aprendizaje (LMS), estos sistemas aparecieron a inicios de los 90 ́s. Estos son sistemas basados en la web utilizados para crear, almacenar, distribuir y gestionar información de las diferentes actividades durante el transcurso del proceso de enseñanza y aprendizaje de un curso. A través de los años los LMS han adoptado diferentes formas. Con esto me refiero a que han aparecido variedad de sistemas vinculados a esta categoría, pero cada uno con herramientas y funcionalidades particulares.

Ejemplos de LMS: FirstClass, WebCT que luego se convirtió en Blackboard, Sakai, Udemy, Edmodo, Moodle, etc.

• Descripción general del proceso de analítica del aprendizaje.

De acuerdo con Campbell y Oblinger, el proceso de la analítica tiene cinco fases: 1. Registrar. Los datos son la base de los esfuerzos de análisis, en múltiples fuentes y formatos.

2. Reportar. Una vez que los datos se han extraído y almacenado, es posible realizar consultas e informes, examinar la información e identificar tendencias, patrones y excepciones.

3. Predecir. Los datos recopilados y almacenados se analizan estadísticamente. 4. Intervenir. El objetivo de cualquier proyecto de análisis es permitir a una institución actuar con base en predicciones y probabilidades, estableciendo líneas de acción para intervenir en beneficio de los estudiantes. 5. Refinar. El monitoreo del impacto del proyecto es un esfuerzo continuo, y los modelos estadísticos deben actualizarse periódicamente.

Artículos tomados de:

http://formacionib.org/congreso-entorno-digital/0042.pdf

https://www.medigraphic.com/pdfs/gaceta/gm-2019/gm191m.pdf

https://dspace.ups.edu.ec/bitstream/123456789/20737/1/UPS-GT003333.pdf

La analítica del aprendizaje es un paradigma que consiste en medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce. Tiene sus raíces en la denominada inteligencia empresarial y la minería de datos. Puede ser concebida como un campo de estudio emergente con un prominente avance, sobre todo en los países desarrollados. Su esencia es multidisciplinar, establece sus basamentos teórico-metodológicos en las ciencia de la educación, a las que se le adiciona la lingüística, la inteligencia artificial y un amplio componente que proviene de la estadística

Surgió a partir de varios aspectos que convergen, como la necesidad de informar sobre el uso de los sistemas de gestión educativa y los entornos virtuales de aprendizaje y la aplicación de nuevos algoritmos desarrollados por la ciencia de datos aplicados a las bases de datos de las universidades.

Algunas herramientas para el análisis de datos educativos son: SPSS, SAS, Minitab,Rcommander, Rapid Minner, Tanagra, Italassi, Weka, Opea Refine, Orange, Wrangler, R+Rstudio, Python, Roctave, JmatLab, Scavis.

Todo proceso analítico parte de una fase previa de recuperación de información, y lleva a un proceso de identificación de patrones y generación de acciones. El proceso de análisis de datos en general se compone de:

· Captura de Información. En esta fase se establecen los métodos y mecanismos para recabar información para el resto del proceso de data analytics. Es importante en este punto validar la calidad y pertinencia de los datos, pues de ello dependerá el máximo de calidad en las etapas subsecuentes del proceso.

· Procesamiento de datos. En esta fase se procesa la información capturada para poder obtener diferentes perspectivas y resultados. En general en esta fase se suelen enfrentar problemas como la reducción de complejidad, dimensionalidad y síntesis de información.

· Identificación de hallazgos. En esta fase se revisan los resultados de las etapas previas y se generan una serie de hipótesis que relacionan lo que los datos representan con sus posibles significados. De una manera es la producción de historias plausibles que confirman o rechazan ideas previas.

· Generación de accionables. En esta etapa y con los resultados de cada una de las previas, se plantean acciones que son consecuencia de una mejor comprensión de los datos y la información capturada. Una conclusión importante es que si el proceso no genera acciones concretas, no tiene mucho sentido establecer un proceso de análisis de datos.

La Analítica del Aprendizaje es una disciplina novedosa que tiene un enorme potencial para mejorar la calidad de la educación y la evaluación del aprendizaje. Se define como: “la medición, recopilación, análisis y reporte de datos sobre los alumnos y sus contextos, con el propósito de entender y optimizar el aprendizaje y los entornos en que ocurre”.

Las Analíticas de Aprendizaje o Learnin Analytics, nacen con el fin de conocer y analizar de manera precisa los comportamientos internos de las organizaciones educativas, y con base en estos análisis, establecer los factores claves que influyen en mayor proporción en el proceso educativo de los usuarios de estas plataformas y optimizar estos procesos. El Learning Analytics nace de los principios básicos de la inteligencia empresarial, pues el desarrollo tecnológico permite que la disciplina del análisis de datos se acerque al mundo educativo.

El concepto surge en 2011 de la mano de George Siemens y tiene que ver con la recopilación y el análisis de datos de los estudiantes en el mismo entorno de estudio.

Los dos factores que han sido los más importantes en el desarrollo de este concepto son: la inteligencia de negocios que relaciona y filtra datos en busca de información para la toma de decisiones empresariales y la analítica de la web (web analytics) cuyo objetivo en principio fue obtener información acerca del uso de los sitios web, identificar usuarios y sus patrones de navegación (Buckingham & Ferguson, 2011).

Inicialmente estos factores no se relacionaban con la educación, sin embargo, los dos ámbitos tienen necesidades comunes, el análisis del aprendizaje se refiere al uso de datos inteligentes producidos por los alumnos, y el análisis de los mismos para descubrir la información y las relaciones sociales, con la finalidad de predecir y asesorar alguna acción relacionada con el aprendizaje.

Existen 4 niveles de la Analítica del Aprendizaje:

- Analítica descriptiva: Da respuesta a la interrogante ¿qué sucedió? Revisa objetivamente la serie de datos históricos de un fenómeno. Utiliza estadísticas descriptivas.

- Analítica inquisitiva: Proceso de diagnóstico para indagar por qué sucedió un fenómeno. Examina los resultados descriptivos y evalúa críticamente el acontecimiento en su contexto.

- Análisis predictivo: Estudia los datos disponibles, para predecir resultados futuros de forma probabilística, respondiendo a la pregunta ¿qué es probable que suceda?

- Analítica prescriptiva: Analítica de optimización cuyo objetivo es guiar la toma de decisiones respondiendo la pregunta ¿qué deberíamos hacer para lograr los objetivos?

Debemos señalar además que el proceso de implementación de las analíticas de aprendizaje tiene las siguientes etapas:

• Seleccionar: Para realizar un debido seguimiento de los Ambientes Virtuales de Aprendizaje o los LMS, es necesario delimitar las áreas, las interacciones y los contenidos que serán objeto de estudio.
• Capturar: Después de haberse llevado a cabo el proceso de selección, es necesario implementar filtros de acuerdo a lo que se quiere y, de esta forma, discriminar los datos con mayor relevancia.
• Recopilar y Reportar: Como acto seguido, después de filtrar los datos relevantes, estos se deben recopilar para después generar un reporte. De esta forma, lo que antes eran datos sueltos pasan a convertirse en información.
• Pronosticar: Con base en la información recolectada y haciendo uso de modelos estadísticos, se debe predecir el comportamiento de los actores de la plataforma o el entorno virtual, identificando problemas u oportunidades potenciales.
• Usar: Estos pronósticos basados en la información recolectada deben ser utilizados para tomar acciones en la plataforma, optimizando los procesos y evitando factores que pueden afectar la eficiencia del funcionamiento del espacio.
• Compartir: Se debe realizar una retroalimentación de acuerdo a todo lo anterior, de tal forma que la información seleccionada, recopilada y utilizada, se transforme en conocimiento útil para todos los actores de estos ambientes de aprendizaje.

Para desarrollar un proceso efectivo de LearnIng Analytics debemos utilizar herramientas tecnológicas que nos ayuden en este proceso. Moodle, una de las plataformas de aprendizaje más utilizadas, tiene como módulos de analítica de aprendizaje por ejemplo Engagement Analytics plugins, Learning Analytics Enriched Rubric, KlassData, Intelliboard o Google analytics for Moodle.

Lo mencionado anteriormente, directa e indirectamente, nos permite ver la utilidad de dichos recursos, así como los motivos que podrían hacer que un alumno no comprenda un tema e incluso, que a partir de esta información se tomen las medidas necesarias para mejorar la enseñanza, los recursos y se fomente un mayor acompañamiento al alumno, de tal manera que su experiencia de aprendizaje sea atractiva y le motive a seguir estudiando

Referencias bibliográficas:

Buckingham, S., y Ferguson, R. (2011). Social Learning Analytics. Recuperado de: https://www.researchgate.net/publication/228839351_Social_Learning_Analytics

Buckingham, S. (2012). Learning Analitics. Policy Brief, UNESCO Instituto para las Tecnologías de la Información en Educación. Recuperado de https://bit.ly/2TXK1rh

Calvo, A. (2015). digical 22. Learning Analytics. Dar sentido a los datos educativos. Recuperado de:http://www.digical22.com/learning-analytics/

Dawson, P. (2012). Moodle. Engagement Analytics Plugin. Recuperado de: https://docs.moodle.org/22/en/Engagement_Analytics_Plugin.

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning.

Lodge, J. M., Cooney, J., y Corrin, L. (2019). Learning analytics in the classroom: Translating learning analytics research for tearchers. NY: Routledge.

Siemens, G. (2010) What Are Learning Analytics? Recuperado de: http://www. elearnspace.org/blog/2010/08/25/what-are-learning-analytics/

Niemi, D., Pea, R. D., Saxberg, B. y Clark, R. E. (2018). Learning analytics in Education. NY: IAP.

La analítica del aprendizaje es una disciplina que se ha desarrollado en las últimas décadas con el objetivo de mejorar la calidad de la educación. Su origen se remonta a la década de los 60, cuando surgieron las primeras investigaciones sobre la medición del aprendizaje y la evaluación educativa.

Desde entonces, esta ha evolucionado hasta convertirse en un campo de estudio multidisciplinario que involucra la psicología, la educación, la informática y la estadística, entre otras disciplinas. Su objetivo principal es el análisis de datos para identificar patrones y tendencias en el aprendizaje de los estudiantes, para poder personalizar las experiencias de aprendizaje de estos.

Los fundamentos de la analítica del aprendizaje están en el dominio del conocimiento de la psicología y la educación. Los estudios de estas disciplinas han permitido entender cómo funciona el aprendizaje en el cerebro humano y cómo se puede mejorar el proceso educativo.

Para aplicar la analítica del aprendizaje se utilizan diversas herramientas, como los sistemas de gestión del aprendizaje (LMS), los sistemas de información de estudiantes (SIS), los sistemas de seguimiento del progreso del estudiante (SPS) y los sistemas de análisis de datos (DAS), entre otros.

El proceso de analítica del aprendizaje comienza con la recopilación de datos sobre el rendimiento de los estudiantes en diferentes áreas del conocimiento. Estos datos se analizan para identificar patrones y tendencias, lo que permite a los educadores tomar decisiones informadas sobre cómo mejorar el proceso educativo.

Ejemplos de sistemas de análisis de datos basados en el aprendizaje automático:

Sistemas de recomendación personalizados: utilizan algoritmos de aprendizaje automático para analizar los datos de los estudiantes y recomendar cursos y contenidos educativos personalizados, basándose en su historial de aprendizaje y preferencias.

Modelos predictivos: utilizan de manera análoga al anterior los sistemas de aprendizaje automático para predecir el rendimiento académico futuro, detectando patrones y tendencias en su aprendizaje.

Herramientas de análisis de sentimiento: recopilan los datos de las encuestas y comentarios de los estudiantes, evaluando su nivel de satisfacción y compromiso.

Sistema de tutoría virtual: brindan retroalimentación personalizada a los estudiantes, adaptando el contenido y la metodología educativa a sus necesidades y preferencias.

Análisis de datos de rendimiento: evalúan el rendimiento académico de los estudiantes y detectan patrones y tendencias en su aprendizaje, permitiendo a los profesores ajustar su enseñanza en consecuencia.

Un ejemplo de este último es el seguimiento del progreso académico de los estudiantes a lo largo del tiempo, para lo cual se pueden utilizar herramientas de análisis de datos que recolecten información sobre el rendimiento de los estudiantes en diferentes tareas, exámenes y proyectos. Luego se utilizan algoritmos de aprendizaje automático para analizar los datos recopilados y detectar patrones y tendencias en el rendimiento de los estudiantes; por ejemplo se pueden identificar los temas o habilidades en los que los estudiantes tienen más dificultad o dominan mejor. Finalmente con esta información, los docentes pueden adaptar su enseñanza para abordar las áreas en las que los estudiantes necesitan más ayuda y ofrecer recursos adicionales para apoyar su aprendizaje. Además este tipo de análisis puede ayudar a los profesores a evaluar la eficacia de sus métodos de enseñanza y hacer ajustes para mejorar el aprendizaje de sus educandos.

Las analíticas de aprendizaje son muy importantes, lamentablemente su empleo en mi contexto laboral y otros que conozco es casi nulo. La superación en este sentido es una demanda y exigencia de los procesos formativos de hoy día.

Introduction

Actually, Learning Analytics its an amazing topic in Virtual Education. Mastering this science will make it possible to refine learning and understand the virtual learning environments in which it occurs. Learning analytics is consider as a new field that focuses on use of a wide spectrum of analytical methods and techniques to analyze data coming from educational contexts.

The development of learning analytics is influenced by the networks of researchers that contribute to it. Information and communication technology (ICT) are emerging as an essential element of education, teaching and learning in many ways. ICT is currently an integral tool to Learning Analytics because it allows collect data on students and their learning experiences, identify learners who require support and provide different personalized learning experiences.

Origin and historical development

With Learning Analytics, it is possible to measure, collect, analyze the information that is stored in online teaching platforms and act accordingly with the results obtained from the actions of teachers and students.

The origins of Learning Analytics go back to the beginning of the 19th century associated with the concept of intelligent machines. Sidney Pressey in 1924 created a mechanical teaching machine to instruct students without a human teacher.

Gordon Pask and Robin McKinnon-Wood develop SAKI, the first adaptive instruction system about 1956. It automatically adjusted questions for learners according to their performing level.

The beginning of the Information age counted with FirstClass (world's first LMS), it was introduced by Soft Arc in 1990.

In 2002, an open-source internal network was introduced called Moodle by Martin Dougiamas. It is a Learning Platform or course management system (CMS), a free Open-Source software package designed to help educators create effective online courses.

E-learning, cognitive modeling, data mining and social networks were aspects and disciplines that originated the evolution of learning analytics.

Knowledge domain where its foundations were

Online teaching platforms store information on the actions of teachers and students in their databases, thus generating large volumes of data, that is, "Big Data", which is why the application of Learning Analytics techniques allows us to will allow an in-depth analysis of these data, with the aim of learning more about the learning process, and in this way improve the training process, allow early detection of deficiencies in the teaching-learning process and support the commitment of students to acquire the skills. skills and abilities necessary to successfully pass the stages of the academic year.

Tools used for your application

One of the main components of the program was the Analytics for Action (A4A) process, which promoted the systematic collection and analysis of the data with the objective of improving the design of the University´s modules and, subsequently, the student’s outcomes, using the A4A evaluation framework to structure the process (Rienties et al., 2016). The OU has been systematically using learning analytics to improve students’ outcomes since, at least, 2014, when the OU initiated its Learning Analytics program.

Echo360 is an educational platform that offers various elements and uses: it provides teachers with tools to promote the teaching-learning process, access to multimedia resources, interactive activities, and facilitates evaluation.

General description of the learning analytics process

Several factors should be considered when implementing learning analytics, including:

• Self-service analytics.

• Communication between analysts and educators.

• Data privacy.

• Automation with Machine Learning.

Various deployment models comprise the following stages:

1. Virtual learning environments.

2. Data collection.

3. Data manipulation and feature engineering

4. Analysis.

5. Educational application.

The first step of the process takes place in the learning environment and context and with the users involved in it. These learning environments must generate data and save it, so that we can later generate the analytics. The most common way that most virtual learning environments have followed is to save the traces of all the clicks that users make in the environment as events, in what is usually known in the literature as clickstream data. Once the data has been collected, the process of its manipulation begins. The analysis and models that are implemented on the final characteristics that we have are key to understanding our data and getting educational benefit from them. Finally, the analyzes of the previous phases will have an associated educational application.

Bibliography

Ruipérez-Valiente, J. A. (2020). El Proceso de Implementación de Analíticas de Aprendizaje. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 88-101. doi: http://dx.doi.org/10.5944/ried.23.1.26283

Rienties, B et al 2016 Analytics4Action Evaluation Framework: A Review of Evidence-Based Learning Analytics Interventions at the Open University UK. Journal of Interactive Media in Education, 2016(1): 2, pp. 1–11, DOI: http://dx.doi.org/10.5334/jime.394

Ruipérez-Valiente, J. A. (2020). El Proceso de Implementación de Analíticas de

Aprendizaje. RIED. Revista Iberoamericana de Educación a Distancia, 23(2),

pp. 85-101. doi: http://dx.doi.org/10.5944/ried.23.2.26283

Analítica de Aprendizaje (también conocida con su equivalente en idioma inglés Learning Analytics) es la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce.

Fue ampliamente discutida por la comunidad, lo que sugirió que, la Analítica de Aprendizaje es el uso de datos inteligentes, datos producidos por el alumno y modelos de análisis para descubrir información y conexiones sociales para predecir y asesorar el aprendizaje de las personas

La analítica de aprendizaje tienen su origen en la web semántica (La web semántica (del inglés semantic web) es un conjunto de actividades desarrolladas en el seno de World Wide Web Consortium con tendencia a la creación de tecnologías para publicar datos legibles por aplicaciones informáticas. Se basa en la idea de añadir metadatos semánticos y ontológicos a la World Wide Web)

Los fundamentos de la analítica del aprendizaje se encuentran en la teoría del aprendizaje, la psicología educativa, la minería de datos, la inteligencia artificial y la estadística, entre otras áreas de conocimiento.

La Analítica de Aprendizaje, como campo, tiene múltiples raíces disciplinarias. Si bien los campos de la inteligencia artificial, el análisis estadístico, el aprendizaje automático y la inteligencia de negocios ofrecen una importante narrativa adicional, el enfoque fundamental está en las raíces históricas de la analítica en relación con la interacción humana y el sistema educativo. Más en particular, la historia de la Analítica de Aprendizaje se puede entender al observar el desarrollo de cuatro campos de Ciencias Sociales que han convergido a lo largo del tiempo. Estos campos han perseguido -y siguen haciéndolo- cuatro objetivos:

1. Definición de Aprendiz, para cubrir la necesidad de definir y comprender a un aprendiz.

2. Rastreo de conocimiento (Knowledge trace), que aborda cómo rastrear o mapear el conocimiento que ocurre durante el proceso de aprendizaje.

3. Eficiencia de aprendizaje y personalización, que se refiere a cómo hacer que el aprendizaje sea más eficiente y personal por medio de la tecnología.

4. Comparación aprendiz-contenido, para mejorar el aprendizaje al comparar el nivel de conocimiento del aprendiz con el contenido real que necesita dominar.

El primer programa de posgrado enfocado específicamente en la Analítica de aprendizaje fue creado por Ryan S. Baker y lanzado en el 2º semestre de 2015 en Teachers College, Columbia University.

Ejemplos de herramientas de software de análisis de aprendizaje:

Google Analytics: Herramienta de análisis de sitios webs que genera información acerca del tráfico de usuarios y fuentes de uso, así como datos demográficos, preferencias y uso de motores de búsqueda, entre otros.

SNAPP: Herramienta utilizada en el ámbito educativo en línea para analizar el comportamiento de usuarios en un foro virtual de discusión. La herramienta se centra en examinar las interacciones que se producen entre los participantes y así determinar el grado de implicación y compromiso en el mismo. Otra de sus características es el seguimiento de los hilos de discusión, utilizando técnicas de análisis de redes sociales, para así determinar si la interacción se realiza dentro o fuera de la comunidad de aprendizaje. Es útil en el diagnóstico de estudiantes aislados o con poca participación.

Netlyctic: Herramienta basada en la nube, semejante a SNAPP y útil en el análisis y seguimiento de los estudiantes en redes sociales: Youtube, foros en línea, blogs etc. Sus características diferenciales son: no requiere de instalación en el sistema, identifica diferentes niveles de interacción y favorece la visibilidad de canales de comunicación.

Echo360: Plataforma educativa que brinda a los profesores e instructores herramientas para fomentar el proceso enseñanza aprendizaje, a la vez que recolecta información de interacciones individuales y colectivas. El diseño de la interfaz permite visualizar los niveles de participación de los estudiantes y evaluar su comprensión. Tiene capacidad de crear contenido e integrar actividades colaborativas.

LMS (Learning management systems): Los sistemas de gestión del aprendizaje recopilan datos sobre el progreso del estudiante, la participación y el rendimiento en las actividades de aprendizaje.

Analítica de Aprendizaje Abierta (Open Learning Analytics)

El objetivo de Open Learning Analytics (OLA) es mejorar la eficacia del aprendizaje en entornos de aprendizaje a lo largo de toda la vida. OLA es un proceso de análisis continuo que abarca la diversidad en las cuatro dimensiones del modelo de referencia de Learning Analytics:

· datos y entornos (¿qué?)

· actores (¿quién?)

· objetivos (¿por qué?)

· los métodos a utilizar (¿cómo?)

Modelo de analítica de aprendizaje (imágenes adjuntas)

Herramientas que pueden ser utilizadas en la analítica de aprendizaje

• Google analytics es un sistema de análisis y estadísticas gratuito que sirve para analizar diferentes aspectos del funcionamiento de una página o sitio web.
• Smartklass, es un plug-in para plataformas de aprendizaje online como Moodle, Sakai o Blackboard, que convierte los complejos datos estadísticos, en completos y a la vez sencillos informes que hacen un análisis del proceso de aprendizaje que se está produciendo en el entorno virtual.
• GISMO es una herramienta de monitorización gráfica interactiva que proporciona al profesorado una visualización útil de las actividades de los estudiantes en los cursos en línea.
• SNAPP (Social Networks Advancing Pedagogical Practice) es un programa basado en el aprendizaje universitario que analiza las redes sociales que se forman dentro de los sistemas de gestión de aprendizaje
• LOCO – Analyst es una herramienta educativa destinada a ofrecer a los profesores retroalimentación sobre los aspectos relevantes del proceso de aprendizaje en línea, y por lo tanto ayuda a mejorar el contenido y la estructura de sus cursos.

https://blogs.upm.es/observatoriogate/2016/05/30/learning-analytics-analiticas-de-aprendizaje/

Con las analíticas de aprendizaje el profesor puede darse cuenta de lo que no esta funcionando con sus estudiantes o a cuales les esta siendo mas difícil. Reconocer cuales alumnos consideran abandonar las clases y así poder adaptar y mejorar en base al rescate de la perdida de estos estudiantes. Permite ademas individualizar los contenidos en dependencia de quien los recibe, como también aumentar la motivación e implicación en el aprendizaje de cada cual.

La analítica del aprendizaje se ha desarrollado en los últimos años con el fin de mejorar la educación y la calidad de la misma. Tiene sus origenes en los años 60, es en este periodo cuando se realizan las primeras investigaciones sobre evaluación educativa y medición del aprendizaje.

Su principal objetivo es el análisis de datos que permitan identificar patrones y tendencias en el aprendizaje de los estudiantes. Con el fin de e para poder personalizar las experiencias de aprendizaje de los estudiantes.

Los fundamentos de la analítica del aprendizaje están en el dominio del conocimiento de la psicología y la educación.

En la aplicación de la analítica del aprendizaje se utilizan varias herramientas, algunos de ellos son:

los sistemas de gestión del aprendizaje (LMS),

los sistemas de información de estudiantes (SIS),

los sistemas de seguimiento del progreso del estudiante (SPS) y

los sistemas de análisis de datos (DAS), existen otras herramientas además.

En la educación médica se utilizan diferentes técnicas para la enseñanza de diferentes asignaturas dentro de la carrera.

• Tableros de datos (data dashboards) en la enseñanza de la medicina de urgencias, para describir y caracterizar los eventos de aprendizaje de los residentes.
• Analítica visual, para utilizar los métodos de visualización de datos en los planes de estudio de medicina, combinando análisis de datos con técnicas para representar el conocimiento y fortalecer la capacidad cognitiva humana para reconocer patrones visuales. Esto puede ayudar a identificar aspectos curriculares que de otra manera no se visualizan.
• Mapeo curricular, para describir, manejar y explorar aspectos administrativos y curriculares de los planes de estudios. Con analítica visual se pueden descubrir relaciones entre elementos del currículo, así como facilitar su actualización e incorporación de innovaciones educativas, especificando metadatos curriculares hasta el nivel de resultados de aprendizaje esperados.
• Reconocimiento computarizado de expresiones y sus implicaciones educativas. Se han desarrollado herramientas que permiten identificar una gran variedad de expresiones faciales, y su relación con patrones afectivos y emocionales, así como pistas de aprendizaje y respuestas individuales a retos educativos.

Chan TM, Sherbino J, Mercuri M. Nuance and noise: lessons learned from longitudinal aggregated assessment data. J Grad Med Educ. 2017;9:724-729.

O'Donoghue SI, Baldi BF, Clark SJ, Darling AE, Hogan JM, Kaur S, et al. Visualization of biomedical data. Annu Rev Biomed Data Sci. 2018;1:275-304.

Vaitsis C, Nilsson G, Zary N. Visual analytics in healthcare education: exploring novel ways to analyze and represent big data in undergraduate medical education. PeerJ. 2014;2:e683.

Komenda M, Víta M, Vaitsis C, et al. Curriculum mapping with academic analytics in medical and healthcare education. PLoS One. 2015;10:e0143748.

Littlewort G, Whitehill J, Wu T, Fasel I, Frank M, Movellan J, et al. The Computer Expression Recognition Toolbox (CERT). Face and Gesture. 2011.

El proceso de analítica del aprendizaje transita por las siguientes fases o etapas: Definición de los objetivos, definición de las métricas, recolección de los datos, análisis de los datos y toma de decisiones.

Las plataformas virtuales como Moodle, que hoy se utilizan en los procesos formativos en casi todas las universidades, aportan disimiles herramientas para las analíticas de aprendizaje. Moodle registra toda la actividad de sus usuarios constituyendo un repositorio de datos de los estudiantes que hoy no se aprovechan al máximo por los docentes para mejorar su aprendizaje y hacerlo centro del proceso.

Entre las herramientas que ofrece Moodle que nos brindan información encontramos los: registros, registros activos, Informes de actividad y participación en un curso, estadísticas, monitoreo de eventos, entre muchas otras.

Las analíticas de aprendizaje son un campo de investigación emergente que está creciendo de manera significativa. Implican la medida, recopilación, análisis e informe de datos sobre los estudiantes y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en que tiene lugar, con el fin de mejorarlos. Un campo cuya emergencia ha sido atribuida a tres factores:

 Big data (datos masivos): La generalización de bases de datos institucionales y de Entornos Virtuales de Aprendizaje (también conocidos como Sistemas de Gestión del Aprendizaje) implica el manejo de grandes conjuntos de datos por parte de las instituciones educativas, que están buscando la manera más adecuada de usarlos para mejorar la enseñanza y el aprendizaje.

 Aprendizaje en línea: La presencia cada vez mayor del Big data en la educación está acompañada de un aumento de la enseñanza y el aprendizaje en línea y mixto, así como del número de individuos que en todo el mundo hacen uso de Recursos Educativos Abiertos (REA) y participan en MOOCs.

 Intereses nacionales: Los países y las organizaciones internacionales están mostrando un mayor interés por medir, demostrar y mejorar los resultados en educación y optimizar el aprendizaje, para beneficiar a la sociedad.

Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T., Vuorikari, R. (2016). Research Evidence on the Use of Learning Analytics - Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.). Joint Research Centre Science for Policy Report; EUR 28294 EN; doi: 10.2791/955210.

La analítica del aprendizaje es una disciplina que se enfoca en el análisis de datos y estadísticas para mejorar la educación. Desde un punto de vista histórico, la analítica del aprendizaje se ha desarrollado a partir de la minería de datos y la inteligencia artificial. En cuanto a su sistema conceptual, se basa en la recopilación y análisis de datos para mejorar el proceso de enseñanza-aprendizaje. En cuanto a las aplicaciones en la IA, la analítica del aprendizaje se utiliza para mejorar la eficacia de los sistemas de aprendizaje automático y para personalizar el aprendizaje.

Fuentes:

Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T., Vuorikari, R. (2016). Research Evidence on the Use of Learning Analytics - Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.). Joint Research Centre Science for Policy Report; EUR 28294 EN; doi: 10.2791/955210.

Domínguez Figaredo, D., Reich, J., y Ruipérez-Valiente, J. A. (2020). Analítica del aprendizaje y educación basada en datos: Un campo en expansión. RIED. Revista Iberoamericana de Educación a Distancia, 23(2), pp. 33-43.

La inteligencia artificial tiene como objetivo cambiar el mundo y la educación también se va a modificar. Los estudiantes van a llegar a tener un aprendizaje personalizado y dirigiendo a cada estudiante sus necesidades de aprendizaje esto se hace realidad cuando la transformación digital llega a las instituciones educacionales. Y en ese sentido, la tecnología es el mejor aliada para aportar valor a tus estudiantes.

Ejemplos serian algunos de estos:

- Facilita la docencia se utilizaría para ajustar las tareas a cada estudiante individualmente asi como monitorear el rendimiento de los estudiante la frecuencia con la que acceden a servicios de asesoramiento, para interpretar si un estudiante está teniendo dificultades en su formación educativa.

- Identificar las áreas que tiene mayores problemas individualmente, asi como aquellas en las que sobresale e incluso ayudar a crear grupos de trabajo bien equilibrados.

- Podria la inteligencia artificial reconocer rápidamente a los alumnos con problemas muy concretos e incluso colaborar con profesores de refuerzo para crear ejercicios y temarios mucho mejor adaptados a sus necesidades.

- Seria de ayuda a la hora de que los profesores tengan que evaluar exámenes y tareas, ya que no sufren sesgos.

- Son algunas universidades la que educativas han creado sus propios tutores virtuales para facilitar la labor docente.

- Los docentes pueden apoyarse en la IA para diseñar sus programas de estudio.

La analítica del aprendizaje se ocupa de recopilar datos escolares, universitarios para de esta manera medir la compresión así como el éxito que los estudiantes en diferentes materias áreas del conocimiento tiene, para poder evaluar y dar seguimiento así como crear estrategias para que funcionen mejor. Se utiliza para mejorar la capacidad de los sistemas de aprendizajes automático y de esta manera poder personalizar el aprendizaje. Desde el punto de vista histórico esta disciplina a partido de la minería de datos y de la inteligencia artificial.

También tiene etapas la analítica del aprendizaje. siendo las siguientes.

· Definición de los objetivos

· Definición de las métricas

· Recolección de los datos

· Análisis de los datos

· Toma de decisiones.

Existen plataformas virtuales muy usadas en este caso voy a hablar en el área de la salud como Moodle que hoy se utilizan en varias universidades en los procesos formativos, constan de herramientas donde se registran las actividades de los usuarios esto es una manera si se utiliza correctamente de personalizar la enseñanza con los estudiantes que el profesor puede visualizar cuanto tiempo hace que el estudiante no entra a la plataforma. Permite además individualizar los contenidos en dependencia de quien los recibe, como también aumentar la motivación e implicación en el aprendizaje de cada cual. Esto se puede hacer gracias a los registros, registros activos, Informes de actividad y participación en un curso, estadísticas, monitoreo de eventos, entre muchas otras. Esto nos ayuda para mejorar el proceso de enseñanza y personalizar la enseñanza con los usuarios que lo necesiten.

La inteligencia artificial tiene como objetivo cambiar el mundo y la educación también se va a modificar. Los estudiantes van a llegar a tener un aprendizaje personalizado y dirigiendo a cada estudiante sus necesidades de aprendizaje esto se hace realidad cuando la transformación digital llega a las instituciones educacionales. Y en ese sentido, la tecnología es el mejor aliada para aportar valor a tus estudiantes.

Ejemplos serian algunos de estos:

- Facilita la docencia se utilizaría para ajustar las tareas a cada estudiante individualmente asi como monitorear el rendimiento de los estudiante la frecuencia con la que acceden a servicios de asesoramiento, para interpretar si un estudiante está teniendo dificultades en su formación educativa.

- Identificar las áreas que tiene mayores problemas individualmente, asi como aquellas en las que sobresale e incluso ayudar a crear grupos de trabajo bien equilibrados.

- Podria la inteligencia artificial reconocer rápidamente a los alumnos con problemas muy concretos e incluso colaborar con profesores de refuerzo para crear ejercicios y temarios mucho mejor adaptados a sus necesidades.

- Seria de ayuda a la hora de que los profesores tengan que evaluar exámenes y tareas, ya que no sufren sesgos.

- Son algunas universidades la que educativas han creado sus propios tutores virtuales para facilitar la labor docente.

- Los docentes pueden apoyarse en la IA para diseñar sus programas de estudio.

La analítica del aprendizaje se ocupa de recopilar datos escolares, universitarios para de esta manera medir la compresión así como el éxito que los estudiantes en diferentes materias áreas del conocimiento tiene, para poder evaluar y dar seguimiento así como crear estrategias para que funcionen mejor. Se utiliza para mejorar la capacidad de los sistemas de aprendizajes automático y de esta manera poder personalizar el aprendizaje. Desde el punto de vista histórico esta disciplina a partido de la minería de datos y de la inteligencia artificial.

También tiene etapas la analítica del aprendizaje. siendo las siguientes.

· Definición de los objetivos

· Definición de las métricas

· Recolección de los datos

· Análisis de los datos

· Toma de decisiones.

Existen plataformas virtuales muy usadas en este caso voy a hablar en el área de la salud como Moodle que hoy se utilizan en varias universidades en los procesos formativos, constan de herramientas donde se registran las actividades de los usuarios esto es una manera si se utiliza correctamente de personalizar la enseñanza con los estudiantes que el profesor puede visualizar cuanto tiempo hace que el estudiante no entra a la plataforma. Permite además individualizar los contenidos en dependencia de quien los recibe, como también aumentar la motivación e implicación en el aprendizaje de cada cual. Esto se puede hacer gracias a los registros, registros activos, Informes de actividad y participación en un curso, estadísticas, monitoreo de eventos, entre muchas otras. Esto nos ayuda para mejorar el proceso de enseñanza y personalizar la enseñanza con los usuarios que lo necesiten.

As colleagues have already discussed, it can be said that learning analytics is a field that combines educational theory, data analytics, and technology to better understand and improve the learning process. It involves the collection, analysis, and interpretation of data from various sources, including student performance, behavior, and engagement data, to inform decision-making and improve educational outcomes.

Learning analytics is specifically defined as “the measurement, collection, analysis and reporting of data on students and their contexts, in order to understand and optimize learning and the environments in which it occurs” (SoLAR, 2022).

Historically, it can be traced back to early attempts to use data to improve educational outcomes. For example, in the 1960s and 1970s, researchers used statistical techniques to analyze the effectiveness of different teaching methods and interventions. However, it wasn't until the advent of computers and the internet that the field of learning analytics began to take shape.

Conceptually, learning analytics draws on several different fields, including educational psychology, computer science, and data analysis. One key concept is the idea of "big data," which refers to the massive amounts of data that can be generated by educational systems and technologies. Learning analytics also involves the use of machine learning algorithms to identify patterns and trends in the data, which can inform decision-making and help educators to personalize learning experiences for individual students.

In terms of applied aspects, learning analytics can be used in a variety of ways to improve educational outcomes. For example, it can be used to identify students who are at risk of falling behind or dropping out, so that interventions can be put in place to support them. It can also be used to personalize learning experiences for individual students, by providing them with targeted feedback and recommendations based on their performance and behavior data.

Overall, learning analytics is a rapidly growing field that has the potential to transform education by providing educators with valuable insights into the learning process. By leveraging data and technology, educators can better understand their students' needs and tailor their teaching approaches accordingly.

Law & Liang (2020) propose a multilevel framework for LA-integrated LD, which provides a hierarchically nested multilevel structure for the design of LD and LA elements based on 60 STEM curriculum units collected from authentic classrooms. The framework includes a design process model in the form of a Learning Design Triangle and the concept of Learning Analytics integrated Curriculum Component Design Patterns (LA-CCDP). Operationalization of the framework is illustrated using one STEM curriculum unit. This framework can be adopted for professional learning and technology development to support LA-integrated LD practices.

I recommend the consultation and analysis of this framework as a relevant source of practical knowledge on this subject.

Bibliography

Law, N., & Liang, L. (2020). A Multilevel Framework and Method for Learning Analytics Integrated Learning Design. Journal of Learning Analytics, 7(3), 98-117. https://doi.org/10.18608/jla.2020.73.8

Sabulsky, G. (2019). Analíticas de Aprendizaje para mejorar el aprendizaje y la comunicación a través de entornos virtuales. Revista Iberoamericana De Educación, 80(1), 13-30. https://doi.org/10.35362/rie8013340

Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist, 57(10), 1380–1400. https://doi.org/10.1177/0002764213498851

Society for Learning Analytics Research (SoLAR). (2022). https://bit.ly/2DDFtMc

Las analíticas de aprendizaje nos permiten saber cuál es el desenvolvimiento de los estudiantes, ya sea, individual o grupal, para entender el comportamiento dentro de un aula virtual, visualizando el progreso y cuánto conocimiento han adquirido a través de

las clases, con el fin de optimizar el aprendizaje y el entorno donde se produce.

La Analítica del Aprendizaje tuvo como anticipo el PLATO y TICCIT como precursores de los sistemas actuales de enseñanza computacional PLATO (Programmed Logic for Automatic Teaching Operation).TICCIT (Time-Shared Interactive Computer Controlled Information Television)

. En 1971, aparece TICCIT financiado por la National Science Foundation, con la

finalidad de cambiar la gran computadora central, por un sistema que usaría una minicomputadora y su sistema operativo multiusuario.

Para describir la Analítica del Aprendizaje es necesario recordar los primeros LMS (Sistema de gestión de aprendizaje) aparecieron a inicios de los

90 ́s. Estos son sistemas basados en la web utilizados para crear, almacenar, distribuir y gestionar información de las diferentes actividades durante el transcurso del proceso de enseñanza y aprendizaje de un curso. Mediante la elaboración de nuevos espacios educativos se brinda al docente la facilidad de crear y entregar contenido a sus estudiantes: seguir su desarrollo académico a través de evaluaciones; fomentar el vínculo entre estudiantes y docentes de forma síncrona o asíncrona, a través del diálogo; incentivar la colaboración entre estudiantes y generar debates sobre los temas propuestos.Podemos mencionar a Moodle como un amplia herramienta en el proceso educativo

As a master's student in virtual education, I find learning analytics to be an integral part of the modern educational landscape. The origins of learning analytics can be traced back to the early 2000s, when data mining and machine learning techniques were first applied to educational data. Today, learning analytics is based on a solid foundation of statistical modeling, data visualization, and predictive analytics.

The implementation tools for learning analytics are diverse, ranging from simple dashboards and visualizations to complex algorithms that analyze data from multiple points of view. The process of learning analytics involves collecting data from various sources, such as student records, learning management systems, and online assessments. This data is then analyzed to identify patterns and trends that can inform instructional design, student support, and other aspects of the learning process.

Overall, learning analytics has the potential to revolutionize education by providing educators with actionable insights into student learning and behavior. As a virtual education student, I believe that learning analytics is an essential tool for improving student outcomes and promoting lifelong learning.

A criterio nuestro la Analítica de Aprendizaje (también conocida con su equivalente en idioma inglés Learning Analytics) es la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce.

En este sentido La analítica del aprendizaje se asume como una aplicación tecnológica y una práctica científico investigativa compleja con potencialidades prometedoras para influir de modo favorable en la calidad de la educación. Esto requiere que el personal docente en su formación inicial y continua esté preparado adecuadamente y, en condiciones de hacerse con la actualización necesaria sistemáticamente, de forma autodidacta para concebir procesos de investigación desde proyectos colectivos en cada año académico, y con ello, innovar sus prácticas docentes. Con la irrupción de la educación mediada por TIC y especialmente la analítica del aprendizaje, el docente tiene nuevas posibilidades para legitimar su rol como investigador, propiciar la creatividad y la innovación en la institución educativa y gestionar de modo directo la calidad de la educación. Es preciso considerar interrogantes cómo estas: ¿Cómo puede el docente concebir por sí mismo en la institución educativa la aplicación de la analítica del aprendizaje? ¿De qué tipos de aprendizajes? ¿Cómo integrar estos esfuerzos como una práctica investigativa en el trabajo colectivo en un grado, año académico o nivel educativo y fomentar con ello procesos de innovación a la práctica docente?

El término learning analytics o analíticas de aprendizaje es ampliamente usado en contextos de formación e-learning. Hace referencia a un campo de investigación que viene recibiendo creciente atención en los últimos tiempos (Ferguson, Brasher, Clow, et al., 2016). Se trata de un conjunto de tecnologías y prácticas por las que una organización registra, mide y analiza comportamientos de los usuarios dentro de un entorno virtual de aprendizaje con el objetivo de hacer la formación más eficiente y más ajustada a las necesidades del estudiante y/o de la organización.

Siemens (2011; citado en Scheffer et al., 2014) lo define como la medición, recolección y análisis de datos sobre los estudiantes y sus contextos, cuyo objetivo es entender y optimizar el aprendizaje y los entornos en los que ocurre. Las analíticas de aprendizaje no se limitan, no obstante, al comportamiento de un usuario en un LMS, sino que algunos contenidos e-learning empaquetados bajo los estándares SCORM o xAPI también registran información sobre el comportamiento del usuario mientras son consumidos (del Blanco et al., 2013).

En cualquier caso, el terreno habitual de las analíticas de aprendizaje es el LMS. Sobre ello, la literatura plantea ciertas incertidumbres. Ya hace 5 años Dringus (2012) planteaba que el panel de gestión de algunos LMS “arroja cierta información sobre el grado de actividad de los participantes, arroja menos sobre el progreso de los estudiantes y todavía menos sobre la construcción de conocimiento” (p. 93). En una línea similar, Del Blanco et al. (2013) afirman que los datos recopilados a través de distintos LMS, o incluso en diversas versiones del mismo LMS, son difíciles de comparar y mover (p. 1).

Además de lo que son puramente contenidos y entorno virtual, algunas veces se encuentran otros servicios dentro de una estrategia de learning analytics, como redes sociales o analíticas de tráfico web. Si bien este panorama puede parecer disperso y, con ello, dificultar la conformación de una estrategia de analíticas de aprendizaje, Dringus, en 2012, afirmaba que por aquel entonces el principal problema era que los datos se circunscribían al LMS. Es decir, podría argüirse que el uso de Google Analytics es más una estrategia de análisis del tráfico web que de analíticas de aprendizaje. Esto es totalmente correcto, si bien autores como del Blanco et al. (2013) mencionan que no es raro que plataformas MOOC y LMS en general se sirvan de este tipo de análisis de tráfico web y/o redes sociales. Ello es coherente, además, con la recomendación de Clow (2013) sobre la conveniencia de analizar los espacios sociales conectados a los cursos.

Típicamente, la información que sería de utilidad en una estrategia de analíticas de aprendizaje haría referencia al tiempo de conexión, tiempo que el usuario tarda en avanzar de página o contenido, tiempo que tarda en realizar un cuestionario, itinerario preferido de completitud, variación de las actividades o contenidos en función de cómo se hayan realizado actividades previas, etc. Este tipo de datos se han hecho especialmente relevantes a raíz de la popularización de los MOOC (Cursos Masivos Abiertos y En Línea o Massive Open Online Courses) durante la última década. La afluencia masiva a estos cursos abiertos genera una gran cantidad de datos como nunca antes se había dado en un entorno e-learning. Además, las analíticas de aprendizaje en contextos e-learning como el de los MOOC plantean una situación interesante desde el punto de vista estadístico, ya que, en este caso, el muestreo no es tan necesario debido a que, en ocasiones, se puede disponer de la población entera (Clow, 2012).

Precisamente en estos grandes números que tienen los MOOC es donde se aprecia una mayor confluencia con el aprovechamiento de big data o macrodatos (término, por cierto, recomendado por la RAE). No es de extrañar a este respecto que el informe sobre learning analytics elaborado por JRC (Ferguson, Brasher, Clow, et al., 2016), Dringus (2012) o Pardo y Siemens (2014), por citar unos pocos, relacionen las analíticas de aprendizaje con los big data e, indirectamente, se podría decir que también con campos del sector empresarial como la inteligencia de negocio. En esta línea, Stiles (2012) afirma que existen evidencias de que las instituciones que adoptan estas analíticas obtienen ventajas estratégicas sobre sus competidores. La idea subyacente es que cuantos más datos se obtengan del comportamiento de los usuarios, más fiable sería el análisis y, a la vez, más se podría hacer para mejorar las actividades formativas analizadas. Todo ello, además, sería en favor del alumno, pues cada vez se tendrían más datos para hacer más personalizado el aprendizaje. Si bien puede resultar paradójico, a través de macrodatos, las analíticas de aprendizaje tienen como fin último un aprendizaje todo lo adaptado posible al individuo. Esta última característica se ha dado en llamar aprendizaje adaptativo (adaptative learning). No obstante, el informe de JRC antes citado (Ferguson, Brasher, Clow, et al., 2016), advierte de que este tipo de métricas han servido típicamente a las organizaciones para hacer inferencias en cuanto a la reducción del abandono o a la identificación de estudiantes en riesgo, y no tanto para una personalización del aprendizaje en sí. En esta misma línea, este informe añade que, aparentemente, aspectos filosóficos y pedagógicos son dejados al margen por ser considerados abstrusos, académicos o directamente difíciles. Esto plantea el riesgo de que las estrategias de learning analytics se centren en datos fáciles de procesar, poniendo el foco en la evaluación formal del aprendizaje, y dejando de lado otros.

¿En qué medida están usando las organizaciones educativas analíticas de aprendizaje? En líneas generales, parece extraerse de varias publicaciones que las analíticas de aprendizaje están en una suerte de horizonte permanente, al que no se termina de llegar. Así, se resalta el carácter próximo pero todavía inalcanzado de la implementación satisfactoria o completa de las analíticas de aprendizaje (Ferguson, Brasher, Clow, et al., 2016; Del Blanco et al., 2013). Es decir, las empresas e instituciones de formación e-learning no están beneficiándose de todo el potencial que supuestamente podría traer una implementación provechosa de estas analíticas.

Buena parte de la literatura consultada dedica sus esfuerzos a potenciales beneficios para las instituciones educativas, y se ha detectado cierta carencia a la hora de considerar a los propios estudiantes en este proceso. La literatura encontrada que reflexione sobre las analíticas de aprendizaje desde el prisma de los estudiantes hace referencia a la depuración de procesos, como Ferguson (2014; citado en Schaffer et al., 2014; Clow, 2013), que dice que proporcionan medios a los estudiantes para mejorar y desarrollarse durante el curso en progreso; o se centran en proporcionar unas directrices para que las analíticas de aprendizaje no perjudiquen los intereses de los estudiantes (Jisc, 2015).

Las analíticas de aprendizaje traen consigo la promesa de mejora de los entornos virtuales de aprendizaje, a través de los datos. No obstante, y a pesar de que buena parte de los escritos consultados mantienen una actitud positiva o incluso mesiánica, existen ciertos claroscuros en la literatura. Retomando el origen común con los big data, podría esgrimirse la crítica de que las analíticas de aprendizaje pudieran proporcionar información que derivara en la cancelación de servicios (o puestos de trabajo, en el escenario menos halagüeño), fruto de una mayor automatización de los procesos. Clow (2013) manifiesta que las analíticas de aprendizaje también persiguen convertir en más lucrativas las instituciones educativas, observación que puede también interpretarse como una reducción de costes en la enseñanza por medio de analíticas de aprendizaje. Esta interpretación negativa de los potenciales peligros de las analíticas de aprendizaje da pie a elucubraciones sobre un futuro amenazado para las profesiones de tutor en red, o gestor de LMS.

Asimismo, y también tangente al campo de los big data, las analíticas de aprendizaje pueden ser vistas como una potencial invasión a la privacidad (Ferguson, Brasher, Clow, et al., 2016; Dringus, 2012; Pardo y Siemens, 2014), debido a que, como con los big data, pueden entenderse como una monitorización de todos los movimientos de un estudiante dentro de un entorno digital (Clow, 2013). Por poner un ejemplo de este posible enfrentamiento entre privacidad y analíticas de aprendizaje, JRC (Ferguson, Brasher, Clow, et al., 2016) menciona que en Noruega, las escuelas sólo pueden recabar datos personales para usar en analíticas de aprendizaje si se pueden identificar razones legales válidas que lo justifiquen (p. 87). Pardo y Siemens (2014) también aportan ejemplos de posibles invasiones a la privacidad: en el caso de la formación corporativa, podría darse la situación de que, al compartir los datos de los estudiantes registrados en la plataforma virtual con sus supervisores, se pudiera estar violando su privacidad. Otro ejemplo que citan los autores ocurre en el caso de los MOOC: ¿se debería pedir permiso para compartir un trabajo de un estudiante, o un mensaje en un foro, o por el contrario, hacerlo sin consultarle violaría su privacidad?

Los posibles problemas éticos de las analíticas de aprendizaje tienen cierta importancia en el sector. Por ejemplo, la organización británica Jisc ha elaborado una guía acerca de cómo deberían abordarse las analíticas de aprendizaje para que sean beneficiosas y no vulneren ningún derecho de los estudiantes. Existe, además, una preocupación ética en cuanto a la prognosis del rendimiento del alumno (Clow, 2013). Esto es, no es difícil imaginar un escenario en el que las analíticas de aprendizaje puedan realizar predicciones sobre el rendimiento de los alumnos en futuras pruebas de evaluación. Si el estudiante tiene pocas posibilidades de conseguir los objetivos, algunos agentes del proceso educativo podrían pensar que no merece la pena invertir recursos o atención en el estudiante. Esto, además, llevado a sus últimas consecuencias negativas podría hacer cambiar la actitud de los docentes, convirtiéndose en una suerte de una profecía autocumplida: pienso que este estudiante fracasará, luego cambio mi actitud y deterioro el proceso educativo, luego el estudiante tiene más posibilidades de fracasar. Precisamente, para evitar escenarios de este tipo, centrados en jugarse la calificación en pruebas únicas, la guía para el estudiante sobre analíticas de aprendizaje elaborada por Jisc (2015) anteriormente mencionada, prescribe que se deberían usar las analíticas de aprendizaje como estrategia de evaluación continua y no centrada en exámenes finales.

Aparentemente, el camino por recorrer todavía es largo para llegar a un consenso entre las instituciones educativas sobre privacidad y analíticas de aprendizaje, así como para que se traduzca en legislación vinculante. En todo caso, parece razonable pensar que es beneficioso para la educación recabar ciertos datos de los estudiantes. Para aterrizar este aserto, me sirvo del símil empleado por Pardo y Siemens (2014) por el que comparan la recogida y análisis de datos en educación y en medicina. En este último sector, la recogida y análisis de datos se lleva practicando desde hace tiempo. Así, afirman que, en medicina, una absoluta privacidad y confidencialidad de los datos de los pacientes no ayuda a que avance el conocimiento médico, que es algo valorado como positivo por el sector y por la sociedad. De manera similar, una absoluta opacidad de los datos del estudiante en su entorno formativo esclarecería poco con respecto de sus procesos formativos personales, y no ayudaría a construir o aumentar un corpus teórico sobre cómo se aprende. Esta comparación provee de un ángulo atípico para juzgar las analíticas de aprendizaje, pero no explicita acerca de dónde poner el límite del qué y del cómo recabar información, aspectos que en el campo de la medicina parecen tener mayor recorrido y mayor consenso (por ejemplo, puede ser delito divulgar datos de un paciente en según qué contextos).

Siguiendo con la comparación anterior, parece razonable buscar qué beneficios podría traer implantar una estrategia de analíticas de aprendizaje. Stiles (2012) resume los beneficios atribuidos a las analíticas de aprendizaje en los siguientes puntos:

• Detección temprana de estudiantes en riesgo.
• Contenidos y actividades más adaptados al individuo.
• Mayor refuerzo y motivación, al ofrecer retroalimentación adaptada y contingente al rendimiento del usuario.
• Aprovechamiento del tiempo de los docentes, al marcarles distintos perfiles de alumnos (con dificultades, alumnos susceptibles de que tutoricen a otros, etc.).
• Ajuste de los contenidos de los cursos a través de datos en tiempo real.
• Consecución más rápida de objetivos de aprendizaje, en caso de acercar estas analíticas a los alumnos.

Éstas son las potenciales ventajas. En este análisis bibliográfico, aparte de parar ver las ventajas, se ha recurrido a la literatura existente para tratar de encontrar buenas prácticas y orientaciones para usarse en una estrategia de analíticas de aprendizaje. A este respecto, Schaffer et al. (2014) realizaron un estudio en el que sondearon a agentes implicados en analíticas de aprendizaje, con grados diversos de dominio, y agruparon sus respuestas en base a grandes grupos. Estos grandes grupos se exponen aquí complementados con las ideas de otros autores. Se ha usado, por un lado, el punto de vista axiológico por el que Dringus (2012) describe cómo deberían ser las analíticas de aprendizaje. Han sido de utilidad, además, las observaciones sobre privacidad y analíticas de aprendizaje de Pardo y Siemens (2014). Sobre el tema de la privacidad y otros, se ha consultado también la guía de Stiles (2012) sobre los riesgos de las analíticas de aprendizaje para la educación superior. Por último, y tratando de hacer valer también el punto de vista del estudiante, se tienen en cuenta los preceptos descritos en la guía elaborada por Jisc (2015) de buenas prácticas sobre analíticas de aprendizaje. Se han reformulado las orientaciones de todos estos autores para elaborar las siguientes recomendaciones generales:

• Los datos recopilados tendrían que ser abiertos tecnológicamente hablando, en términos de la apertura de los logaritmos utilizados y de la interoperabilidad.
• Los datos recopilados habrían de respetar una política respetuosa en términos de transparencia, anonimización y respeto a la privacidad de los usuarios.
• Los estudiantes tendrían que tener el derecho de conocer qué se ha recopilado de ellos.
• El análisis de los datos habría de proporcionar a los docentes de algún medio que les resulte útil o significativo para la personalización del aprendizaje y la identificación de espacios de mejora.
• La recogida de datos y la estrategia de análisis deben contar una entidad que se haga responsable de todo el proceso, cuyo nombre y datos de contacto deben ser explícitos, y a la que se pueda acudir en caso de necesidad.
• El proceso de recopilación de datos habría de intentar que los estudiantes tomarán conciencia de sus propios procesos y prácticas de aprendizaje.

A pesar de todas estas indicaciones y guías generalistas, ha resultado francamente difícil encontrar en la literatura comportamientos concretos que medir. En esta línea, Duval (2011; citado en Dringus, 2012) afirma que existe falta de claridad con respecto de qué es lo que se debería medir para que ello redunde en una mejor comprensión del aprendizaje.

No obstante, Pardo y Siemens (2014) aportan traducciones concretas de la utilidad de las analíticas de aprendizaje, como su potencial para que, gracias a la observación, se puedan efectuar cambios en cuanto al mecanismo de evaluación o en los mensajes y frecuencia de la retroalimentación de las actividades.

Conclusión

Las pautas más o menos específicas descritas anteriormente pueden actuar de base para empezar a construir, desde el punto de vista organizacional, una estrategia de analíticas de aprendizaje. No obstante, se trata de una mera aproximación y deja muchas incógnitas. Además de estas incógnitas y de las dificultades de operativización de las recomendaciones generales de analíticas de aprendizaje, el desarrollo de una estrategia se enfrenta a un problema añadido. Tamañas cantidades de datos suelen requerir personal especializado, con conocimientos sólidos de estadística y de informática. Las herramientas y el almacenaje de los datos obtenidos a través de analíticas de aprendizaje, al igual que el resto de datos, requieren de alojamiento en algún servidor. Es más, Stiles (2012) afirma que si no hay tiempo para recopilar, procesar e interpretar los datos, es muy probable que las inversiones en analíticas de aprendizaje no sean útiles. Esto supone un coste añadido. Tal vez una de los primeros análisis que cualquier organización tendría que realizar sería el relativo al coste humano de las analíticas de aprendizaje.

La consulta de artículos y publicaciones sobre analíticas de aprendizaje ha resultado menos útil de lo esperado. El motivo parece ser endémico de las investigaciones en analíticas de aprendizaje y es la dificultad, de acuerdo con JRC (Ferguson, Brasher, Clow, et al., 2016), de conceder validación formal de los estudios, ya que la gran mayoría de ellos están basados en pequeños estudios a corto plazo (como es el caso del presente trabajo).

Si bien las estadísticas de aprendizaje están en ese sempiterno camino a la efectividad y mejora del aprendizaje individual de cada alumno a través de grandes métricas, y teniendo en cuenta el tajante y duro aserto del informe elaborado por JRC (Ferguson, Brasher, Clow, et al., 2016) de que “no hay evidencia abrumadora de que las estadísticas de aprendizaje hayan promovido procesos u organizaciones de aprendizaje más eficientes y efectivos” (p. 9), resulta descabellado, en base a todo lo escrito anteriormente, desechar los beneficios que esta tendencia pueda reportar al sector e-learning en general.

Referencias

Clow, D. (2013). An overview of learning analytics. Teaching in Higher Education,, 18(6), 683–695.

Del Blanco, Á., Serrano, Á., Freire, M., Martínez-Ortiz, I., & Fernández-Manjón, B. (2013). E-Learning Standards and Learning Analytics. Can Data Collection Be Improved by Using Standard Data Models? IEEE Global Engineering Education Conference (EDUCON) (págs. 1255–1261). Berlin: Technische Universität Berlin.

Dringus, L. P. (s.f.). Learning Analytics considered harmful. Journal of Asynchronous Learning Networks, 16(3), 87–101.

Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T., Vuorikari, R. (2016). Research Evidence on the Use of Learning Analytics — Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.). Joint Research Centre Science for Policy Report; EUR 28294 EN;

Jisc. (2015). Code of practice for learning analytics. Obtenido de Jisc: https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics?platform=hootsuite

Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), 438–450.

Stiles, R. J. (2012). Understanding and Managing the Risks of Analytics in Higher Education: A Guide. EDUCAUSE.

Fuente: https://alejandroglezf.medium.com/revisi%C3%B3n-bibliogr%C3%A1fica-sobre-learning-analytics-147c95b0ca82

Rey Segundo Guerrero-Proenza

La Analítica de Aprendizaje ( Learning Analytics) es la medición, recopilación, análisis e informe de datos sobre los estudiantes y sus particularidades, con el objetivo de entender y mejorar el aprendizaje y los diferentes entornos en los que se produce.

La analítica del aprendizaje se asume como una aplicación tecnológica y una práctica científico investigativa compleja que puede influir de forma favorable en la educación.

Con el uso de las TIC en la educación la analitica del aprendizaje toma mayor relevancia e importancia.

Como docente debemos tener en cuenta como concebir la aplicación de la analítica del aprendizaje. Tipos de aprendizajes que podemos utilizar y como integrarlos.

Learning analytics is an educational application of web analytics aimed at learner profiling, a process of gathering and analyzing details of individual student interactions in online learning activities. The goal is to build better pedagogies, empower active learning, target at-risk student populations, and assess factors affecting completion and student success. (Johnson et al., 2013)

La analítica del aprendizaje se refiere a la medición sistemática, la recopilación, el análisis y presentación de datos sobre los estudiantes y sus adquisiciones, los procesos formativos, las experiencias de aprendizaje y los programas de esta naturaleza con el fin de comprender y optimizar el proceso de aprendizaje y su impacto mediante la implementación sistemática de esta tecnología. (Campos Posada et al., 2022)

La analítica del aprendizaje tiene sus raíces en la denominada inteligencia empresarial y la minería de datos. Puede ser concebida como un campo de estudio emergente con un prominente avance, sobre todo en los países desarrollados. Su esencia es multidisciplinar, establece sus basamentos teórico-metodológicos en las ciencias de la educación, a las que se le adiciona la lingüística, la inteligencia artificial y un amplio componente que proviene de la estadística (Corona et al., 2019).

(Norma Quevedo Leyva-Mastering in Virtual Education)

Para el abordaje y profundización del análisis de este tema recomiendo la revisión de los artículos científicos disponibles en lo sitios:

http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0124-22532021000200150

http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2218-36202022000600040

Learning Analytics se define como la medida, recopilación, análisis y notificación de información relacionada con los estudiantes y su contexto, con el propósito de entender y optimizar el aprendizaje, además del entorno en el que se lleva a cabo. Este campo, junto con el de Educational Data Mining, tiene un alto potencial para entender y optimizar los procesos de enseñanza y aprendizaje. Por ejemplo, el análisis de los datos recopilados por sistemas de información estudiantil (SISs, por sus siglas en inglés), o las interacciones de los estudiantes con sistemas de gestión del aprendizaje (LMSs, por sus siglas en inglés) proporcionan a los docentes una forma de identificar patrones que pueden ser utilizados para predecir resultados o tomar decisiones acerca de la adecuación de los recursos utilizados.

La analítica del aprendizaje consiste en un proceso cíclico de 5 pasos bien definidos:

• Definir
• Recolectar
• Analizar y Visualizar
• Actuar
• Evaluar

Los tres primeros pasos definen el éxito de una postura analítica. Cualquier fallo en ellos no permitirá seguir con los dos últimos, así de importantes son. Sin embargo, se pueden ejecutar desde distintos estadios bien diferenciados:

Los profesores analíticos pueden estar en los dos estadios a la vez, no son mutuamente exclusivos. El contexto, los requisitos y el conocimiento condiciona el hecho de que un profesor pivote entre un estadio u otro o esté en ambos a la vez.

Estadio 1: Comprensión e Interpretación

El estadio de comprensión e interpretación identifica un proceso muy básico del ciclo analítico.

Cuando un profesor está en este primer estadio utiliza herramientas que le permiten trabajar datos crudos de una forma transparente para extraer resultados rápidos y elaborados. No se ensucian las manos y no juegan con los datos con herramientas estadísticas o de análisis. Estas herramientas acostumbran a ser de evaluación, de transmisión de contenidos o incluso de visualización que les permiten generar resultados en poco tiempo.

Por norma general, el objetivo principal de estas herramientas no es mostrar unos resultados elaborados y completos, aunque tengan que generarlos. No obstante, estos son suficientes para que los profesores empiecen a utilizar datos para cambiar su forma de enseñar.

Estadio 2: tratamiento y transformación de datos

El estadio de tratamiento y transformación de datos identifica un contexto donde la alfabetización de datos es de un nivel superior y se demuestra en los resultados analíticos.

Los profesores que están en este segundo nivel utilizan los datos crudos en herramientas estadísticas para extraer resultados a conveniencia. Profundizan en datos generados por estímulos educativos siguiendo todo el ciclo analítico. Se ensucian las manos en la recolección de datos, los unifican en un mismo lugar, los limpian, los transforman, los tratan con herramientas estadísticas, crean visualizaciones y generan incluso visualizaciones para que los alumnos las utilicen. Estos profesores aprovechan todo el proceso analítico con un impacto muy positivo en la docencia y en el aprendizaje de sus alumnos.

https://eduliticas.com/2021/02/divulgacion/aa30-1-2-usos-analitica-aprendizaje/#:~:text=La%20anal%C3%ADtica%20del%20aprendizaje%20procura,mejorar%20el%20contexto%20de%20aprendizaje.

Interesante su acotación, felicidades coincido con lo expuesto

Origen y desarrollo histórico:

La primera de las razones detonantes fueron los MOOCs, (Massive Open Online Courses), cursos online masivos en el que una cantidad limitada de profesores, similar a la de un curso ordinario actual, tenía que hacer frente a la gestión de miles de alumnos. Mientras que en las clases universitarias tradicionales los profesores podían gestionar sus clases de forma más personalizada, adaptando los conocimientos al alumno, en los MOOCs resulta una tarea muy compleja y laboriosa. Por otro lado, este tipo de entornos cuentan con la ventaja de que se pueden recolectar multitud de datos de los estudiantes: interacciones entre alumnos, entre alumnos y profesores, tiempo dentro del entorno virtual de aprendizaje, fecha de entrega de las actividades, calificaciones obtenidas en las actividades.

Este aprendizaje en entornos online es precisamente la segunda de las principales razones del incremento de uso de LA y por la que se piensa que tiene un futuro muy prometedor. No sólo los MOOC emplean entornos virtuales educativos, sino que multitud de instituciones y universidades hacen uso de estas herramientas. En España, las aulas virtuales basadas en la plataforma Moodle son muy conocidas en la comunidad educativa,

sobre todo en los entornos de la educación superior. Su utilidad ha propiciado un proyecto en Castilla y León para la instauración de aulas virtuales basadas en esta plataforma en los centros de secundaria de la comunidad a lo largo de los próximos años (Portal de Educación de la Junta de Castilla y León, 2017). Estas herramientas permiten recoger una

gran cantidad de datos potencialmente analizables.

La tercera y última razón de la que hablaremos es del Big Data. El despunte de esta tecnología, sobre todo a través del marketing, ha llegado y afectado a muchas áreas de la sociedad y, como no podría ser de otra manera, a la educación también. Es por eso que gracias al desarrollo que ha tenido el Big Data en los últimos años, se ha podido desarrollar LA. La vastísima cantidad de datos recolectados permite usar técnicas de esta disciplina para encontrar patrones y a través del análisis de los datos poder predecir eficazmente casos de éxito y fracaso en un determinado momento y poder actuar,automática o manualmente, para adaptar y mejorar el proceso de aprendizaje.

El dominio del conocimiento donde estuvieron sus fundamentos:

• Matemáticas escolares
• Matemáticas avanzadas
• Pedagogía
• Didáctica de la matemáticas

A continuación nombro algunas herramientas que pueden ser usadas para las analíticas de aprendizaje:

• Google analytics es un sistema de análisis y estadísticas gratuito que sirve para analizar diferentes aspectos del funcionamiento de una página o sitio web.
• Smartklass, es un plug-in para plataformas de aprendizaje online como Moodle, Sakai o Blackboard, que convierte los complejos datos estadísticos, en completos y a la vez sencillos informes que hacen un análisis del proceso de aprendizaje que se está produciendo en el entorno virtual.
• GISMO es una herramienta de monitorización gráfica interactiva que proporciona al profesorado una visualización útil de las actividades de los estudiantes en los cursos en línea.
• SNAPP (Social Networks Advancing Pedagogical Practice) es un programa basado en el aprendizaje universitario que analiza las redes sociales que se forman dentro de los sistemas de gestión de aprendizaje
• LOCO – Analyst es una herramienta educativa destinada a ofrecer a los profesores retroalimentación sobre los aspectos relevantes del proceso de aprendizaje en línea, y por lo tanto ayuda a mejorar el contenido y la estructura de sus cursos.

Descripción general del proceso de analítica del aprendizaje:

Analítica de Aprendizaje (también conocida con su equivalente en idioma inglés Learning Analytics) es la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce.1​ Un campo estrechamente relacionado es la minería de datos educativa.

Es la aproximación tecnológica que hace que la transformación educativa cobre sentido en nuestra era de la sociedad de los datos. El análisis de las interacciones de los alumnos en entornos virtuales de aprendizaje, y otros contextos virtuales informales, facilitan la comprensión de sus comportamientos y la adaptación del aprendizaje en el aula. Los procesos de enseñanza-aprendizaje de toda la vida evolucionan a otro nivel en el que los datos cobran un papel esencial para su renovación y perfeccionamiento. Las tareas de tutorizar, evaluar y seguir se simplifican y potencian con este nuevo acercamiento analítico.

Las analíticas de aprendizaje son investigación porque profundizan en el análisis del cómo, el por qué y el para qué de la educación de nuestros estudiantes y son acción, porque nos deben conducir, necesariamente, a la mejora de sus procesos de aprendizaje.

Además puedes conseguir objetivos como:

• Entender las causas del abandono
• Prevenir posibles fracasos.
• Potenciar las tutorías (offline / online)
• Reforzar la evaluación
• Analizar el uso y acceso a los contenidos del curso.
• Analizar la visualización de los vídeos del curso

Podemos identificar tres categorías de análisis de aprendizaje:

¿Cuáles son los retos más comunes de la analítica de aprendizaje?

• A menudo son registrados sólo los datos básicos, como las puntuaciones de las pruebas y las encuestas, sin comprender que es posible recopilar datos de mayor significación, necesario si queremos medir el impacto de una acción educativa.
• Muchas organizaciones o instituciones implementan sistemas de gestión del aprendizaje (LMS, por sus siglas en inglés), que recopilan una gran cantidad de datos de aprendizaje pero que no conocen como analizarlos o no cuentan con las herramientas analíticas necesarias para ayudarles a entender esos datos.

Respuesta Yuniel Demate Vaillant

• Origen y desarrollo histórico

Analítica de Aprendizaje (también conocida en idioma inglés Learning Analytics) es la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce.

La Analítica de Aprendizaje, como campo, tiene múltiples raíces disciplinarias. Si bien los campos de la inteligencia artificial, el análisis estadístico, el aprendizaje automático y la negocios ofrecen una importante narrativa adicional, el enfoque fundamental está en las raíces históricas de la analítica en relación con la interacción humana y el sistema educativo.

La historia de la Analítica de Aprendizaje se puede entender al observar el desarrollo de cuatro campos de Ciencias Sociales que han convergido a lo largo del tiempo.

1. Definición de Aprendiz, para cubrir la necesidad de definir y comprender a un aprendiz.

2. Rastreo de conocimiento (Knowledge trace), que aborda cómo rastrear o mapear el conocimiento que ocurre durante el proceso de aprendizaje.

3. Eficiencia de aprendizaje y personalización, que se refiere a cómo hacer que el aprendizaje sea más eficiente y personal por medio de la tecnología.

4. Comparación aprendiz-contenido, para mejorar el aprendizaje al comparar el nivel de conocimiento del aprendiz con el contenido real que necesita dominar.

Una diversidad de disciplinas y actividades de investigación han influido en estos 4 aspectos a lo largo de las últimas décadas, contribuyendo al desarrollo gradual de la analítica del aprendizaje. Algunas de las disciplinas más determinantes son el análisis de redes sociales, el modelado de usuarios, el modelado cognitivo, la minería de datos y el aprendizaje electrónico ('e-learning). La historia de la Analítica de Aprendizaje se puede entender por el auge y el desarrollo de estos campos.

El primer programa de posgrado enfocado específicamente en la Analítica de aprendizaje fue creado por Ryan S. Baker y lanzado en el 2º semestre de 2015 en Teachers College, Columbia University.

• El dominio del conocimiento donde estuvieron sus fundamentos

Analítica de Aprendizaje definida como modelo de predicción

Analítica de Aprendizaje definida como un marco genérico de diseño

El enfoque "Qué - Quién - Por qué - Cómo"

Analítica de Aprendizaje como toma de decisiones basada en datos

Analítica de Aprendizaje como un proceso basado en modelos estadísticos

La Analítica de Aprendizaje definida considerando aspectos computacionales

Analítica de Aprendizaje definida como una aplicación de Web Analytic

• Herramientas usadas para su aplicación

SNAPP: herramienta utilizada en el ámbito educativo en línea para analizar el comportamiento de usuarios en un foro virtual de discusión. La herramienta se centra en examinar las interacciones que se producen entre los participantes y así determinar el grado de implicación y compromiso en el mismo.

Netlyctic: herramienta basada en la nube, semejante a SNAPP y útil en el análisis y seguimiento de los estudiantes en redes sociales: Youtube, foros en línea, blogs etc. Sus características diferenciales son: no requiere de instalación en el sistema, identifica diferentes niveles de interacción y favorece la visibilidad de canales de comunicación

Echo360: plataforma educativa que brinda a los profesores e instructores herramientas para fomentar el proceso enseñanza aprendizaje, a la vez que recolecta información de interacciones individuales y colectivas. El diseño de la interfaz permite visualizar los niveles de participación de los estudiantes y evaluar su comprensión. Tiene capacidad de crear contenido e integrar actividades colaborativas.

Otras herramientas disponibles: BEESTAR INSIGHT, LOCO-Analyst, SAM, Solutionpath StREAM, Student Success System

• Descripción general del proceso de analítica del aprendizaje

La analítica del aprendizaje es un proceso cíclico que empieza con la definición de la estrategia de mejora y termina con una evaluación global dentro de ellos eduliticas.como definen los siguientes pasos.

Definir: Objetivos, metas, métricas y herramientas, mide las iteraciones de los estudiantes

Recolectar: Datos cuantitativos, datos cualitativos, automatizar y centralizar, se almacena en logs las iteraciones

Analizar y Visualizar: Limpiar y transformar datos, análisis descriptivo y/o predictivo, visualizaciones y insights.

Actuar: Postanálisis, definir acciones, seguimiento, resultados

Fuentes:

• Siemens, George (20 de agosto de 2013). «Learning Analytics: The Emergence of a Discipline». SAGE Publications. doi:10.1177/0002764213498851. Archivado desde el original el 11 de enero de 2019. Consultado el 1 de noviembre de 2018
• eduliticas.como
• Recursos educativos del curso
• Analítica de aprendizaje - Wikipedia, la enciclopedia libre

Andrei Reynaldo Vorojbitov (en uso de la cuenta de Dunesky Travieso Ramos)

Origen y desarrollo histórico.

El origen de la definición de la analítica de aprendizaje se fijó en la Primera Conferencia Internacional sobre Aprendizaje, Análisis y Conocimiento 2011 (Learning Analytics and Knowledge - 2011) adoptado a partir de tal fecha por la Society for Learning Analytics Research (SoLAR), institución que afirma que la analítica de aprendizaje viene a ser “la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce”

Todo lo anterior implica abrir el abanico de posibilidades de investigación como.

1) Investigaciones y estudios relacionados con el uso de big data en el entorno educativo y sus implicaciones;

2) Investigaciones y estudios que aportan estudios de caso del desarrollo de iniciativas de la analíticas del aprendizaje para el estudio de desarrollo de competencias;

3) Investigaciones y estudios que analizan o evalúan buenas prácticas nacionales vs internacionales;

4) Trabajos innovadores sobre el diseño, evaluación e implementación de programas formativos basados en estudios de la analíticas del aprendizaje,

5) Retos y oportunidades para una docencia de calidad de disponer de herramientas de análisis de masiva información.

Desde el ámbito internacional se han desarrollado proyectos para la integración de las analíticas del aprendizaje en los ambientes universitarios, por ejemplo, el proyecto “Supporting Higher Education to Integrate Learning Analytics(SHEILA)” para las universidades europeas, que tiene como propósito construir un marco de desarrollo de políticas que apoye de manera sistemática, sostenible y responsable la adopción de las analíticas del aprendizaje a nivel institucional.

Otro ejemplo, es el proyecto Learning Analytics Latin America(LALA) derivado de SHEILA, que tiene la intención de proponer iniciativas para adoptar, crear e implementar herramientas de analíticas del aprendizaje en universidades latinoamericanas, para mejorar la toma de decisiones en diversos procesos educativos. En ambos proyectos se desarrollaron instrumentos para recabar información en torno a las percepciones y expectativas de estudiantes, docentes y autoridades escolares, sobre el uso e implementación de las Analíticas del Aprendizaje.

El dominio del conocimiento donde estuvieron sus fundamentos.

Son varias las aéreas del conocimiento que fundamentan la analítica de aprendizaje entre estas podemos citar la matemática, ciencias de la educación, estadística, inteligencia artificial, minería de datos, programación entre otras

Herramientas usadas para su aplicación

Algunas de las herramientas empleadas para la aplicación de la analítica de aprendizaje

1. Yet analytics:

Herramienta de visualización de datos/almacenamiento de registros de. Proporcione una gran cantidad de análisis visuales diferentes para ayudar a mejorar el contenido de aprendizaje y ayudar a sus estudiantes a aprender lo mejor posible.

• Proporciona análisis perspicaces sobre el desarrollo del talento, la preparación para roles y la trayectoria profesional.
• Proporciona análisis de participación enriquecidos a través de diferentes ecosistemas de aprendizaje.
• Proporciona soluciones de análisis predictivo precisos.

2. Wooclap

La aplicación del sistema de respuesta de la audiencia es una de las mejores herramientas para mejorar la participación de los estudiantes en clase. La startup belga demostró que podía mejorar enormemente el aprendizaje de los estudiantes a través de su lúdico sistema de aplicación de cuestionarios en clase. Todo gracias a los teléfonos inteligentes de los estudiantes. Esta aplicación también es una herramienta de análisis de aprendizaje.

• Proporciona análisis a los profesores. De hecho, pueden comprobar fácilmente quién respondió a qué y cuánto tiempo tardaron en responder.
• Proporciona un muro de comentarios para que los estudiantes puedan comunicarse (durante y después del curso) con sus profesores y decirles qué parte del curso fue difícil de entender o qué parte fue excelente, etc. Por lo tanto, es un excelente proveedor de datos cualitativos.

3. Bright Bytes

Bright Bytes proporciona una plataforma de análisis de datos que se centra en cuatro marcos básicos que miden los efectos de la tecnología en una escuela.

• Su herramienta de análisis le permite evaluar cómo los profesores y los estudiantes utilizan la tecnología para el aprendizaje.
• Estudia la disponibilidad de dispositivos y acceso a Internet en toda la escuela y en el hogar.
• Mide los niveles de habilidad de profesores y estudiantes con multimedia.
• Evalúa la cultura escolar, el desarrollo profesional y las necesidades tecnológicas en toda la organización.

4. Clever

Clever es una de las startups de tecnología educativa de mayor crecimiento en este momento. Al proporcionar una herramienta de inicio de sesión único a estudiantes y profesores para navegar entre todo el software y los recursos. La herramienta permite a los profesores establecer objetivos para cada uno de sus alumnos, como actividades a realizar, recursos a utilizar, etc. Luego, permite a los profesores seguir el progreso de sus estudiantes con precisión (los estudiantes también pueden seguir su progreso).

Es una solución muy interesante para ayudar a los estudiantes en su proceso de aprendizaje y comprobar su compromiso personal con los recursos de aprendizaje.

5. Knewton

Knewton es una startup que ofrece una plataforma cuyo objetivo es facilitar el aprendizaje adaptativo a través del análisis de datos.

Su solución de educación superior, ayuda a los profesores a adaptar sus cursos a cada uno de sus estudiantes y realizar un seguimiento de su progreso. Knewton también ofrece sus propios cursos en línea verificados que se adaptan automáticamente al progreso de los estudiantes.

Descripción general del proceso de analítica del aprendizaje.

Este proceso está basado en la experiencia de desarrollar distintos proyectos de analítica de aprendizaje, y guarda cierta similitud con los presentados en los trabajos relacionados, pero se encuentra más centrado en las etapas de implementación que sigue un proyecto de analítica de aprendizaje, así como los elementos y preguntas que se deben tener en cuenta. El proceso tiene las siguientes cinco etapas:

1. Entornos de aprendizaje:¿Cuál es el contexto y cuáles son los estudiantes?

2. Recolección de datos: ¿Qué datos se deben generar y cómo almacenarlos?

3. Manipulación de datos e ingeniería de características: ¿Qué características son necesarias y cómo obtenerlas?

4. Análisis y modelos: ¿Qué análisis y modelos se deben implementar?

5. Aplicación educacional: ¿Cuál es la aplicación educacional objetivo y el usuario?

Entornos de Aprendizaje

El primer paso del proceso sucede en el entorno y contexto de aprendizaje y con los usuarios que intervienen en el mismo. Con la llegada de la educación a través de entornos digitales, se facilito la recolección de datos. El desarrollo de los entornos usados en educación a distancia o digital como el Learning Management Systems (LMSs), Moodle, Sakai, dotLRN entre muchos otros y la aparición los Cursos Masivos Abiertos en Línea (MOOCs), se es posible recolectar grandes cantidades de datos de estudiantes

Recolección de Datos.

Estos entornos de aprendizaje deben generar datos y guardarlos, para que posteriormente poder generar la analítica. La forma más común que han seguido la mayoría de entornos virtuales de aprendizaje, es la de guardar las trazas de todos los clics que los usuarios realizan en el entorno como eventos, en lo que se suele conocer en la literatura como clickstream data. Esta aproximación no es solo seguida en entornos educativos, sino que es universal en multitud de dominios digitales para modelar el comportamiento humano

Manipulación de Datos e Ingeniería de Características

Una vez se han recolectado los datos, se inicia el proceso de su manipulación. Debido a que estos eventos de bajo nivel representan acciones aisladas de los estudiantes, no son muy informativos en crudo, y por lo tanto es necesario pasar por un proceso que se conoce como ingeniería de características en la que estos datos se procesan para transformarlos en información educacional útil y sobre la que se pueda actuar. Este proceso requiere de alto nivel de conocimientos técnicos para la manipulación de los datos, experiencia en el contexto, de manera que se conozcan qué características son útiles y creatividad. Además, suele ser una de las etapas que mayor esfuerzo requiere dentro de los proyectos de análisis de datos.

Análisis y Modelado

El análisis y los modelos que se implementan sobre las características finales que se tienen es clave para comprender los datos y sacar un beneficio educacional de ellos. Muchos de los estudios en torno a analítica buscan entender las interacciones de los estudiantes con el entorno de aprendizaje de forma

retrospectiva. En estas ocasiones el investigador suele buscar la historia que dicen los datos mediante distintos análisis y sin una idea clara de inicio, y cuando la encuentra la puede contar una vez entiende todo lo que ha sucedido.

Aplicación Educacional

Los análisis de la fase anterior normalmente suelen tener asociada una aplicación educacional, pero la realidad es que en numerosas ocasiones no se suele llevar dicha aplicación a la práctica y, la investigación suele terminar en la fase de análisis y modelado. Esto hace que la mayoría de la investigación no se transfiera a la práctica y por lo tanto no se pueda evaluar si realmente tiene un impacto positivo educativo o no; esta es una de las principales problemáticas del área de analítica de aprendizaje en la actualidad. Existe una tensión entre la investigación que se hace y cómo transferirla a casos de estudio educacionales reales. Estas aplicaciones o análisis final deberían generar una retroalimentación en los contextos educativos donde se generaron los datos que permita mejorar el proceso de aprendizaje, y con ello se cerraría el ciclo de la implementación de analíticas de aprendizaje. Además, el efecto de estos cambios debería ser evaluado, lo que podría realizarse de nuevo mediante una metodología de analítica de aprendizaje. Esta evaluación es imprescindible para ser capaces de medir el impacto de los cambios introducidos en el contexto educativo.

Origen y desarrollo histórico: La analítica del aprendizaje, también conocida como Learning Analytics, surge a principios del siglo XXI como una disciplina que combina la educación, la tecnología y la ciencia de datos. Su origen se encuentra en la necesidad de utilizar la información generada por los sistemas de aprendizaje en línea para comprender mejor el proceso de enseñanza-aprendizaje y mejorar los resultados educativos. Dominio del conocimiento donde estuvieron sus fundamentos: Los fundamentos de la analítica del aprendizaje se encuentran en la intersección de la educación, la psicología cognitiva, la informática y la estadística. Se basa en teorías del aprendizaje, modelos pedagógicos y métodos de análisis de datos para identificar patrones, tendencias y oportunidades de mejora en el proceso educativo. Herramientas usadas para su aplicación: Para aplicar la analítica del aprendizaje, se utilizan diversas herramientas tecnológicas como sistemas de gestión del aprendizaje (LMS), plataformas de educación en línea, software de análisis de datos, algoritmos de machine learning y visualización de datos. Estas herramientas permiten recopilar, procesar y analizar grandes volúmenes de datos generados por los estudiantes y los sistemas educativos. Descripción general del proceso de analítica del aprendizaje: El proceso de analítica del aprendizaje consta de varias etapas: 1. Recopilación de datos: Se recopilan datos sobre el desempeño académico, la interacción con el contenido educativo, el tiempo dedicado al estudio, entre otros. 2. Procesamiento de datos: Los datos se procesan y se transforman en información relevante mediante técnicas de minería de datos y análisis estadístico. 3. Análisis de datos: Se aplican algoritmos de machine learning y análisis predictivo para identificar patrones, tendencias y correlaciones en los datos. 4. Generación de informes: Se elaboran informes y visualizaciones que resumen los hallazgos obtenidos y proporcionan recomendaciones para mejorar el proceso educativo. 5. Toma de decisiones: Los resultados de la analítica del aprendizaje se utilizan para tomar decisiones informadas sobre la personalización del aprendizaje, la intervención temprana en casos de bajo rendimiento y la mejora continua de los programas educativos.