MÓDULO 3. ANALÍTICA DEL APRENDIZAJE EN PLATAFORMAS CERRADAS. ACTIVIDAD 3. TAREA 3: CASO PRÁCTICO

PREGUNTA 1: Curso piloto: planificación del análisis de datos.

1. INTRODUCCIÓN

Situados en un escenario social y comunicativo en el cual el intercambio de datos se sucede de una manera continua, incesante y acelerada, el uso de estos datos como elementos generadores de conocimiento[1], como materias primas a través de las cuales obtener ulteriores “productos” de un mayor valor, se puede considerar una de las características más definitorias de una economía digital en la que los negocios dependen cada vez más de la tecnología de la información, datos e Internet para la implementación de sus modelos de negocios (Srnicek, 2018). Siguiendo a Sadin, “la economía del dato aspira a hacer de todo gesto, hálito o relación una ocasión de beneficio, pretendiendo de este modo no conceder ningún espacio vacante, intentando adosarse a cada instante de la vida y confundirse con la vida entera” (2018).

No cabe duda de que la importancia de los datos, y del big data[2] , es capital en los tiempos que corren. Transfiriendo tal importancia al entorno educativo, el estudio y análisis de los datos puede ser una valiosa herramienta para la mejora y el avance de la calidad de los sistemas educativos. Un uso adecuado y eficiente de la información recogida a través del análisis predictivo de los datos puede aportar luz y generar mejoras e implementaciones en el desarrollo de la calidad educativa. Mediante el uso del análisis predictivo de los datos demográficos o de rendimiento de estudiantes pasados podríamos, por ejemplo, conocer que posibilidades tendría un potencial alumno de acceder a unos determinados estudios, hasta qué punto podría asistir de una manera continua o las potenciales probabilidades de que ese alumno “x” fuese a necesitar refuerzo o ayuda extra para no fracasar en su periplo estudiantil.

Ekowo y Palmer (2017) definen cinco elementos en su guía práctica para el uso ético de los datos (data) en el entorno educativo. Estos cinco elementos serían los siguientes:

• Tener una visión y un plan.
• Construir una infraestructura de apoyo.
• Trabajar para asegurar un uso adecuado de los datos.
• Diseñar modelos de análisis predictivo y algoritmos que eviten la parcialidad.
• Alcanzar metas institucionales y mejorar los resultados de los alumnos interviniendo con cuidado.

Una vez asentadas las bases introductorias sobre las que gira la actividad, en los siguientes apartados procederemos al desarrollo de la práctica en sí.

2. OBJETIVOS

Con el objetivo prioritario de disminuir las tasas de abandono de los estudiantes, el análisis predictivo debe focalizar su razón de ser en identificar aquellos patrones de comportamiento o sociodemográficos que nos permitan prevenir las principales causas de tal abandono.  La interrupción voluntaria (o no) del periplo estudiantil puede deberse a múltiples causas en ocasiones interconectadas como podrían ser la motivación de los alumnos, la excesiva carga de trabajo, etc. Algunos de los objetivos serían los siguientes:

• Disminuir las tasas de abandono.
• Identificar en qué periodos se produce mayor cantidad de abandono.
• Identificar qué zonas/barrios presentan mayor tasa de estudiantes que abandonan sus estudios.
• Mejorar los materiales y contenidos.
• Ofrecer una mayor versatilidad horaria a los estudiantes.

3. INDICADORES DE LOGRO

De cara a poder establecer hasta qué punto los objetivos presentados han tenido éxito o no, se presentan una serie de indicadores de logro (KPIs):

• Número de estudiantes que abandonan.
• Relación entre el mes de año y el número de estudiantes que abandonan.
• Relación área geográfica y tasa de abandono.
• Encuesta de satisfacción a los estudiantes sobre los materiales y recursos disponibles.
• Identificar en qué rangos horarios se produce un mayor número de conexiones.

PREGUNTA 2: Curso piloto: captura de datos.

Enmarcado en el plano principal de la actividad –aquel que tiene que ver con analizar, prevenir y disminuir las tasas de abandono de los estudiantes—, el nivel de participación de estos en el curso se presenta como una eficaz y valiosa medida del grado de interés o motivación de estos. No podemos olvidar que la motivación juega un papel importante en las posibilidades potenciales de abandonar por parte de un estudiante.

Para medir el nivel de participación o la posible desafección del estudiante se pueden recoger, entre otros, algunos de los siguientes datos:

• Frecuencia de conexiones (login) del estudiante.

Mediante el registro de las conexiones (veces que se conecta, cuánto tiempo se conecta cada sesión, etc.) del estudiante al aula virtual y la creación de las posteriores medias diarias, semanales o mensuales, se puede conocer hasta qué punto existe una regularidad en su asistencia al curso. La regularidad de las conexiones denotaría un claro interés. Si, por el contrario, las conexiones coinciden en su mayoría con fechas señaladas (días de entrega de actividades, etc.) se podría prever un menor interés o mayor desafección.

• Nivel de interacción en los foros.

En relación con la frecuencia de las conexiones, la cantidad de interacciones en los foros también nos puede ofrecer un conocimiento interesante sobre la implicación de los alumnos. La frecuencia con la que postea, si solo participa cuando es requerido para una determinada actividad en fechas determinadas, si crea nuevos posts y demuestra proactividad…Todos estos datos son claros indicativos también del grado de desafección del estudiante.

• Entrega de trabajos.

La existencia de trabajos de entrega tanto voluntaria como obligatoria también nos puede predecir la implicación del estudiante. Se podría establecer un rango de implicación en las actividades desde el extremo claro de la desafección del estudiante que no entrega ninguna hasta, en el otro extremo, aquel que entrega tantos las voluntarias como las obligatorias.

 PREGUNTA 3: Diseño de una metodología escalable.

• Enfoque del servicio

El servicio de análisis predictivo se presenta como una gran y útil oportunidad de cara a mejorar la eficiencia, la calidad y, el última instancia, la reputación de un curso. Es excepcionalmente válido para cursos con alto nivel de demanda, ya que del análisis predictivo realizado un determinado año se pueden extraer valiosos conocimientos que pueden ser utilizados con posterioridad para garantizar y mejorar la calidad de cursos venideros.

Contar con estudiantes motivados, con recursos estudiantiles actualizados y, en definitiva, con elementos que potencien el correcto desarrollo del curso, se relaciona directamente con la calidad, con esa reputación de la que ya hemos hablado y, en definitiva, con el crecimiento de la empresa.

• Objetivos: qué pretende el servicio.

Nuestro servicio ofrece diferentes herramientas de medición y análisis que posibilitan el conocimiento y la prescripción de aquellos factores que pueden mejorar de manera notoria el desarrollo de la actividad emprendida, bien sea un curso online, o cualquier otra tipo de actividad.

Una vez convertidos los datos necesarios en información válida, dicha información será utilizada de una manera ética y eficaz con el único objetivo de identificar y paliar los posibles desajustes en el funcionamiento de la actividad.

. (3) Líneas de acción del servicio.

Entre la diversidad de líneas de actuación que podrían ser consensuadas con nuestro servicio, podríamos destacar las siguientes:

• Recogida, análisis de datos e información generada a partir de estos.
• Establecimiento y creación de material gráfico o visual de gran valor para reconocer las tendencias de la información recogida.
• Creación de recursos e implementación o actualización de recursos ya disponibles.

Mediante estas diferentes líneas de actuación se pretende en todo momento mejorar la calidad del servicio ofrecido y, con ello, derivar en una mejoría potencial de la oferta existente.

4) Anexo: supuesto práctico.

En el presente anexo facilitamos el proceso de análisis predictivo para un grupo de alumnos. El proceso, paso a paso, se desarrollaría de la siguiente manera:

1. Recogida de información sociodemográfica de los alumnos de un curso determinado.
2. Recogida de datos sobre conexiones de los estudiantes al aula virtual.
3. Recogida sobre el nivel de interacciones en foros.
4. Recogida de datos sobre la frecuencia de entrega de tareas tanto voluntarias como obligatorias.
5. Recogida de resultados temporales y finales de los estudiantes.

Una vez conocidos todos estos datos, mediante el análisis de estos se pueden establecer casi infinitas relaciones que, finalmente, resultarían en la información final. La información final es lo realmente valioso del análisis predictivo y, con ella, se pueden conocer aquellos aspectos que, de un modo u otro, afectan al objetivo final de nuestro servicio, que no es otro sino reducir la tasa de abandono de los estudiantes y rellenar los cupos de cursos con los estudiantes potencialmente más motivados y con más interés en obtener buenos resultados finales derivados de su alta implicación.

PREGUNTA 4: Aspectos éticos.

Nuestro servicio en todo momento asume y afronta el desarrollo del proceso de análisis desde un punto de vista ético y moral sin que se pueda producir ninguna situación de discriminación, perjuicio o daño a cualquiera de los estudiantes.

Del mismo modo, la reglamentación vigente en materia de protección de datos será siempre asumida, cumplida y nunca puesta en situación de desamparo.

Consideramos los datos como materia prima de enorme valor para la generación de conocimiento válido y aplicable, pero en ningún caso anteponemos la querencia por la adquisición de datos ante la principal y elemental buena praxis dentro de una ética empresarial y humana ceñida a la más estricta legalidad.

BIBLIOGRAFÍA:

• Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. En https://papers.ssrn.com/abstract=3124369

 

• Ekowo, M. y Palmer, I. (2017). Predictive Analytics in Higher Education.New America. En https://www.newamerica.org/education-policy/policy-papers/predictive-analytics-higher-education/#

 

• Sadin, É (2018). La Silicolonización del Mundo. La irresistible expansion del liberalism digital. Buenos Aires, Argentina. Caja Negra Editora.

 

• Srnicek, Nick. (2018). Capitalismo de Plataformas. Buenos Aires, Argentina. Caja Negra Editora.

 

[1] En este punto es interesante la diferenciación que Srnicek hace entre datos e información. Así, según el autor, los datos son la información de que algo sucedió mientras que el conocimiento sería la información de por qué algo sucedió. Aunque los datos pueden implicar conocimiento, no es una condición necesaria (Srnicek, 2018).

[2] El término big data hace referencia a la gestión de la gran cantidad de datos que se generan con el uso de las aplicaciones y servicios informáticos conectados a través de Internet (Domínguez, 2018).