LA ANA­LÍ­TI­CA DE APREN­DI­ZA­JE RE­VO­LU­CIO­NA EL MO­DE­LO EDU­CA­TI­VO

Revista ComputerWorld Ecuador - - BIG DATA DISRUPTION - Por: Die­go Bue­na­ño, coor­di­na­dor ge­ne­ral de Ges­tión de Ca­li­dad de la Fa­cul­tad de In­ge­nie­rías y Cien­cias Apli­ca­das de la Uni­ver­si­dad de Las Amé­ri­cas.

l cam­po edu­ca­ti­vo no pue­de que­dar fue­ra de la ex­plo­ra­ción y aná­li­sis de gran­des vo­lú­me­nes de da­tos. La in­for­ma­ción que se ge­ne­ra en el ám­bi­to edu­ca­ti­vo es pro­duc­to de la in­te­rac­ción de es­tu­dian­tes y do­cen­tes con en­tor­nos edu­ca­ti­vos me­dia­dos por tec­no­lo­gías.

A me­di­da que los es­tu­dian­tes y do­cen­tes in­ter­ac­túan con di­ver­sos sis­te­mas de apren­di­za­je apli­ca­dos en su ca­rre­ra, de­jan ras­tros di­gi­ta­les que pue­den cap­tu­rar­se y ana­li­zar­se. Las di­fe­ren­tes pla­ta­for­mas uti­li­za­das en en­tor­nos edu­ca­ti­vos (Mood­le, Black­board, D2L, Ed­mo­do, etc.) al­ma­ce­nan es­tos ras­tros en di­fe­ren­tes for­ma­tos, ta­les co­mo: logs, blogs, do­cu­men­tos, imá­ge­nes, vi­deos, au­dios y una se­rie de nue­vas al­ter­na­ti­vas pa­ra con­ser­var es­ta da­ta.

Las áreas de in­ves­ti­ga­ción co­mo la mi­ne­ría de da­tos edu­ca­ti­vos y la ana­lí­ti­ca de apren­di­za­je tie­nen co­mo ob­je­ti­vo prin­ci­pal in­cre­men­tar la ca­li­dad del pro­ce­so en­se­ñan­za - apren­di­za­je. Los re­sul­ta­dos que ge­ne­ran so­lu­cio­nes Big Da­ta per­mi­ten al es­tu­dian­te for­ta­le­cer su com­pro­mi­so con el apren­di­za­je y, a los do­cen­tes, di­ver­si­fi­car y op­ti­mi­zar las he­rra­mien­tas y ac­ti­vi­da­des de en­se­ñan­za y es­tra­te­gias de re­tro­ali­men­ta­ción. Fi­nal­men­te, a los ad­mi­nis­tra­do­res de las uni­ver­si­da­des les otor­ga in­for­ma­ción opor­tu­na pa­ra to­mar de­ci­sio­nes in­te­li­gen­tes con res­pec­to a: ta­sas de de­ser­ción es­tu­dian­til, ta­sas de gra­dua­ción, pre­dic­ción

del desem­pe­ño de cur­sos pa­ra ma­pear el pro­ce­so de en­se­ñan­za - apren­di­za­je, etc. En es­tas dos áreas de in­ves­ti­ga­ción se uti­li­zan di­ver­sas he­rra­mien­tas es­pe­cí­fi­cas de la mi­ne­ría de da­tos. Es­tos mé­to­dos se los pue­de cla­si­fi­car en las si­guien­tes ca­te­go­rías: agru­pa­mien­to, cla­si­fi­ca­ción, pre­dic­ción, mi­ne­ría de re­la­cio­nes, mi­ne­ría de tex­tos y des­cu­bri­mien­to a tra­vés de mo­de­los. Ade­más, exis­ten nu­me­ro­sas he­rra­mien­tas comerciales y de có­di­go abier­to dis­po­ni­bles, que son las más uti­li­za­das en en­tor­nos edu­ca­ti­vos: Ra­pi­dMi­ner, We­ka (Wai­ka­to En­vi­ron­ment for Know­led­ge Analy­sis), Kni­me (Kons­tanz In­for­ma­tion Mi­ner), u Oran­ge. El in­cre­men­to ex­po­nen­cial de cur­sos ma­si­vos abier­tos en lí­nea es­tá cam­bian­do ra­di­cal­men­te el mo­de­lo de edu­ca­ción tra­di­cio­nal. El vo­lu­men de es­tu­dian­tes en es­ta mo­da­li­dad va des­de cur­sos con cien­tos de es­tu­dian­tes, has­ta los más po­pu­la­res con más de 100.000 ins­crip­cio­nes. Un ejem­plo de es­te ti­po de cur­sos es el “Ga­me Theory cour­se” ofre­ci­do por la Uni­ver­si­dad de Stan­ford.

Se­gún los da­tos pu­bli­ca­dos en el si­tio web, las ins­crip­cio­nes en los MOOC en 2017 bor­dea­ron los 78 mi­llo­nes de alum­nos. Los dos prin­ci­pa­les pro­vee­do­res de MOOC en el mun­do (por usua­rios re­gis­tra­dos) son Cour­se­ra (30 mi­llo­nes) y edX (14 mi­llo­nes). Pro­ce­sar la in­for­ma­ción aca­dé­mi­ca ge­ne­ra­da en es­tos cur­sos ha­ce im­pres­cin­di­ble la uti­li­za­ción de he­rra­mien­tas es­pe­cí­fi­cas de mi­ne­ría de da­tos, co­mo las men­cio­na­das en el pá­rra­fo an­te­rior.

Un ca­so de es­tu­dio a con­si­de­rar en el que se apli­can al­gu­nas de las téc­ni­cas men­cio­na­das es el pro­pues­to en el ar-

tícu­lo cien­tí­fi­co The im­pro­ve­ment of analy­tics in mas­si­ve open on­li­ne cour­ses by applying da­ta mi­ning tech­ni­ques. El in­for­me ha­ce re­fe­ren­cia a un cur­so que cuen­ta con más de 20.000 es­tu­dian­tes ins­cri­tos y es­tá di­ri­gi­do por la Uni­ver­si­dad de Ali­can­te en Es­pa­ña y alo­ja­do en la web de UniMOOC.

En una pri­me­ra fa­se del aná­li­sis de da­tos se re­co­pi­la in­for­ma­ción del cur­so con el fin de de­fi­nir los in­di­ca­do­res de ges­tión claves y crear una ver­sión ini­cial del mo­de­lo mul­ti­di­men­sio­nal de da­tos. Al­gu­nos de los in­di­ca­do­res son: ta­sa de es­tu­dian­tes ac­ti­vos, ta­sa de de­ser­ción en di­fe­ren­tes mo­men­tos, ta­sa de apro­ba­ción, en­tre otros in­di­ca­do­res. Una se­gun­da eta­pa, cla­ve en el pro­ce­so, es el pre pro­ce­sa­mien­to de da­tos re­ca­ba­dos de una de­ter­mi­na­da pla­ta­for­ma. Lue­go, se apli­ca una he­rra­mien­ta de Big Da­ta pa­ra ex­traer la in­for­ma­ción desea­da y, fi­nal­men­te, se es­co­ge el mé­to­do de vi­sua­li­za­ción de los re­sul­ta­dos ob­te­ni­dos.

En 2017, las ins­crip­cio­nes en los MOOC bor­dea­ron los 78 mi­llo­nes de alum­nos Fuen­te: Class Cen­tral

Newspapers in Spanish

Newspapers from Ecuador

© PressReader. All rights reserved.