COMUNICACIÓN Y EDUCACIÓN EN LA RED

Han pasado unos meses desde el lanzamiento del servicio de analítica de datos educativos de tu empresa y su puesta en marcha ha sido todo un éxito. Como consecuencia, decides montar un curso de Learning Analytics Essentials . Su diseño consiste en una estructura modular, con los contenidos disponibles en forma de manuales y un sistema de evaluación con cuestionarios al final de cada entrega de tareas, es decir, un esquema muy parecido al de un xMOOC.   Además, se enriquece con el uso de Twitter como principal herramienta de comunicación, un blog, un canal de YouTube y una lista de distribución en TinyLetter.  Se espera que la participación de los estudiantes en el curso genere un volumen importante de datos. A continuación se expone de forma detallada el tipo de datos que se va a extraer de cada uno de los canales de comunicación del curso y cómo se van a investigar y analizar: 1. Datos disponibles 2. Diseño de investigación Bibliografía Baker, R.S.J.d, & Siemens, G

Introducción Los cursos MOOC ofrecen grandes posibilidades para la investigación, la medición y el análisis del aprendizaje tanto para sus diseñadores como para los propios estudiantes. Sin embargo, hay que tener en cuenta que la analítica de aprendizaje, por sí misma, no mejora nada, permite tener una fotografía de lo que ocurre en el interior de los procesos educativos mediados por la tecnología, pero precisa de una interpretación adecuada que posibilite la mejora de los procesos educativos (Reich, 2015; Khalil & Ebner, 2016). Por tanto, una vez puesto en marcha el curso sobre Learning Analytics me gustaría que los resultados obtenidos tras el análisis resulten verdaderamente útiles para la mejora de la enseñanza digital. Para ello, propongo el siguiente diseño de investigación. Objetivos Los objetivos que pretendo conseguir tras el análisis de los datos recabados tanto en la plataforma del curso como en las diferentes redes asociadas son los siguientes: 1.      

Los datos que se van a recabar para sus posterior análisis s on de dos tipos: Los procedentes de la plataforma del curso, que requiere registro y login para acceder a los servicios. Los datos procedentes de las redes sociales abiertas, ya sea a través del uso de hashtag comunes, compartiendo contenidos. A continuación se expone de forma detallada el tipo de datos que se va a extraer de cada uno de los canales de comunicación del curso: Plataforma del curso Número de nuevas inscripciones Total de inscripciones Tasa de finalización de actividades Rendimiento, progresos y superación de cada una de las actividades programadas en el curso Tiempo de visionado de los vídeos Permanencia en cada una de las actividades y de las unidades programadas Tiempos de acceso a cada una de las unidades y total Twitter Twitter Analytics es la herramienta que permite extraer información acerca del uso y rendimiento de la cuenta del curso. Número de seguidores Número de T

En el módulo 3 de la asignatura "Analítica del aprendizaje conectado" se nos pide ponernos en el papel de un Product manager y diseñar un esquema básico de analítica de datos en entornos educativos que pueda ofrecerse como un servicio de valor que vaya más allá de las funcionalidades disponibles en las plataformas de  e-learning .  Para llevar a cabo este caso práctico, he diseñado el siguiente "pack" que incluye: Plan de análisis predictivo Captura de datos Metodología del servicio de datos Ética y privacidad Bibliografía: Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369 García-Tinizaray, D., Ordoñez-Briceño, K. & Torres-Diaz, J. C. (2014). Learning analytics to predict dropout of distance students. Campus virtuales, 3(1), 120-126. Handbook of Learning Analytics, https://solaresearch.org/wp-content/uploads/2017/05/hla17.pdf Siemens, G. (2014). D

Trabajar en el campo del big data requiere expandir el marco ético de la investigación social. Se trata de alejarse de la ética tradicional y centrarse en conceptos menos tangibles, como el impacto de la privacidad de la información y la discriminación en el uso de los datos. De hecho, siguiendo la política de la Unión Europea en este campo, hay  cuatro pilares fundamentales  en los que apoyar las acciones encaminadas a defender a los ciudadanos de los posibles excesos en la utilización de datos:  dar a las personas el poder sobre sus datos , y que puedan ejercer sus derechos sobre ellos; la  tecnoética , o consideración de aspectos éticos en el mismo diseño de las herramientas de gestión de datos; la  responsabilidad proactiva de las empresas  en la protección de datos;  y la ley . Las nuevas tecnologías de tratamiento de datos , el propio  desarrollo de nuevas herramientas  ( machine learning, deep learning, artifical intelligence , etc.), y en especial la  extensión de

Una vez realizado el análisis del curso piloto, vamos a diseñar un modelo que permita replicar esta metodología en otros cursos similares, de manera que podamos también ofrecer el servicio de analítica del aprendizaje para prevenir el abandono a otras empresas. A continuación, podemos ver un dossier explicativo en el que se detalla de una forma sencilla y visual qué ofrecemos y qué objetivos se pretenden conseguir con nuestro modelo de análisis predictivo de datos: Flow Dark Infogram Anexo : Caso práctico Una empresa que ofrece un curso de Edición de fotografía nos ha contactado para plantearnos el siguiente caso. El número de alumnos inscritos en este curso siempre es elevado, suponemos que por el auge de la fotografía gracias a redes sociales. Sin embargo, la tasa de abandono es de un 20% tras cada curso académico. Decididos a acabar con esta situación, nos piden implementar nuestro modelo basado en el análisis de datos.  En primer lugar, mediante el análisis de los dato

Una primera utilidad del análisis predictivo es identificar a los estudiantes en dificultad que necesitan asesoramiento en un curso. La manera de hacerlo es observando el comportamiento de esos estudiantes a través de los datos digitales que facilitan durante su paso por el curso. A continuación, dentro de nuestro plan para reducir la tasa de abandono de alumnos inscritos en el curso, vamos a definir qué momentos son cruciales en la detección de la desafección del alumno, qué tipo de datos se pueden obtener y qué intervención se puede llevar a cabo en cada caso. Momentos críticos a) Acceso a la plataforma Cuando un estudiante inicia sesión en una plataforma educativa, la acción queda registrada en el sistema. El número de veces que inicia sesión a lo largo del día, la hora a la que lo hace o el tiempo de permanencia ayudan a los profesores a estudiar los niveles específicos de participación, así como la forma en que se está utilizando el entorno de aprendizaje. Por ejemplo

Los datos que se generan como producto del trabajo de los estudiantes en un entorno virtual tienen el potencial de convertirse en información valiosa para la toma de decisiones y para anticiparse en el tiempo y prevenir la deserción. Domínguez (2018) afirma: Los estudiantes dejan huellas cada vez que interactúan con el entorno de aprendizaje digital de su institución. Por medio de la analítica se puede describir cómo esas huellas se utilizan para mejorar el aprendizaje, la enseñanza y la eficacia institucional. El análisis predictivo de datos en educación ( learning analytics ) se puede utilizar para cumplir los objetivos de inscripción, identificar a los estudiantes con dificultades económicas, déficits de aprendizaje y riesgo de abandono para así mejorar las técnicas de asesoramiento y tutorización. Mediante la información recabada tras el análisis se pueden identificar a los estudiantes que más necesitan apoyo institucional y permitir que el personal y la institución inter