Actividad 3 — Captura de datos
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, al mirar un informe con los datos del inicio de sesión de un
grupo de estudiantes, se puede ver rápidamente qué estudiantes están activos,
dónde están más activos y dónde no. Esa información es útil para evaluar dónde
podrían requerirse las intervenciones o dónde podría ser necesario editar el
contenido para obtener mayor claridad.
b) Uso y descarga de recursos
El curso cuenta con una serie de videoclases por cada módulo así como
enlaces externos para completar la información y guías de cada asignatura. El
uso que los alumnos hacen de estos recursos arroja información sobre su desempeño
e implicación en el módulo. Por ejemplo, si al visualizar una videoclase
detectamos que un porcentaje elevado de alumnos abandona el visionado a los
cinco minutos, podemos deducir que el vídeo es demasiado largo y sería por
tanto aconsejable reducir su duración y condensar la información relevante en
los primero minutos de duración.
Por otro lado, si al consultar la guía de la asignatura, los alumnos no van
más allá de la página 10, debemos igualmente considerar reducir la información
y presentarla de forma más breve y concisa. De esta forma, nos aseguramos que
un mayor número de alumnos completa la lectura y entiende la estructura del
curso, contenidos y sistema de evaluación.
Por último, si detectamos que apenas se consultan los enlaces externos, una
intervención puede consistir en ofrecer sólo dos o tres enlaces que conduzcan a
una información muy concreta y necesaria para el desarrollo y superación del
curso.
c) Uso de herramientas
El intercambio de información entre pares es fundamental para la
construcción del conocimiento colectivo, aspecto fundamental en un entorno de
aprendizaje virtual. Por tanto, la participación en foros, chats y
videoconferencias resulta un elemento clave en el análisis del comportamiento
de los estudiantes en la plataforma. El número de veces que un alumno
intercambia mensajes con sus compañeros y con el profesor arroja luz sobre su
grado de implicación en el desarrollo del curso.
Si tras el análisis de los datos se detecta que un alumno ha dejado de
participar en estas herramientas, se puede iniciar un proceso de comunicación por
email en el que se recuerde la necesidad de la participación en dichas
herramientas para la superación del curso. También se puede contactar
personalmente por teléfono e iniciar un seguimiento más individualizado para
conocer las causas y ofrecer alternativas. La tutoría personalizada mejora la
relación profesor-alumno y puede conducir al éxito académico del estudiante.
d) Entrega de tareas
El número de veces que un alumno entrega la
tarea asignada por el profesor también es un indicativo del grado de desempeño
de un estudiante en el curso. En este punto es importante establecer que
normalmente un mayor número de descarga de recursos y participación en las
herramientas de conocimiento colectivo, conlleva a un mayor número de tareas
entregadas. Por tanto, si mediante las intervenciones mencionadas anteriormente
se mejora la implicación del alumno en el curso, esto también se reflejará en
el número de veces que entregue las tareas y por tanto sus posibilidades de
superar el curso aumentarán.
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.
Comentarios
Publicar un comentario