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.