Actividad 3 — Plan de análisis predictivo
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
intervengan para apoyar el éxito de todos los estudiantes.
El uso del análisis predictivo permite el aprendizaje
adaptativo (adaptive learning). Las
plataformas pueden ayudar a los profesores de manera más precisa para
identificar los déficits de aprendizaje en los estudiantes y poder personalizar
los contenidos. El aprendizaje adaptativo ayuda a los estudiantes a acelerar su
aprendizaje ya que les permite moverse a través del contenido de una forma más eficaz y reciben además apoyo adicional en las áreas que aún no dominan.
Por todo lo expuesto anteriormente sobre las ventajas del
análisis predictivo, me dispongo a planificar el análisis de datos de un curso
piloto sobre "Diseño de servicios / Service Design" que se desarrolla
en la plataforma Moodle de mi empresa para poder abordar posteriormente el
problema de la elevada tasa de abandono.
El primer paso es definir los objetivos concretos que se
quieren alcanzar y los indicadores mediante los que se va a medir la consecución
de dichos objetivos.
1. Objetivos:
·
Cumplir los objetivos de matriculación en el curso
·
Identificar a los estudiantes con dificultades
·
Desarrollar cursos de aprendizaje adaptativo
·
Reducir la baja tasa de finalización del curso
·
Optimizar las prácticas de asesoramiento
2. Cómo se van a medir los resultados:
Para medir la consecución de los objetivos anteriormente propuestos vamos a
utilizar indicadores de logro, también conocidos como KPI (Key
Performance Indicator), que se utilizan para medir el éxito de una
organización o empresa en el desarrollo de una actividad en concreto. A la hora
de establecer estos indicadores, es conveniente procurar que cumplan con las
siguientes características para así asegurarnos su efectividad:
1. El KPI debe responder a un objetivo establecido previamente.
2. El KPI debe responder a las características SMART:
Figura I. Imagen SMART KPI
- Específico: el KPI tiene que ser concreto y conciso.
- Medible: el KPI tiene que ser cuantificable, en cifras, categorías,
porcentajes, etc. para luego poder compararlo con otros datos.
- Alcanzable: el objetivo debe ser realista, creíble y posible de lograr.
- Realista: el KPI tiene que ser relevante para el objetivo y la estrategia, ya
que si no obtendremos un dato que no aporta ningún valor.
- Medible en el tiempo: el KPI tiene que variar en el tiempo para poder realizar comparativas en el tiempo y ver cómo ha evolucionado y así establecer resultados.
3. KPIs:
Los KPIs propuestos a continuación nos servirán para conocer el
éxito que está teniendo nuestra estrategia digital y nos ayudarán también
a sintetizar la información recopilada.
INDICADORES DE LOGRO
|
|
KPI1
|
Aumentar las inscripciones en un 10%
|
KPI2
|
Identificar a los alumnos con dificultades
|
KPI3
|
Adaptar los contenidos a los intereses de los alumnos
|
KPI4
|
Reducir la tasa de abandono en un 10%
|
KPI5
|
Ampliar en un 10% las tutorías personalizadas
|
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.
Zabal, E. Qué es un KPI y ejemplos de uso [Figura I]. Disponible en: https://www.cicerocomunicacion.es/que-es-un-kpi-ejemplos/
Comentarios
Publicar un comentario