Learning Analytics
Es para una mejora en la educación basado en el análisis de datos, dirigidos por los datos con base evidencias en las teorías o enfoques educativos se pueden contrastar con los resultados reales relacionado con:
- Minería de datos educativa.
- Inteligencia de negocio (business intelligence).
- Analíticas visuales.
Los pasos o etapas de la analítica de aprendizaje
- Recolectar grandes cantidades de datos de distintos canales. *Interacción con el sistema
- Traducir esos datos en información, indicaciones o señales sobre lo que esta realmente sucediendo. *Puede no ser posible saber lo que esta aprendiendo realmente un alumno en una lección pero si se puede observar lo que hace y usarlo como un indicador de lo que esta pasando.
- Uso de la información con distintos propósitos. *Personalización y adaptación: el sistema puede usar esas señales para personalizar el sistema para cada alumno concreto. *Evaluación (Assesssment): usar la información para realizar una evaluación formativa o sumativa. *Predictivo: si el usuario usa el sistema durante un periodo largo de tiempo, los educadores pueden averiguar que funciona y que no funciona y ajustarlo para que funcione mejor.
Los 4 niveles del Learning Analytics
-Descriptivo ¿Qué ha pasado?
-Diagnostico ¿Por qué ha pasado?
-Predictivo ¿Qué va a pasar?
-Prescriptivo ¿Qué debería hacer?
Sus distintos usos son:
- Analíticas de aprendizaje
*Análisis de datos que ayuda a los estudiantes a mejorar sus resultados de aprendizaje.
- Analítica académica o de programa (academic/program analytics)
*Análisis de datos que proporciona información sobre lo que para en un determinado programa y como corregir errores y ajustarlo para evitar disfunciones.
- Analitica institucional (institutional analytics)
*Análisis de datos que ayuda a tomar decisiones sobre como mejorar a un nivel institucional o de organización.
¿Cuándo se analizan los datos?
--> off-line
- Los datos se analizan una vez que se ha acabado el uso real.
- Se trata de descubrir patrones de uso.
- Permite mejoras a futuro o en nuevas ediciones de un curso.
--> En tiempo real
- Se analizan los datos mientras el sistema està en uso para mejorar o adoptar la experiencia de aprendizaje de esos usuarios.
- Permite su uso en las clases presenciales.
--> Enfoque mixto
- Análisis mas simple en tiempo real que permite tomar decisiones rápidas combinado con un análisis posterior para poder descubrir problemas o identificar mejoras.
Tipos de datos: Extensive Data
- Números de participantes.
- Número relativamente bajo de variables.
- Normalmente poca información demográfica sobre los usuarios.
- Muchos datos totales pero pocos datos por cada uno de los usuarios concretos.
- Número relativamente pequeño de participantes.
- Un gran número de variables para cada participante. por ejemplo: *interacciones de los usuarios *respuestas a formularios, mucha información demográfica. *grabaciones de vídeos *seguimiento de la mirada (Eye-tracking) *datos biomètricos (HR, RESP, GSR, EEG, EKG).
- Muchas medidas para cada una de las variables.
- ¿Se pueden encontrar correlaciones entre distintos tipos de datos?
El ciclo de realimentaciòn
No solo es importante proporcionar realimentaciòn si no también cuando se proporciona. Learning analytics puede ayudar a mejorar la realimentaciòn.
En conclusión learning analytics ayuda para una mejora en la educación basadas en evidencias de teorías que puedan dar resultados reales que estén relacionados con análisis visuales, para poder tener un análisis de aprendizaje se tiene que llevar dichos pasos para poder recolectar datos y posteriormente poder tener una información con diferentes propósitos y posteriormente analizarlas y se obtenga un resultado que ayuden para el aprendizaje
No hay comentarios:
Publicar un comentario