• Arquitectura MOOC: 5. Learning Analytics - Analítica del Aprendizaje

    Learning Analytics es la colección, análisis y reporte de datos sobre la actividad del estudiante y su contexto. El objetivo del Learning Analytics es comprender  y optimizar el aprendizaje y el contexto en el que los estudiantes desarrollan sus actividades.
    Los sistemas de auto-aprendizaje (LMS) y las redes sociales informáticas pueden coleccionar una gran cantidad de información acerca de sus usuarios. Por ejemplo, recogen datos sobre perfiles, la interacción con otros usuarios y el contenido, la participación y las contribuciones del usuario. El análisis del aprendizaje pretende utilizar estos datos para mejorar el aprendizaje y de esta forma aportar beneficios tanto para el usuario o para la institución.

    La identificación, recopilación y organización de datos, el desarrollo de modelos analíticos, la colaboración y la toma de decisiones sobre las acciones es un esfuerzo institucional que abarca la administración, la gestión académica y la asignación de recursos.

    Objetivos del Learning Analytics

    • Mejorar la toma de decisiones: administrativas, organización, asignación de recursos sobre la base de datos concretos
    • Identificar estudiantes en riesgo y ayudarlos para lograr éxito académico
    • Ayudar a innovar y transformar el sistema de universitario
    • Aumentar la productividad y eficacia en la medida que contribuye a proveer información actualizada
    • Proporcionar a los estudiantes la información sobre sus hábitos de aprendizaje y recomendaciones para su mejora
    • Mejorar la calidad de la enseñanza, innovar y transformar el sistema de educativo
    • Aumentar la retención de los estudiantes (evitar abandono)
    • Aumentar la participación de los estudiantes

    Análisis del aprendizaje

    Los datos educativos recogidos tienen un rol fundamental para el análisis del aprendizaje. Ya que el volumen de datos recogidos puede dificultar el análisis, existen herramientas de análisis que permiten extraer resultados e información significativa posible de presentar en forma de gráficos, cuadros estadísticos y visualizaciones multimedia. Estas herramientas facilitan la presentación de resultados a estudiantes, responsables administrativos, organizativos o académicos.

    Datos más significativos

    De la gran variedad de datos, los más significativos son:
    • Datos personales (nombre, dirección, edad, etc.)
    • Datos de interacción social (mensajes, foros, etc.)
    • Datos de navegación (enlaces, mapas, etc.)
    • Datos relacionales (conexiones relacionadas con amigos, seguidores, a quién sigue, recursos relacionados, etc.)
    • Datos de contexto (datos de ubicación, datos de sensores, etc.)
    • Datos textuales (los textos creados y evaluados con técnicas de minería de datos)
    • Datos para el análisis de calidad

    Analytics – uso primario

    Fase 1: Extracción y reporte
    Fase 2: Análisis y seguimiento (monitoreo)
    Fase 3: Escenarios “What if”
    Fase 4: Modelamiento y simulación predictiva
    Fase 5: Factores desencadenantes (triggers) y alertas

    Próximo artículo:

    Arquitectura MOOC: 6. Certificación

    Artículos anteriores:

    Arquitectura de un MOOC - presentación de la serie
    Arquitectura MOOC: 1. Recursos Educativos
    Arquitectura MOOC: 2. Interacciones
    Arquitectura MOOC: 3. Identificación – Identidad, Gestión,Portafolio
  • You might also like

Con la tecnología de Blogger.

Mi lista de blogs

Licencia Creative Commons

Licencia Creative Commons
Este obra de Jaime Oyarzo Espinosa está bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Unported.

Translate the Blog