Desde la primera conferencia sobre analítica del aprendizaje celebrada en Canadá en 2011, el campo ha crecido aceleradamente.1 Algunas de las áreas más investigadas del tema son, la analítica predictiva y la retroalimentación automática. También se ha visto un alza en el uso de tecnologías de procesamiento de lenguajes naturales y de la analítica multimodal. E-Learn entrevistó a expertos de Norteamérica, Latinoamérica y Europa para entender estas tendencias y averiguar cómo los conocedores del tema en todos los rincones del mundo utilizan de manera novedosa la analítca de la información en la educación, así como para conocer sus opiniones sobre el futuro de este campo.

La analítica del aprendizaje sigue siendo un concepto muy novedoso, y por eso su nivel de adopción en instituciones internacionales es muy disparejo. Países como Estados Unidos, Reino Unido, Canadá y Australia son los pioneros y líderes en el área, mientras que regiones como Latinoamérica apenas empiezan a explorar las posibilidades que ésta brinda.

Las instituciones de educación superior en Estados Unidos han mostrado un gran interés en la analítica según Alyssa Wise, Profesor Asociado de Ciencias del Aprendizaje y Tecnología Educativa y Directora de la Learning Analytics Research de la Universidad de Nueva York (NYU-LEARN).

Alyssa Wise
Profesor Asociado de Ciencias del Aprendizaje y Tecnología Educativa y Directora de la Learning Analytics Research de la Universidad de Nueva York

“En cualquier conversación con los directores de casi cualquier institución de educación superior en EEUU, notará que saben sobre la analítica del aprendizaje y quieren utilizar los datos que ésta arroja para mejorar la experiencia de sus estudiantes. Sin embargo, aún no se han concretado suficientes acciones”, explica Wise. “Creo que nadie está realmente consciente de las posibilidades: creen que todos los demás lo hacen maravillosamente, pero la mayoría de las universidades se enfrentan a los mismos problemas, con algunas notables excepciones. Esto sucede porque existen varios obstáculos para poder instaurar sistemas formales de analítica del aprendizaje”, agrega.

Algunos de esos obstáculos son técnicos y de infraestructura, pero también existen interrogantes sobre la forma en que se debe administrar y acceder a la información. “Uno de los mayores retos para los proyectos de analítica del aprendizaje es que a veces surge una idea excelente, pero nadie sabe quién puede autorizar el acceso a las fuentes de datos, necesarias para ponerla en práctica. Este es un problema al que las universidades no se habían enfrentado hasta ahora, sencillamente porque nadie se hacía estas preguntas”, nos explica Wise.

En contraste, según Dragan Gasevic, profesor y director de analítica del aprendizaje e informática en la Universidad de Edimburgo , en Europa la mayoría de las universidades conocen la analítica del aprendizaje, e incluso ya hay varios experimentos. Sin embargo, los retos a los que se enfrentan los académicos del viejo continente en su camino hacia la adopción de la analítica son similares a los de sus pares norteamericanos: existe una falta de habilidad o conocimiento para entender cómo implementarla en beneficio de las instituciones y una carencia de habilidad estratégica. Esto significa que no hay líderes institucionales capaces de identificar los dilemas más importantes y las maneras de utilizar la analítica del aprendizaje para resolver dichos problemas.

Un tercer obstáculo son los problemas referentes a la protección de la privacidad y la ética, un tema grave en algunos países. Por ejemplo, “En la Alemania de la Segunda Guerra Mundial, se cometieron grandes abusos con respecto a la información privada. Por esto, a los alemanes les preocupa mucho la ética y la privacidad”, nos cuenta Gasevic. “Como resultado del proyecto europeo SHEILA ,2 hemos visto que los estudiantes están conscientes de los problemas relacionados con la ética y la protección de la privacidad. Por este motivo, ellos tienen altas expectativas de que las instituciones protejan su información, pero, al mismo tiempo, la utilicen efectivamente”.

En América Latina, el estudio realizado por Xavier Ochoa, profesor y director del Centro de Tecnologías de la Información de la Escuela Superior Politécnica del Litoral (ESPOL), ubicada en Guayaquil, Ecuador, confirmó una verdad conocida por los expertos:

La adopción de la analítica del aprendizaje en la región apenas ha dado sus primeros pasos. Según Ochoa, “aunque existe interés, hay pocas instituciones comprometidas a implementar la analítica del aprendizaje. De hecho, todos los administradores con los que he discutido el tema están dispuestos a intentarlo”.

Para el experto, el principal reto para la analítica en la región es la falta de investigadores y profesionales de la educación con conocimiento del tema.

A pesar de todos estos obstáculos y desafíos, varias instituciones en todas partes del mundo están llevando a cabo una gran gama de experimentos en el área. A continuación, le presentamos algunos de los más destacados.

Analítica predictiva: Una tendencia que gana terreno

Alyssa Wise, de la Universidad de Nueva York, participa en varios proyectos de apoyo proactivo al estudiante con modelado predictivo. Con la analítica predictiva, en la NYU crean un modelo computarizado que usa los datos de

estudiantes que ya han cursado una materia y los aplican a nuevos estudiantes de la misma materia, en aras de identificar desde un principio quiénes podrían tener dificultades. “Nuestro modelo tiene un alto nivel de exactitud: desde el primer día, podemos determinar cuáles estudiantes podrían tener dificultades con un curso. El reto, entonces, es descubrir cómo responder ante esas dificultades”, dice Wise.

Dragan Gasevic
Profesor y director de analítica del aprendizaje e informática en la Universidad de Edimburgo

Esto evidencia que solo predecir los potenciales problemas de los estudiantes no es suficiente: los investigadores y educadores aún deben encontrar la mejor manera de aplicar esa información para mejorar la educación y el aprendizaje.

A modo de ejemplo, Wise relata cómo los problemas de estudiantes universitarios, del curso, introducción a la matemática, vienen de una mala formación previa. “En este caso, el plan de acción es muy simple: le ofrecemos a los alumnos con dificultades recursos de aprendizaje y ejercicios que los ayuden a ponerse al día con aquellas habilidades y conceptos que no dominen”, explica.

Sin embargo, hay casos donde el modelo puede predecir quiénes tendrán problemas, pero los factores de predicción no dejan claros los motivos. “En estos casos, sabemos quiénes tendrán problemas, pero no por qué o cómo. Esto dificulta definir la manera apropiada de aplicar el modelo y surgen preguntas como: ¿le mostramos las predicciones a los profesores? Y ¿Cómo abordarán ellos a los alumnos con potenciales problemas?”, explica Wise. “Debemos ser muy cuidadosos, porque la idea no es decirles a los estudiantes que les irá mal en una materia el primer día de clases. Esto podría desmotivarlos y potencialmente crear estereotipos, convirtiendo la predicción en una profecía autocumplida”, agrega. “Lo más importante es mantenerse positivos y concentrarse en las acciones necesarias para sobreponerse a las dificultades y alcanzar el éxito”.

La experta continúa y cuenta que la NYU ha empezado a crear tableros para profesores con resúmenes de las actividades digitales de los estudiantes. Esto se puede utilizar tanto para evaluar elementos específicos de la clase como para identificar a los estudiantes que necesitan atención especial. “El siguiente paso sería analizar cómo los profesores usan esas nuevas fuentes de información para enriquecer su enseñanza y encontrar la mejor manera de apoyarlos en el proceso de toma de decisiones fundamentada en datos estudiantiles”, relata Wise. Esto demuestra cuánta importancia se le da a cómo las instituciones utilizan los datos y modelos para dar soporte a la enseñanza y aprendizaje de manera ética y eficiente.

Circuitos de retroalimentación: Un gran beneficio para estudiantes y profesores

Para Dragan Gasevic, de la Universidad de Edimburgo, poder crear o mejorar los circuitos de retroalimentación entre profesores y alumnos es el principal beneficio de la analítica del aprendizaje. Esto puede ser particularmente útil en grupos de cientos de estudiantes, donde la interacción particular del profesor con cada alumno es prácticamente imposible.

“La analítica del aprendizaje nos ayuda a entender los patrones de aprendizaje de cada uno de nuestros estudiantes, incluyendo su progresión de aprendizaje, gestión del tiempo e ideas erróneas”, explica Gasevic.

Esto provee a los profesores mucho más conocimiento sobre lo que sucede en sus aulas, en especial cuando se trata de modelos invertidos y mixtos.

Ese es precisamente el objetivo del proyecto OnTask, en el cual trabaja el profesor Gasevic. Este proyecto empezó en 2016 en la Universidad de Sydney , en colaboración con la Universidad Tecnológica de Sydney , la Universidad de Nueva Gales del Sur , la Universidad de Australia del Sur , la Universidad de Texas en Arlington y la Universidad de Edimburgo. “Con la analítica del aprendizaje y el apoyo del software OnTask, los profesores pueden ofrecer retroalimentación personalizada que surte un rápido efecto positivo. Con una carga de trabajo similar a dar apoyo a 3 o 5 estudiantes, se puede generar retroalimentación personalizada para cientos o incluso miles de estudiantes”, explica Gasevic. Los resultados del proyecto muestran un aumento del desempeño y la satisfacción estudiantil, y una mejora en el proceso de aprendizaje de los alumnos.

La conexión entre la analítica y el diseño del aprendizaje es otra cuestión importante, puesto que la analítica puede ayudar a los profesores a estudiar la efectividad de su diseño del aprendizaje. “Por ejemplo, cuando dicto un curso puedo analizar qué funciona y qué no, y así realizar cambios en mi diseño. De tal manera que, en poco tiempo, puedo lograr una estructura de enseñanza más efectiva”, relata Gasevic.

Este profesor de la Universidad de Edimburgo y su equipo desarrollaron un premiado software llamado LOCO-Analyst, una herramienta para ofrecer retroalimentación a los profesores sobre los aspectos relevantes del aprendizaje en un ambiente en línea. “Cuando creamos LOCO-Analyst, queríamos analizar distintos tipos de rastros digitales generados por los estudiantes al usar e interactuar con recursos digitales en línea, así como dentro de ambientes de aprendizaje como Blackboard Learn ”, explica Gasevic. Según el experto, una de las funciones del software que los profesores aprecian más, es que ofrece perspectivas no solo sobre recursos particulares, sino también a nivel conceptual, de la manera como los alumnos crean conocimientos sobre ciertos conceptos y de las distintas interacciones entre los estudiantes.

Según Gasevic, existe una gran brecha entre lo que profesores y estudiantes necesitan y lo que ofrece el mercado. “La realidad es que la mayoría de los profesores y estudiantes no entienden el contenido de sus tableros. Hay varias razones para esto y, a mi modo de ver, el más importante es la ausencia de estudios etnográficos para comprender cómo los profesores y estudiantes pueden incorporar y usar la analítica en sus actividades individuales”, dice Gasevic.

Más allá del LMS: Analítica del aprendizaje multimodal

En un principio, la analítica del aprendizaje funcionaba únicamente con datos obtenidos desde herramientas en línea, como los sistemas de gestión de aprendizaje o juegos en línea. Sin embargo, estos modelos no toman en cuenta lo que ocurre fuera de la computadora. Aquí es donde entra la analítica del aprendizaje multimodal, una rama que se concentra en capturar y medir datos del mundo real, tales como la actividad en clase, grupos estudiantiles, o incluso los tiempos que tardan los estudiantes en realizar sus tareas.

Xavier Ochoa
Profesor Titular, director del Centro de Tecnologías de la Información, Escuela Superior Politécnica del Litoral

Esta es la vertiente de experticia de Xavier Ochoa, quien explica: “la analítica del aprendizaje multimodal surge de una necesidad natural de entender el aprendizaje dentro del ambiente donde éste se produce. Por ejemplo, se da un gran aprendizaje cuando los estudiantes trabajan juntos para resolver un ejercicio o problema, y si no hay una computadora presente, no queda rastro alguno de esas actividades. Se puede ver el resultado del trabajo, pero se pierde mucha información si ese es el único recurso”. Esta rama de la analítica aprovecha grabaciones de audio y video, así como todo lo que los estudiantes escriben, ven y dicen, y lo usa para crear un panorama más amplio y claro del proceso de aprendizaje.

“Los seres humanos somos multimodales por naturaleza, pues obtenemos información a través de todos nuestros sentidos. Nuestra meta es lograr algo similar con las computadoras”, explica Ochoa.

Para Ochoa, desarrollar la multimodalidad se ha vuelto posible en los últimos años porque la tecnología se ha vuelto más accesible, y dos factores importantes en este proceso han sido la inteligencia artificial y la disponibilidad de sensores baratos. “Imagina un aparato de precio muy bajo con cámara y micrófono. Con esa tecnología y el software apropiado se podría, por ejemplo, analizar la postura de los estudiantes, crear transcripciones de lo que estos dicen o captar la emoción en sus voces. Las computadoras ahora pueden ver y oír, y nuestra meta es explotar esas capacidades para entender mejor el proceso de aprendizaje”, explica el experto. Ochoa estima que un 30% de los estudios actuales sobre analítica del aprendizaje incluyen algún tipo de multimodalidad lo cual, para el profesor, muestra que las instituciones han entendido que deben aplicar un enfoque más holístico al estudiar los procesos de aprendizaje.

Uno de los proyectos de analítica del aprendizaje multimodal desarrollado por ESPOL consiste en un ambiente de tutoría donde los estudiantes practican realizando presentaciones. Los alumnos entran a un salón, cierran la puerta y se encuentran con una audiencia virtual para presentar sus diapositivas. “Durante la exposición, el sistema analiza al estudiante (incluyendo su postura, mirada, el volumen de su voz o si tartamudean) y también a la presentación (si tiene mucho texto

o si la letra es muy pequeña). Esto le permite generar retroalimentación inmediata sobre toda la presentación”, detalla Ochoa.

Además, la ESPOL utiliza la analítica del aprendizaje multimodal para diagnosticar cuáles estudiantes han alcanzado experticia en un tema dado y cuáles necesitan más apoyo. Este tipo de sistema implementa la analítica multimodal para brindarle retroalimentación al profesor, en vez de al alumno: “Con el programa, podemos entender si un estudiante es experto en un tema con solo mirarlo. Eso es precisamente el trabajo del profesor, observar el comportamiento de sus estudiantes”.

¿Cuáles son las tendencias?

Los avances técnicos y teóricos posibilitan la recolección de más y mejores datos.

Esto se puede lograr no solo con herramientas en línea, sino también con contadores, sensores y detectores de movimiento que recogen datos del mundo real. Esto es analítica del aprendizaje multimodal.

Se ha vuelto cada vez más común proveer retroalimentación automática y personalizada analizando el comportamiento de los estudiantes, en especial en grupos grandes.

Se están utilizando tecnologías de procesamiento de lenguajes naturales para analizar la producción de los estudiantes, lo que permite a los instructores dejar atrás las preguntas de selección múltiple y dar mejores respuestas y retroalimentación a los trabajos creativos de sus estudiantes.

Los investigadores también han mostrado interés en cómo la analítica puede ayudar a entender las emociones de los estudiantes y no solo su estado cognitivo.

Uno de los grandes retos para los investigadores en la actualidad es que las herramientas deben diseñarse para aplicarse en contextos de aprendizaje específicos, pero al mismo tiempo deben ser lo bastante generales para poder utilizarlos en distintos cursos o instituciones.

La analítica del aprendizaje se utilizará cada vez más para apoyar la toma de decisiones de los estudiantes, profesores, instituciones e incluso gobiernos.

Fuentes

  1. LAK11. (2011). 1st International Conference on Learning Analytics and Knowledge 2011. Retrieved November 15, 2017, from https://tekri.athabascau.ca/analytics/ .
  2. SHEILA. (n.d.). Using data wisely for education futures. Retrieved November 16, 2017, from http://sheilaproject.eu .

Copyright©2018. Blackboard Inc.

All rights reserved. See all trademarks and patents at www.blackboard.com/ip.