Este documento discute el uso potencial de datos de aprendizaje (Learning Analytics) para construir perfiles de 360° de los estudiantes en Uruguay. Se exploran preguntas como qué patrones de participación en línea se pueden identificar y si existe correlación entre el uso de plataformas y el rendimiento académico. También se mencionan desafíos como asegurar el anonimato de datos sensibles y minimizar posibles conflictos sobre la interpretación y uso de la información recopilada.

1. Not everything that counts can be counted, and not everything that can be counted counts
Einstein
Hacia la construcción de un perfil en 360 °
de los usuarios del Plan Ceibal
Learning Analytics
@cristobalcobo
@CecilMarconi
@fundacionceibal

2. Learning Analytics: contexto
New Media Consortium, & EDUCAUSE Learning Initiative. (2015). NMC Horizon Report: 2012
Higher Education Edition. Austin, TX: The New Media Consortium.
Existe un creciente interés por incorporar
nuevas fuentes de datos para personalizar la
experiencia de aprendizaje; así como por adoptar
evaluaciones formativas para evaluar
aprendizaje.
>> El interés por un "nuevo"
campo de evaluación y aprendizaje.

3. : Construir experiencias pedagógicas más personalizadas;
: Identificar poblaciones de estudiantes en riesgo;
: Analizar factores que afectan completar exitosamente ciclo escolar

5. ¿Quién realiza esto?

6. NUEVOS PERFILES
PROFESIONALES >
‘Data Scientist’:
modelos de análisis se
basan en numerosas
suposiciones
< los algoritmos
no son neutros>

7. ¿Qué sabemos?

8. “un enfoque dinámico, longitudinal, de evaluaciones formativas asistida
por ordenador son el mejor predictor para detectar estudiantes de bajo
rendimiento (datos básicos LMS no predijeron aprendizaje).
Tempelaar, D. T., Rienties, B., & Giesbers, B. (2015). In search for the most informative data for feedback generation: Learning Analytics
in a data-rich context. Computers in Human Behavior, 47, 157-167.
“En LA la unidad más básica de aprendizaje es la interacción (no
hay consenso si F2F o VLE es más eficaz).”
Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M. Á., & Hernández-García, Á. (2014). Can we predict success from log data in
VLEs? Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning.
Computers in Human Behavior, 31, 542-550.
“Tiempo de estudio y regularidad de uso de LMS, interacción con
pares y n° de descargas: factores claves para el logro académico”.
Yu, T., & Jo, I. H. (2014, March). Educational technology approach toward learning analytics: Relationship between student online behavior and learning
performance in higher education. In Proceedings of the Fourth International Conference on Learning Analytics and Knowledge (pp. 269-270). ACM.
“variables que predicen mejora en rendimiento: interacción
social/pertenencia; contexto SE, expectativa de estudiantes”
Thammasiri, D., Delen, D., Meesad, P., & Kasap, N. (2014). A critical assessment of imbalanced class distribution problem: The case of predicting
freshmen student attrition. Expert Systems with Applications, 41(2), 321-330.

9. ;
;
Analíticas de Aprendizaje:
o Colección y análisis de los datos generados durante el
proceso de aprendizaje.
o Comprender cómo se utiliza (patrones de uso).;
360°;
Analíticas sólo centradas en resultados/logros, ignorando
los procesos de enseñanza no resulta suficiente
Gaševi , D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64-71.

10. Plan Ceibal - Uruguay:

11. By @cecilmarconi
Fase I
Entrega de
Equipos y
conectividad
2007-2015
Ciclo de Evolución del Plan Ceibal
Fase II
Desarrollo de
Platafo rmas
2012 - 2015
Fase III
Tecnologías como
acelerador del
aprendizaje
2014-2019
• 2016:
• Proceso de madurez en el uso de las plataformas (adaptación y adopción).
• Identificación de patrones de uso

13. o ¿Cuáles son los perfiles de “participación”? ¿Se
identifican patrones?
o ¿Existe correlación entre “patrones de uso de
plataformas” y los aprendizaje (calificaciones)?
o ¿En qué medida es posible encontrar correlaciones
entre el grado de “participación en línea” de los
estudiantes y su participación (asistencia) en clases
presenciales?
hacia el perfil 360

14. ¿cuáles son las variables relevantes
para elaborar un indicador de involucramiento?
¿Cuáles son los perfiles de “participación”? ¿Se identifican patrones?

15. 35%
65%
estudiantes en línea
• Trazabilidad de datos.
• Grado de involucramiento de los estudiantes
• Proxy de otras competencias (habilidades blandas)
¿Cuáles son los perfiles de “participación”? ¿Se identifican patrones?

16. El docente como factor clave en el uso de plataformas:
distribución de grupos según cobertura de acceso a la plataforma (CREA2)
¿Cuáles son los perfiles de “participación”? ¿Se identifican patrones?

17. ¿Existe correlación entre “patrones de uso de plataformas”
y los aprendizaje (calificaciones)?

18. ¿Hay correlaciones entre el grado de “participación en línea” de los
estudiantes y su participación (asistencia) en clases presenciales?
uruguayestudia.uy

19. ¿Cuáles son los desafíos
pendientes que plantea
Learning Analytics?

20. Analíticas de aprendizaje:
"tiene problemas para representar la naturaleza de las conexiones,
entre los conjuntos de datos y personas."
Necesitamos interpretaciones humanas.

21. Hay un conflicto entre crear modelos
que proporcionan resultados fiables y
elaborar modelos transparentes para
los usuarios.
OU es responsable de explicar
(aclarar) cómo los sujetos se ven
afectados por las aplicaciones de
analítica de aprendizaje.
Datos sensibles: • origen racial o
étnico • creencias • discapacidad y
otros (salud) • vida sexual.
El uso de datos estudiantiles para
fines de investigación han de ser
aprobados por Comité de Ética de
Investigación Humana (HREC).

22. Criterios a considerar 1.0:
1. Comienza con escalas pequeñas
2. El potencial es evidente, también las
responsabilidades que implica
3. Incluir a los docentes en el diseño, análisis y
explotación
4. Gobierno: Adopta estructuras abiertas del
gobierno de learning analytics (conjuntos de
datos, infraestructura técnica y intervenciones)
5. Conflictos: Minimizar posible conflictos
(diferentes grupos de interés) sobre
interpretación y uso de datos

23. Criterios a considerar 2.0:
6. Anonimización: Puede ser imposible eliminar toda
posibilidad de identificar a una persona sin reglas
sobre el uso de archivos anónimizados.
7. Reduccionismo: El análisis de grandes volúmenes
de datos puede contener información imprecisa
sobre los individuos (ej: modelos incorrectos o
observación parcial).
8. Propiedad de la información: Aspectos éticos y
legales en acceso y uso de LA (informar usuario)
Estamos en la infancia de Analíticas de Aprendizaje

24. fundacionceibal.edu.uy
@fundacionceibal
1er Encuentro Internacional “Nuevas métricas y enfoques para la
evaluación y la innovación en el aprendizaje”
15 de Abril de 2016 en la Sala de Actos del LATU

25. fundacionceibal.edu.uy
@cristobalcobo
@CecilMarconi