Actividad 3 - 1. Plan de análisis predictivo

Introducción

La recopilación masiva de datos, conocida como Big Data, ha tenido un ascenso en la sociedad moderna algo accidentado; no por la recopilación de datos en sí, si no por varios de análisis con usos manipulativos que diversas empresas les han dado a los mismos (como el caso de Donald Trump en las elecciones de 2016, o el aún candente caso del Brexit, por mencionar algunos). 

Sin embargo, no toda utilidad que se pueda obtener de la reunión de datos tiene por qué tener este tipo de enfoque. Otras muchas empresas y gobiernos están utilizando la llamada Data Science (ciencia de datos) para prever y predecir de manera más efectiva y rápida lo que va a suceder, y así poder actuar en consecuencia mientras ahorran en gasto (especialmente los gobiernos) y aumentan en ingresos (especialmente las empresas) mediante análisis orientados de datos masivos. Algunos ejemplos han sido aplicados en E.U.A. con para agilizar el proceso de revisión médica, reducir el retraso de los vuelos, hacer mejores vacunas, predecir la respuesta de los consumidores, etc. 

Uno de los usos más interesantes del análisis datos tiene su aplicación en la educación. El llamado Learnig Analytics pone el foco de atención en un análisis concreto de datos digitales que van enfocados directamente a optimizar el aprendizaje en diferentes entornos educativos mediante: predicción, personalización y adaptación, propuestas de intervención y visualización de la información.

Para garantizar (o al menos intentarlo) un uso adecuado de los datos, Ekowo & Palmer (2016) y Domínguez (2018) proponen 5 prácticas a llevar a cabo en el análisis de datos en educación:

1. Tener una visión y un plan, que ayuden a establecer una dirección de en qué se va a invertir el esfuerzo, estableciendo las preguntas se esperan contestar y las metas que se desean alcanzar, teniendo en cuenta las posibles consecuencias no deseadas que puedan surgir y los resultados que se esperan obtener (metas).

2. Construir una infraestructura de apoyo, tanto de personal, estudiantil, tecnología adecuada, servicios, recursos financieros que puedan garantizar el éxito del proyecto (el camino es muchas veces desconocido por quienes no tengan experiencia en el uso de datos en este enfoque)

3. Trabajar para garantizar el uso adecuado de los datos, es decir, centrarse tanto en recopilar grandes cantidades de datos, como en la utilidad mayor o menor de ellos (según procedencia), el análisis que se haga de ellos y las interpretaciones y conclusiones a las que lleven (deben ser precisas).

4. Diseñar modelos de análisis predictivo y algoritmos que eviten sesgos, analizando su exactitud para que produzcan resultados deseables reduciendo a su vez el riesgo de sesgo.

5. Cumplir con los objetivos institucionales y mejorar los resultados de los estudiantes interviniendo con cuidado, haciendo hincapié en que las intervenciones basadas en la predicción que no se usen con cuidado (debido a algún error cometido en el proceso), pueden causar daños involuntarios a los estudiantes.

Los objetivos del análisis predictivo, íntimamente ligados a la optimización del aprendizaje anteriormente comentada, y que se desarrollarán en el seno de un proyecto de una empresa que ofrece formación online, son:

• Identificar los estudiantes que más necesitan servicios de asesoramiento en un curso, ofreciéndoles unos materiales didácticos adaptados a sus necesidades, con el fin de evitar que abandonen un curso online anticipadamente.
• Desarrollar el material didáctico de aprendizaje adaptativo para personalizar el aprendizaje, diseñando un modelo de intervención más o menos estándar, (que se pueda meter dentro de un pack conjunto para la empresa)
• Aumentar el volumen de personas inscritas a un curso.

La 1ª parte de este informe se centrará en los dos primeros objetivos, que están más íntimamente ligados con el abandono prematuro, y no tanto el tercer objetivo, ya que las tasas de abandono se miden en el porcentaje de alumnos/as que abandonan el curso antes de su finalización, independientemente del número de estudiantes que lo haya comenzado.

1. Plan de análisis predictivo

Volviendo a Ekowo & Palmer (2016), en la primera de sus prácticas a seguir para llevar a cabo un adecuado uso del Big Data en la educación, establecen la importancia de tener un plan establecido.

Para ello, como Product Manager de la empresa Data For Education, se plantean las siguientes metas a las que se espera llegar al finalizar la aplicación del proyecto y cómo se medirán los resultados a través de KPIs (Key Performance Indicators) específicos con valores cuantitativos:

- Reducir tasa de abandono del curso online

KPI 1: número de alumnos que abandona el curso al comienzo del mismo.

KPI 2: número de alumnos que abandona el curso hacia la mitad del mismo.

KPI 3: número de alumnos que abandona el curso hacia el final del mismo.

- Alcanzar una segmentación efectiva del curso en función del motivo que llevó al alumnado a empezar dicho curso.

KPI 4: número de alumnos que se matriculó sin un objetivo concreto.

KPI 5: número de alumnos que se matriculó por interés en la materia que ofrece el curso, pero sin una necesidad de ascenso laboral.

KPI 6: número de alumnos que se matriculó por una motivación-obligación externa (necesidad de ascenso en estudios, carrera, empresa, adquirir un (mejor) puesto de trabajo, etc.)

- Establecer check points personalizados para favorecer el seguimiento del curso y la motivación en el alumnado.

KPI 7: número de alumnos que no cumple los objetivos mínimos de las tareas que se le piden.

KPI 8: número de alumnos que cumple los objetivos mínimos de las tareas que se le piden.

KPI 9: número de alumnos que sobrepasa los objetivos mínimos de las tareas que se le piden.

- Establecer fechas finales de los módulos orientativas para que el alumnado pueda organizarse según sus circunstancias y así hacernos una idea del alumnado que está más y menos activo.

KPI 10: número de alumnos que, de media, entrega las tareas antes de la fecha orientativa fijada.

KPI 11: número de alumnos que, de media, entrega las tareas en el último día y hora de la fecha orientativa fijada.

KPI 12: número de alumnos que, de media, entrega las tareas dentro de la semana siguiente a la fecha fijada.

KPI 13: número de alumnos que, de media, entrega las tareas bastante más tarde de la fecha fijada.

KPI 14: número de alumnos que no entrega la mayoría o todas las tareas.

- Actualizar y personalizar los materiales en función de las inquietudes mostradas por el alumnado en sus participaciones en foros, chats, correos, etc.

KPI 15: número de materiales audiovisuales requeridos por el alumnado.

KPI 16: número de materiales sólo auditivos (como el podcast) requeridos por el alumnado.

KPI 17: número de materiales sólo visuales (imágenes, fotos, dibujos...) requeridos por el alumnado.

KPI 18: número de materiales textuales requeridos por el alumnado.

- Identificar el uso que se realiza de los materiales y recursos.

KPI 19: número de alumnos que revisa los materiales obligatorios para realizar una tarea concreta (mediante el número de visitas al lugar donde se almacenan dichos materiales)

KPI 20: número de alumnos que revisa los materiales complementarios además de los obligatorios para realizar una tarea concreta.

KPI 21: número de alumnos que revisa la mitad de los materiales para realizar una tarea concreta.

KPI 22: número de alumnos que no revisa los materiales para realizar una tarea (aquí había que considerar la posibilidad de que algún alumno domine la materia tratada en dicha tarea y no necesite revisar los materiales que se le proporcionan. Habría que revisar si ha entrega la tarea y el estado de la misma para medir este caso con exactitud).

- Mejorar la interacción alumnado-profesorado para solucionar los problemas que puedan surgir (tanto tecnológicos como de entendimiento de las tareas).

KPI 23: número de dudas resueltas en menos de 1 hora.

KPI 24: número de dudas resueltas en menos de 24 horas.

KPI 25: número de dudas resueltas en menos de una semana.

KPI 26: número de dudas irresolutas.

KPI 27: número de vías a través de las que se puede producir la interacción alumnado-profesorado.

KPI 28: número de vías compatibles con cualquier dispositivo electrónico (móvil, tablet, ordenador) para favorecer la accesibilidad ubicua al curso.