Actividad 4 - Analítica del aprendizaje en espacios abiertos

1. Introducción

El éxito del programa piloto de cursos online en plataformas cerradas sacado a la luz hace unos meses, junto con la controversia relacionada con la utilidad (relevante o no) de los datos que se pueden obtener y analizar de la actividad de los estudiantes en este tipo de cursos ha dado pie a que nuestra propia empresa, Data For Education, cree un curso específico y abierto que se ofrece desde el portal de nuestra web.

El curso en cuestión no podía ser otro que aquél que se preocupa de la importancia de trabajar con datos para mejorar la educación: Learning Analytics Essential; en otras palabras: aprender lo esencial del análisis predictivo para su aplicación, principalmente, en la educación y la mejora de la misma.

Al tratarse de un curso abierto, no solo utilizaremos la plataforma específica del curso (en la que habrá que registrarse primero), si no que se usaran otras plataformas de libre acceso (Twitter, blog, YouTube, Tinyletter) para que toda persona que esté interesada en la temática tenga acceso. En función de cada plataforma/canal, se utilizarán unos indicadores de medición u otros, para medir el éxito (o no) de la vía en cuestión:

Plataforma/canal	Datos/indicadores
Plataforma del curso	Cuantitativos -        Datos personales alumnado. -        Expediente académico alumnado. -        Nº matriculados. -        Nº de alumnos que finaliza el curso. -        Nº de alumnos que abandona. -        Nº de alumnos que entrega las actividades en plazo. -        Nº de alumnos que entrega actividades fuera de plazo. -        Nº de minutos de conexión a la plataforma. -        Nº de materiales revisados. -        Nº de comentarios en la plataforma. -        Nº de interacciones. -        Nº de alumnos activos/inactivos. -        Nº de respuestas del profesorado a las preguntas. -        Nº de preguntas sin respuesta. Cualitativos -        Tipo de documentos consultados. -        Contenido de los comentarios. -        Calidad de las actividades entregadas. -        Motivación para realizar el curso. -        Datos demográficos. Comparativos -        Plataformas que se usan más que la propia del curso y por qué. -        Plataformas que se usan menos y por qué.
Twitter	Cuantitativos -        Fecha de creación de la cuenta. -        Nº de seguidores. -        Nº de personas seguidas. -        Nº de tweets. -        Nº de retweets que realiza. -        Nº de retweets que le han realizado por cada tweet. -        Nº de “me gusta” que realiza. -        Nº de “me gusta” que recibe por cada tweet. -        Nº de comentarios realizados. -        Nº de comentarios que le realizan por cada tweet. -        Nº de seguidores en común entre los usuarios. Cualitativos -        Perfil del usuario. -        Temática de los tweets. -        Tipo de links compartidas por el usuario. -        Tipo de contenido multimedia (fotos, videos, GIFs) que comparte. -        Tipo de usuarios que retuitea. -        País de origen de los usuarios. Comparativos -        Con qué usuarios interactúa más: con sus compañeros de curso o con otros. -        Plataformas que se usan más/menos que Twitter y por qué.
Blog/Google Analytics	Cuantitativos -        Nº de visitas. -        Nº de post publicados. -        Nº de mensajes por post. -        Nº de recursos compartidos en los post. -        Fecha y hora de publicación de post y comentarios. -        Nº de usuarios suscritos. -        Nº de visualizaciones de cada post. -        Nº de veces que se ha compartido en otra red social cada post. Cualitativos -        Temática del blog. -        Temática de los post. -        Tipo de interacción en los comentarios de los post. -        Tipo de recursos compartidos. -        Tipo de redes sociales utilizadas para compartir los post. -        País de origen de los usuarios que visitan el blog. Comparativos -        Qué redes sociales se usan más para compartir los contenidos y por qué (efectividad, nº usuarios, facilidad de uso…) -        Plataformas que se usan más/menos que el blog y por qué.
YouTube	Cuantitativos -        Nº de suscripciones. -        Nº de seguidores. -        Nº de visualizaciones por vídeo. -        Nº de comentarios por vídeo. -        Nº de “me gusta” del vídeo. -        Nº de “no me gusta” del vídeo. -        Fecha de publicación del vídeo. -        Nº de vídeos subidos. -        Frecuencia de subida de vídeos (diaria, semanal, mensual…) -        Duración media de los vídeos. -        Tiempo de visualización de los vídeos. Cualitativos -        Etiquetas de los vídeos. -        Sugerencias proporcionadas por cada vídeo. -        Lugar de origen de los usuarios que visualizan los vídeos. -        Idiomas de los comentarios. -        Tipo de búsquedas que se realizan en el canal. Comparativos -        Qué vídeos se ven más que otros y por qué. -        Plataformas que se usan más/menos que YouTube y por qué.
TinyLetter	Cuantitativos -        Nº de suscripciones. -        Fecha de unión. -        Datos de los usuarios registrados (nombre, correo…) -        Nº de newsletter. -        Nº de comentarios. -        Nº de interacciones. Cualitativos -        Tipo de materiales compartidos. -        Tipo de comentarios. -        Temática de cada newsletter. -        Redes sociales con las que está conectado. Comparativos -        Diferencias y similitudes entre uso de TinyLetter y otra plataforma de correo electrónico. -        Plataformas que se usan más/menos que TinyLetter y por qué.

Actividad 3 - Analítica del aprendizaje en plataformas cerradas

Los 4 apartados necesarios para el Programa Piloto de analítica de datos en un curso online, así como la bibliografía utilizada, se encuentran conjuntamente en este post, unificándolos los 4 para su fácil y directo acceso:

1. Plan de análisis predictivo

2. Captura de datos

3. Metodología del servicio de datos

4. Ética y privacidad

Referencias

Booz Allen Hamilton (2015). The Field Guide to Data Science. Recuperado de https://wolfpaulus.com/wp-content/uploads/2017/05/field-guide-to-data-science.pdf

Data Science. (s.f.). En Wikipedia. Recuperado de http://en.wikipedia.org/wiki/Data_science

Davidson, L. (2019, 28 de Marzo). What is data science? [Post en blog]. Recuperado de https://www.springboard.com/blog/what-is-data-science/

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Recuperado de https://papers.ssrn.com/abstract=3124369

Ekowo, M. & Palmer, I. (2016). Predictive Analytics in Higher Education. Recuperado de https://www.newamerica.org/education-policy/policy-papers/predictive-analytics-higher-education/#

Learning Analytics. (s.f.). En Wikipedia. Recuperado de http://en.wikipedia.org/wiki/Learning_analytics

Siemens, G. (2014). Data/Analytics Cycle [Archivo de vídeo]. Reecuperado de https://youtu.be/J7ZlijM1P8E

Actividad 3 - 4. Ética y privacidad

4. Ética y privacidad

A la hora de tratar datos de estudiantes y profesores, como con cualquier tipo de dato que se pueda dar y recoger digitalmente, es importante informar a las partes implicadas del proyecto del que van a tomar parte, en este caso, un proyecto de analítica de datos. 

Cuando se trata de plataformas digitales como las de una red social, se hace "firmar" al usuario, confirmando que ha "leído y aceptado las condiciones de privacidad". Cuando se trata de una página web, tipo blog, periódico digital o similar, hace no demasiados meses aparecieron las llamadas cookies, sin la aceptación de las cuales se hace difícil (a veces imposible) navegar por dichas webs.

En el caso de la analítica de datos que nuestra empresa realizaría, estamos hablando de un paso más allá. Por ello, es importante informar del servicio y los procedimientos que se van a llevar a cabo (con los datos del alumnos, sus clicks, actividad en la plataforma, visita de contenidos, entrega de tareas, etc) mediante lo que se conoce como consentimiento informado. Según Domínguez (2018), este es el arma más poderosa para afrontar los posibles problemas éticos que puedan surgir tras el uso y trato de los datos.

Otro aspecto a tener en cuenta es la plataforma que se use para llevar a cabo el proceso enseñanza-aprendizaje del curso online en cuestión. Existe numerosas aplicaciones cuyas herramientas y espacios son inmejorables, pero que pertenecen a una empresa mayor que también recaba los datos que se comparten. Es decir, mediante el uso de determinadas aplicaciones, como Google Classroom, Additio o Idoceo, se está compartiendo información de gran valor a terceros, lo que podría llevar a un mal uso de dichos datos por estos terceros "dueños" de los mismos. Es necesario que los docentes sean conscientes de este hecho antes de proceder implementar un tipo de actividad online en general (ya sea dentro o fuera de un curso) y que informen a los alumnos (y a los padres si son menores de edad) de las implicaciones que tiene usar una u otra plataforma. 

Para intentar lograr un análisis de los datos lo más ético posible, volvemos al comienzo de este informe (introducción), donde se propusieron 5 prácticas a llevar a cabo en el análisis de datos en educación, para obtener un enfoque predictivo de forma ética (Domínguez, 2018 y Ekowo & Palmer, 2016):

1. Tener una visión y un plan: a la hora de usar datos, establecer un plan ayudará a su análisis predictivo, evitando un posible mal uso de los mismos. Así se consigue también la implicación del personal, escogiendo al mejor posible para los resultados que se quieren obtener, y evitando personal poco comprometido con la causa. 

2. Construir una infraestructura de apoyo: asegura el cumplimiento del plan. Se sigue en tres pasos: 1) comunicando los beneficios del plan predictivo para la institución, es decir, los nuevos ingresos que se generarán del éxito del proyecto (mayor finalización y satisfacción general de estudiantes); 2) desarrollar procesos sólidos de gestión de cambio, implicando a los gestores en el propio proceso; 3) evaluar la capacidad institucional en cuanto a su disponibilidad de tecnología apropiada para llevar a cabo el curso online, talento del personal, servicios que ofrece, recursos y materiales y habilidades para analizar los datos siguiendo el plan inicial.

3. Trabajar para garantizar un uso adecuado de los datos: es uno de los apartados más importantes en el aspecto ético del proyecto. Se trata de establecer una serie de algoritmos lo más precisos posible para que la predicción que proporcionan los datos ayude a los estudiantes en su progreso durante el curso. Para ellos hay que: 1) asegurar que los datos estén completos, sean de calidad suficiente y sean interpretados con precisión; 2) asegurar que los estudiantes y el personal sean conscientes del uso de sus datos para el proyecto (como comentábamos anteriormente); 3) garantizar la privacidad de los datos y vigilar su seguridad, evitando en la medida de lo posible plataformas digitales de terceros o posibles hackeos de las plataformas más seguras.

4. Diseñar modelos de análisis predictivo y algoritmos que eviten sesgos: en muchas ocasiones han sido y son utilizados los algoritmos para dejar fuera a determinados sectores de la población. Garantizar el no-sesgo de los algoritmos desde nuestra empresa es una tarea compleja, pero fundamental para mantener el valor ético del proyecto, ya que de lo contrario se estaría yendo contra el derecho de igualdad que tenemos los seres humanos. Para ello, el personal programador de los algoritmos deberá ser de alta confianza y estar bien instruido en no generar algoritmos que, intencionada o desintencionadamente, creen un sesgo.

5. Aplicar intervenciones adecuadas y coordinadas: como último paso en la garantía de aplicación ética, es necesario 1) comunicar al personal y a los estudiantes el modelo concreto de análisis de datos que se va a llevar a cabo desde nuestra empresa; 2) incorporar la predicción a las medidas de apoyo a los profesores y estudiantes; 3) comunicar a los implicados antes mencionados la puesta en práctica de las intervenciones de nuestra empresa; 4) formar al personal sobre los sesgos implícitos e inevitables en muchos casos que se dan en el análisis predictivo; 5) formar a los propios estudiantes del curso para que sepa utilizar sus propios datos; 6) evaluar y probar la efectividad de las intervenciones de la analítica de datos antes de su aplicación a un caso real.

Como se dice en Davidson (2019), la capacidad de recopilar datos será una habilidad muy importante en las próximas décadas. En manos de empresas como la nuestra, Data For Education, es nuestra misión que esos datos no acaben en manos indeseadas, y que todo uso que se pueda hacer de ellos sea para implementar mejoras, no para abusar de ellos.

Actividad 3 - 3. Metodología del servicio de datos

3. Metodología del servicio de datos

El proyecto que se está desarrollando apartado tras apartado en este informe alcanzará su mayor éxito enfrentándose a la mayor prueba de fuego: aplicar la metodología de nuestro plan piloto en otros cursos similares. De esta manera, se comprobará si el plan es infalible o si necesita ser perfeccionado. 

Por su parte, con la aplicación a diversos cursos, la empresa obtendrá mayores beneficios de un único proyecto aplicado a varios escenarios de cursos online. Su objetivo, no lo olvidemos: prevenir el abandono para garantizar la finalización del curso y así garantizar el éxito del mismo, lo que conlleva una mejor publicidad para el curso en cuestión y mayores beneficios para la empresa que los oferta.

Para ello, se desarrollará el siguiente dossier explicativo que explica el comportamiento general del modelo que se está llevando acabo en este informe, atendiendo a 4 aspectos:

1. Enfoque del servicio: trata de explicar al cliente, es decir, a un 3º que no es ni el creador ni la empresa que lo crea, cómo funciona el análisis de datos y las ventajas que suponen llevarlo a cabo, respondiendo a las siguientes preguntas:

• ¿Qué ofrece?

La analítica de datos aplicada al aprendizaje en un curso online ofrece la posibilidad de saber algo más sobre el alumnado que atiende a este tipo de cursos, salvando así el hándicap que supone el no tener contacto directo profesorado-alumnado. Gracias a estos datos, al igual que un profesor conoce a un alumno en el trato diario en su aula, un profesor online puede llegar a conocer a cientos de alumnos que se encuentran tras la pantalla. El motivo de conocer la mayor cantidad de datos sobre el perfil de un alumno no es otro que el de garantizar una personalización y ajuste a medida del curso en función del tipo de aprendizaje que pueda llevar a cabo (en base a varios factores, muchas veces ajenos al propio estudiante).

• ¿Por qué es útil un servicio de analítica de este tipo?

La utilidad de la analítica de datos pasa por gestionar de la mejor manera posible recursos tanto tecnológicos como de personal, entre otros, para maximizar el papel de dichos recursos y que puedan ser aprovechados en su totalidad por el alumnado matriculado en un curso online. En resumen: la oferta educativa aumenta proporcionalmente a la satisfacción del alumnado cuyo ritmo o modo de aprendizaje se ve modificado según los datos recopilados, y es inversamente proporcional a la inversión económica en dicho curso (siempre que la aplicación del análisis de los datos sea la más adecuada).

• ¿En qué casos se puede aplicar?

La aplicación de la analítica de datos pude medirse en 2 vertientes: 1) promover las inquietudes del alumnado inmerso en el curso, ampliando y maximizando sus objetivos y 2) reducir el número de alumnado que abandona el curso, previendo con suficiente antelación el momento del abandono y promoviendo de manera personalizada cada caso que, de no ser por la analítica de datos, acabaría en abandono del curso. 

En el informe que nos atañe, nos hemos centrado más en el 2), ya que el caso 1) no tiene repercusiones negativas para la empresa y, circunstancialmente, gracias a un enfoque de la educación más personalizado, se dará involuntariamente junto con el 2). Para los casos complicados, mantener una atención más exhaustiva del profesor o personal a cargo del curso con el alumnado en riesgo, lograría en muchos casos que dicho alumnado acabe con éxito el curso, y todos los momentos invertidos para llegar a dicha finalización habrán merecido la pena. Nunca es plato de buen gusto empezar algo para después dejarlo a medias. Pues bien, la analítica de datos intenta reducir el número de casos de este tipo.

• ¿Qué ventajas ofrece y por qué puede ser interesante llevar a cabo ese tipo de análisis en cursos online?

- Reducir en gasto (recursos tecnológicos, servicios, talento, personal con capacidad de analizar datos...)

- Ofrecer un producto de calidad mediante la inversión en recursos de otro tipo (analítica de datos) que a la larga seguirán mejorando la calidad de los cursos, y reducirán es coste de otro tipo de recursos.

- Aumentar el estatus comercial de la empresa, haciéndola más competitiva contra otras que no utilicen la analítica de datos.

- Aumentar los beneficios de la empresa gracias al éxito comercial y a la reducción en gastos.

- Aumentar su fama entre la población gracias a las bajas tasas de abandono y la atención personalizada ofrecida.

- Reducir la ratio de abandono y aumentar el número de matriculados gracias a dicha fama.

2. Objetivos: reúnen la información mínima que explica qué pretende el servicio.

El objetivo principal es reducir la tasa de abandono, pronosticando el éxito del alumnado mediante el análisis de datos y el descubrimiento prematuro de aquellos alumnos con perfil bajo en el curso y que presentan una tendencia a abandonarlo.

Muchas de las ventajas anteriores son objetivos propuestos en la metodología de este proyecto de analítica de datos, ya que, de conseguirlos, no son si no ventajas tanto para la empresa como para el alumnado:

- Mejorar la calidad del servicio ofrecido, mediante atención personalizada basada en datos.

- Reducir la tasa de abandono, detectando a tiempo el alumnado que puede presentar este perfil.

- Perfeccionar los recursos, materiales y vías de comunicación profesorado-alumnado para que se adapten a todo el alumnado.

- Adaptar el proceso del curso a los ritmos de aprendizaje del alumnado (ya sea por motivos cognitivos -internos- o laborales y/o personales -externos-).

- Lograr unos resultados óptimos de aprendizaje, donde la ratio de finalización del curso con éxito sea elevada (no es suficiente con alumnos que finalizan si éstos obtienen calificacones por dejabo del aprobado).

3. Líneas de acción del servicio: en definitiva, trata de responder cómo va a hacer nuestro plan piloto lo que queremos que haga, atendiendo a los momentos de mayor riesgo que se establecieron en el apartado anterior ("2. Captura de datos"):

• Matriculación: el análisis del número de alumnado matriculado, junto con su carta de motivación y sus datos de matriculación permiten al profesorado hacerse un campo mental del grupo de alumnos al que va a atender, el mayor o menor éxito del curso en función de la tipología del alumnado matriculado y el número de intervenciones especiales que tendrá que realizar si quiere (el profesorado) mantener unas buenas cifras al final del curso.

• Inicio del curso: este momento abarca los primeros accesos a la plataforma donde se alberga toda la información del curso. Dependiendo de acceso más temprano o más tardía del alumnado, las dudas que se pregunten en el foro y quiénes las realicen, la interacción en las diferentes vías de comunicación entre los estudiantes, etc, el profesorado se podrá hacer una composición del alumnado más activo y aquél menos activo, con el que tendrá que empezar el protocolo de actuación para evitar el abandono del mismo mediante: atención más directa, marcar los recursos imprescindibles para que el alumno no se sienta sobre pasado y vaya entrando en el ritmo de estudio y análisis de documentos poco a poco, etc.

• Seguimiento del curso, acceso a la plataforma: si el primer momento de actuación en el "inicio del curso" ha surtido efecto, se deberá aumentar progresivamente la cantidad de documentos a revisar y empezar a adaptarse en la medida de lo posible a las fechas de entrega (aunque gracias a la flexibilización del curso, esto no será imprescindible, aunque sí será denotativo de un mayor interés por parte del alumno). Si el primer momento de actuación en el "inicio del curso" NO ha tenido efecto, el profesorado y personal a cargo del curso deberá realizar las modificaciones necesarias de los materiales, así como cambios en los materiales que no dejen de explicar lo que se quiere explicar, pero de manera más llamativa a motivadora para aquél alumno que no ha sido capaz de iniciar el curso de manera adecuada, menos aún de seguir su proceso.

• Uso de materiales: en relación al seguimiento del curso, el uso que el alumnado haga de los materiales (minutos de visualización de vídeos, información recogida en textos que aparece citada en trabajos, número de veces que se revisan los documentos para una tarea, documentos extra visitados para complementar la información, etc.) denotará una mayor o menor actividad. Como se comentaba en el apartado anterior: los materiales no son absolutos e inamovibles. Al contrario, deben poder ser manipulados para adaptarse a todo el alumnado, especialmente para aquel del que salta la alarma de "alumno en riesgo".

• Realización y entrega de tareas: flexibilizar las deadlines de las tareas a entregar supone una buena estrategia para que un alumno, que puede estar saturado por motivos externos en algún momento del curso, no abandone el curso por que se le haya pasado entregar una tarea a tiempo. Bien es sabido que, optar por la evaluación continua en este tipo de cursos online es sinónimo de éxito (casi asegurado) antes que jugárselo todo a una única carta a final de curso (fracaso habitual). En estos casos en los que un alumno sobre pasa la fecha orientativa de entrega de actividades, hay que tener especial precaución y recordarle que, aunque el plazo no es cerrado, es recomendable que siga paso a paso cada actividad sin mayor demora para no verse saturado por acumulación de tareas.

• Registro de actividad: probablemente los datos que aporta la actividad en la plataforma del alumnado suelen ser reflejo de su implicación con el curso. Bien es posible que algunos alumnos den la sensación de estar activos, pero en realidad solo dan las sensación de estar activos, cuando en realidad no han revisado los documentos y sus dudas están vacías o rozan lo absurdo. Un buen análisis de la actividad de un alumno facilita al profesorado saber si es necesario intervenir y de qué modo hacerlo. Si se trata de un alumno no activo, pero que entrega las tareas correctamente, será preciso motivarlo para que participe en los foros y chats y así sus compañeros se puedan enriquecer de él o ella. Si se trata de un alumno de relleno, habrá que darle un toque de atención, ya que a lo mejor no es consciente de lo que hace y será necesario, entonces, aplicar una adaptación de materiales aún más significativa y simplificada.

• Finalización del curso: motivar, dar el último empujón hacia el final del curso será imprescindible por profesorado. Es de los momentos con más riesgo de todo el curso: se acumulan entregas, cansancio y ansias por terminar, todos ellos malos consejeros para finalizar con éxito el curso empezado. 

4. Anexo, donde se incluye un supuesto práctico que sirva para explicar todo el proceso completo, es decir, cómo se llevaría a cabo el plan para que los clientes vean su funcionamiento y puesta en práctica.

- Curso online: Metodologías innovadoras en educación primaria.

- Alumno en riesgo: Sergio.

- Formación: recién titulado en magisterio.

- Experiencia en cursos online: ninguna.

Como muchos maestros que anhelan aplicar todo lo aprendido en la carrera de Magisterio, utilizando lo más modernos métodos que promuevan las inquietudes de su alumnado, Sergio decide matricularse en un curso online llamado "Metodologías innovadoras en educación primaria", curso que se vale de nuestro programa de analítica de datos para la mejora de la formación impartida y la reducción de abandono. 

Al ser su primera experiencia, no quiere quedarse fuera del curso y realiza el proceso de matriculación el primer día que este se abre, lo que en datos, nuestro programa traduce para el profesorado que Sergio es un alumno lleno de energía, que no va a tener problema en acabar el curso. Sin embargo, cuando se inicia el curso oficialmente, Sergio tiene dificultades de acceso ya que no conoce la plataforma (Moodle) donde se alberga el curso, por lo que tarda más que sus compañeros en acceder a los materiales y ponerse con las primeras clases y tareas a realizar. Sergio sigue manteniendo su entusiasmo, y las primera trabas encontradas han sido comunicadas al profesorado para que se comuniquen por las vías externas a la plataforma (correo electrónico, teléfono, etc) con aquellos alumnos que se están quedan atrás en exceso.

Eventualmente, Sergio ha compartido en el foro general del curso que ha empezado a trabajar como profesor de apoyo en un colegio por las tardes, y que su disponibilidad de tiempo se ha visto mermada drásticamente.

Tras la primera tarea realizada por Sergio, se ha observado que no ha revisado todos los materiales obligatorios, mucho menos los complementarios. Su tarea apenas cumple con los objetivos, y se observa que los supuestos materiales revisados no han sido de manera completa, ya que falta información fundamental a la que hacer referencia en el documento entregado como tarea. 

Los datos obtenidos de todo lo sucedido en la vida de Sergio, así como de su uso de los materiales y entrega de tareas nos ayudan a prevenir al/a los profesor/es de la asignatura y les proponemos las siguientes actuaciones:

• Mandar a Sergio un feedback detallado de los errores observados al realizar la tarea y sus posibles motivos (revisión escasa e incorrecta de materiales, realización de la tarea en poco tiempo...)

• Ofrecer a Sergio dos posibilidades: una oportunidad de repetir y mejorar su tarea, o dar por válida dicha tarea y darle un aviso de que esperan un cambio y progresivamente mejor en las siguientes tareas. Sergio podrá elegir entre las dos opciones y sentirá que el profesorado quiere lo mejor para él y su desarrollo en el curso.

• Detallar a Sergio los materiales específicos que deberá analizar minuciosamente de entre todos los materiales obligatorios para que se vaya acostumbrando poco a poco al ritmo de trabajo y sea capaz de distribuirse mejor su tiempo.

• Dividir las tareas en 2 o 3 partes más sencillas para que Sergio se acostumbre a trabajar a diario y no deje para última hora la entrega final del trabajo.

• Mandarle un mensaje de felicitación por el camino que está siguiendo si se nota un feedback positivo por su parte gracias a las medidas de actuación sugeridas anteriormente.

Gracias a los datos que nos aporta la actividad del resto del alumnado así como de los datos de registro en la matriculación, el profesorado no tendrá problema para contactar con Sergio cuando sea necesario y vea que se está despistando en la realización pormenorizada de sus tareas, así como en facilitarle los documentos más interesantes en función del número de alumnados que los visita, el número de veces que son visitados y la información de cada documento que ha resultado más interesante según su inclusión en las tareas entregadas por el resto del alumnado. 

Es necesario hacer hincapié en que, en penúltima instancia, es el profesor el que tiene las herramientas proporcionadas por nuestra empresa de analítica de datos para ayudar a Sergio y que, en última instancia, dependerá de Sergio seguir las indicaciones de su profesorado para conseguir alcanzar con éxito el final del curso con el que tanto interés comenzó.

Actividad 3 - 2. Captura de datos

2. Captura de datos

La primera utilidad y una de las principales del plan predictivo es identificar cuáles son los estudiantes en riesgo de abandono y que, por tanto, necesitan el asesoramiento del que se hablaba en el apartado anterior. 

Con el simple paso de los estudiantes por la plataforma del curso, el uso que hagan de los materiales, los comentarios en dicha plataforma o a través de otras vías, la realización de tareas, etc, ofrecen información del alumnado que necesita una atención extra.

Para ello, y manteniendo como guía a Domínguez (2018), se establecen una serie de momentos en los que la incursión del profesorado y personal a cargo del curso para con el alumnado en riesgo será fundamental para evitar el abandono del mismo.

• Matriculación: normalmente va acompañada de una carta de motivación del alumno/a que se quiere matricular. 

Datos a obtener: Es un momento importante porque, tanto la información que contiene dicha carta, como el momento en que se realice y haga oficial (pago, en su caso) la matrícula, ofrece información del interés inicial del alumno por el curso, incluso su actual situación personal y/o laboral (si lo hace con tiempo o lo realiza en el último momento posible, quizá porque no esté seguro de realizar dicho curso, o estuviera esperando acceder a otro curso que le suponía mayor interés, si tiene familia, cuál es su trabajo y cuál su horario de trabajo, etc.).

• Inicio del curso: los primeros accesos a la plataforma y sus diferentes asignaturas, módulos, recursos, actividades, foros, guías, etc. aportan valiosa información acerca de la predisposición a llevarlo a cabo, muchas veces relacionado con la situación laboral y/o personal antes comentada.

Datos obtener: el pronto o tardío acceso a los materiales y ventanas que ofrece cada curso suelen ser decisivos a la hora de saber si un alumno va a terminar o no el curso. Habitualmente, un alumno que tarda semanas en interesarse por todo ello, es propenso a no terminar el curso. Aquél que comienza con energía, tiene dos caminos: seguir así hasta el final del curso, o desinflarse por el camino (siguiente punto: "seguimiento del curso").

• Seguimiento del curso, acceso a la plataforma: tras los primeros accesos a cada una de las asignaturas, módulos y, sobre todo, guías de los mismos, el acceso a la plataforma ofrece información del nivel de satisfacción y motivación del alumnado con el curso, así como si es necesario realizar alguna modificación de los recursos (por parte del profesorado o personal a cargo). Son especialmente delicados los momentos posteriores a periodos vacacionales, donde es importante asegurarse de que todo el alumnado vuelve a la rutina pre-vacaciones, e incluso si vuelve con más energía aún.

Datos a obtener: 1) un acceso regular y continuado a la plataforma son signo de satisfacción y, con casi toda seguridad, supondrá la exitosa finalización del curso, 2) un acceso irregular a la plataforma indica una baja motivación, falta de horario establecido para distribuirse adecuadamente el tiempo, etc. y, con ellos, un posible abandono (o fracaso) del curso, 3)n acceso casi nulo a la misma, supone un más que probable abandono. Tras periodos vacaciones suelen implementarse el número de casos de los grupos 2) y 3). 

• Uso de materiales: el número de accesos y visualizaciones de los materiales ofrecidos aportan información de la actividad y preocupación del alumnado para con el curso, así como los accesos exclusivamente a materiales obligatorios o también complementarios. De manera complementaria al uso de materiales está la "realización de actividades" en el siguiente punto, y el "registro de actividad" en el siguiente.

Datos a obtener: el alumnado que se preocupa de revisar y tomar notas de todos los materiales que se le ofrecen (obligatorios y complementarios) se comtempla con mayor probabilidad de finalizar el curso y exitosamente. Aquél que revisa exclusivamente los obligatorio, y quizás no todos, estará al límite de acabar el curso con éxito, acabar en fracaso o incluso no acabarlo si obtiene bajas calificaciones durante el proceso del mismo. El que no revisa materiales, directamente no está interesado (o al menos no en la evaluación continua que la mayoría de los cursos suelen ofrecer)

• Realización y entrega de tareas: la realización de tareas va íntimamente ligada con la entrega de las mismas. No es habitual que un alumno que realice una actividad no la entregue (la puede entregar tarde, pero es ilógico que no la entregue, aunque sea por unas vías diferentes a las establecidas). Las tareas y sus correspondientes evaluaciones son de los momentos más clave y críticos de un curso. Ponen a prueba al máximo nivel el compromiso de un alumno con el curso.

Datos a obtener: la realización exitosa de una tarea responde al punto anterior de "uso de materiales", ya que si se han revisado a medias o no se han revisado los materiales, con alta probabilidad la tarea no estará bien realizada y recibirá una baja (o incluso suspensa) calificación, dependiendo de la exigencia de la tarea en sí y del profesorado a cargo de su corrección. Existe también una gran masa de alumnado que no realiza periódicamente las tareas, dejando a un lado la evaluación continua para enfrentarse a un examen/tarea final que suele ser bastante exigente, ya que incluye toda la materia. Habitualmente, este alumnado suele abandonar el curso o obtener un suspenso por nota.

• Registro de actividad: además del "acceso a la plataforma", la actividad que registre cada alumno en las diferentes herramientas de comunicación que ofrezca la plataforma (o externas, si el profesorado así lo acepta/establece) proporciona información interesante acerca de los intereses e inquietudes del alumnado, así como del tipo de intervenciones que realiza.

Datos a obtener: podemos dividir en 2 grupos la actividad realizada por el alumnado, y dentro de cada grupo, otras dos subcategorías, en las que subyacen el éxito o el fracaso del curso. En los casos de fracaso, también es habitual el abandono del curso (especialmente en el alumnado "no activo"):

	Grupo 1: Es activo	Grupo 2: No es activo
Éxito	Realiza aportaciones fundamentadas y relevantes	No realiza aportaciones pero lee las de los compañeros y se sirve de ellas para complementar los materiales y realizar las tareas.
Fracaso	Realiza aportaciones sin fundamento, nada relevantes y de relleno para dar sensación de interés en los foros, chats, etc.	Ni realiza aportaciones ni lee las de los compañeros para empaparse de los contenidos y temas a tratar.

• Finalización del curso: en última instancia, al final del curso se puede hacer una comparativa entre los alumnos que había activos al principio del mismo y cuántos quedan, así como un resumen de todo lo realizado y no realizado por cada alumno, y la calidad de sus aportaciones (comentarios en foros, chats o tareas).

Datos a obtener: obtendremos información general del número de alumnos que ha finalizado todas las actividades, cuáles han sido las actividades que más se han realizado, qué materiales se han visitado más, cuáles no se han visitado o visitado poco, cuánto tiempo de media ha tardado el alumnado en realizar una actividad, cuáles han sido verdaderamente los momentos más críticos de todo el curso (medidos en fechas, tareas, acumulación de materiales que revisar, etc)... Todo ello ya en última instancia para hacer las modificaciones oportunas para el curso siguiente.

Todos los momentos fundamentales y susceptibles de una mayor implicación del profesorado y asesoramiento específico y personalizado para los alumnos que se encuentren riesgo de abandono del curso son, en mayor o menor medida, modificables y recalculables sobre la marcha, excepto los datos obtenidos a final de curso. Estos son los que ofrecen una información más completa, pero al ser al final de todo el proceso, no queda margen de maniobra para volver a calcular ruta y redirigir a aquellos que se iban quedando por el camino. 

Con algo de suerte, no serán imprescindibles los datos finales para asegurar unas buenas tasas de finalización del curso, y sí que serán más que bienvenidos para cursos posteriores. Todo dato que alimente el llamado Data Lake ("lago de datos"), como dice Booz Allen Hamilton (2015), será de gran utilidad para perfeccionar cada vez más el enfoque que se le dé al curso que tenemos entre manos.

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.