Analíticas de aprendizaje - An overview of Educational Software and Analytics

4,118 views

Published on

The objective is to introduce and justify the use of analytics to measure and identify how students use and interact with ICTs. This presentation will explain how analytics work (graphics and interfaces) and the advantages of using analytics. What aspects of appropriation and use of ICT can be measured with analytics that cannot be measured with existing indicators? With an analytics software on the computer, what do we want to know about how students use technology?

Published in: Data & Analytics
2 Comments
9 Likes
Statistics
Notes
  • Hola Norma. Gracias por tu comentario. Estoy de acuerdo contigo. Creo que si te fijas en la slide 46 verás que algo ya existe de lo que comentas. Saludos
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Cristobal, este concepto que presentas es igual de interesante que el de Apredizaje Invisible. Todos en casa usamos dispositivos moviles para aprender temas de nuestro interes ,al término de una semana acumulamos horas en ello , pero no se genera ninguna evidencia. Si hubiera una app en mi cellphone que llevara la cuenta del tiempo y los temas seria genial! Cuántas cosas se podrían hacer con esos datos no crees? Saludos
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total views
4,118
On SlideShare
0
From Embeds
0
Number of Embeds
1,991
Actions
Shares
0
Downloads
37
Comments
2
Likes
9
Embeds 0
No embeds

No notes for slide

Analíticas de aprendizaje - An overview of Educational Software and Analytics

  1. 1. Not everything that counts can be counted, and not everything that can be counted counts Einstein Learning Analytics By @cristobalcobo @fundacionceibal
  2. 2. in loving memory of erik duval (1965 - 2016) always pushing the boundaries of technology and education
  3. 3. ¿Qué es Big Data?
  4. 4. h"p://www.newyorker.com/news/daily-­‐comment/obamas-­‐change-­‐of-­‐heart-­‐on-­‐tes:ng   “There’s  no  evidence  that  adding  tes:ng  :me   improves  academic  performance”    
  5. 5. School Climate Measurement Tool https://safesupportivelearning.ed.gov/edscls
  6. 6. 3 lecciones -  Cambiar la forma de evaluar -  Repensar las formas de recopilar información -  Ampliar los indicadores para comprender el aprendizaje
  7. 7. FROM  EVALUATION  INTO  ASSESSMENT   Big Data's Making Education Smarter https://www.youtube.com/watch?v=K_wAHEHTy-g
  8. 8. ¿Qué es Learning Analytics? 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.
  9. 9. : Construir experiencias pedagógicas más personalizadas; : Identificar poblaciones de estudiantes en riesgo; : Analizar factores que afectan completar exitosamente el ciclo escolar
  10. 10. by @R3beccaF at @OpenUniversity
  11. 11. uso de las huellas digitales dejadas por los alumnos en los entornos de aprendizaje en línea con el fin de mejorar la enseñanza y el aprendizaje y los entornos en los que éstos ocurren. by @R3beccaF at @OpenUniversity
  12. 12.     Analíticas de Aprendizaje: Colección y análisis de los datos generados durante el proceso de aprendizaje para mejorar la calidad de la enseñanza y el aprendizaje   360°   Comprender mejor cómo se utiliza la tecnología para el aprendizaje (e.j. patrones de uso, formas de crear conocimiento, creación de comunidades de aprendizaje).
  13. 13. by @R3beccaF at @OpenUniversity
  14. 14. by @R3beccaF at @OpenUniversity
  15. 15. Datos Masivos en Educación: La informática y las tecnologías móviles han generado una evolución en la educación hacia nuevos paradigmas de enseñanza/aprendizaje. El acceso a una importante cantidad de datos que representan procesos de aprendizaje (individual o grupal) para ser analizados y apoyar procesos de mejora.
  16. 16. Learning analytics posibilita: •  Educación basada en evidencias •  Permite contrastar teorías o enfoques con evidencias •  Visualizaciones posibilitan “traducir” los resultados Brooks, C., Greer, J., & Gutwin, C. (2014). The data-assisted approach to building intelligent technology-enhanced learning environments. In Learning Analytics (pp. 123-156). Springer New York.
  17. 17. ¿Qué taxonomías existen?
  18. 18. Administrators,  government   Learners,  faculty  
  19. 19. Verbert, K., Manouselis, N., Drachsler, H., & Duval, E. (2012). Dataset-driven research to support learning and knowledge analytics. Educational Technology & Society, 15(3), 133-148. 1.  Recolectar grandes cantidades de datos 2.  Traducir esos datos en información relevante 3.  Usar la información estratégicamente (ej. personalización, evaluación formativa o sumativa, predictivo) Pasos: Collection > Storage > Analysis > Processing
  20. 20. Ayuda a evaluar las acciones pasadas para estimar el potencial de las acciones futuras con las cuales tomar mejores decisiones y adoptar estrategias más eficaces Cumulative contributions by user type. Power learners are highlighted in red Bulger Bright Cobo (2016) What role do “power learners” play in online learning communities?
  21. 21. o Medir - recopilar - analizar y presentar datos. sobre los estudiantes y sus contextos. o Descubrir información y conexiones sociales para predecir y asesorar.
  22. 22. deep analytics
  23. 23. Diferentes niveles: 1.  Información sobre los estudiantes a nivel individual (y sus patrones de comportamiento). 2.  Predicción de qué estudiantes requieren apoyo. 3.  Apoyo a docentes a monitorear y planificar su trabajo. 4.  Ofrece a los docentes guías para acciones formativas. 5.  A los administradores les brinda retroalimentación sobre la efectividad de sus estrategias.
  24. 24. The  Value  of  Learning  Analy:cs  h"ps://www.youtube.com/watch?v=PJbQ16Qj8Fc  
  25. 25. ¿Quién realiza esto?
  26. 26. NUEVOS PERFILES PROFESIONALES >
  27. 27. NUEVOS PERFILES PROFESIONALES >
  28. 28. Alfabetización de datos (Data Awareness) o  La capacidad de formular y responder preguntas usando datos. o  El pensamiento basado en evidencias (datos apropiados, y herramientas para interpretar la información). o  Capacidad de interpretar, representar y comunicar los datos para encontrar soluciones.
  29. 29. ¿Cuáles son las fases críticas?
  30. 30. by @R3beccaF at @OpenUniversity
  31. 31. Siemens,  G.,  Dawson,  S.,  &  Lynch,  G.  (2014).  Improving  the  Quality  and  Produc:vity  of  the  Higher  Educa:on  Sector  –  Policy  and  Strategy  for  Systems-­‐Level  Deployment  of   Learning  Analy:cs.  Canberra,  Australia:  Office  of  Learning  and  Teaching,  Australian  Government.  Retrieved  from  h"p://solaresearch.org/Policy_Strategy_Analy:cs.pdf  
  32. 32. www.jisc.ac.uk/rd/projects/effective-learning-analytics Creación de Capacidades
  33. 33. ¿Qué sabemos hasta ahora?
  34. 34. The  Smartest  Tutor  -­‐  Personalized  learning  from  Knewton   h"ps://www.youtube.com/watch?v=IjJDH_WeREQ   a new, free tool that aims to automate personalized instruction for teachers. h"p://www.wired.com/2015/08/knewton-­‐robot-­‐tutor/#slide-­‐2  
  35. 35. Plan Ceibal - Uruguay: Caso uno
  36. 36. Sistema de Evaluación en Línea en Uruguay Presentación originalmente realizada por Dr. Andrés Peri, Director División de Investigación, Evaluación y Estadística Administración Nacional de Educación Pública Uruguay
  37. 37. Sistema de Evaluación en Línea en Uruguay Administración Nacional de Educación Pública Uruguay – Plan Ceibal Evaluación formativa en línea: Diseño: •  800,000 usuarios: 6 años de aplicación. 3er año primaria a 3er año media. •  Más que medir busca identificar el grado de logro, no acredita saberes •  fortalezas y debilidades (ex-post). •  No pretende asignar una calificación sino identificar el desempeño del alumno.
  38. 38. Evolución de las pruebas aplicadas en línea 95000   240000   370000   480000   793000   852000   0   100000   200000   300000   400000   500000   600000   700000   800000   900000   2009   2010   2011   2012   2013   2014   2º     2º  y  6º   3º-4º,5º-6º3º  a  6º   3º  a  6º   3º  a  3º  
  39. 39. La devolución de resultados en tiempo real Retroalimenta  con  información   relevante     Para  diseñar  estrategias  de  intervenciones   oportunas   al  maestro   a  nivel  de  su  grupo   al  director   a  nivel  de  su  centro  educa:vo   al  inspector     a  nivel  de  su  jurisdicción   a  las  autoridades  educa:vas   a  nivel  nacional   h"p://docentes.sea.edu.uy   h"p://alumnos.sea.edu.uy   h"p://directores.sea.edu.uy   h"p://inspectores.sea.edu.uy  
  40. 40. Portal de directores
  41. 41. Resultados  de  la  acDvidad  y   porcentaje  de  respuestas   correctas  por  grado   JusDficacion es  
  42. 42. Portal  de  docentes     Cédula:  CONVIE     Contraseña:  CONVIE      
  43. 43. mirada  horizontal   desempeño  individual   de  cada  alumno  en  las   ac:vidades  propuestas mirada  ver/cal   desempeño  del  grupo  en   cada  una  de  las  ac:vidades Pantalla de resultados
  44. 44. Plan Ceibal - Uruguay: Caso dos
  45. 45. By @cecilmarconi
  46. 46. By @cecilmarconi
  47. 47. By @cecilmarconi
  48. 48. By @cecilmarconi
  49. 49. By @cecilmarconi
  50. 50. Objectives: (i) to implement a monitoring system in Learning Analytics which integrate and analyze existing large-scale information in the different CEIBAL databases; > 24 months project <
  51. 51. PHASE  ONE:  TO  CREATE  THE  CONDITIONS:     How  does  the  database  inventory  and  dic:onary  of  CEIBAL  looks  like?   Objec:ve  1.  Data  Landscape.   Objec:ve  2.  Data  Management.       PHASE  TWO:  TO  CONDUCT  THE  ANALYTICS   Can  we  trace  the  learning  pathway  of  students  when  using  different   online  platorms?   Objec:ve  3.  Data  Analysis.   Objec:ve  4.  Users  Modeling.     PHASE  THREE:  PROMOTING  DATA  AWARENESS   How  to  make  learning  analy:c  more  meaningful?     Objec:ve  5.  Visualiza:on.       How  and  when  using  big  data  in  learning?  And  Why?   Objec:ve  6.  Awareness.  
  52. 52. ¿Cuáles son los desafíos pendientes que plantea Learning Analytics?
  53. 53. Varios métodos han sido utilizados para proteger la privacidad del paciente. Este dibujo (1822 por Jacques-Pierre Maygnier) muestra un procedimiento de "compromiso", en la que el médico está de rodillas delante de la mujer, pero no puede ver a sus genitales. ¿Cuál es el problema con la Privacidad?
  54. 54. DELICATE: lista de verificación - para establecer la confiabilidad de Learning Analytics
  55. 55. by @R3beccaF at @OpenUniversity
  56. 56. Sharon Slade, catedrática Faculty of Business, Management and Law at The Open University. "Los desarrolladores de software están muy entusiasmados con lo que los datos pueden entregar, pero no se cuestionan las preocupaciones (ej. privacidad de los estudiantes o exactitud de los algoritmos utilizados).
  57. 57. 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).
  58. 58. Fuente:  Learning  analy:cs  in  small-­‐scale  teacher-­‐led  innova:ons:  Ethical  and  data  privacy  issues  infoscience.epfl.ch/record/216899/files/MJRodriguezTriana%20et %20al.%20-­‐%202016%20-­‐%20LA%20in%20small-­‐scale%20teacher-­‐led%20innova:ons.pdf?version=1   La participación de los maestros en el diseño del proceso contribuye a introducir "la ética desde el diseño" (además “privacy by design”). El maestro es clave para definir los propósitos educativos del análisis contribuye a mejorar la validez de los resultados (añade evidencias directamente de los profesores y estudiantes) y es consciente de las limitaciones de los resultados.
  59. 59. Analíticas de aprendizaje: "tiene problemas para representar la naturaleza de las conexiones, entre los conjuntos de datos y personas." Necesitamos interpretaciones humanas.
  60. 60. http://bdes.datasociety.net
  61. 61. Criterios a considerar 1.0: 1. Comienza con escalas pequeñas 2. El potencial es evidente, también las responsabilidades que implica 3. Incluir al docente en el diseño, análisis y explotación 4. Gobierno: Adopta estructuras horizontales del gobierno de learning analytics (conjuntos de datos, infraestructura técnica y intervenciones) 5. Conflictos: Minimizar los posible conflictos (diferentes grupos de interés) sobre interpretación y uso de datos
  62. 62. Criterios a considerar 2.0: 1. Anonimización: Puede ser imposible eliminar toda posibilidad de identificar a una persona sin reglas sobre el uso de archivos anónimizados. 2. Reduccionismo: El análisis de grandes volúmenes de datos puede contener información imprecisa sobre los individuos (ej: modelos incorrectos o observación parcial). 3. Propiedad de la información: Aspectos éticos y legales en acceso y uso de LA (informar usuario) Estamos en la infancia de Analíticas de Aprendizaje
  63. 63. To save Education, Don’t click here?
  64. 64. fundacionceibal.edu.uy @cristobalcobo

×