Analitica del Aprendizaje

2,034 views

Published on

Presentación sobre Analítica del Aprendizaje.
Escuela de Invierno, Valparaiso, 2012

Published in: Technology
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
2,034
On SlideShare
0
From Embeds
0
Number of Embeds
205
Actions
Shares
0
Downloads
44
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide
  • SAS/Davenport
  • Key (to UMBC) is that CMS usage ALONE is established as an indicator of student success. To date, many academic analytics projects have focused on predictive data models that may have more to do with what students did or where they came from BEFORE stepping foot on campus.
  • Highly interactive online courses are predictive of student success, but variability among faculty course design means the LMS can never rise above “the course level” in terms of a “one size fits all” intervention solution.
  • A unified framework for multi-level analysis of distributed learninghttp://dl.acm.org/citation.cfm?id=2090124&CFID=82269174&CFTOKEN=35344405
  • Attention please!: learning analytics for visualization and recommendationhttp://dl.acm.org/citation.cfm?id=2090118&CFID=82269174&CFTOKEN=35344405
  • Learning networks, crowds and communitieshttp://dl.acm.org/citation.cfm?id=2090119&CFID=82269174&CFTOKEN=35344405
  • Discourse-centric learning analytics http://dl.acm.org/citation.cfm?id=2090120&CFID=82269174&CFTOKEN=35344405
  • Social Learning Analyticshttp://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf
  • iSpot analysed: participatory learning and reputation http://dl.acm.org/citation.cfm?id=2090121&CFID=82269174&CFTOKEN=35344405
  • Macfadyen, L.P., & Dawson, S. (2010). Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers & Education, 54(2), 588-599.Campbell, J. P., Collins, W.B., Finnegan, C., & Gage, K. (2006). "Academic analytics: Using the CMS as an early warning system." WebCT Impact 2006. Chicago, IL
  • Analitica del Aprendizaje

    1. 1. Analítica del Aprendizaje TICs y Big Data para Investigación Educativa
    2. 2. http://www.slideshare.net/xaoch
    3. 3. Ecuador
    4. 4. Guayaquil
    5. 5. ESPOL
    6. 6. CTI
    7. 7. Grupo de Investigación enTecnologías para la Enseñanza y el Aprendizaje• Suitable material at the appropriate time.• Automatically measure student progress.• Virtual instructor – student.
    8. 8. Instructor• Xavier Ochoa – Estudios • Ingeniero en Computación (ESPOL 2000) • Master en Ciencias de la Comp. Aplicada (VUB 2002) • Doctor en Ingeniería (KULeuven 2008) – Trabajo • Profesor de la FIEC • Investigador en el CTI • Editor-en-Jefe Revista Tecnológica ESPOL http://ariadne.cti.espol.edu.ec/xavier
    9. 9. Participantes
    10. 10. El Curso• Hoy (Teoría): – Contexto e Introducción a AA – Big Data en Educación – Casos y Ejemplos – Pasos para AA• Viernes (Práctica): – Herramientas para AA – Hacer AA – Temas Abiertos y Futuro
    11. 11. Contexto
    12. 12. Los datos son valiosos…
    13. 13. Los datos revelan:• Nuestros sentimientos• Nuestras actitudes• Nuestas conexiones sociales• Nuestras intenciones• Lo que hicimos• Lo que hacemos• Lo que haremos
    14. 14. Abundancia de Datos
    15. 15. V4VolumenVelocidadVariedadVariabilidad
    16. 16. http://www.businessinsider.com/the-cia-just-put-a-ton-of-cash-into-a-software-firm-that-monitors-your-online-activity-2011-7
    17. 17. Los datos son valiosos… Si les podemos dar sentido
    18. 18. Sensemaking“Sensemaking is a motivated, continuous effortto understand connections . . . in order toanticipate their trajectories and act effectively” (Klein et al. 2006)
    19. 19. Analítica
    20. 20. Inteligencia de Negocio
    21. 21. BI• Prediction
    22. 22. Google Analytics
    23. 23. Google Analytics
    24. 24. Otros campos
    25. 25. E-Ciencia
    26. 26. Que pasa en Educación ¿Porqué los alumnos se retiran? ¿En que invertir los fondos? ¿Como van nuestros profesores? ¿Cómo va tu curso? ¿Están tus estudiantes aprendiendo? ¿Funcionan tus estrategias? ¿Estoy estudiando suficiente? ¿Que hago para mejorar? ¿Donde estoy fallando?
    27. 27. Definiciones
    28. 28. Analítica del Aprendizaje“La Analítica del Aprendizaje es la medida,colección, análisis y reporte de datos de losaprendices y su contexto, con el propósito deentender y optimizar el aprendizaje y losambientes donde ocurre.” SoLAR http://www.solaresearch.orgL. Johnson, R. Smith, H. Willis, A. Levine, and K. Haywood, The 2011 Horizon Report (Austin, TX: The NewMedia Consortium, 2011), http://www.nmc.org/pdf/2011-Horizon-Report.pdf 6
    29. 29. Raices de la Analítica del Aprendizaje Métodos Estadísticos Tutores EDM Inteligentes Big Data Personalización Analítica Business AprendizajeIntelligence del Adaptativo Aprendizaje
    30. 30. 55
    31. 31. Analítica de la Academia“La Analítica de la Academia ayuda asatisfacer el deseo público de hacer cuentassobre el éxito de los estudiantes, dadas laspreocupaciones a nivel mundial del costo dela educación y las dificultades económicas ypresupuestarias existentes.”http://www.educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterlyMagazi neVolum/SignalsApplyingAcademicAnalyti/199385
    32. 32. Analítica del Aprendizaje Minería Ciencias de Datos EducacionalesEducacionales
    33. 33. Análisis del Aprendizaje• Ciencias Educacionales y Cognitivas – Motores• Analítica del Aprendizaje – Panel de Control (Dashboard)• Minería de Datos Educacional – Vehículos Automáticos
    34. 34. Big Data en Educación
    35. 35. ¿Qué es Big Data?• Es la colección de datos tan grande y compleja que se vuelve dificil de procesar usando herramientas comunes de base de datos.
    36. 36. Números• ¿Cuanta data en el mundo? – 800 Terabytes, 2000 – 160 Exabytes, 2006 – 500 Exabytes(Internet), 2009 – 2.7 Zettabytes, 2012 – 35 Zettabytes en 2020• ¿Cuanto se genera en 1 día? – 7 TB, Twitter – 10 TB, Facebook Big data: The next frontier for innovation, competition, and productivity McKinsey Global Institute 2011
    37. 37. Exa Up to 10,000 Times Peta larger Data Scale Tera Data at RestData Scale Giga Traditional Data Mega Warehouse and Business Intelligence Up to 10,000 Data in Motion times faster Kilo yr mo wk day hr min sec … ms s Occasional Frequent Real-time Decision Frequency
    38. 38. Big Data en Educación• Selección de Cursos• Registro en Cursos• Aplicaciones a Prestamos y Becas• Participación en Clase• Estudiar Solo o en Grupos• Uso de Recursos Digitales• Compra/Uso/Prestamo Libros• Interacción con Profesor• Evaluaciones
    39. 39. Creación de Datos Cada una de estas interacciones puede generar datosU.S. Department of Education, National Education Technology Strategy, 2010
    40. 40. Big Data en Educación Datos de Múltiple Origen75
    41. 41. Big Data en Educación Procesos Analíticos Presentación Analítica Aprendizaje Adaptativa Recomendadores Datos de Múltiple Origen76
    42. 42. Big Data en Educación Analítica Visual / Dashboards Procesos Analíticos Presentación Analítica Aprendizaje Adaptativa Recomendadores Datos de Múltiple Origen77
    43. 43. Big Data en Educación EstudiantesProfesores Investigadores Institución 78
    44. 44. Universidad basada en Datos“Una Universidad donde el staff y losestudiantes entienedn los datos, y a pesar de suvolumen y diversidad, pueden usarlos yreusarlos, guardarlos y seleccionarlos, aplicarlosy desarrollar herramientas analíticas parainterpretarlos”
    45. 45. Casos y Ejemplos
    46. 46. http://www.skyrill.com/seatinghabits/
    47. 47. http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0023176
    48. 48. Approximate spatiotemporal trajectories of some classes. http://www.plosone.org/article/info%3Adoi%2 F10.1371%2Fjournal.pone.0023176
    49. 49. “Colleges Mine Data toPredict Dropouts”“At the University System ofGeorgia, researchers monitoredhow frequently students vieweddiscussion posts and content pageson course Web sites for threedifferent courses to findconnections between onlineengagement and academicsuccess. In the graph below,students who were "successful"received an A, B, or C in the class,and students who were"unsuccessful" received a D, F,or an incomplete.” - 5/30/08 Chronicle of Higher Ed.
    50. 50. http://www.itap.purdue.edu/studio/signals/
    51. 51. http://www.itap.purdue.edu/studio/signals/
    52. 52. http://www.itap.purdue.edu/studio/signals/
    53. 53. Bb Check My Activity (CMA)
    54. 54. Govaerts, S Verbert, Katrien, Duval, Erik; ten;Pardo,Abelardo, The S tudent Activity Meter forAwareness and S elf-reflection. Proceedings of CHIConference on Human Factors in ComputingSystems, 2012,Austin,Texas,ACM. 26
    55. 55. http://jlsantoso.blogspot.com/
    56. 56. http://research.uow.edu.au/learningnetworks/seeing/snapp/index.html
    57. 57. Cohere• Annotations or discussion as a network of rhetorical moves• Users must reflect on, and make explicit, the nature of their contribution Simon Buckingham Shum, Anna De Liddo
    58. 58. Open Mentor Denise Whitelock Analyse, visualise and compare quality of feedback
    59. 59. Distributed, multi-level analytics Suthers & Rosen (2011)
    60. 60. Attention metadata Duval (2011)
    61. 61. Learning networks, crowds, communities Haythornthwaite (2011)
    62. 62. Discourse analysis (automated and manual) De Liddo & Buckingham Shum (2011)
    63. 63. Social learning analytics Buckingham Shum & Ferguson (2011)
    64. 64. Participatory learning and reputation Clow & Makriyannis (2011)
    65. 65. Early warning Macfayden & Dawson (2010) Campbell et al (2006)
    66. 66. Learning Analytics in the workplace: Detectingand Analyzing Informal Workplace Learning Schreurs & De Laat, 2012
    67. 67. Pasos de laAnalítica del Aprendizaje
    68. 68. Herramientas Big Data
    69. 69. Algoritmos Big Data
    70. 70. http://www.solaresearch.org/
    71. 71. http://www.lakconference.org
    72. 72. LACLO 2013 en Valdivia, Chile http://www.laclo.org/laclo2012
    73. 73. Reconocimiento• Esta presentación está basada trabajo CC de: – George Siemens – John Fritz – Erik Duval – Simon Buckingham Shum – Matin Jouzdani – Jiawan Zhang – Louis Soares
    74. 74. Gracias / Thank you / Merci Xavier Ochoa xavier@cti.espol.edu.ec http://ariadne.cti.espol.edu.ec/xavier Twitter: @xaoch

    ×