1. Fundamentos, usos y privacidad en la analítica del aprendizaje

 

«El valor de una idea yace en el uso que se le da»

Thomas A. Edison

1.1. Primeros pasos: a modo de introducción

La integración de las tecnologías en educación requiere de nuevas aproximaciones para conocer, controlar y mejorar los distintos contextos, roles y procesos implicados. Tanto es así que cuando los autores nos encontramos cara a cara con un entorno virtual de aprendizaje (EVA), no tuvimos más remedio que buscar alternativas reales para entender los procesos de enseñanza-aprendizaje más allá de la mera observación in situ. Todos los caminos de investigación e información convergieron hacia la analítica del aprendizaje que, aunque se lleva aplicando desde hace muchos siglos, toma un nuevo significado en nuestra actual era tecnológica digital.

Este libro es una consecuencia directa de nuestra experiencia e investigación con la analítica del aprendizaje. A lo largo del mismo encontraréis una analítica del aprendizaje desde un punto de vista reflexivo, práctico y en el que se aposentan las bases de este incipiente arte del análisis de interacciones de estudiantes en entornos virtuales.

1.1.1. ¿Perdido en la analítica? Sobre inicios y consejos para los recién llegados

Los autores nos acordamos perfectamente de nuestros respectivos inicios en la analítica del aprendizaje, hace ya unos cuantos años. La información disponible era vaga y no sabíamos por dónde empezar, aunque nuestra base académica técnico-científica nos daba seguridad ante la adversidad cuantitativa de este arte incipiente.

Suponíamos que la analítica del aprendizaje iba de números. Vaya, que se trataba de hacer una interpretación cuantitativa de datos educativos. Poco estábamos seguros de lo que realmente significaba poder conseguir con tales interpretaciones. Aun así, estábamos convencidos de que la revolución tecnológica-educativa tenía que ir acompañada de un procedimiento analítico vinculado a la mejora, optimización y dominio de esta nueva era de cambio cuantitativa.

Estábamos en lo cierto. Ahora, tras algunos años de investigación y diversas publicaciones, podemos afirmar lo siguiente:

En la analítica del aprendizaje se interpretan datos educativos mediante aproximaciones cuantitativas. Con ello se pueden entender, explicar y predecir los comportamientos de los alumnos. En consecuencia, se podrá mejorar el contexto educativo.

Antes de poder llegar a afirmar la conclusión anterior, primero de todo tuvimos que leer, y mucho. Leímos todo acerca del concepto learning analytics en artículos, revistas y series de investigación, blogs, foros y páginas de instituciones relacionadas con educación, como EDUCASE. Todo era abstracto, pero poco a poco las piezas empezaron a encajar tomando forma y sentido.

Justo cuando nos interesamos por la analítica del aprendizaje, Daniel Amo estaba cursando un máster sobre educación y nuevas tecnologías. Estaba acostumbrado a leer artículos científicos y de investigación que, además de largos, eran duros y costosos de leer (Raúl Santiago ya estaba más que acostumbrado a este tipo de lecturas tras la consecución de su doctorado). Así que, cuando Amo disponía de un poco de tiempo para dedicarlo a la analítica del aprendizaje, devoraba literalmente la bibliografía que podía encontrar por internet.

En esta etapa Amo descubrió que Google Scholar es una de las mejores fuentes para la consulta de textos científicos e investigación. Os recomendamos que la tengáis en mente si queréis conocer en profundidad los intríngulis más allá de la aplicación práctica de la analítica del aprendizaje y las distintas investigaciones que se están llevando a cabo. Si sois personas que quieren salirse por la tangente y profundizar en este arte sin duda alguna Google Scholar es vuestro lugar de referencia.

En el ámbito multimedia poco se podía encontrar en YouTube –ahora es una fuente imprescindible de información–, a excepción de los autores más destacados como George Siemens, con sus charlas de más de una hora. Tenemos que confesar que en un principio no nos sirvieron para casi nada. Eran de tan alto nivel conceptual que se obviaban partes fundamentales y nos perdíamos en el discurso.

Los saltos conceptuales eran demasiado enormes y a uno se le escapaban muchas cosas. No sentíamos avanzar ni progresar adecuadamente, con lo que la sensación de sentirnos perdidos en un mar de incertidumbres era una constante. ¿Os suena? Intentaremos que en los próximos capítulos y secciones dejéis de tener esta horrible sensación, o que no lleguéis a tenerla.

Más adelante nos encontramos virtualmente con Erik Duval, una de esas pequeñas joyas que te iluminan el camino. Duval era una persona reticente de participar en las TED Talks (Duval, 2012), y que debería haberlo hecho mucho tiempo atrás. Era capaz de explicar aspectos fascinantes del estudio del comportamiento de los alumnos, ofrecer una visión clara de lo que es la analítica del aprendizaje y su poder de cambio con tan solo 17 minutos.

Siguiendo el hilo de los saltos conceptuales, algo similar nos ocurrió con algunos MOOC. Por aquel entonces estos cursos online masivos y en abierto (COMA) únicamente se ofrecían por prestigiosas universidades, o por entidades privadas creadas por científicos salidos de esas mismas universidades. Lo curioso es que tampoco ofrecían cursos base para que los recién llegados pudieran iniciarse con comodidad. Todos los cursos parecían destinados a doctorados en matemáticas o estadísticas, es decir, para gente con altos conocimientos teóricos cuantitativos.

Nos dimos cuenta en ese instante que quien quiera adentrarse en el mundo de la analítica del aprendizaje debe conocer los aspectos más básicos de la estadística. La intención de conocer estos fundamentos no es la de conseguir realizar cálculos extremos o incluso básicos. Conocerlos es necesario para poder entender, interpretar y posteriormente adoptar la analítica del aprendizaje en clave educativa. De ello dependerá que muchas de las lecturas tengan sentido o sean meramente un montón de palabras descontextualizadas. Conocer la nomenclatura esencial ayudará a entender los procesos fundamentales de un arte basado en el cálculo y la interpretación de aproximaciones cuantitativas.

La estadística es un método científico que permite describir o predecir hechos reales mediante el uso de las matemáticas. Para conseguirlo, son necesarios datos que permitan realizar las operaciones matemáticas pertinentes para generar resultados interpretativos.

La recolección básica de estos datos se realiza mediante la ejecución de encuestas u observar y anotar lo observado. Más allá de estas dos técnicas primarias de recolección de datos se encuentra la generación de datos a partir de las interacciones de los alumnos en distintos contextos tales como entornos virtuales de aprendizaje, páginas web o dispositivos móviles. Las interacciones pueden ser tan heterogéneas como el número de visualizaciones de ciertos recursos o el contenido en texto de los mensajes enviados en el foro.

1.tiff 

Figura 1. Recolección de datos en el análisis digital.

Adaptado de http://campus.afaqs.com/blog-details/11_Digital_analytics_%E2%80%93_What_is_it?_(Part_2_of_Web_Analytics_S

Toda esta información recolectada se simplifica en dos grandes tipos de datos:

Cualitativos: Este tipo de dato es no estructurado. Se encuentran datos como conversaciones en redes sociales, imágenes compartidas en Instagram o los mensajes de texto de un debate en un foro. Por consiguiente, los datos que tienen cabida en este grupo son aquellos que no son numéricos.

Cuantitativos: Este tipo de dato es estructurado, se puede ordenar y utilizar directamente para cálculos matemáticos. Se encuentran datos como número de mensajes enviados en un foro, número de veces que un alumno accede a unos recursos, intentos de realización de un test o total de visualizaciones de un vídeo. Por consiguiente, los datos que tienen cabida en este grupo son aquellos que son numéricos.

2.tiff 

Figura 2. Tipos de datos estadísticos.

Adaptado de http://www.slideshare.net/NingDing/001-lesson-1-statistical-techniques-for-business-economics

Es necesario que aquellos datos no numéricos se conviertan a cuantitativos para poder efectuar los cálculos pertinentes. No es nuestra intención realizar una lección de las bases estadísticas, pero es importante conocer los tipos base para interpretar correctamente los resultados obtenidos de las herramientas tecnológicas disponibles. Por ahora conocer los tipos de datos es suficiente para saber qué datos se utilizan en la confección de los resultados y entender sus orígenes. El objetivo de la recolección de datos es poder analizarlos para entender a los alumnos. A lo largo de libro se hará referencia a este principal objetivo de las analíticas del aprendizaje y se darán ejemplos y referencias al respecto.

¿Qué pasa con los que queremos introducirnos en este arte con una curva de aprendizaje suave? De momento ya tenéis ganado un poco de terreno con el conocimiento de los tipos de datos base. Por ahora no os aconsejamos sitios como Coursera, Canvas o EdX. En ninguno de ellos encontramos cursos adaptados para los que queríamos acceder por primera vez al arte del estudio del comportamiento de los alumnos. La tendencia actual sigue siendo la misma.

Nos encontramos con una realidad común en todos los cursos en los que nos inscribimos. La descripción del curso parecía asequible y apta para todos los públicos. Pero la realidad era totalmente distinta. Había demasiados términos complejos, muchas referencias a investigaciones muy técnicas y pocas aproximaciones asequibles para aplicarlas de forma sencilla y práctica.

Ahora parece que estas universidades empiezan a entender las necesidades reales de los que vivimos el día a día en las instituciones educativas. Están haciendo un cambio de rumbo que parece favorecer a todos aquellos que tienen preguntas sin responder. Un ejemplo de ello es el MOOC de analítica del aprendizaje en la práctica de la Universidad de Míchigan que intenta dar respuesta a todas las incertidumbres pendientes de resolver... No obstante, se quedan lejos de acercar la analítica a todos los públicos, y menos al de los profesores.

Justamente esta es la razón por la cual hemos querido crear distintos medios por los que difundir la analítica del aprendizaje a todos los roles educativos. Entre ellos se encuentra el presente libro y los infográficos adjuntos creados a propósito.

Tras la búsqueda de información, y bases de datos de conocimiento, en la que encontrar sentido a todo el mundo de la analítica del aprendizaje, encontramos la página web pilar de este arte científico. La SoLAR, o Society for Learning Analytics Research, es la madre de los huevos. En ella encontraréis mucha información referente a este arte, como los fundadores de la organización, próximas conferencias, eventos estratégicos, publicaciones e incluso prácticas aplicadas con resultados empíricos.

Seguir a los fundadores y miembros de SoLAR os abrirá acceso a las últimas tendencias, trabajos e investigaciones recién realizadas. Todos los miembros están conectados a Twitter y os aconsejamos seguirlos si queréis estar informados y estar a la última. Consideramos que es de interés seguir a George Siemens (@gsiemens), Dragan Gašević (dgasevic), Abelardo Pardo (@abelardopardo), Rebecca Ferguson (@R3beccaF) y Xavier Ochoa (@xaoch).

No podemos dejar de recomendaros las publicaciones realizadas por los autores en el blog eduiliticas.com. Consideradlo un lugar en el que se destila todo lo que pasa en las analíticas del aprendizaje.

1.2. Una primera aproximación

Queremos que recordéis una cosa muy importante:

Lo primero que hay que entender de la analítica del aprendizaje es que sirve para estudiar el pasado, el presente y el futuro del comportamiento de los alumnos.

Trabajar el futuro significa aplicar técnicas de predicción, modelos de datos predictivos y aproximaciones estadísticas de nivel superior que requieren altos conocimientos y una experiencia notable en el campo práctico.

Para predecir el futuro existen modelos ya generados, herramientas que facilitan la labor de cálculo y la aplicación de modelos en conjuntos de datos educativos. No obstante, usar estas herramientas, modelos y aproximaciones –como Machine Learning– requiere como mínimo conocerlos y saber cuándo emplearlos. Descifrar qué pasará en un futuro no es tarea fácil o de sentido común. Requiere de altos conocimientos estadísticos y una curva de aprendizaje acentuada.

Analizar el pasado y el presente está más al alcance de cualquiera; para algunos puede ser menos conductista, o más humano, según se mire. Para conseguirlo, no hay que recurrir a técnicas sofisticadas de modelos de predicción sobre datos educativos o tener unos altos conocimientos estadísticos. Con unas nociones básicas de estadística se pueden conseguir resultados excelentes ante el estudio del pasado y presente del contexto educativo.

La estadística descriptiva es un ejemplo de una aproximación cuantitativa al alcance de cualquier interesado en este arte analítico. Por consiguiente, trabajar aspectos del pasado o presente es posible y fácil con herramientas más cercanas que los algoritmos basados en lenguajes como Python. Por ejemplo, una hoja de cálculo es suficiente para analizar datos educativos y extraer conclusiones de lo acaecido.

Tampoco hace falta ir más allá de las herramientas educativas ya utilizadas en el aula. Los entornos virtuales de aprendizaje ofrecen herramientas de informes descriptivos que muestran un reflejo de lo que han hecho los alumnos anteriormente e incluso a tiempo real.

He aquí la utilidad de los tiempos pasado y presente:

Entender el pasado nos permitirá explicar el porqué de los comportamientos. Estudiar el presente nos permitirá conocer qué está pasando.

A los profesores que nos preguntan por dónde empezar les recomendamos empezar por el pasado. Los profesores somos soldados de infantería, no tenemos tiempo para estrategias y elucubraciones a largo plazo. Necesitamos herramientas que nos permitan entender comportamientos y actuar en consecuencia. Queremos saber qué pasó y por qué pasó. Para conseguirlo es esencial aplicar un acercamiento descriptivo.

3.tiff 

Figura 3. Uso de la analítica del pasado, presente y futuro.

Adaptado de http://slideplayer.com/slide/9546765/

¿Cómo se define, pues, la analítica del aprendizaje? Parece que siempre se ha tenido el requerimiento de encontrar primero la definición definitiva antes de investigar y reflexionar sobre el concepto. Da la sensación de que el primero que encuentre una definición más o menos digna de aquello que se quiera señalar será el que se lleve todo el mérito. No obstante, a veces las definiciones son demasiado generales, demasiado concretas o incluso casi tirando a lo confuso. Parece que da igual si lo que se define (de forma definitiva) es algo emergente. Precisamente, la analítica del aprendizaje lo es y está en un proceso de madurez que aún no avista horizonte. Lanzar una definición en este estado emergente puede conllevar modificaciones a corto plazo.

Esta fase de madurez hará reorganizar todos los acercamientos hechos hasta ahora. Es lo normal en este tipo de modelos emergentes. No obstante, no han faltado definiciones e incluso distintas aproximaciones metodológicas.

La definición que más se ha generalizado de todas ellas, y la que se va a utilizar para dar sentido al resto del libro, es la siguiente:

«La analítica del aprendizaje es la medición, recolección, análisis e informe de datos de los alumnos, y sus contextos, con el fin de entender y optimizar el aprendizaje y los contextos en los que ocurre.»

Learning Analytics 2011 Conference

De esta definición se extrae directamente que la analítica del aprendizaje es un proceso inicial de cuatro pasos:

1. Establecer objetivos y métricas

2. Recolectar datos

3. Analizar y visualizar información

4. Actuar

4.tiff 

Figura 4. Ciclo de las analíticas del aprendizaje.

Adaptado de http://www.slideshare.net/dougclow/the-learning-analytics-cycle

A estos cuatro pasos básicos es necesario dotarles de un sentido cíclico para ayudar a su depuración. Para conseguirlo, debe añadirse un quinto paso que cerraría el ciclo analítico: evaluar.

Evaluar las conclusiones y resultados derivados de la aplicación de los cuatro pasos es una acción básica para la mejora y evolución del proceso educativo. Sin esta reflexión final el proceso analítico carecería de fundamento más allá de las actuaciones que puedan llevarse a cabo en un momento dado.

En consecuencia, este quinto paso dota a este proceso cíclico de un contexto evaluativo global y continuado. La evaluación como último estadio del ciclo es importante para reconducir en un nuevo ciclo aquellos aspectos que no han ido del todo bien en la ejecución de las actuaciones y resultados esperados.

De la misma forma es importante abrir períodos de reflexión y evaluación de las decisiones tomadas en cada uno de los estadios. Este acto permitirá darse cuenta de posibles fallos que, si no se corrigen con tiempo, pueden anular todo el proceso analítico.

Preguntas como las siguientes son las que debe formularse el equipo o persona que inicie una integración de la analítica del aprendizaje:

Las preguntas anteriores son de matiz genérico. Cada proceso analítico debe, además, formular preguntas específicas en relación con los objetivos establecidos. Teniendo en cuenta el objetivo «Estudiar a lo largo del trimestre» y la métrica «Tiempo dedicado a las actividades», pueden formularse preguntas específicas del tipo:

Teniendo en cuenta la evaluación continua y la reflexión necesaria en cada paso, el ciclo analítico se define finalmente de forma genérica como uno de cinco pasos base:

1. Establecer objetivos y métricas

a) Debe evaluarse la idoneidad de los objetivos y métricas.

2. Recolectar datos

a) Debe evaluarse el proceso de recolección en distintos momentos, sobre todo en un primer momento para comprobar que se está llevando la recolección y que los datos sean los correctos.

3. Analizar y visualizar información

a) Debe evaluarse si los procedimientos estadísticos han sido los adecuados y los resultados pertinentes.

4. Actuar

a) Debe evaluarse si las actuaciones a partir de los resultados del paso anterior han dado sus frutos.

5. Evaluación del proceso

Deben evaluarse a modo global todos los pasos efectuados, ser sinceros con los errores cometidos y tenerlos en cuenta para la próxima iteración.

Es importante notar que este proceso cíclico corresponde a la base de los procesos analíticos en estadística. Por consiguiente, este proceso puede evolucionar a uno de más pasos si así se cree conveniente.

En el supuesto de que se quiera adoptar un estudio del pasado o presente de las interacciones de los alumnos, lo más probable es que el proceso de análisis sea descriptivo y las visualizaciones vayan acorde con los resultados. Puede que sea interesante desglosar el paso 3 en dos bien diferenciados –uno para el análisis y otro para las visualizaciones– con el objetivo de dar la importancia y evaluación pertinente respectivamente.

Tomar una aproximación más de prevención de riesgos y evitar problemas futuros provocará que en el análisis se utilicen estrategias estadísticas predictivas. En este supuesto puede añadirse un punto extra entre el 3 y el 4 relacionado con la comunicación, en la que se especifique cómo hacer llegar los resultados a los agentes educativos para mejorar la efectividad y rapidez.

Los dos ejemplos anteriores exponen un desglose del paso 3 y un añadido entre el paso 3 y 4. Esto indica que cualquier paso del ciclo base puede derivarse en tantos puntos como se crea necesario. Por consiguiente, el proceso cíclico es abierto y flexible en cuanto a necesidades analíticas. Lo esencial es que ofrece la oportunidad de abordar de forma personal cada estadio del proceso analítico según requerimientos de la institución educativa y necesidades de los alumnos.

En consecuencia, el análisis de datos educativos debe ser un proceso evolutivo flexible e integrado en el engranaje educativo.

1.3. La analítica del aprendizaje no es big data

En la analítica del aprendizaje el término que está de moda es predecir, muy relacionado con el análisis del tiempo futuro comentado en la segunda sección de este primer capítulo.

La predicción es el modelo base que, mediante los datos recolectados de un alumno se infiere, por ejemplo, si está en riesgo de suspender la asignatura, el curso o incluso de abandonar los estudios. El análisis de datos educativos rompe los límites de esta premisa, que en sí misma puede formar parte del proceso y que es una opción a escoger entre las muchas disponibles dentro del ciclo analítico.

Es curioso ver cómo los autores de distintos blogs describen la analítica del aprendizaje, principalmente, como un proceso de predicción y detección de patrones. Nos preguntamos si entre todos ellos hay una retroalimentación. Es como vivir un bucle infinito entrada tras entrada... Quizás los autores están confundiendo dos términos completamente distintos, aunque en cierta manera relacionados: analítica del aprendizaje y big data. Para nosotros, la analítica del aprendizaje no es big data.

Para argumentar la anterior afirmación, debemos presentar el concepto big data como lo que es y según sus características definitorias. Las características del big data se identifican por las cinco uves: variedad, velocidad, volumen, veracidad y valor.

La característica de variedad se refiere a la heterogeneidad de datos que usamos a diario, como pueden ser mensajes de texto, imágenes o archivos de audio. La facilidad con la que la tecnología permite generar distintos tipos de datos –cualitativos y cuantitativos– ha hecho que la recolección de los mismos requiera de procesos complejos de valoración, ordenación, agrupación, limpieza e incluso regeneración. Existen infinitud de tipos de datos generados en las redes sociales, en dispositivos personales llamados wereables –como los relojes inteligentes o pulseras de ejercicio–, en los entornos virtuales de aprendizaje o en las aplicaciones móviles. Todo ello identifica un contexto de datos muy distintos.

El paso de tecnologías 1.0 a 2.0 ha permitido que cualquiera pueda ser autor en la era de internet. Existe una variedad de modos de publicaciones que permiten a cualquiera publicar en el momento que quiera, desde publicar un pequeño mensaje en una red social hasta la publicación de un artículo en un blog. Esto hace que la cantidad de datos crezca a una velocidad vertiginosa.

La velocidad con la que se generan los datos, y su larga persistencia en internet, provoca que la recolección de los mismos incremente de forma desmesurada el tamaño de su almacenamiento. Precisamente es el volumen de datos, o lo que es lo mismo, la cantidad exagerada disponible de datos a recolectar lo que da nombre al concepto de big data. El listado de notas de un curso de secundaria no es big data, pero el modelo de datos que representa a todas las estrellas y planetas actualmente conocidos puede suponer un almacén de muchísimos terabytes (1 terabyte es el tamaño que tienen los discos duros portátiles actuales).

Atender a la veracidad de todos los datos generados es uno de los grandes retos del big data. Comprobar que los datos sean de calidad, que sean precisos o interpretar en el conjunto de datos representados por hashtags, textos cortos, abreviados o incluso sentencias coloquiales es ahora posible con la evolución tecnológico-digital.

La última característica se refiere a la necesidad de convertir los datos disponibles en valor para quien aplica procesos de big data. Otorgar y extraer valencia de los datos significa poder abordar distintas situaciones ligadas al mundo empresarial, al personal o al educativo. Las posibilidades que ofrece el big data son muchísimas, pero la primera y más importante a tener en cuenta es el valor que se pueda extraer a costa de los recursos empleados: un entorno tecnológico big data requiere de altos conocimientos técnicos y costes de creación y mantenimiento.

5.tiff 

Figura 5. Las 5 V del big data.

Adaptado de http://usr.uvic.cat/bloc/2016/03/07/the-importance-of-big-data/

La analítica del aprendizaje y el big data usan un proceso analítico similar (recuerda al ciclo de los cinco pasos). La diferencia radica en que la primera no tiene por qué cumplir con las cinco uves y tampoco tiene el objetivo de buscar patrones y hacer predicciones.

Cuando uno tiene datos educativos recolectados puede hacer muchas cosas con ellos. Por supuesto, se puede intentar buscar patrones de comportamiento, como se haría en big data. Claro que se puede intentar establecer una tendencia entre grupos de alumnos. Pero también se pueden utilizar para entender por qué un alumno en concreto ha tomado una decisión, para mejorar su evaluación con datos objetivos descriptivos o incluso para mejorar la comunicación y tutoría.

El verdadero poder de las analíticas del aprendizaje va más allá de las predicciones e inferencias. Este arte trata de la definición de métricas, recolección de datos, análisis, visualización de los mismos y de acciones derivadas. Por lo tanto, en ella cabe también una aproximación descriptiva, en la que el rol docente, e incluso el discente, actúen por propia iniciativa sin intervención algorítmica (base de los procesos predictivos).

A veces el término de big data se confunde en cuanto hay un número elevado de alumnos. Este el caso de los MOOC, donde durante el curso pueden convivir miles de alumnos. No necesariamente en este tipo de cursos se cumplirán las 5 V del modelo big data. Hay que destacar que el principal problema en los MOOC no surge de la cantidad de datos que se generan, sino por la capacidad de ofrecer soporte y tutoría a todo el alumnado participante. En este caso un solo profesor no puede atender a todos los estudiantes, con lo que restan dos opciones:

Cabe recordar que la analítica del aprendizaje, y sobre todo la parte orientada a la predicción, aún está en un proceso de madurez. Por ello, y como opinión subjetiva, recurrir a una analítica del aprendizaje descriptiva como soporte al proceso de enseñanza-aprendizaje es optar por una posición más conservadora, menos arriesgada al error predictivo pero a la vez mucho más humana.

1.4. No hay que confundir los usos de la analítica del aprendizaje: para profesores y alumnos

¿Qué se puede conseguir con la analítica del aprendizaje? En términos generales, estos son algunos posibles objetivos:

Cada objetivo anterior puede categorizarse en las dos figuras más representativas del proceso enseñanza-aprendizaje: profesor y alumno. Por consiguiente, algunos de los posibles objetivos en relación con cada uno de los roles citados se reparten de la siguiente manera:

Profesor

Alumno

A la vez existen distintos roles adicionales a los de profesor y alumno que intervienen en el contexto educativo. Los administradores de los entornos virtuales de aprendizaje (EVA) juegan un papel crucial en la gestión de los recursos tecnológicos. La dirección del centro juega un papel esencial para la buena estrategia de negocio. En ambos roles, la analítica del aprendizaje puede dar respuesta a una serie de preguntas que de otro modo dificultaría su resolución:

Administrador de EVA

La respuesta a las preguntas anteriores facilitará y mejorará la tarea del administrador de los distintos espacios y recursos educativos virtuales. Cabe destacar que la formulación de preguntas reflexivas es tarea de la analítica del aprendizaje con el principal objetivo de optimizar el entorno educativo. Es de vital importancia trasladar la aplicación de este arte analítico al contexto tecnológico de la institución educativa para abordar todos los flancos del entorno educativo.

La administración tecnológica en una institución educativa es un pilar suficientemente importante como para considerar utilizar la analítica del aprendizaje como palanca de optimización. La tecnología en el aula debe ser transparente. Para que así sea debe funcionar bien y suplir las expectativas de todos los roles usufructuarios.

Dirección estratégica

Los directivos de las instituciones educativas necesitan tomar decisiones en relación con el personal, uso de plataformas, estrategias definidas y otros aspectos que hacen liderar al conjunto de recursos disponibles.

En el ámbito de la dirección, la analítica del aprendizaje cobra múltiples sentidos. El proceso analítico se aplica para conocer el impacto de negocio que tienen las herramientas de aprendizaje utilizadas, la adecuación de la oferta formativa, la fluctuación de alumnos a lo largo de un curso académico o los recursos educativos disponibles. Lo que se llama academic analytics aborda el estudio del impacto en los aspectos citados.

La aproximación de la academic analytics –que se verá más adelante– no debe confundirse con la analítica del aprendizaje en el ámbito directivo. Optimizar el contexto educativo es la esencia de la analítica del aprendizaje, que va más allá del impacto de negocio o retorno de inversión de los recursos utilizados. La analítica del aprendizaje puede usarse para conocer cómo aprenden los profesores en las formaciones, si estas les han sido satisfactorias e incluso si son útiles y valiosas para su desarrollo como docentes.

1.5. ¿Cueces o enriqueces?

Pensad en vuestra tarea como rol educativo. Llegados a este punto del libro, todos los que practicamos la enseñanza en línea deberíamos plantearnos la siguiente pregunta:

¿Dispongo de herramientas para conocer el comportamiento de los alumnos en mi entorno virtual de aprendizaje?

Deberíais poder responder afirmativamente. Deberíais poder saber cómo actúan vuestros alumnos, descifrar por qué y actuar en su beneficio. En caso contrario, no podréis dar respuesta a preguntas del tipo:

Es verdad que este arte analítico tiene una aproximación cuantitativa –aunque utilice conjuntos de datos tanto cualitativos como cuantitativos–, utiliza estrategias de cálculo estadístico y presenta resultados numéricos y visualizaciones basadas en tales resultados.

En ciertos contextos nombrar acercamientos cuantitativos provoca comentarios como «¿Para qué sirve eso?» o «Ah! Sí, métricas..., lo cualitativo es más importante», o «¡El aprendizaje no se puede cuantificar!».

Pero también es cierto que la ristra de oportunidades a resolver ofrecida por la analítica del aprendizaje es igual al número de planteamientos educativos posibles. Este arte analítico, cuantitativo, se adapta a cualquier situación educativa para optimizarla.

Los autores hemos llegado a la conclusión de que lo cuantitativo es tabú, asusta y no interesa en cuanto a la relación posible con el aprendizaje de los alumnos. No obstante, la necesidad de conocer lo que se cuece en nuestro contexto educativo para poder personalizar y mejorar el aprendizaje es imperativa. Las reflexiones cualitativas necesitan valoraciones cuantitativas. Y estas las ofrece la analítica del aprendizaje.

En educación se vive en una paradoja constante. Por un lado, los comentarios anticuantitativos son evidentes. Por el otro, existe un boletín de notas que requiere una cuantificación del aprendizaje. En consecuencia, se niega la cuantificación del aprendizaje pero se tiene que plasmar un número que identifique aspectos como cuánto ha aprendido el alumno, a qué nivel, con qué calidad y qué excelencia ha conseguido a lo largo de su aprendizaje.

La analítica del aprendizaje no trata de cuantificar el aprendizaje. Trata de entender el contexto en el que convive el alumno, de descifrar el comportamiento de los mismos ante los contenidos, actividades y recursos, de ayudarles, adaptarles el aprendizaje, darles soporte durante todo el proceso de enseñanza y elevarlos en sus posibilidades.

Verbos como personalizar, diferenciar, individualizar o adaptar son característicos de la analítica del aprendizaje en cuanto se considera al alumno como una persona libre, capaz y que tiene interés por aprender.

Aplicarla va a permitir enriquecer el aprendizaje de los alumnos ofreciéndoles las aproximaciones educativas que necesiten, puesto que es una herramienta que ofrece entender cómo está actuando el alumno en los emergentes espacios virtuales de aprendizaje.

Si seguimos mirando hacia otro lado cuando en educación se nombran aproximaciones cuantitativas, perderemos oportunidades de mejora. ¿Cueces o enriqueces?

1.6. De la observación a la analítica del aprendizaje

Cada vez más profesores nos piden que les introduzcamos a la analítica del aprendizaje, no solo los que imparten en MOOC o en la universidad. Los profesores de secundaria también se suman a la necesidad de cambio. La primera vez que nos lo piden siempre les decimos lo mismo:

En cierto modo ya la estás aplicando. Lo que te falta son nuevas herramientas y aproximaciones de análisis, puesto que la observación en el aula ya no te sirve para comprender entornos virtuales de aprendizaje.

Los profesores nos piden aprender a analizar porque están viviendo un cambio tecnológico en sus aulas o arrastran una necesidad que no saben cómo resolver. Los dispositivos electrónicos ya no se limitan a la pizarra digital interactiva. La didáctica ya no se centra en el profesor. El protagonista es el alumno y la práctica en el aula ha roto con la esclavitud del papel y lápiz. Netbooks, portátiles, tabletas, iPads, híbridos y otros dispositivos electrónicos están irrumpiendo con fuerza en las aulas.

De la misma manera, hay que contar también con que estos dispositivos vienen acompañados de un entorno virtual de aprendizaje, acceso a recursos interactivos, recursos multimedia, enlaces a la web 2.0, apps... Los alumnos ya no solo interactúan en el aula real. El aprendizaje se extiende a lo virtual.

El contexto educativo está en rápida evolución. Se está trascendiendo hacia un estado tecnológico que necesita otros acercamientos para hacer el seguimiento de los alumnos, mejorar la tutoría, obtener datos objetivos para la evaluación, predecir riesgos académicos o simplemente comprender el comportamiento del grupo clase.

En este cambio continuo los profesores son conscientes de la necesidad de adquirir otras aproximaciones metodológicas –más allá de la observación– para comprender y mejorar el binomio enseñanza-aprendizaje.

La observación en el aula ya no es la herramienta definitiva para comprender los nuevos procesos en entornos virtuales de aprendizaje. Es la analítica del aprendizaje el recurso clave actual para analizarlos, visualizarlos, entenderlos y mejorarlos.

Para explicar la afirmación anterior vamos a utilizar tres conceptos que están implícitos en la analítica del aprendizaje: visión periférica, trazabilidad y escalabilidad humana.

En un aula sin tecnología la única herramienta que dispone el docente es la observación, anotación y reflexión posterior. Los resultados que pueda lanzar sobre la base de tales reflexiones permiten actuar en consecuencia para la mejora del contexto educativo.

Este argumento anterior es el mismo que utiliza la analítica del aprendizaje y el que da validez al uso de las tecnologías en el aula. Este arte analítico permite un dominio del espacio virtual por parte del docente y facilita la generación automática de anotaciones y reflexiones.

La diferencia entre la observación y la analítica del aprendizaje es que esta última dota de capacidad observacional y soporte a nivel global de clase. En cambio, la capacidad observacional del profesor solo permite centrarse en un alumno a la vez. La analítica del aprendizaje aporta visión periférica en el sentido que abarca el análisis de todos los estudiantes al mismo tiempo.

Tómese como ejemplo una clase llena de dispositivos. Usando únicamente la observación, el docente verá en primera instancia la parte trasera de tales dispositivos. Deberá moverse en todo momento para poder tener un control de la situación a la vez que dé soporte a los alumnos que lo necesiten. Esta situación puede ser ardua y complicada en la mayoría de los casos.

La aproximación analítica permite que en el dispositivo del profesor aparezcan todas las pantallas de los dispositivos de los alumnos, un resumen de lo que están haciendo o simplemente alertas en caso de que no estén haciendo lo que es debido en un momento concreto. De esta forma el docente puede estar atendiendo a los alumnos que lo necesiten y delegar el acto de control, a tiempo real, a la analítica del aprendizaje. Esta alertará al docente en cuanto detecte irregularidades –o cualquier aspecto deseado por el docente.

La visión periférica de la analítica del aprendizaje supera en capacidad a la observación ocular que pueda realizar el docente, tanto en cantidad de alumnos observados como en tiempo de respuesta ante adversidades y capacidad de anotación ante eventos interesantes.

¿Puede el docente anotar todas las interacciones realizadas en los dispositivos? La observación ocular se vuelve ciega en cuanto se introduce tecnología en el aula, sin mencionar cuando los alumnos estudian a distancia en un entorno blended learning.

Al usar las tecnologías los alumnos interaccionan con distintos elementos virtuales. Estas interacciones dejan trazas que se almacenan en una base de datos. Más adelante estos datos serán útiles para el paso 3 del ciclo analítico, es decir, para el análisis y visualización de lo que han realizado los alumnos con los dispositivos durante la clase o las horas de estudio en casa.

Estas trazas suponen la materia bruta con la que la analítica del aprendizaje extrae conocimiento útil para que el profesor actúe en consecuencia. Para hacer un símil con la observación ocular, las trazas son las anotaciones que puede hacer el profesor en una libreta tras observar comportamientos en el aula.

La capacidad que tienen las herramientas analíticas de generar automáticamente trazas es altamente superior a la capacidad que tiene el profesor de observar y tomar manualmente anotaciones de comportamientos.

Cabe destacar que el docente no es escalable. Esto significa que no puede multiplicarse para observar a todos los alumnos a la vez, tomar notas al mismo tiempo, observar todas las pantallas de cada uno de los dispositivos, tomar nota de qué están haciendo en las aplicaciones de aprendizaje, reflexionar y tomar conclusiones a tiempo real.

En consecuencia, el docente necesita una herramienta distinta a la observación para poder multiplicarse y observar eficazmente el comportamiento de cada uno de los alumnos en su proceso de aprendizaje. Gracias a la analítica del aprendizaje las capacidades de visión periférica, trazabilidad y escalabilidad otorgan al profesor un poder de control y dominio del aula digitalizada que, de otra forma, sería actualmente imposible.

1.7. Privacidad de datos educativos y otras consideraciones

Los dos autores del libro somos docentes y conocemos de primera mano los efectos de utilizar la tecnología en el aula. Esto nos permite ver las oportunidades que brindan las tecnologías en el aula virtual/presencial y a la vez los posibles peligros y limitaciones de las mismas.

En relación con los peligros existen varios aspectos de la analítica del aprendizaje que nos preocupan especialmente. Entre ellos se encuentra la privacidad de los datos recolectados y los derechos de los alumnos en relación con los mismos datos.

Describiéndolo de forma simplista: la captura de datos en la analítica del aprendizaje puede ser selectiva o indiscriminada. Consideramos la selectiva como la correcta, cuando se trabaja sobre la base de métricas y objetivos establecidos antes de empezar el ciclo analítico. La recolección indiscriminada captura cuantos datos mejor y luego se intenta buscarles sentido, algo que no tiene rumbo o proyección de futuro en la ayuda del estudiante.

En cualquiera de los dos casos nos surgen algunas dudas:

De la misma forma que un profesor analiza a sus alumnos mediante la observación ocular en las clases presenciales, la analítica del aprendizaje permite analizar a los alumnos mediante la observación digital en los cursos virtuales.

A nadie se le ocurriría vendar los ojos del profesor, puesto que debe visualizar, observar y analizar a los alumnos en el aula presencial. Es un proceso natural dentro de la evaluación presencial. Obviamente, a ningún alumno se le da la oportunidad de decirle al profesor que no le mire cuando está trabajando en una clase presencial...

En el aula virtual el profesor también debe poder observar a sus alumnos para conocerlos, puede que incluso sea una obligación. No obstante, se plantean ciertos dilemas éticos en la recolección de datos digitales que sugieren que los alumnos dispongan de la opción de decidir ser observados en su totalidad, en parte o no serlo.

Con la recolección de datos crudos en la analítica del aprendizaje podemos saber con más detalle el comportamiento de los alumnos. En consecuencia, se almacenan (más) datos personales y trazas en entornos virtuales de aprendizaje. Esta es la cuestión que realmente debe preocuparnos y lo que es susceptible de dilema.

Deben definirse por lo tanto políticas respecto al tratamiento de los datos educativos, efectivas y transparentes. En ellas se debe dar respuesta a preguntas como:

Vivimos en la era del comercio de datos personales en la que prevalecen dos puntos de vista bien contrastados y que son fuente de grandes debates.

Por un lado, se encuentra la aproximación en la que los datos personales y trazas de los alumnos son privados, exclusivos y deben continuar siéndolo exista o no el consentimiento expreso del propietario. Incluso debe poder darse la opción a los alumnos de no recolectar ningún dato suyo, con las consiguientes consecuencias. Esta posición es más laica y deja en poder del alumno cualquier decisión en cuanto al uso y almacenamiento de sus datos.

Por otro lado, se encuentra una aproximación más restrictiva en los derechos y capacidad de decisión de los alumnos. En este sentido, el alumno no puede revocar que sus datos sean registrados o no puede pedir el olvido de sus trazas en cuanto termine de estudiar. Tal posición se justifica por cuanto todos los alumnos deben tener los mismos derechos de mejora en su proceso de aprendizaje o que sus datos van a ser útiles para posteriores generaciones de estudiantes.

Quizás lo más razonable es encontrar un punto medio entre las dos posiciones, que ayude a proteger los datos de los alumnos y que estos no pierdan los derechos ante políticas abusivas.

Autores como Slade y Prinsloo (2013) plantean un marco de trabajo con tres categorías que agrupan distintas inquietudes éticas y dilemas acerca de la recolección y análisis de interacciones de estudiantes:

La localización e interpretación de los datos: Ponen de manifiesto la necesidad de regulación del lugar de almacenamiento de los datos, la disponibilidad de los mismos en la aplicación de la analítica del aprendizaje, la transparencia ante el alumno de todo el proceso y sus derechos en cuanto a saber la interpretación que se hace de sus datos.

Consentimiento informado, privacidad y desidentificación de los datos: Expresan el desconocimiento que tienen los alumnos ante la captura realizada de sus datos e interacciones y el uso que se le está dando, tanto para mejorar su aprendizaje como para mejorar procesos de negocio institucionales. Se añade la necesidad de desvincular los datos recolectados del alumno origen, sobre todo en aquellos usos institucionales.

La gestión, clasificación y almacenamiento de los datos: Muestran la necesidad de una gestión transparente de los datos, del acceso regulado a los datos y del peligro que suponen los algoritmos si los alumnos no pueden actuar fuera de los resultados de los mismos.

La extensión del estudio hace que en este libro no se pueda expresar este asunto con detalle ni profundidad. En el mismo estudio se citan seis principios para un marco ético de las analíticas del aprendizaje que exponemos a continuación en formato de lista para conocimiento del lector pero sin entrar en más detalles:

Se aconseja lectura de estudio para mayor comprensión de las incertidumbres e inquietudes relacionadas con la recolección de datos educativos, así como para conocer los seis interesantes puntos del marco ético que proponen los autores.

Es evidente que la privacidad de datos en la analítica del aprendizaje es una cuestión que preocupa tanto a los ejecutores del proceso analítico como a los afectados (profesores, alumnos o cualquier rol educativo analizado).

De esta preocupación surgen muchas más preguntas en el momento de elaborar o participar en la analítica del aprendizaje. Se relacionan con qué datos se van a recolectar, dónde se van a almacenar o incluso qué tecnologías se deberán utilizar para salvaguardar los datos:

A lo largo de los últimos dos años distintos expertos se han ocupado de resolver o dar guías a estas cuestiones en los ethics and privacy for learning analytics workshops (EP4LA). Lo remarcable de estos talleres, y del trabajo de sus expertos, es que tras dieciocho meses del estudio de las leyes de la Unión Europea se ha publicado una lista de comprobación con el nombre de DELICATE. Además, la publicación se ha realizado en el marco de la LAK16, ocasión muy especial por el impacto que tiene este evento.

Drachsler y Greller (2016) son los autores de este estudio, en el que definen una lista de ocho puntos a seguir y que dan nombre a la lista. Se espera que la compleción de estos puntos asegure una analítica del aprendizaje transparente, vigente con la ley y de confianza. Los ocho puntos son:

Hay una consciencia clara de la necesidad de regular datos recolectados de los afectados por la analítica del aprendizaje. Se están realizando los pasos necesarios para hacer efectiva esta regulación y se espera que, en un breve lapso de tiempo, haya un avance significativo en este aspecto ético-legal.

Conclusiones

A lo largo de este primer capítulo se han abordado los cimientos de la analítica del aprendizaje que, desde una aproximación cuantitativa, ofrece un marco de optimización del proceso enseñanza-aprendizaje muy eficaz.

Se ha querido orientar en estos primeros pasos cómo abordar las bases de este arte analítico y cómo de necesaria es la lectura de las distintas publicaciones en internet de investigadores y organismos promotores. Se ha reflexionado sobre la conveniencia de considerarla big data o no según las 5 V de su modelo intrínseco y sus connotaciones predictivas. Se ha expuesto el proceso cíclico subyacente y su flexibilidad de adaptación en cualquier entorno educativo. Se ha puesto en duda el modelo observacional utilizado hasta la actualidad, e incluso se han mostrado con total transparencia las connotaciones e inquietudes éticas y morales que conlleva aplicar la analítica del aprendizaje.

En definitiva, se ha querido mostrar una analítica del aprendizaje al descubierto para dar paso a la estrategia de aplicación en el ámbito institucional y en el aula, así como a la profundización de aspectos más técnicos de la puesta en práctica en entornos reales. Todos estos aspectos estratégicos y de aplicación se tratarán en los siguientes capítulos.