Por Gerardo Castañeda Garza
¿Qué hacen las universidades con toda la información que guardan de los estudiantes? Tan solo el historial académico de licenciatura comprende: la información relacionada con el ingreso a la universidad, los estudios profesionales y la graduación, así como los primeros años de egreso. Estos datos se registran y se almacenan durante cuatro a seis años, en promedio, pero ¿qué nos dice toda esta información?, ¿cómo podemos aprovecharla para ayudar a los estudiantes a alcanzar sus metas de formación profesional? En este artículo, les comparto el potencial de las analíticas de aprendizaje para transformar la educación superior, así como ejemplos de aplicaciones reales y algunas ideas innovadoras que nos ayudan a visualizar el alcance de esta área de estudio. Los avances tecnológicos como son el poder de cómputo actual para el manejo de grandes volúmenes de información, los avances en inteligencia artificial, los algoritmos de machine learning así como la minería de datos, hacen posible el camino que deben seguir las instituciones educativas para poner a prueba nuevos modelos de operación, evaluación y administración educativa.
Las analíticas de aprendizaje no son un campo nuevo de estudio, se tienen investigaciones documentadas desde 1979 cuando la universidad The Open University, de Reino Unido, analizó diez años de la historia académica de sus estudiantes a distancia, observando su progreso en cada curso y en las diferentes etapas de su vida escolar (Ferguson, 2012). De acuerdo con la Sociedad para la Investigación Analítica del Aprendizaje, por su nombre en inglés Society for Learning Analytics Research (SoLAR), describe a las analíticas de aprendizaje como la medición, colección, análisis y reporte de datos sobre los aprendices y sus contextos, con el propósito de entender y optimizar el aprendizaje y los ambientes en los cuales ocurre (SoLAR, 2023).
Aplicación de las analíticas de aprendizaje en la educación superior
A continuación, comparto algunas evidencias de la utilidad de las analíticas de aprendizaje en la educación superior, las cuales surgen del reporte Research evidence on the use of learning analytics: Implications for education Policy, publicado en una investigación conjunta por la Unión Europea (European Commission, 2018).
La universidad Georgia State University, en EE. UU, empleó el análisis predictivo con el fin de monitorear el desempeño de sus estudiantes, los datos también permitieron predecir el potencial de abandono escolar de algunos de sus estudiantes más destacados debido a temas de bajos ingresos o para estudiantes que representan la primera generación de sus familias en asistir a la universidad. Con esta información, diseñaron intervenciones con las cuales incrementaron sus tasas de graduación del 32 % en 2003 al 54 % en 2014 (European Commission, 2018; p. 82).
En el 2010, la universidad de Rio Salado College, en EE. UU., implementó un sistema de analítica predictiva para monitorear a los estudiantes en ambientes virtuales de hasta 40 mil estudiantes. Para este monitoreo, se incluyó un sistema de alertas tempranas para los profesores que les permitió identificar y atender mejor a aquellos estudiantes con riesgo de reprobar un curso (European Commission, 2018; p. 77).
En una aplicación más de las analíticas de aprendizaje en el 2011, la universidad Arizona State University, en EE. UU., realizó un proyecto junto con la compañía Knewton Enterprises para crear rutas de aprendizaje personalizado para más de 5000 estudiantes en cursos remediales de matemáticas en línea. La adopción de este sistema incrementó de 64 % a 75 % la retención de estudiantes en el programa de matemáticas remediales (European Commission, 2018; p. 76).
Analíticas de Aprendizaje en el Tecnológico de Monterrey
En el Tecnológico de Monterrey la investigación sobre el potencial de las analíticas de aprendizaje es primordial. Por ello, se han desarrollado diferentes iniciativas orientadas a la generación de modelos de inteligencia artificial con el fin de servir a diferentes públicos como son estudiantes, profesores y directivos. Por ejemplo, Hernández-de-Menéndez et al. (2022) describen un caso institucional en el cual se implementó un programa de apoyo a los estudiantes en riesgo mediante la minería de datos educativos de desempeño y de comportamiento. Analizaron la relación entre diferentes datos como es la información educativa (ej. calificaciones presentes y pasadas), las conductas (ej. asistencia a clase), las tendencias (ej. promedio actual y acumulado), así como también la experiencia de la Oficina de Mejoramiento Académico del Tec de Monterrey. Se implementó un programa de apoyo a estudiantes en riesgo de deserción escolar, a través del cual se redujo la tasa de deserción de un 15 %, disminuyendo también el porcentaje de estudiantes que deciden cambiar de carrera en un 20 %, y finalmente, logrando identificar y brindar una solución fundamental a un 30 % de los estudiantes en riesgo.
Otro ejemplo enfocado en las analíticas de aprendizaje en la institución inicia desde un paso anterior, es decir, desde la comprensión de cómo se entiende, válida y conectan los datos para la investigación educativa. Para llevarlo a cabo, iniciativas como el Data Hub del Instituto para el Futuro de la Educación proveen acceso a colecciones de datos institucionales con el fin de promover la investigación educativa, así como brindar un espacio a los investigadores para depositar y adquirir datos de sus propios estudios. De esta manera, el Data Hub realiza convocatorias de investigación como la convocatoria de deserción escolar, la cual impulsó la generación de un dataset del mismo tema, así como diferentes publicaciones académicas (Alvaro-Uribe et al., 2022; Talamás-Carvajal & Ceballos, 2023).
Pero ¿qué beneficios ofrecen las analíticas de aprendizaje a una institución de educación superior? Reconociendo la magnitud que implica el manejo de información educativa a lo largo del tiempo, este esfuerzo permite a una institución como el Tec de Monterrey, 1) la documentación de los datos disponibles para investigación de la mano de los expertos en la información, describiendo su significado y alcance, 2) vincular datos de uso común como la historia académica con otros datos más novedosos, por ejemplo: datos de aprendizaje a lo largo de la vida o encuestas de seguimiento profesional; todo lo anterior 3) brindando un espacio único para los investigadores, quienes pueden obtener información curada, validada y anonimizada, con una procedencia de los datos revisada de manera institucional.
Cabe destacar que a la fecha, la aplicación de las analíticas de aprendizaje en Latinoamérica, así como los investigadores que las estudian representan un número limitado dentro del campo de la educación (Hilliger et al., 2020), lo cual dificulta aprovechar el repertorio de información histórica de la experiencia de los estudiantes a lo largo de su vida académica, y en la mayoría de los casos se desconoce la trayectoria de su vida profesional. Si los docentes y directivos comprendieran todo el historial que viven los estudiantes, tendrían el poder de habilitar sistemas que personalicen sus aprendizajes acorde a sus experiencias académicas y de vida, identificando fortalezas y debilidades en el desarrollo de competencias – como lo permite realizar Khan Academy con una currícula STEM – así como brindar recomendaciones acorde a diferentes factores como personalidad, género, hábitos de estudio, intereses, y los aprendizajes observados de generaciones de estudiantes a lo largo del tiempo. Finalmente, la pregunta de reflexión es sencilla: ¿cómo nuestra estrategia basada en datos nos permite identificar qué dificultades sucedían en la adquisición de conocimientos o competencias hace 20, 10 o 5 años que ya no suceden ahora?
De no tener la respuesta – como dice una frase sobre oportunidades – el segundo mejor momento para trabajar en una nueva arquitectura de la educación es ahora.
La información que no encontramos a simple vista
Si consideramos la cantidad de datos que genera una institución de educación superior durante múltiples generaciones, podríamos comprender la gran oportunidad que esto representa. Tan sólo en el 2022, 668 mil estudiantes egresaron de una licenciatura en México (ANUIES, 2022), cada uno de ellos con un historial de datos de cuatro a seis años aproximadamente. Sin saberlo, este mar de información nos puede contar diferentes historias. Por ejemplo, 1) la de aquellos estudiantes que se graduaron y quienes no continuaron, 2) la insatisfacción de los estudiantes que desearon una experiencia más práctica para el trabajo o un enfoque más humano orientado al servicio; asimismo, podríamos encontrar 3) la historia de quienes no sabían podían acceder a algún apoyo financiero en convenio por la universidad o por el país, así como de otros que 4) podrían recibir apoyo social como acceso a consejeros académicos si se identificará una caída repentina en su asistencia o promedio.
Las analíticas del aprendizaje pueden facilitarnos realizar hallazgos a partir de los datos, identificar nuevas variables que podrían ayudar a la institución a responder mejor a diferentes situaciones que viven los estudiantes y tomar decisiones basadas a partir del análisis de la información. De esta manera, conforme la comprensión de cómo aprovechar los datos educativos para las analíticas de aprendizaje avance, incrementarán sus aplicaciones año tras año, con la posibilidad de adaptarse a cambios estructurales – como la modelación y visualización de datos, el aprendizaje máquina, hasta el uso generalizado de inteligencia artificial – que experimentan en los sistemas educativos.
Ejemplos de soluciones con analíticas de aprendizaje
Como en otros campos de la investigación, las analíticas de aprendizaje promueven el uso de métodos computacionales – como machine learning – con el fin de automatizar modelos de inteligencia artificial que nos ayuden a realizar un análisis de la situación de cada estudiante en el contexto de diferentes variables. Por ello, en comparación con el análisis de datos tradicional, la investigación de las analíticas de aprendizaje requiere una combinación entre un entendimiento del funcionamiento de una infraestructura de datos – desde su obtención, almacenamiento, análisis, visualización, recomendación y retroalimentación – hasta una comprensión ética y legal sobre las implicaciones del cuidado y buen uso de estos. Como un aspecto importante a resaltar, existen marcos de trabajo como PERLA (Personalized Learning Analytics) que pueden facilitar un acercamiento sistemático a cubrir en las analíticas de aprendizaje (Chatti & Muslim, 2019).
Como referencia, podemos tomar las aplicaciones existentes en diferentes instituciones educativas alrededor del mundo. Esta información nos ayuda a visualizar y comprender el valor de los datos en nuestras universidades y su alcance.
Retroalimentación mediante tableros digitales (dashboards)
En un contexto regular educativo, la principal forma de retroalimentación del desempeño de un estudiante ha sido mediante calificaciones, las cuales dejan de lado información valiosa que se genera a lo largo del tiempo. Imaginemos ahora con el uso de inteligencia artificial dentro una plataforma para entender cuál es el estatus de su formación. Por ejemplo, un estudiante podría acceder a la información del semestre actual para visualizar un calendario de tareas, su desempeño a comparación de otros estudiantes, así como una lista de intereses recomendados por la institución acorde a sus preferencias (ej. intercambios, becas, oportunidades de prácticas, oportunidades laborales). Con relación a tableros digitales, Roberts et al. (2017) ha documentado que existe una preferencia por tener la posibilidad de elección con facilidades para personalizarlos de acuerdo con sus necesidades.
Por otro lado, las instituciones podrían beneficiarse con un tablero digital para identificar a estudiantes en riesgo de deserción, desagregado por categorías (facultad, programa académico, estado de seguimiento) y niveles (internacional, nacional, estatal, local) así como un registro de las acciones que se están llevando a cabo para darle seguimiento a estos estudiantes.
Sistemas de recomendación para la educación
Reconocidos usualmente por su aplicación en tiendas digitales o aplicaciones de video en demanda (streaming), los sistemas de recomendación toman en consideración características del comportamiento de los usuarios para brindar recomendaciones con diferentes fines. En un caso educativo, los sistemas de recomendación pueden tomar en cuenta las experiencias pasadas de los estudiantes para sugerir contenidos de reforzamiento como lecturas, actividades, así como recabar datos de la experiencia de los estudiantes para luego integrarlos en un modelo de datos, analizarlos y evaluarlos. Si la recomendación otorgada fue la más apropiada o no acorde a diferentes hipótesis (ej. es apropiado para el programa académico, más no para el estudiante), se realizan los ajustes necesarios en el modelo o se solicita la intervención de un docente.
Tutores personalizados avanzados
En otro caso de un proyecto con potencial para desarrollar analíticas de aprendizaje, el Tec de Monterrey desarrolló un agente conversacional (chatbot) llamado TecBot que fue de especial utilidad durante el periodo de alerta por la pandemia (2020 – 2023) facilitando sobretodo el soporte a las necesidades administrativas de los estudiantes. Como un paso adicional – y con la popularidad y accesibilidad creciente de la inteligencia artificial generativa – la institución buscará formas para emplear esta tecnología, con el fin de generar tutores personalizados avanzados, que más allá de sólo apoyar en la resolución de temas administrativos, pueda acompañar a profesores y estudiantes como un asistente que pueda ayudar en posibles tareas la generación de actividades o ejercicios de práctica personalizados para reforzar los aprendizajes – con el potencial futuro de reconocer también factores emocionales, con el fin de ayudar a mantener la motivación para aprender en un estado de flujo, entre la capacidad del estudiante y el nivel de reto.
Reflexión
Como se describe brevemente en este artículo, las posibilidades de las analíticas de aprendizaje para la personalización de la educación superior son amplias. Sin embargo, se requiere del involucramiento y entendimiento entre diferentes áreas de tecnologías de la información y de educación. No obstante, es importante recordar que, más datos no es igual a mejores datos. Para una correcta actividad de las analíticas de aprendizaje debemos considerar temas como la privacidad, la ética y los derechos de las personas sobre el uso de sus datos. En este sentido, la integración de las analíticas del aprendizaje en la educación superior abrirá nuevas discusiones éticas y de seguridad para utilizar y proteger los datos generados en beneficio de la comunidad como eje rector – un tema que también exploramos en el Instituto para el Futuro de la Educación del Tec de Monterrey.
Si desean saber más o colaborar en una iniciativa de analíticas de aprendizaje, los invito a participar con el Living Lab & Data Hub del Instituto para el Futuro de la Educación del Tec de Monterrey. Cada año, llevamos a cabo una serie de actividades que promueven el uso de los datos educativos, como convocatorias de investigación basadas en datos, seminarios abiertos al público en general, así como workshops exclusivos para profesores e investigadores de la institución. En caso de tener dudas o preguntas sobre otras posibilidades, pueden contactarme mediante mi correo electrónico al final del escrito, y con mucho gusto les guiaré para involucrarse en este interesante mundo.
Acerca del autor
Gerardo Castañeda Garza (g.castaneda@tec.mx) es Doctor en Innovación Educativa por el Tecnológico de Monterrey. Funge como Coordinador en Adquisición de Datos en el Living Lab & Data Hub del Instituto para el Futuro de la Educación del Tecnológico de Monterrey. Su línea de investigación gira entorno a la interdisciplinariedad en temas de educación, disfrutando un perfil de generalista que aborda y combina múltiples áreas del conocimiento.
Referencias
Alvarado-Uribe, J., Mejía-Almada, P., Masetto Herrera, A. L., Molontay, R., Hilliger, I., Hegde, V., Montemayor Gallegos, J. E., et al. (2022). Student Dataset from Tecnologico de Monterrey in Mexico to Predict Dropout in Higher Education. Data, 7(9), 119. MDPI AG. Retrieved from http://dx.doi.org/10.3390/data7090119
Asociación Nacional de Universidades e Instituciones de Educación Superior (ANUIES). (2022). Anuarios Estadísticos de Educación Superior (Ciclo Escolar 2021 – 2022). Anuarios Estadísticos de Educación Superior. http://www.anuies.mx/informacion-y-servicios/informacion-estadistica-de-educacion-superior/anuario-estadistico-de-educacion-superior
Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.2307/1175554
Chatti, M. A., & Muslim, A. (2019). The PERLA Framework: Blending Personalization and Learning Analytics. The International Review of Research in Open and Distributed Learning, 20(1). https://doi.org/10.19173/irrodl.v20i1.3936
Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. In the International Journal of Technology Enhanced Learning (Vol. 4, Issues 5–6, pp. 304–317). Inderscience Publishers. https://doi.org/10.1504/IJTEL.2012.051816
European Commission, Joint Research Centre, Hillaire, G., Ferguson, R., Rienties, B. (2018). Research evidence on the use of learning analytics – Implications for education Policy, (R.Vuorikari,editor,J.Castaño Muñoz, editó) Publications Office. https://data.europa.eu/doi/10.2791/955210
Hernández-de-Menéndez, M., Morales-Menendez, R., Escobar, C. A., & Ramírez Mendoza, R. A. (2022). Learning analytics: state of the art. International Journal on Interactive Design and Manufacturing, 16(3), 1209–1230. https://doi.org/10.1007/s12008-022-00930-0
Hilliger, I., Ortiz-Rojas, M., Pesántez-Cabrera, P., Scheihing, E., Tsai, Y. S., Muñoz-Merino, P. J., Broos, T., Whitelock-Wainwright, A., Gašević, D., & Pérez-Sanagustín, M. (2020). Towards learning analytics adoption: A mixed methods study of data-related practices and policies in Latin American universities. British Journal of Educational Technology, 51(4), 915–937. https://doi.org/10.1111/bjet.12933
Roberts, L. D., Howell, J. A., & Seaman, K. (2017). Give Me a Customizable Dashboard: Personalized Learning Analytics Dashboards in Higher Education. Technology, Knowledge and Learning, 22(3), 317–333. https://doi.org/10.1007/s10758-017-9316-1
Society for Learning Analytics Research (SoLAR). (2023). What is Learning Analytics? Society for Learning Analytics Research. https://www.solaresearch.org/about/what-is-learning-analytics/
Talamás-Carvajal, J.A., Ceballos, H.G. A stacking ensemble machine learning method for early identification of students at risk of dropout. Educ Inf Technol (2023). https://doi.org/10.1007/s10639-023-11682-z
Edición
Edición por Rubí Román (rubi.roman@tec.mx) – Editora de los artículos Edu bits y productora de los Webinars del Observatorio- «Aprendizajes que inspiran» – Observatorio del Instituto para el Futuro de la Educación del Tec de Monterrey.
Comité revisor
Dr. Leonardo Glasserman. Director del programa de Maestría en Emprendimiento Educativo y profesor investigador asociado en la Escuela de Humanidades y Educación del Tecnológico de Monterrey.
Revisado: 21 de junio 2023
Enviado: 21 de marzo 2023
Fecha de publicación: 27 de junio 2023
Tomado de EDUBITS bajo una licencia CC BY-NC-SA 4.0 
No hay comentarios:
Publicar un comentario