6 de marzo de 2015

Personalización, posibilidades y retos con la analítica del aprendizaje

Si comienzas con el supuesto razonable de que los estudiantes aprenden mejor cuando la instrucción es personalizada de acuerdo a sus necesidades, y que se comprometen más con el logro del objetivo que persiguen, te enfrentas con una serie de retos educativos. Muchos de estos desafíos son el resultado de tratar de personalizar en el contexto de las estructuras tradicionales de la escuela, que estandarizan el plan de estudios, las evaluaciones, la agrupación, y el tiempo de instrucción.

 Si comienzas, de nuevo, con la suposición de que estas estructuras tradicionales no van a desaparecer, entonces te enfrentas con un verdadero problema: cómo lograr los enormes logros académicos que son posibles a través de los métodos de enseñanza personalizada dentro de las limitaciones de un aula tradicional. Los maestros que personalizan la instrucción se enfrentan a muchos retos, el principal de ellos es la gestión las diferencias en el aprendizaje de 30 (o 150) estudiantes a través de lo que sigue siendo una secuencia y un contenido estándar que conduce a una evaluación final.

 Los modelos de aprendizaje mixto (blended) intentan solucionar este problema dividiendo responsabilidades de instrucción entre el profesor y el ordenador. Los sistemas de aprendizaje inteligente personalizan el ritmo y el itinerario, proporcionando retroalimentación correctiva basada en el logro del dominio, permitiendo a los profesores centrarse en objetivos de aprendizaje más profundos con grupos de aprendizaje diferenciados más pequeños. Los modelos de aprendizaje de rotación y flexibles están diseñados específicamente para coordinar esta instrucción individualizada y en grupo. Con buena información y una hoja de cálculo (o un libro de calificaciones basadas en el dominio), los profesores pueden agrupar flexiblemente a los estudiantes de acuerdo con dominio de los estándares y diferenciar.



Los fundamentos de la personalización


Los maestros eficaces personalizan, interpretan lo que un estudiante sabe y es capaz de hacer con el fin de aprovechar ese conocimiento y avanzan al estudiante hacia nuevos objetivos de aprendizaje. Pero la enseñanza diferenciada a esta escala (por ejemplo, 30 estudiantes x instrucción diferenciada diaria x múltiples objetivos semanales de aprendizaje) no serían posibles sin la tecnología y la minería de datos inteligente y analítica. Dos conceptos claves constituyen la base para este trabajo: mapas de conocimiento y los modelos de estudiantes. La minería de datos (data mining) educativa y el análisis del aprendizaje (learning analytics) se ponen "en conversación" para discernir qué condiciones para el aprendizaje serán más eficaces, para qué estudiantes, dentro de qué contexto, y utiliza esa información para personalizar la experiencia de aprendizaje de modo que se obtengan resultados óptimos

Los mapas del conocimiento


La formalización de un mapa de secuencias de aprendizaje, con conceptos conectados y habilidades que definen cómo uno domina un ámbito, como en Álgebra y representar el dominio de los estudiantes en el mapa, permite a los sistemas de aprendizaje inteligentes recomendar el siguiente concepto o habilidad que hay que aprender, proponer un contenido instruccional que esté alineado y presentar preguntas y tareas apropiadas para evaluar el dominio.

Los modelos de estudiantes


Otras variables, más allá de la posición actual de un estudiante en el mapa de conocimiento, afectan a su progreso en el dominio de un ámbito dado. La experiencia previa y los intereses, el rendimiento académico pasado, sus objetivos, motivaciones, autoconcepto, autoeficacia y conducta, todos pueden ser predictivos de los resultados de los estudiantes.

La analítica del aprendizaje combina datos de modelos de estudiantes con información sobre el comportamiento de aprendizaje, mapas de conocimiento y resultados de aprendizaje, y los analiza para identificar patrones que asocien los rasgos del estudiante con resultados exitosos. Como los sistemas se vuelven más inteligentes empíricamente, observando las correlaciones entre los comportamientos y resultados, refinan sus recomendaciones personalizando, aún más, los perfiles de los aprendices.

Este tipo de trabajo es muy diferente de la prueba de hipótesis formal de la investigación en educación. La analítica del aprendizaje proporciona un conjunto de técnicas analíticas que son más adecuadas para hacer frente a la frecuencia y la cantidad de datos disponibles en la era digital. No obstante, el reto para el análisis del aprendizaje (y sus aplicaciones) no está en tener grandes conjuntos de datos para analizar, sino en identificar los datos correctos para recoger y analizar; en otras palabras, para separar la señal del ruido.



Nuevos retos


A medida que el aprendizaje personalizado se extienda, en los próximos años, así lo hará la demanda de una mejor analítica del aprendizaje para mejorar la calidad y la eficacia de los diseños de aprendizaje personalizado. Las escuelas se están proveyendo de toneladas de tabletas y avanzan hacia la implantación de modelos 1-1.

El número de estudiantes que actualmente tienen acceso a dispositivos con conexión a Internet está creciendo exponencialmente. Esta tendencia indica que estamos solo arañando la superficie de un aprendizaje personalizado posible gracias a la tecnología.

Pero el potencial de la analítica tiene sus obstáculos. Ciertamente, la privacidad de los datos de los estudiantes es un asunto importante que ha sido objeto de atención recientemente, pero hay otros.

Uno de estos retos es ampliar la perspectiva de los educadores sobre las posibilidades de un aprendizaje personalizado guiado por la analítica. Ésta marca una diferencia importante respecto a las estrategias de instrucción guiadas por los datos tradicionales. Ello es así porque hay muchos más datos disponibles para extraer información, darles sentido y utilidad.

Mientras que las escuelas se han basado para tomar decisiones para diferenciar, principalmente, en los datos de la clase, la evaluación sumativa, etc., ahora es posible integrar otros muchos tipos de datos relevantes, incluyendo la asistencia, datos de conducta, satisfacción del estudiante y la gran masa de datos que pueden producirse en contextos mediados por computadoras.

Mediante el uso de estos conjuntos de datos ampliados, la analítica del aprendizaje puede encontrar patrones y desarrollar modelos predictivos que puedan tener en cuenta, de forma más matizada, los perfiles de los estudiantes, ayudando a los educadores a refinar su comprensión de qué es lo que funciona para qué estudiantes y en qué contexto.

Esto nos pone ante un segundo reto: implicar de modo activo a los educadores para diseñar e integrar estas herramientas en el contexto de la clase. Los investigadores y los diseñadores de experiencias de aprendizaje guiadas por la analítica, deben mantener un contacto próximo con los retos de las clases de hoy. No es suficiente diseñar analíticas avanzadas para mejorar la toma de decisiones, si no entendemos cómo los profesores pueden aplicarlas para optimizar los resultados de aprendizaje de sus estudiantes. El valor de una herramienta reside en su uso.

Al final, creemos que la educación tiene el potencial para seguir el mismo viaje hacia la práctica personalizada (como la medicina) que otros campos; sin embargo, es importante que seamos realistas sobre el carácter incipiente de este campo. La instrucción asistida por ordenador no es nueva, pero la proliferación de la tecnología y los datos sí. La calidad y cantidad de datos disponibles abre nuevas oportunidades para proporcionar experiencias efectivas de aprendizaje personalizado, pero con ella, sin duda, ciertos desafíos. Sin embargo, hemos visto de primera mano los beneficios que estas tecnologías pueden tener en millones de estudiantes, de modo que cremos que es un viaje que vale la pena hacer.

________________________________________
Nota: El post original que puede verse aquí, ha sido escrito por Arthur VanderVeen, VP of Business Development, and Nick Sheltrown, Director of Learning Analytics, Compass Learning. This post first appeared at edSurge.com

2 de marzo de 2015

Las Matemáticas y ¡los adolescentes!

Esta mañana he recibido un correo en el que se incluye este infográfico elaborado por dreambox, una plataforma de educación adaptativa de las matemáticas.

¿No os pasa que cuando vais a comprar un producto determinado, coche, televisión, o cualquier otra cosa, no dejáis de encontraros coches similares o televisiones como la que queréis comprar? ¿Que váis por la calle y, como de repente, no hay más coches que los del color y modelo que queréis adquirir? Llevaban ahí tiempo pero nunca os habíais fijado en que estaban.

La personalización del aprendizaje está ahí desde hace tiempo, como ya he comentado al hablar de rescatar la Pedagogía Diferencial para la escuela, pero casi habíamos llegado a darlo por imposible o inviable. Sin embargo, ahora las cosas han cambiado y cliques donde cliques (esto es una exageración mía) todo llama a la personalización, a la adaptación de las estrategias, los modos, los tiempos, los materiales, a las condiciones particulares de los que han de aprender.


Nurturing the Middle School Mathematical Mind Infographic

27 de febrero de 2015

¿Qué sabes sobre el desarrollo del talento? ¡Te regalo un libro!

Durante años he venido trabajando en uno de los modelos de identificación y desarrollo del talento de más eficacia en el mundo, que hunde sus raíces en el SMPY (Study of Mathematically Precocious Youth) desarrollado por Julian C. Stanley a finales de los años 60 y primeros 70; eminente psicólogo y entrañable amigo desde 1995 hasta su fallecimiento en el verano de 2005. Ya he hablado de él y escrito entradas en el blog sobre este modelo (utiliza la etiqueta Talent Search en el buscador del blog, hay por lo menos 6 entradas que te pueden interesar).

Con el profesor Stanley en Pamplona durante el congreso de ECHA 2004
Pero la razón de este post es que quiero poner a vuestra disposición un libro de más de 400 páginas sobre "el desarrollo del talento y la aceleración como estrategia educativa", del que somos autores Marta Reyero, que entonces trabajaba conmigo, y yo mismo. En el texto todavía mencionamos el término "superdotado", si bien dándole un sentido distinto del que tanto he criticado en estas páginas.
Es una monografía de investigación, lo que significa que no es un libro de recetas, ni de cómos. Es un libro en el que se revisan más de 600 trabajos de investigación y que pretende aportar algunas conclusiones sobre el problema que trata. Espero que os parezca de interés. A mi me resulta particularmente entrañable el prólogo (Foreword) escrito por el profesor Stanley, pues me trae recuerdos imborrables; haberle conocido marcó un antes y un después en mi carrera profesional.

En la ceremonia de celebración de su jubilación en 1992, Lee J. Cronbach (otra eminente figura) dijo:


“IN 100 YEARS, WHEN THE HISTORY OF GIFTED EDUCATION IS WRITTEN, LEWIS TERMAN AND JULIAN STANLEY ARE THE TWO NAMES THAT WILL BE REMEMBERED”

¿Quieres compartirlo?

Related Posts Plugin for WordPress, Blogger...