Personalización, posibilidades y retos con la analítica del aprendizaje


El texto que traduzco a continuación, con la amable autorización de sus autores, ha sido escrito por Arthur VanderVeen, VicePresident of Business Development, y Nick Sheltrown, Director of Learning Analytics de Compass Learning. El post original en inglés puede leerse en el blog 'Navigator' de Compass Learning.
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 de 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 el dominio de los estándares y diferenciar.

New Media Consortium

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 sería posible sin la tecnología y la minería de datos inteligente y analítica. Dos conceptos claves constituyen la base para este trabajo: los 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 utilizan 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 instructivo que esté alineado y presentar preguntas y tareas apropiadas para evaluar el dominio.


Los modelos 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 los 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.


Analitica del Aprendizaje

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 que otros campos (como la medicina); 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 creemos que es un viaje que vale la pena hacer.

No hay comentarios:

Publicar un comentario en la entrada