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.

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 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 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.

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.

Hoy os traigo una entrada de esas que merece la pena leer y releer porque tiene un tanto de predicción de lo que va a ocurrir, de lo que ocurre ya. Apareció primero en Getting Smart el pasado mes de Enero y posteriormente en Navigator el blog de Compass Learning (ahora Edegenuity). Su autor, Arthur VanderVeen, Vice Presidente responsable de la estrategia de negocio y desarrollo de esta compañía, me ha autorizado amablemente a traducirla y compartirla con vosotros. Cada día que pasa viendo algunos desarrollos me convenzo más de que el futuro de la escuela y del desarrollo del talento no es otro que la personalización del aprendizaje.

Personalizando la Personalización

Los científicos, y los proveedores de aprendizaje digital, están desarrollando una diversidad de formas para incorporar estas dimensiones en sus soluciones de aprendizaje personalizado.

La plataforma School Improvement Network’s GAGE posibilita que los estudiantes puedan informar sobre cómo se sienten respecto a su aprendizaje, con la simple elección de un emoticono, que ayuda a los profesores a personalizar sus interacciones. Esta sencilla herramienta se basa en el hallazgo de que la auto-evaluación de sus intereses, la comprensión y el esfuerzo personal son factores críticos para el éxito del estudiante.

Renzulli Learning de Compass Learning, realiza inventarios de los intereses de los estudiantes y de las modalidades de aprendizaje preferidas por éstos, y recomienda actividades y proyectos basados en estándares personalizados al perfil de cada estudiante.

El informe anual de Renzulli Learning sobre las preferencias de aprendizaje de los estudiantes, basado en datos agregados de más de 100.000 estudiantes en todo el país [EE.UU.], muestra que las diferencias en los intereses y modalidades de aprendizaje preferidos son reales:

• El treinta y seis por ciento de los varones señalan como su interés principal el atletismo, en comparación con el 13 por ciento de las niñas.

• El  dieciocho por ciento de las niñas informan de que su interés principal es la lectura, en comparación con el nueve por ciento de los varones.

• El cuarenta y ocho por ciento de los estudiantes prefieren aprender a través de la tecnología y los juegos.

• El cuarenta por ciento de los estudiantes prefieren aprender a través de la interacción con el grupo (tutoría entre iguales, el trabajo en grupo y la discusión).

• Sólo el tres por ciento de los estudiantes prefieren aprender a través de clases.

• Las Matemáticas, las Ciencias y la Tecnológica han crecido en los últimos cinco años como principales intereses de los estudiantes, independientemente de su sexo.

Renzulli Learning es una plataforma que ayuda a los maestros para que puedan proporcionan a sus alumnos múltiples puntos de entrada a un tema, que se alinean con los intereses o modalidades de aprendizaje preferidos de cada estudiante. El resultado es una mayor implicación y persistencia y los resultados de aprendizaje, por lo tanto, son mayores.Una nueva start-up, APTUS, ha desarrollado una serie de tareas adaptativas e interactivas que evalúan cómo los estudiantes definen, procesan y ejecutan la información. Originalmente diseñado para ayudar a los atletas a romper las barreras mentales que bloquean el funcionamiento óptimo, APTUS analiza cómo el estudiante aborda y resuelve cada reto y desarrolla un perfil del alumno de siete propensiones no-cognitivas que se asocian con un mayor rendimiento:

• Confianza
• Concentración
• Autocontrol
• Detalle
• Competitividad
• Sencillez
• Determinación

Este tipo de información puede ayudar a los profesores, entrenadores, padres y estudiantes a desarrollar estas condiciones no-cognitivas para que, de manera indirecta pero poderosamente, puedan «ganar el juego mental» y mejorar el rendimiento académico y extra-académico.

El futuro de Personalización

Todas estas soluciones se construyen sobre una comprensión más amplia del conjunto de dimensiones cognitivas y no-cognitivas que influyen en cómo y por qué los estudiantes aprenden y rinden. El interés en las dimensiones no-cognitivas está creciendo, como lo demuestra la encuesta Gallup de Estudiantes, que está llevando a cabo un estudio longitudinal a diez años para medir cómo los sentimientos (auto-informados) de los estudiantes respecto a su bienestar, la esperanza, y el compromiso impactan en sus logros académicos. El futuro de la personalización incorporará mejores medidas de las dimensiones no-cognitivas, así como las dimensiones cognitivas del aprendizaje, construidas sobre la base de los intereses y las preferencias de los estudiantes como medio para aumentar el compromiso y la persistencia, el aprendizaje y el desarrollo de los hábitos de la mente que apoyen un aprendizaje más eficaz a largo plazo.