Minería de datos para un aprendizaje (social) más efectivo

Autoras/es: Dolors Reig

El análisis, la minería de datos es una de las tendencias de futuro más claras en la web.  Y se aplica a muchos ámbitos pero en especial al científico, como muestra la noticia que leía recientemente, con Google y Microsoft apostando por el mapeado de la investigación científica y proporcionando herramientas gratuitas para citación, redes y seguimiento de los ámbitos más recientes de investigación científica.
El mismo fenómeno toma fuerza en educación, potenciando lo que podríamos denominar las posibilidades “aumentadas” de aprendizaje en la web o el que desde ya podríamos también llamar Aprendizaje aumentado.

(Fecha original del artículo: Agosto 2011)

Identificábamos en un escenario de cuatro a cinco años para el Horizon Report que elaboramos varios expertos este 2011 y exponía en Expoelearning 2011 como tendencia, la de las analíticas de aprendizaje, capaces de proporcionar retroalimentación para autoregular el proceso de aprender.  En qué áreas se falla, en cuáles mejorar, eran temas con los que algunas aplicaciones actuales empiezan a saber lidiar en beneficio de la autonomía del estudiante y de la idea del Do it yourself (hazlo tú mismo) que proponen los movimientos edupunk y otros muchos enfoques del aprendizaje en la era web.
Ejemplo de ello es el aprendizaje científico, adaptativo de Knewton, con la cualidad de personalizar el aprendizaje en base a datos objetivos. Al realizar tareas online, podemos registrar y capturar 100,000, 200,000 elementos, datos útiles con los que crear distintos recursos, como  libros de texto personalizados según las fortalezas y  debilidades de cada uno.  Conforme el alumno avanza el sistema va recogiendo cada vez más información: lo que le gusta, lo que le aburre, lo que ya sabe, lo que le queda por dominar, incluso en qué momentos del día asimila mejor los contenidos.
Hablamos siempre de la necesidad, en esta tercera década de la web caracterizada por la abundancia de contenidos de personalizar la información. Pues bien, ante la crisis de los contenidos en elearning, un valor añadido importante puede ser también el de la personalización:  Así como decíamos que la publicidad personalizada puede ser considerada buen contenido, el aprendizaje personalizado es buen contenido para el elearning competitivo hoy.
George Siemens las define así:

Las analíticas de aprendizaje se refieren a la interpretación de un amplio rango de datos producidos y recogidos de los estudiantes para orientar sobre su progresión académica, predecir actuaciones futuras e identificar elementos problemáticos.  Los datos se recogen a partir de acciones explícitas, como completar tareas y realizar exámenes pero también (y en eso está la novedad), de las actuaciones tácitas, de interacciones sociales online, y actividades extracurriculares, posteo en foros, etc.

Además del autoaprendizaje, del feedback que pueden proporcionar al aprendizaje sin profesor, compensando en parte cuestiones de motivación, el tipo de  software de análisis de redes que veremos a continuación puede ayudar a personalizar los esfuerzos formativos, así como otras cuestiones importantes en redes sociales y comunidades orientadas al aprendizaje.
La introducción a SNAPP, una herramienta que permite a los usuarios visualizar la red de interacciones resultante de la participación en foros de  discusión, nos ayudará a entenderlo. Las visualizaciones de red en foros proporcionan una oportunidad para los profesores para identificar patrones de comportamiento de usuario, en cualquier momento durante la progresión del curso. Trabaja con varios LMS open source, como BlackBoard (incluido su antecesor, WebCT), y Moodle.
Muchos de los datos generados desde distintos  LMS (sistemas de software gestor de contenidos en elearning) incluyen reportes del número de sesiones  (log-ins), tiempo de conexión, número de descargas, etc., que pueden tener sentido desde un modelo vertical, basado en el contenido, individual, tradicional en definitiva, de enseñanza.
Hoy, en un escenario de aprendizaje social constructivista aumentado a través de las posibilidades de las redes sociales, necesitamos otro tipo de métricas: quién responde a quién, a qué nivel se comunican los integrantes, qué discusiones son las que más interés generan, todo ello dibujado en diagramas de redes:
Un diagrama de redes (existen múltiples formatos, como GraphML, NetDraw, etc) es un dibujo de las interacciones entre los estudiantes y dinamizadores, profesores o cualquier otro agente implicado en el aprendizaje.
Proveen de información para la rápida identificación de los niveles de implicación y la densidad de las redes que emergen de cualquier actividad online.


Será fácil a partir de ellos:

• Identificar estudiantes desconectados o en riesgo de desconexión (lo vemos en la imagen)
• Identificar informadores clave en nuestras clases.
• Identificar estudiantes con resultados muy positivos o muy bajos para poder planear intervenciones en cualquier momento del proceso.
• Indicar la medida en la que podemos hablar de que se está creando una comunidad de aprendizaje en nuestras clases.
• Proveer de un sistema de prueba “antes y después” sobre qué tipo de interacciones ocurrieron antes y después de determinadas intervenciones.
• Permitir a los estudiantes hacer benchmarking del progreso de los demás y el propio.

Pero más allá de plataformas sabéis de las posibilidades del Aprendizaje social abierto en la web del que tanto hemos hablado aquí. Una entrevista reciente a George Siemens definía el escenario que creo ideal como de cursos abiertos y distribuidos (los famosos MOOCs) pero analíticas centralizadas.
Para esto último se desarrollan interesantes herramientas de análisis del discurso, como las del Knowledge Media Institute en la Open University, capaces de valorar la profundidad y pertinencia de las aportaciones de cada estudiante. Podemos trabajar también con las típicas herramientas de medida de la reputación online, como Klout o rastrear discusiones en redes distribuidas con herramientas como Radian6, Google analytics, etc.

En fin… material diverso de estudio para la nueva profesión de experto en aprendizaje, con nuevas herramientas y métodos que, ante un universo de datos abundantes, ir diseñando.