Qué es Learning Analytics y cómo aplicarlo en tus cursos online.

El e-learning ha marcado una enorme diferencia en el sector educativo debido a sus ventajas en relación con otros contenidos educativos tradicionales. La posibilidad de contar con diferentes elementos interactivos dentro de un contenido en línea amplía la creatividad de los creadores de cursos en línea (instructores, docentes, diseñadores instruccionales, desarrolladores de e-learning, entre otros).

Sin embargo, aún cuando se tengan grandes mejoras en la interacción entre usuarios y con el contenido, el mayor potencial se encuentra en la recuperación de datos y análisis del aprendizaje, conocido como Learning Analytics o Analítica del Aprendizaje.

En este artículo te explicaremos más a fondo qué es Learning Analytics y cómo puedes aprovecharlo para mejorar de forma continua tus cursos y programas, y así crear excelentes experiencias de aprendizaje en línea.

Qué es Learning Analytics

Una buena definición es la que nos comparte SOLAR Research que dice de la siguiente manera: 

“Learning Analytics es la medición, recopilación, análisis y reporte de datos acerca de los estudiantes y sus contextos, con el objetivo de entender y optimizar el aprendizaje y los entornos en los que ocurre.”

Para ello, debemos de considerar lo siguiente:

1. Es necesario medir y recopilar datos, como punto de partida crucial, necesario aunque por sí mismo insuficiente.
2. No sólo es necesario medir el desempeño del estudiante, sino interacciones con el entorno o contexto, o inclusive la pertinencia de cuestionarios, reactivos y otros tipos de interacciones.
3. Además de comprender, se trata de optimizar y mejorar el proceso de aprendizaje en sí, así como los entornos y contenidos.

Ok, pero… ¿cómo podemos entender de forma práctica los Learning Analytics? Veamos a continuación sus posibles usos así como ejemplos de las diferentes aplicaciones que puede tener en un curso en línea.

Te puede interesar el Podcast: El futuro de tus cursos a partir del Learning Analytics

Aplicaciones de Learning Analytics

Ciertamente los Learning Analytics tienen diversas aplicaciones, todas muy importantes para el apoyo al proceso de aprendizaje de nuestros estudiantes y que podemos clasificar en cinco: Descriptiva, Predictiva, Prescriptiva, Diagnóstica y Activa.

• Analítica Descriptiva: Se refiere a la generación de reportes, gráficas y visualización de los diferentes comportamientos dentro de un proceso de aprendizaje. Un ejemplo es poder generar un listado de los mejores promedios del grupo, ordenados de mayor a menor respecto a su calificación, o bien una tabla con los nombres de los 5 mejores participantes de un curso.
• Analítica Predictiva: Sirve para determinar posibles escenarios en función de los datos actuales, por ejemplo para anticipar necesidades futuras de demanda, tendencias de un contenido, etc. Por ejemplo, en función del número de participantes que concluyen exitosamente el curso, pronosticar la cantidad de inscripciones a un curso subsecuente o avanzado en la misma temática. O bien, en función de problemas de desempeño detectados en un tema particular, anticipar la demanda de soporte instruccional o docente.
• Analítica Prescriptiva: Nos ayuda a identificar patrones y tendencias de datos para producir recomendaciones, o alertar a los instructores o administradores acerca de diferentes condiciones en el proceso de impartición. Un ejemplo es la detección de comentarios fuera del tema o inadecuados, mediante herramientas que puedan calificar el nivel de sentimiento. Una alerta para el administrador o instructor se genera en el momento en que aparecen estos comentarios y por tanto la necesidad de moderación de la conversación.
• Analítica Diagnóstica: Permite identificar las causas raíz por las que se presentan patrones o tendencias en los datos. Casos típicos de este tipo de analítica se presentan cuando queremos conocer las causas por las que algo ocurre. Por ejemplo, que la tasa de terminación promedio de un curso esté relacionada con un bajo nivel de involucramiento en foros de discusión o seguimiento del instructor, o bien, que las calificaciones promedio obtenidas en un examen sean bajas por la falta de mayor profundidad en el contenido.
• Analítica Activa: Nos sirve para explotar los datos en tiempo real para modificar contenidos y de esa manera crear cursos adaptativos. Por ejemplo, es posible establecer una dinámica en la cual un contenido educativo se muestre en el momento en que cinco o más estudiantes solicitan un contenido de refuerzo; o bien, a través de una encuesta de opinión, en donde los alumnos deciden qué tema quieren revisar a continuación, o el formato de aprendizaje que les resulta más valioso.

Fases de Learning Analytics

Todo proceso analítico parte de una fase previa de recuperación de información, y lleva a un proceso de identificación de patrones y generación de acciones. Veamos el siguiente diagrama básico del ciclo de vida del proceso de análisis de datos en general:

• Captura de Información. En esta fase se establecen los métodos y mecanismos para recabar información para el resto del proceso de data analytics. Es importante en este punto validar la calidad y pertinencia de los datos, pues de ello dependerá el máximo de calidad en las etapas subsecuentes del proceso.
• Procesamiento de datos. En esta fase se procesa la información capturada para poder obtener diferentes perspectivas y resultados. En general en esta fase se suelen enfrentar problemas como la reducción de complejidad, dimensionalidad y síntesis de información.
• Identificación de hallazgos. En esta fase se revisan los resultados de las etapas previas y se generan una serie de hipótesis que relacionan lo que los datos representan con sus posibles significados. De una manera es la producción de historias plausibles que confirman o rechazan ideas previas.
• Generación de accionables. En esta etapa y con los resultados de cada una de las previas, se plantean acciones que son consecuencia de una mejor comprensión de los datos y la información capturada. Una conclusión importante es que si el proceso no genera acciones concretas, no tiene mucho sentido establecer un proceso de análisis de datos.

Un ejemplo básico del uso de Learning Analytics

Veamos un ejemplo de aplicación muy simple, relacionado con una métrica muy utilizada que es el promedio del grupo en cada uno de los temas de un curso. 

Nuestro ejemplo trata acerca de un curso compuesto por 5 temas, cada uno de los cuales cuenta con una breve evaluación, para los 5 estudiantes de una primera generación.

1. Captura de Información

La primera fase de Captura de Información requiere obtener la calificación de cada participante y reflejarla en una tabla, en la cual cada columna representa uno de los 5 temas, y cada renglón corresponde a los estudiantes inscritos en el curso.

La fase de captura de información suele requerir de procesos continuos, a lo largo de todo el curso. Así se ve nuestra tabla de calificaciones en una aplicación de hoja de cálculo:

Fase 1: Captura de información

2. Procesamiento de datos

Una vez registrados los datos, en la siguiente fase del proceso es posible analizar mediante diversas técnicas tanto estadísticas como de procesamiento de datos, detección de tendencias e inclusive hacer uso de herramientas muy sofisticadas de Inteligencia Artificial (AI). 

En nuestro ejemplo utilizaremos una cantidad estadística muy utilizada en el análisis de datos de aprendizaje, que es el promedio de la calificación de cada tema. Como seguramente sabes, la forma de obtener un promedio es a través de la suma de todos los elementos, en este caso, todas las calificaciones de los estudiantes que luego se dividen entre el total de los mismos elementos.

Veamos para el Tema 1, qué promedio obtuvo todo el grupo:

Para obtener ese promedio con valor de 8.2 en el ejemplo, se puede hacer uso de la fórmula AVERAGE seguida de una lista de las casillas a promediar, en este caso de la B2 a la B6. En la hoja de cálculo se ve así:

El promedio es una cantidad valiosa porque nos puede dar una idea del resultado que podemos esperar de un estudiante. 

Sin embargo, el promedio tiene como desventaja la sobresimplificación de la información, pues no siempre nos da una idea de la distribución de las calificaciones, es decir, qué tanta variación hay entre la más alta calificación y la más baja.

Fase 2: Procesamiento de los datos

3. Identificación de Hallazgos

Ahora que tenemos los promedios por temas, podemos plantearnos una pregunta clave a responder, en este caso: ¿cuál de los temas tiene el menor promedio? y que posiblemente requerirá un refuerzo de contenido. Y, ¿cuál de los temas es el de mayor promedio? y que quizás podría ser revisado para equilibrarlo con respecto al resto de los otros temas del curso.

En esta fase de hallazgos se suelen utilizar muchas herramientas, quizás de las más importantes relacionadas con la visualización de datos. 

Si por ejemplo utilizamos una gráfica de barras para visualizar los promedios de cada uno de los temas del 1 al 5, podremos ver de manera inmediata las respuestas a las preguntas planteadas.

Inclusive es posible graficar el valor promedio de todos los temas para poder ver de forma individual cuáles temas están por arriba de la media y cuales por debajo en cuanto al promedio de grupo se refiere como se muestra en el siguiente gráfico:

Fase 3: Hallazgos sobre los datos analizados

Aquí podemos ver que el Tema 5 tiene el menor promedio, y posiblemente requiere un apoyo adicional. Por otro lado, es el Tema 1 el que tiene mayor promedio de todos los temas. 

4. Generación de Accionables

Finalmente, en la fase de generación de accionables, los instructores, administradores, diseñadores de contenido y autores pueden utilizar los diferentes hallazgos para determinar acciones específicas que les permitan mejorar tanto los contenidos, como el proceso de aprendizaje en lo general.

Por ejemplo, es relativamente fácil notar que existe una tendencia decreciente en los promedios de los temas conforme se va avanzando en el curso como se muestra en la siguiente gráfica: 

Fase 4: Accionables en función de los hallazgos

Un posible accionable de esta observación sería tratar de mejorar el involucramiento de los temas 3 a 5 para mantener un buen nivel de desempeño. 

Posiblemente el análisis a detalle de los reactivos de cada examen también permitiría considerar ajustes para nivelar la dificultad de cada tema, identificando preguntas que la mayoría de los estudiantes responde equivocadamente para así subsanar los contenidos con temas de refuerzo específicos.
Te puede interesar el Webinar: Cómo mejorar mi negocio de capacitación online con Yeira

Conclusiones

En este artículo presentamos lo que es Learning Analytics, qué ventajas tiene para diferentes aplicaciones en el ciclo de vida del e-learning, cuales son sus principales fases o etapas, así como un ejemplo muy básico de aplicación. Lo que no se puede medir no se puede mejorar, y esta premisa es la base del desarrollo de soluciones de tecnología educativa en Yeira. Si quieres aprovechar las capacidades avanzadas de Learning Analytics disponibles en Yeira, entra ahora con tu cuenta o ¡crea una gratis ahora! y revoluciona tu forma de impartir cursos y programas en línea.