smart data para la mejora de la educación y sus procesos de enseñanza aprendizaje
TRANSCRIPT
Smart Data para la mejora de la
educación y sus procesos de enseñanza-aprendizaje
Alex Rayón [email protected], @alrayon
Director General Deusto eCampus, la universidad online de Deusto
7 de Septiembre, 2015Santander, España
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
2
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
3
Clarificando conceptosDrivers of Big Data
4
Clarificando conceptosDrivers of Big Data (II)
5
La sociedad se ha tecnificado, y estamos cada vez más interconectados
Se habla de las redes sociales
A eso unámosle que el coste computacional es cada vez menor
Menor coste de producción
Cada vez se están digitalizando más procesos y actividades de nuestro día a día
Generaremos cada vez más datos
Clarificando conceptosBig Data vs. Business Intelligence
6
Business Intelligence
Big Data
Clarificando conceptosBig Data vs. Business Intelligence (II)
7
No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas
Una disciplina que tiene un objetivo a medio plazo
La herramienta de la estrategia y de la dirección
Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
Clarificando conceptosData Science
8
Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391
Clarificando conceptosData Science: Scientific Method
9
Fuente: http://kids.britannica.com/elementary/art-183875/The-scientific-method-is-the-process-scientists-follow-to-solve
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
10
Por qué Smart DataDel dato al conocimiento
11
El dato por si solo nos aporta poco…2.000 visitantes únicos en mi tienda online1.000 nuevos usuarios en mi aplicación10% nuevos clientes en mi exposición24 conversiones de las campañas de captación3.000 € de incremento del tamaño de la
transacción media de ticket de compra…
Falta contexto → circunstanciasFechaDispositivo/canalGeolocalizaciónTendencia/perspectiva...
Por qué Smart DataSmart and Deep Data
12
Por qué Smart DataEl Business Analytics en educación
13
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
14
Impacto en educaciónData-Driven university
15
Impacto en educaciónData-Driven university (II)
16
Fuente: http://misalondon.ca/PDF/special_pres/Data_Quality_Capacity_&_Culture.pdf
Impacto en educaciónEnfoques
17
● Academic Analytics○ (Goldstein and Katz, 2005) Prácticas de toma de
decisiones académicas basado en el análisis y explotación de datos
○ (Campbell and Oblinger, 2007) Maridaje entre los conjuntos de datos y los métodos estadísticos para mejorar la toma de decisiones académicas
● Learning Analytics○ Sus objetivos de mejora están en el aprendizaje○ Factores que están impulsándolo: cada vez mayor
generación de datos, mayor capacidad computacional, accountability, perfil de los estudiantes, mejores formatos de datos, el éxito del Academic Analytics
Impacto en educaciónAcademic Analytics: aplicaciones
18
● Estudios de mercado○ Dirigir acciones de marketing hacia perfiles
tradicionalmente matriculados en el pregrado o postgrado que se quiera reforzar
● Proceso de admisión○ La Universidad de Baylor, TX, USA, modela el
perfil del estudiante de éxito para disponer de un sistema de admisión exigente basado en la evidencia empírica de perfiles que saben funcionan
Impacto en educaciónAcademic Analytics: aplicaciones (II)
19
● Servicios de inserción profesional sobre el perfil competencial○ Podremos analizar datos
de otros alumni ya trabajando para que los alumnos actuales encuentren mejores pasantías, localizar mentores o mejorar el proceso de intermediación laboral a través de alumnis
At Universities, a Push for Data-Driven Career Services
Impacto en educaciónAcademic Analytics: aplicaciones (III)
20
Proponer a los estudiantes la elección de asignaturas
según perfiles de competencias y Alumnis
de éxito
Ayudar a los estudiantes recién ingresados a
encontrar un camino y estrategia de estudio
Comparar datos de Alumni con los estudiantes actuales
en función de roles y competencias
Impacto en educaciónAcademic Analytics: aplicaciones (IV)
21
Reducción tasa de abandonosAnalizando datos demográficos, estilos de
aprendizaje, motivaciones, rasgos de personalidad, etc. etc., construiremos un perfil de éxito y de fracaso
De este modo, podremos optimizar la predicción del posible éxito o fracaso de un estudiante
Es el modelo que dispone la Universidad de Northern Arizona, AZ, USA
El objetivo será disponer de un modelo predictivo, que, además, vaya mejorándose con el resultado de las intervenciones que se planteen para reducir la tasa de abandonos
Impacto en educaciónLearning Analytics: aplicaciones
22
● Evaluación y feedback○ Dar al estudiante una retroalimentación
inteligente que le permita mejora de manera continua su desempeño
○ El estudiante podrá entender cómo mejorar su proceso de resolución de ejercicios, asimilación de conocimientos, toma de decisiones, etc.
○ Se disponen de métricas de interacción entre estudiante y plataforma, materiales didácticos, actividades de aprendizaje y evaluación, etc.
○ Por lo tanto, se podrán hacer análisis muy exhaustivos
Impacto en educaciónLearning Analytics: aplicaciones (II)
23
● Sistemas de alerta temprana○ En la línea del sistema Signals de la
Universidad de Purdue, IN, USA, disponer de un sistema de predicción del eventual rendimiento de un estudiante para notificarle, con carácter preventivo, que debe cambiar ciertas conductas para mejorar su rendimiento académico
● Clasificación de estudiantes○ A través de diferentes criterios educativos, se
pueden agrupar estudiantes para organizar grupos de trabajo, equipos de alto rendimiento, etc.
Impacto en educaciónLearning Analytics: aplicaciones (III)
24
● Ofrecer recomendaciones○ El proyecto RISE de la Open University del
Reino Unido, busca proveer a los estudiantes de un feedback activo y en tiempo real mientras estudian
○ De este modo, buscar mejorar la experiencia del estudiante, y que perciba la cercanía y tutorización que todo estudiante dispone
● Personalizar el curso al estudiante○ Se pueden personalizar los materiales
didácticos, actividades de evaluación y aprendizaje, etc. sobre la base de las preferencias que hubiera previamente dispuesto un estudiante
Impacto en educaciónLearning Analytics: aplicaciones (IV)
25
● Aumentar la reflexión○ Cuando los estudiantes observan su progreso
en un dashboard, interiorizan más sus resultados, y pueden reflexionar hacia la mejora continua
● Detectar la emoción/sentimiento de los estudiantes○ Si se analiza el comportamiento de los
estudiantes en entornos digitales de aprendizaje, se puede llegar a modelizar la emoción y sentimiento de los mismos
● Y muchas otras aplicaciones
Impacto en educaciónLearning Analytics: aplicaciones (V)
26
● Quizás, la aplicación más interesante para una universidad sea el análisis de los datos que los estudiantes y sus contextos de aprendizaje producen
● Ello, permitiría ayudar en el proceso de desarrollo y evaluación de competencias○ Proceso que actualmente es difícil por la
naturaleza aún subjetiva de la evaluación, la falta de escalabilidad del proceso y la dificultad de encontrar cómo los estudiantes han procedido a resolver una determinada actividad
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
27
Tratamiento y gestión de datosEsquema general
28
Tratamiento y gestión de datosEsquema general
29
Pasaremos de disponer de datos brutos (que permiten responder al “qué”) al conocimiento (que responden al “cómo” y “por qué”) a través de su
presentación gráfica
Tratamiento y gestión de datos
Data Analytics
30
Analytics, es la ciencia del análisis lógico
En entornos universitarios, permite introducir el análisis lógico y la toma de decisiones basada en evidencias y no solamente en la experiencia
Esto permite mejorar el valor añadido de los servicios
Se compone de los procesos, técnicas y herramientas que se emplean para producir y comunicar inteligencia accionable a partir del análisis de grandes volúmenes de datos
Tratamiento y gestión de datosData Analytics (II)
31
Informa de patrones ocultos y relaciones del proceso de aprendizaje y profesional así como los factores que determinan el éxito de un estudiante
Todo ello, analizando la complejidad, diversidad y abundancia de información que los entornos de aprendizaje dinámicos pueden generar
Describen el mundo real, reduciendo su complejidad a una forma más entendible y accesible para todas las personas
Tratamiento y gestión de datos
Resolución de problemas
32
Problemas
Predictivos(supervisados)
Descriptivos(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
33
En educación… evaluando competencias
Introducción
34
Competencias“Measurable or observable knowledge,
skills and behaviors”
En educación… evaluando competencias
La dificultad de la evaluación de competencias(i) ScalabilityEven more difficult with distance learning models [Johnson, 2013]
(ii) Subjective natureCurrently, interpreted by the teacher
(iii) Finding latent skillsHard to find the latent skills behind exercises or questions [Beheshti,
2012]
(iv) Difficulty to assess the procedural aspects
How students arrive at answers35
En educación… evaluando competencias
La dificultad de la evaluación de competencias (II)Process/Work of the student
36
En educación… evaluando competencias
La dificultad de la evaluación de competencias (III)“In order to create innovative learning environments, ideas
focus on engagement and feedback”
[OECD, 2013]
“Make sense and intelligent use of the data provided by ICT in order
to facilitate learning”[Sutherland, Joubert, Eagle, 2012]37
En educación… evaluando competencias
ObjetivosObjetivo principalOfrecer al estudiado de cualquier pregrado o postgrado
servicios de valor añadido de carácter longitudinal antes, durante y después de haber cursado sus estudios
Objetivos secundariosFacilitar los procesos de enseñanza-aprendizaje
Potenciar el desarrollo profesional
Mejorar la toma de decisiones académica y los servicios ofrecidos por la institución
Analizar los datos demográficos, académicos, familiares, vocacionales, motivacionales, aspiracionales, perfil competencial (antes del ingreso, durante el estudio o después de los mismos)
38
En educación… evaluando competencias
Objetivos (II)
39
Integrar los datos brutos de fuentes heterogéneas en un único modelo de datos multidimensional
Será la entrada al sistema de información sobre el que analizaremos posteriormente los datos
Creación de un motor de análisis de datos que permita detectar conocimiento que los datos brutos no nos pueden ofrecer
Ofrecer una interfaz de usuario (Dashboard) a través de un dashboard que permita realizar las consultas a través de las múltiples dimensiones y aplicaciones que se propongan
En educación… evaluando competencias
Soporte evaluación competencias
40
Reto evaluación
competencias
LearningAnalytics
Rúbricas enriquecida
s
● Naturaleza subjetiva● Falta de escalabilidad● Difícil encontrar habilidades● Difícil evaluar aspectos
procedimentales
● TIC en Educación● Datos sociales y de uso● Una promesa para mejorar
el aprendizaje y evaluación
En educación… evaluando competencias
Soporte evaluación competencias (II)
Para cada competencia,
podríamos disponer de métricas de actividad para
evaluar a través de las rúbricas
enriquecidas (para un descriptor e indicador de una competencia)
41
En educación… evaluando competencias
Soporte evaluación competencias (III)Y así ofrecer al profesorado un panel de mando donde puede consultar las métricas de actividad de los estudiantes y así poder disponer de las
aplicaciones anteriormente indicadas: alertas tempranas de rendimiento académico, feedback real-time, etc.
42
En educación… evaluando competencias
Soporte evaluación competencias (IV)La visualización de métricas de aprendizaje y de desarrollo de competencias permite entender el procedimiento y toma de decisiones que sigue un estudiante
El dashboard, es una herramienta muy buena de:
ExploraciónConfirmaciónPresentación
43
En educación… evaluando competencias
Soporte evaluación competencias (V)En todo ello, resulta especialmente importante definir nuevas métricas más allá de las calificaciones tradicionales
El objetivo es permitir disponer de un feedback más enriquecido → además de motivar a los estudiantes, mejorará su aprendizaje significativo
Por lo tanto, hay que definir relaciones del tipo:
Objetivo - Indicador - Métrica (OIM)44
En educación… evaluando competencias
Soporte evaluación competencias (VI)Todo ello, recogiendo datos de entornos con muchas herramientas digitales de
soporte
45
En educación… evaluando competencias
Arquitectura de información integrada
Capacidades de una arquitectura de información integrada [Oracle, 2012]
46
En educación… evaluando competencias
Arquitectura
47
En educación… evaluando competencias
Arquitectura: Fuentes de datosFuentes internasCRM, Sistema de Gestión Académica,
Plataforma de Gestión del Aprendizaje, Redes Sociales, BBDD de Alumni, Hojas de cálculo, etc.
Se procedería a una normalización al modelo de datos multidimensional que se consensuó
Fuentes externasAdemás, los datos internos, se pueden
enriquecer con datos externos, como informes estadísticos, banco de datos oficiales, etc.
48
En educación… evaluando competencias
Arquitectura: Modelos analíticosLos datos capturados de los procesos de enseñanza-aprendizaje nos explican qué es lo que ocurre
Sin embargo, esta fotografía del qué no explica el por qué pueden ocurrir algunos comportamientos del estudiante
Y esto, puede ser de mucho valor para el proceso de desarrollo y evaluación de competencias
Por ello, utilizaremos métodos estadísticos que nos permitan obtener relaciones, patrones o descubrir estructuras de conocimiento para entender el “por qué” del comportamiento de los estudiantes
49
En educación… evaluando competenciasArquitectura: VisualizaciónConstruiremos un dashboard, que permitirá
a usuarios no técnicos la posibilidad de acceder fácilmente al conocimiento: Visual
Analytics
50
Tabla de contenidosClarificando conceptosPor qué Smart DataImpacto en educaciónTratamiento y gestión de datosEn educación… evaluando competenciasImplantación sistema Smart Data
51
Implantación sistema Big Data
Metodología CRISP-DM
52
Implantación sistema Big Data
53
Necesidad1
3
4
5
2 Planificación
Requisitos
DiseñoConstrucción
6
Mantenimiento
Gobierno
Procesos
Operaciones
Herramientas
Implantación sistema Big DataGestión del cambio
54
Implantación sistema Big Data
Visualización
55
“La visualización es crítica para el análisis de datos. Aporta una primera línea de ataque, revelando estructuras intrincadas en datos que no pueden ser absorbidas de otro modo. Descubrimos efectos inimaginables y cuestionamos aquellos que han sido imaginados.”
William S. Cleveland en Visualizing Data
Smart Data para la mejora de la
educación y sus procesos de enseñanza-aprendizaje
Alex Rayón [email protected], @alrayon
Director General Deusto eCampus, la universidad online de Deusto
7 de Septiembre, 2015Santander, España