Informe Observatory 2018

Eulalia Torras es Licenciada en Psicología por la Universidad de Barcelona (UB)
y Doctora en Sociedad de la Información y el Conocimiento por la Universidad
Oberta de Catalunya (UOC). Hace más de 15 años que se dedica a la consultoría,
la docencia y la investigación en procesos de enseñanza-aprendizaje, mediados
por las tecnologías de la información y la comunicación. Actualmente es profesora
acreditada por el Ministerio de Educación de España e investigadora principal
del proyecto International Observatory on Online Higher Education in Business
Management de OBS Business School.
Andreu Bellot es Licenciado en Pedagogía por la Universidad de Barcelona,
especialista en el uso de la tecnología para la formación, el diseño curricular y la
evaluación educativa. Actualmente es Director Académico de OBS Business School
y del centro universitario online UNIBA. Cuenta con una experiencia de más de 20
años en el desarrollo de cursos online, en la formación de profesores para el diseño
curricular, en el uso de la tecnología en la educación y en el establecimiento de
acuerdos internacionales para el fortalecimiento de la educación online.
ÍNDICE
1. Introducción p.01
2. ¿Qué es el Learning Analytics? p.05

2.1. El Learning Analytcs y el Big Data
2.2. El Learning Analytics en las instituciones de enseñanza superior
3. Los modelos para el uso de Learning Analytics p.12
4. El cuadro de mando integral para el Learning Analytics en educación superior
en línea en management p.24
4.1. La perspectiva 1: el diseño instruccional en el aula en línea en management
4.1.1. El modelo de diseño instruccional en el aula en línea en management
4.1.2. Las dimensiones, las categorías y las variables del diseño instruccional en el
aula en línea en management
4.2. La perspectiva 2: la presencia tecnológica en el aula en línea en management
4.2.1. El modelo de presencia tecnológica en el aula en línea en management
4.2.2. Las dimensiones, las categorías y las variables de la presencia tecnológica en
el aula en línea en management
4.3. La perspectiva 3: la cognición en el aula en línea en management
4.3.1. El modelo de la cognición en el aula en línea en management
4.3.2. Las dimensiones, las categorías y las variables de la cognición en el aula en
línea en management
4.4. La perspectiva 4: los procesos sociales en el aula en línea en management
4.4.1. El modelo de los procesos sociales en el aula en línea en management
4.4.2. Las dimensiones, las categorías y las variables de los procesos sociales en el
aula en línea en management
4.5. La perspectiva 5: la gestión de la institución en línea en management
4.5.1. El modelo de gestión de la institución en línea en management
4.5.2. Las dimensiones, las categorías y las variables de la gestión de la institución
en línea en management
4.6. La evaluación del cuadro de mando integral para el Learning Analytics en
educación superior en línea en management
5. La tecnología del Learning Analytics p.44
5.1. El uso de la tecnología del Learning Analytics
5.2. Las técnicas de Learning Analytics
5.2.1. El aprendizaje supervisado
5.2.1.1. La regresión
5.2.1.2.La clasificación
5.2.1.3. Los árboles de decisión
5.2.2. El aprendizaje no supervisado
5.2.2.1. El clustering
5.2.2.2. El clustering k-means
5.2.2.3. Neural network
6. Conclusiones p.64
7. Referencias bibliográficas p.66
8. Glosario p.69

4 5
INFORME OBSERVATORY 2018
El International OBServatory on Online Higher Education in Management es una iniciativa de OBS
Business School. OBServatory es una comunidad internacional de decanos, directivos, profesores e
investigadores en formación superior online en el área de la dirección y la gestión empresarial.
El objetivo de OBServatory es compartir la experiencia profesional en enseñanza superior en línea, con
el fin de crear un espacio de diálogo, intercambio e investigación colaborativa que permita aflorar una
amplia visión de la realidad sobre la formación superior en línea en gestión, las principales tendencias
de futuro y los retos a afrontar.
Con este cuarto informe, el OBServatory cumple su compromiso anual de publicar y compartir algunas
de las informaciones más relevantes que resultan de la investigación y el debate promovido a través de
la red. El informe se facilita como una herramienta de comunicación para fomentar el diálogo entre las
instituciones, los profesionales, los proveedores y los estudiantes, entre muchos otros actores clave que
se ven afectados por las decisiones de las instituciones de enseñanza superior en línea.
La colaboración con los miembros de OBServatory ha llevado a identificar la necesidad de profundizar en
el Learning Analytics como método para guiar la toma de decisiones en las instituciones de enseñanza
superior en línea en management. El Learning Analytics es la medida, la recolección, el análisis y
la divulgación de los datos sobre los estudiantes y sus contextos para comprender el aprendizaje y
optimizar la enseñanza y mejorar el entorno en el que este se da.
El Learning Analytics comporta el análisis de datos de las instituciones de enseñanza superior en línea
en management desde perspectivas diversas y relacionadas entre sí. Estas perspectivas aportan criterios
y modelos de actuación tanto desde el punto de vista de la gestión como el punto de vista del proceso
de enseñanza-aprendizaje.
Las instituciones de enseñanza superior en línea en management están empezando a utilizar estos
métodos debido a que la necesidad de disponer de datos que sostengan la toma de decisiones es una
demanda ya histórica en la educación superior en línea.
En consecuencia, el objetivo de esta investigación es:
•• Proponer las bases para el uso del Learning Analytics a los miembros de OBServatory y de la
comunidad de comunidad internacional de decanos, directivos, profesores e investigadores en
formación superior en línea en management.
•• Ofrecer un instrumento de trabajo que permita iniciar el diálogo y el trabajo compartido del uso del
Learning Analytics en educación superior en línea en management.
Hacer un uso adecuado de las tecnologías es valorado en el ámbito académico. De hecho, incluso en
instituciones presenciales el uso innovador de la tecnología es valorado. En 2018, el Reuters Top 100:
Europe’s Most Innovative Universities ha identificado las instituciones de educación superior que son
consideradas punteras en cuanto al uso de la tecnología.
Estas universidades destacan en relación al resto por el avance en la ciencia, la innovación en las nuevas
tecnologías y la potenciación de nuevos mercados e industrias. Entre las 20 universidades listadas en
primer lugar están:
Figura 1: Tabla de las 20 primeras instituciones citadas en Reuters Top 100: Europe’s Most Innovative
Universities
01 02INTRODUCCIÓN ¿QUÉ ES EL LEARNING ANALYTICS?
Las tendencias tecnológicas son un trampolín para que las instituciones de enseñanza superior
en línea sean consideradas innovadoras.
1. KU Leuven (Bélgica)
2. Imperial College de Londres (Reino Unido)
3. Universidad de Cambridge (Reino Unido)
4. Escuela Politécnica Federal de Lausana (Suiza)
5. Universidad de Erlangen Nuremberg (Alemania)
6. Universidad Técnica de Munich (Alemania)
7. Universidad de Manchester (Reino Unido)
8. Universidad de Munich (Alemania)
9. Universidad Técnica de Dinamarca (Dinamarca)
10. Instituto Federal Suizo de Tecnología de Zurich (Suiza)
11. University College de Londres (Reino Unido)
12. Universidad Tecnológica de Delft (Países Bajos)
13. Universidad de Zurich (Suiza)
14. Universidad de Oxford (Reino Unido)
15. Universidad de Basel (Suiza)
16. Universidad de Montpellier (Francia)
17. Universidad de Leiden (Países Bajos)
18. Universidad Pierre & Marie Curie - París 6 (Francia)
19. Universidad de París Descartes - París 5 (Francia)
20. Universidad Ruprecht Karl Heidelberg (Alemania)

6 7
En este contexto, resulta explicable que tendencias como el Learning Analytics centren la atención de
decanos, directivos, investigadores, profesores y gestores.
Actualmente, el Learning Analytics es considerada una tendencia tecnológica. El Learning Analytics
es la medida, la recolección, el análisis y la divulgación de los datos sobre los estudiantes y sus
contextos con el propósito de comprender y optimizar el aprendizaje y el entorno en el que este se
da (LAK, 2011).
George Siemens de Athabasca University destaca el crecimiento del Learning Analytics. En 2013, la
Society for Research on Learning Analytics (SoLAR) se incorporó oficialmente como sociedad profesional
y el primer número de Journal of Learning Analytics apareció en mayo de 2014 (Siemens, 2012).
Las publicaciones de investigación en Learning Analytics no se limitan a los procedimientos; cuestiones
centradas en el análisis del aprendizaje han aparecido en revistas relacionadas con la educación, la
psicología, la informática y las ciencias sociales.
En 2018, una búsqueda en Google Scholar del término Learning Analytics produce más de 582.000
resultados, provenientes de una amplia gama de revistas como Educational Technology & Society,
American Behavioral Scientist, Computers in Human Behavior, Computers & Education, Teaching in Higher
Education, entre otras (ver figura 2).
Entre los objetivos destacados por SOLAR, el Learning Analytics permite (LAK, 2018):
• Incrementar la retención de los estudiantes.
• Incrementar el éxito de los estudiantes.
• Mostrar la efectividad de los estudiantes.
• Reducir el tiempo que los estudiantes dedican a un programa de estudios.
• Mayor comprensión del comportamiento de los estudiantes.
Figura 2: El Learning Analytics es una tendencia tecnológica en la educación superior en línea (recuperado
de: http://www.laceproject.eu/blog/learning-analytics-making-learning-better-dutch-perspective/) .
2.1. EL LEARNING ANALYTICS Y EL BIG DATA
Es conveniente diferenciar entre el Learning Analytics y el Big Data. El Big Data permite gestionar
grandes cantidades de datos provenientes de fuentes diversas, siendo el concepto “grandes cantidades
de datos” relativo. Este volumen que a menudo se asocia con el Big Data proviene de grandes conjuntos
de datos compartidos o de pequeñas piezas de datos y eventos que se recopilan a lo largo del tiempo.
Actualmente, un negocio orientado a la información recopila datos en el orden de los terabytes, pero
los petabytes son cada vez más comunes en nuestra vida cotidiana.
La idea es comprender que las empresas y organizaciones están recolectando y aprovechando los
grandes volúmenes de datos para mejorar sus servicios y productos finales. En general, en los negocios
el objetivo es convertir esta gran cantidad de datos en alguna forma de ventaja ya sea comercial o
vinculada a la calidad del producto o servicio. El Big Data acostumbra a caracterizarse por las cinco Vs:
volumen, velocidad, variedad, veracidad y valencia.
• Volumen. El volumen está referido a las grandes cantidades de datos que se genera cada segundo en
nuestro mundo digitalizado.
• Velocidad. La velocidad se refiere al ritmo al que se mueven estos datos de un punto a otro y también
al tiempo de generación de dichos datos.
• Variedad. La variedad está referida a las formas cada vez más diferentes en qué podemos encontrar
los datos, como textos imágenes voz o datos geoespaciales.
• Veracidad. La veracidad está referida a los sesgos, el ruido y la anormalidad en los datos.
• Valencia. La valencia es un término utilizado para referirnos a la conexión del Big Data en forma de
gráficos.
La plataforma CB Insights recoge el uso cada vez más frecuente del Big Data; por ejemplo, describe el uso
de un análisis algorítmico de 28 trimestres, del 2011 - al 2017 en Ford, General Motors, Daimler y Tesla
(CB Insights, 2018). El MIT Technology Review descata que el uso del Big Data enriquece las ciudades
(Emerging Technology, 2018).
En España, el uso del Big Data es cada vez más frecuente. El 85% de las primeras empresas del país ha
iniciado proyectos piloto para la transformación y el uso de los datos pero el 55% de dichas empresas
considera que no tiene una cultura de toma de decisiones basadas en datos (ESADE, 2018).
Es importante diferenciar entre Big Data y Learning Analytics dado que el concepto de Big Data es más
amplio que el concepto de Learning Analytics siendo un término utilizado en educación.
Muchos de estos métodos pertenecen al campo comercial, las empresas y las organizaciones están
vinculados al Big Data. Estas técnicas combinan procedimientos de planificación estratégica con
instrumentos de tecnología de información, resumidos bajo el término, inteligencia comercial o business
intelligence.
En cambio, el Learning Analitycs tiene como finalidad utilizar la minería de datos para contribuir
a la mejora del proceso de enseñanza-aprendizaje, ya sea mediante la mejora de las condiciones
institucionales, Learning Academics como la mejora estrictamente ligada al aprendizaje, Learning
Analytics.

8 9
Como cualquier otra tendencia tecnológica, el Learning Analytics está siendo afectado por distintas
fases en relación a las expectativas que este método ha generado en la comunidad de los profesionales
de la educación superior en línea en management.
Glenda Morgan de la University of Minnesota-Twin Cities establece el ciclo de elogio para la adopción
de la tecnologías en educación superior (Gartner, 2016):
• Fase 1. Punto de partida de la tendencia. Altas expectativas en relación a la tendencia tecnológica.
Caracterizada por considerar la tendencia como una promesa que aportará un cambio sustancial al
aprendizaje en línea.
• Fase 2. Punto de inflexión respecto a las expectativas. La tendencia alcanza su punto máxima en
relación a los resultados positivos esperados con su implementación.
• Fase 3. Desilusión con la tendencia. Punto de inflexión en las expectativas respecto a la tendencia
tecnológica. Como consecuencia de los primeros intentos de uso de la tendencia poco exitosos. Esta
fase acostumbra a estar vinculada a un exceso de expectativas en la fase 1.
• Fase 4. Recuperación de la confianza en la tendencia tecnológica. Esta fase está marcada por una
comprensión realista de la tendencia que se basa en considerar la tecnología como adecuada pero sujeta
al uso que de ella se hace y a las habilidades y conocimientos de los investigadores.
• Fase 5. Estabilización del uso de la tendencia. Esta fase se caracteriza por los resultados positivos
debido al uso adecuado de la tendencia tecnológica por parte de los equipos humanos.
La fase 5, deseable en cualquier adopción de la tecnología en las instituciones de enseñanza superior
en línea en management, supone un ajuste de la tecnología al contexto educativo. Sin embargo, en
el Learning Analytics aparece un reto añadido: para poder hacer un uso ajustado de este método es
necesario un equipo interdisciplinar (ver figura 3).
El equipo interdisciplinar debe estar formado por un analista de datos, habitualmente un tecnólogo,
un experto en comportamiento vinculado al proceso de aprendizaje, en general un psicólogo de la
educación, y finalmente, un gestor del proceso de enseñanza-aprendizaje.
Este equipo interdisciplinar avanza en el diseño de investigación que aporte evidencias a partir del uso
del Learning Analytics, a la vez que, cada miembro debe desarrollar una tarea específica: el analista
deberá desarrollar algoritmos y programación, el psicólogo de la educación identificar y desarrollar
las métricas vinculadas al proceso de enseñanza-aprendizaje y el gestor identificará y desarrollará las
métricas vinculadas a los recursos económicos.
Los miembros del equipo deben ser capaces de hallar los retos a los que el Learning Analytics puede
responder y establecer el método adecuado para la obtención de evidencias que respondan a dicho reto.
Actualmente, estos equipos interdisciplinarios, necesarios para el correcto uso del Learning
Analytics, son poco frecuentes en las instituciones de enseñanza superior en línea en management.
Por tanto, el uso efectivo del Learning Analytics se da cuando las instituciones de enseñanza superior
en línea en management estructuran un equipo de trabajo interdisciplinar que tiene como objetivo
implementar el Learning Analytics para dar respuesta a cuestiones específicas del día a día de la
gestión de la institución y del proceso de aprendizaje.
¿Cómo es posible utilizar grandes volúmenes de datos para mejorar el proceso de enseñanza-
aprendizaje en línea en management? Son muchos los desafíos relacionados con esta pregunta.
La sobrecarga de información, originada en la creciente cantidad de datos durante la última década,
requiere la introducción e integración de nuevos enfoques de procesamiento en los objetos y actividades
cotidianas (Papamitsiou & Economides, 2014). Manejar estas grandes cantidades de datos manualmente
no es viable. Varios métodos computacionales se han propuesto para hacer este análisis.
Por ejemplo, The University of Arizona, University of Illinois y Universität Osnabrück tienen el reto
común de asociar la captación y retención de recursos humanos con habilidades y conocimientos
de business intelligence combinados con experiencia en educación superior. Este reto no es el
único que se plantea en estas instituciones en relación a las áreas emergentes: la calidad de los datos
o el necesario equilibrio entre la atención a las demandas de unidades organizativos y a la vez a las
demandas centrales son otros dos escollos a superar.
El análisis conjunto de datos que ilustran dimensiones diversas, pero relacionadas, aporta criterios y
modelos de actuación para las instituciones de enseñanza superior. En este sentido, el modelo por Alcolea
y colaboradores (2013) da respuesta a estas cuestiones puesto que a pesar de las muchas diferencias
entre instituciones algunos retos son compartidos y los caminos a tomar para resolverlos también lo
son (ver figura 4).
Figura 3: Fases de adopción de las tendencia tecnológicas (recuperado de: https://www.origineight.net/project/hype-cycle-
education-data-driven-drupal-user-interface)
2.2. LAS FASES DE ADOPCIÓN DE LAS TENDENCIAS TECNOLÓGICAS
2.3. EL LEARNING ANALYTICS EN LAS INSTITUCIONES DE ENSEÑANZA
SUPERIOR

10 11
Muchos de los métodos que permiten llegar a criterios y modelos, pertenecen al campo comercial. Las
organizaciones están desplegando sofisticadas técnicas analíticas para evaluar las fuentes de datos
enriquecidos, identificar patrones dentro de los datos y explotar estos patrones en la toma de decisiones
(Chaudhuri, Dayal y Narasayya, 2011).
Estas técnicas combinan procedimientos de planificación estratégica con instrumentos de tecnología
de información, resumidos bajo el término, inteligencia comercial o business intelligence. Constituyen
un proceso bien establecido que permite sintetizar “gran cantidad de datos en potentes capacidades de
toma de decisiones” (Baker, 2007, p. 2).
Dado el desarrollo de la inteligencia comercial, business intelligence, es comprensible que en las
instituciones de educativas, sea más frecuente el uso del Learning Analitycs; aunque éstas están
a menudo más vinculadas a la práctica comercial que a la mejora del proceso de enseñanza-
aprendizaje.
Sin embargo, recientemente, los investigadores y los data scientist de la comunidad educativa han
empezado a explorar la posible adopción de técnicas análogas para obtener información sobre las
actividades de las instituciones superiores en línea.
Por ejemplo, Halimat I. Alabi, de la Simon Fraser University en Canadá, utiliza la visualización como
parte integral del Learning Analytics para evidenciar conocimiento, dar sentido y promover la
comprensión conjunta de los datos (ver figura 5). La visualización de los datos complejos a través de
gráficos permite el acceso a profesores y estudiantes a un conjunto de nodos perceptivos; los estudiantes
toman conciencia de estos nodos mientras que los profesores cuentan con herramientas para facilitar
el feedback formativo e intervenir educativamente (Alabi, 2016).
También Jennifer Heath y Eeva Leinonen de la Universtiy of Wollongong en Australia utilizan el Learning
Analytics para facilitar el soporte personalizado a los estudiantes. Entre los retos que las instituciones
deben afrontar para avanzar en este tipo de iniciativas se incluye (Heath & Leinonen, 2016):
• Establecer una clara estrategia de gestión.
• Gestionar el cambio organizacional.
• Impulsar la tecnología que permite el Learning Analytics.
• Desarrollar y aplicar analíticas y visualizaciones.
• Comprender las expectativas de los estudiantes.
• Gestionar los retos éticos del Learning Analytics (ver figura 6).
Figura 5: La visualización permite interpretar la relación entre las variables y actuar en consecuencia.
Figura 6: Diversas prácticas de Learning Analytics son expuestas en la conferencia Learning Analytics & Knowledge
Conference (recuperado de: https://latte-analytics.sydney.edu.au/)
Figura 4: Comparación de las instituciones en base al modelo de madurez utilizado. (Arizona en azul oscuro,
Osnabrück azul claro).

12 13
Actualmente los modelos teóricos que sostienen el uso de Learning Analytics son tecnológicos en su
mayoría; por tanto, son modelos centrados en dar respuestas al manejo de los datos. A pesar de la
juventud de este ámbito de conocimiento y su constante crecimiento, el desarrollo y el cambio, es posible
identificar cinco modelos tecnológicos que son referentes en la literatura del Learning Analytics: el
modelo Chatti, el modelo Picciano, el modelo Gartner, el modelo Clow y el modelo Siemens.
Dado que los modelos tecnológicos dan respuesta el manejo de datos es imprescindible guiarse por
modelos de gestión y comportamiento para identificar y guiar cuáles deben ser los datos a analizar.
03LOS MODELOS PARA EL USO DEL LEARNING
ANALYTICS
Chatti (2012) considera que el Learning Analytics es un conjunto de métodos y técnicas que recopilan,
procesan, informan y producen datos continuos y legibles por máquina para avanzar en el entorno
educativo y reflexionar sobre los procesos de aprendizaje.
En general, estos procedimientos enfatizan inicialmente la medición y la recopilación de datos y la
preparación para el procesamiento durante las actividades de aprendizaje. El Learning Analytics se
centra en el análisis, la presentación de datos y la interpretación de los resultados, para posteriormente,
informar y facultar a los estudiantes, los profesores y las organizaciones sobre el rendimiento y el logro
de los objetivos facilitando la toma de decisiones.
El análisis de aprendizaje y la minería de datos educativos comparten objetivos similares y se centran
en la intersección de la ciencia del aprendizaje y el análisis basado en datos, pero muestran diferencias
en sus orígenes, en las técnicas, en los campos de énfasis y en los tipos de hallazgos.
El modelo de Mohamed Amine Chatti de la University of Duisburg-Essen enfatiza que el objetivo
principal del Learning Analytics es extraer información de los datos educativos para apoyar la
educación relacionada con la toma de decisiones. La información puede estar orientada hacia diversas
partes interesadas. Por ejemplo, los profesores pueden recibir comentarios para evaluar la estructura de
los cursos y el desarrollo adecuado del proceso de aprendizaje. Estos datos pueden ayudar a identificar
rápidamente a los estudiantes que tienen dificultades para seguir el curso, así como a los temas que
generan la mayor confusión.
Los estudiantes pueden recibir recomendaciones sobre los recursos de acuerdo con su desempeño, sus
objetivos y sus motivaciones, pueden analizar gráficamente los resultados de su proceso de aprendizaje,
compararlos con los del resto de la clase y observar el desempeño y las contribuciones relacionadas
con las actividades colaborativas. Los decanos y directivos pueden usar la información para diseñar
una mejor asignación de los recursos humanos y los materiales para mejorar la calidad general de su
experiencia académica.
3.1. EL MODELO CHATTI
Chatti (2012) evidencia un creciente interés en el aprendizaje del Learning Analytics. El Learning
Analytics se ocupa del desarrollo de métodos que aprovechan los conjuntos de datos educativos para
respaldar el proceso de aprendizaje. El análisis de aprendizaje involucra el aprendizaje automático, la
inteligencia artificial, la recuperación de información, las estadísticas, la visualización y la psicología.
El Learning Analytics es también un campo en el que varias áreas de investigación relacionadas
(ver figura 7). Estos campos incluyen el análisis académico, la investigación-acción, la minería de datos
educativos, los sistemas de recomendación y el aprendizaje adaptativo personalizado (ver figura 7). Como
muestra la figura, un modelo de referencia para el análisis de aprendizaje basado en cinco dimensiones,
a saber, datos y entornos (¿qué?), las partes interesadas (¿quién?), el objetivos (¿por qué?) y los métodos
(¿cómo?).
Figura 7: El modelo de Mohamed Amine Chatti (adaptado de Chatti, 2012).

14 15
Aún así, una encuesta de junio de 2015 de 53 instituciones británicas evidenció que casi la mitad
de instituciones no han implementado ningún tipo de análisis de aprendizaje, y solo una de las
instituciones que respondieron indicó que los análisis se implementaron completamente y
recibieron un amplio respaldo en toda la universidad (ICEF, 2016) (ver figura 8).
3.1.2. EL MODELO PICCIANO
La interacción de los estudiantes en el entorno en línea a través de aplicaciones en línea (las redes
sociales, los foros, los entornos virtuales de enseñanza y aprendizaje, etc.) proporciona datos que se
registran en los servidores, los llamados logs del sistema.
Cada vez más plataformas LMS y, otros entornos tecnológicos, facilitan la obtención de estadísticas sobre
el rendimiento de los estudiantes y el grado de interacción con sus compañeros, por ejemplo, el número
de conexiones o la cantidad de mensajes enviados. Aun así, parte de los datos no se almacenan en los
registros del sistema y se pierden.
La toma de decisiones basada en datos, popularizada en la década de 1990, está evolucionando hacia
un concepto mucho más sofisticado de Big Data que se basa en enfoques de software generalmente
conocidos como análisis. Anthony G. Picciano de la City University of New York ofrece un modelo que
guía el manejo de los datos en el Learning Analytics (Picciano, 2012). Este modelo pone el énfasis en
la labor del tecnológico que a menudo dedica un 80% del tiempo a “limpiar” los datos para poder
interpretarlos adecuadamente (ver figura 10).
El Learning Analytics es un método que explota los datos recogidos en contextos educativos; a pesar de
su especificidad es un método cercano al Big Data.
El Big Data ha aportado al Learning Analytics. Por ejemplo, algunos recursos digitales de Big Data han
sido utilizado en educación. Hadoop (http://hadoop.apache.org/) es uno de ellos. Hadoop es un proyecto
Apache construido por una comunidad que utiliza el lenguaje de programación Java. Este proyecto es un
framework de software que soporta aplicaciones distribuidas bajo una licencia libre. Hadoop es gratuito
y puede ser utilizado para programar algoritmos (ver figura 9).
Figura 8: Uso del Learning Analytics en enseñanza superior
1,9%
17,0%
47,2%
34,0%
Figura 10: El modelo Picciano (adaptado de Picciano, 2012).
Figura 9: Hadoop es un lenguaje de programación ampliamente utilizado en Big Data (recuperado de: https://www.
infocaptor.com/ice-database-connect-dashboard-to-hiveserver2-sql)

16 17
Figura 11. SmartKlass Learning Analytics Moodle (Adaptado de https://moodle.org/plugins/local_smart_klass)
Cada vez más los desarrolladores de las plataformas LMS están ofreciendo entornos visuales para que
los datos sean fáciles de interpretar. Por ejemplo, SmartKlass Learning Analytics Moodle (disponible en
https://moodle.org/plugins/local_smart_klass) es un panel de Learning Analytics para instituciones,
docentes y estudiantes. Este panel muestra datos individuales, datos de trabajo colaborativo, datos de
evoluciones de cursos y los datos diarios. Basado en el único estándar de Learning Analytics disponible
en la actualidad, xAPI también conocido como Tin Can API, recopila la interacción de los participantes
en la plataforma (ver figura 11).
3.1.3. EL MODELO GARTNER
El proceso de enseñanza-aprendizaje se desarrolla más allá de las plataformas LMS. Por ejemplo, el
trabajo cooperativo entre los estudiantes se puede enriquecer si la interacción está mediada por recursos
abiertos. El aprendizaje no ocurre solo en entornos cerrados y formales, sino que por definición excede
estos entornos virtuales y no es apropiado ni posible limitar la actividad a la plataforma tecnológica.
El Learning Analytics ofrece un aprendizaje más personalizado porque les permite a los estudiantes
tener experiencias más efectivas. Estas experiencias de aprendizaje personalizadas comienzan con un
desarrollo por parte de los diseñadores que se acerca al ritmo de cada alumno a partir del uso de datos
que se recopilan automáticamente en la mayoría de las plataformas LMS. Por lo tanto, la interacción
de los estudiantes durante el curso les lleva a ser agentes activos en el desarrollo de su propio plan de
estudios.
Las instituciones de educación superior saben que necesitan iniciar las iniciativas de Learning Analytics
para mejorar el desempeño y cumplir los objetivos, pero muchos no saben cómo comenzar. Como se
muestra en la figura, Glenda Gartner describe los pasos clave que deben darse para comenzar su viaje
de análisis de aprendizaje y utilizar datos para mejorar el éxito de los estudiantes.
Glenda Gartner, predice que hasta el 80% de los datos no están estructurados. Esta información es
un cofre del tesoro de información y conocimiento valioso, pero es notoriamente difícil de manejar.
Glenda Gartner (2012) define datos no estructurados como contenido que no se ajusta a un modelo de
datos específico y predefinido. Tiende a ser el contenido generado por las personas en interacción con
la tecnología que no encaja perfectamente en las tablas de la base de datos.
La captura y el análisis de datos textuales ha cambiado la forma en que se toman las decisiones y se
asignan los recursos a las empresas, la salud, el gobierno y muchos otros campos. Sin embargo, el análisis
de texto aún no ha tenido el impacto en la educación que ha sufrido en otros campos, a pesar de que
los estudiantes interactúan con los instructores, otros estudiantes y con los materiales del curso que
utilizan principalmente texto. La proliferación de datos textuales en la educación es abrumadora, porque
tales datos se generan constantemente a través de blogs de aprendizaje, correos electrónicos, sitios web
educativos, repositorios de objetos de aprendizaje, etc. (ver figura 12).
Figura 12: Modelo de Gartner (adaptado de Gartner, 2012).

18 19
Actualmente, disponemos de recursos digitales abiertos, por tanto sin coste, que permiten analizar los
datos en Learning Analytics. Por ejemplo, el lenguaje de programación Python (https://www.python.
org/ ) es un software profesional de código abierto ampliamente utilizado. El índice TIOBE publicado
en mayo del 2018 que recoge el ranking de lenguajes de programación más utilizado en todo el mundo
sitúa Python en el 4º lugar (TIOBE, 2018).
Python es un lenguaje de programación, que cuenta con una licencia de código abierto y es administrado
por la Python Software Foundation. Python fue creado Guido van Rossum en el Centro para las
Matemáticas y la Informática (CWI, Centrum Wiskunde & Informática), en los Países Bajos (ver figura
13).
Figura 13: Programación en Python
(https://www.r-bloggers.com/seven-3d-graphs-you-can-make-in-excel-python-matlab-r-latex/).
Figura 14: Modelo de Doug Clow (adaptado de Clow, 2013).
3.1.4. EL MODELO CLOW
Como hemos observado a lo largo del presente tema, Learning Analytics es un proceso que presenta una
estructura cíclica compuesta por diferentes etapas donde se mejora el proceso de aprendizaje. Doug
Clow de la Open University presenta un ciclo del proceso de Learning Analytics con varios elementos a
considerar (Clow, 2012). Avanzamos en este momento, que estos elementos y, principalmente los datos,
no son neutrales. Estos elementos son:
• Datos
• Métricas
• Acciones
• Estudiantes
Primero, hablamos de datos o de cualquier elemento que nos brinde cierta información sobre el
aprendizaje que estamos analizando. En relación con las métricas, nos referimos al análisis que hacemos
de ellas y cómo. Las acciones se refieren a las iniciativas o propuestas que llevaremos a cabo después del
análisis específico de dichos datos.
Finalmente, cuando se refiere a estudiantes, muestra el impacto que estas iniciativas tienen en los
estudiantes que conforman el proceso de aprendizaje en el que estamos inmersos. Diferentes autores
coinciden en la importancia de tener en cuenta este ciclo de no neutralidad de los datos (ver figura 14).
Entre los lenguajes de programación a utilizar en Learning Analytics destacan R (https://www.r-
project.org/) y R-Studio (https://www.rstudio.com/) que son software profesional de código abierto
ampliamente utilizados.
R es un lenguaje de programación y un entorno de software libre para la computación; este lenguaje es
ampliamente utilizado para la estadística y la minería de datos. Actualmente, este lenguaje ocupa el
número 11 entre los lenguajes más populares para la programación atendiendo al índice TIOBE (TIOBE,
2016).

20 21
3.1.5. EL MODELO SIEMENS
George Siemens, en su modelo, analiza, representa y optimiza el proceso de aprendizaje centrándose
en el reinicio del proceso (bucle de datos). Además de las herramientas para administrar datos, ha
surgido un número cada vez mayor de herramientas que respaldan su análisis (Siemens, 2013). En
los últimos años, la sofisticación y la facilidad de uso de las herramientas para analizar datos hacen
posible que una gama cada vez mayor de investigadores aplique la metodología de minería de datos sin
necesidad de una amplia experiencia en programación informática.
Muchas de estas herramientas se adaptan al campo de la inteligencia empresarial, como se refleja
el uso de SAS, herramientas que se utilizaron por primera vez en el sector corporativo para análisis
predictivos y mejorar la toma de decisiones organizacionales mediante el análisis de grandes cantidades
de datos y presentación en un formato visual o interactivo (particularmente valioso para la evaluación
de escenarios). A principios de la década de 2000, muchas herramientas de análisis eran técnicamente
complejas y requerían que los usuarios tuvieran una programación avanzada y un conocimiento
estadístico (ver figura 16).
Figura 15: https://moderndata.plot.ly/interactive-r-visualizations-with-d3-ggplot2-rstudio/
Figura 16: Modelo de George Siemens (adaptado de Siemens, 2013).R-Studio es un lenguaje estadístico de código abierto que ha sido desarrollado para las ciencias, la
educación y las empresas. Las páginas web de R y R-Studio ofrecen tutoriales, cursos y ejemplos para
aprender a programar utilizando estos recursos digitales (ver figura 15).
Ahora, incluso herramientas previamente complejas como SAS son más fáciles de usar y permiten a
las personas realizar análisis con relativamente menos conocimiento técnico. El software de escritorio
común, como Microsoft Excel, también ha incorporado características de visualización y análisis
significativamente mejoradas en los últimos años.
Otras herramientas están diseñadas para admitir el uso de Learning Analytics sin conocimientos
técnicos avanzados. Por ejemplo, Blackboard dispone de Blackboard Analytics for Learn, para mejorar
el diseño instruccional, X-Ray Learning Analytics para conocer las acciones de los estudiantes y
Blackboard intelligence para incrementar la retención de los estudiantes (ver figura 17).

22 23
Figura 17: Blackboard analytics (fuente: https://www.pinterest.es/pin/3307399698554413/?lp=true) Figura 18: Cuadro de mando integral de Norton y Kaplan (adaptado Norton y Kaplan, 2013)
Figura 19: Herramientas de Learning Analytics disponibles (recuperado de: https://www.cbinsights.com/research/ed-tech-
market-map-company-list/)
Complementando los modelos de Learning Analytics netamente tecnológicos, consideramos el diseño
de cuadro de mando integral de Norton y Kaplan. Robert Kaplan es profesor en la Harvard Business
School. Es cofundador de Balanced Scorecard Collaborative, una empresa de consultoría empresarial
(Norton y Kaplan, 2013). El David Norton es presidente de Balanced Scorecard Collaborative.
En esencia, un Balanced Scorecard o cuadro de mando integral describe cómo una empresa crea valor
agregado a través de mejores relaciones con los clientes impulsadas por la excelencia en los procesos
internos. A medida que estos procesos internos se alinean mejor, se crea más valor. El cuadro de mando
integral usa cuatro perspectivas diferentes (ver figura 18):
• Financiera: que responde la pregunta: ¿Cuáles son las expectativas de nuestros accionistas sobre el
desempeño financiero?
• Cliente: eso responde la pregunta: para alcanzar esos objetivos financieros, ¿cómo creamos realmente
valor para nuestros clientes?
• Interna: eso responde a la pregunta: ¿En qué procesos debemos destacarnos para crear clientes y
accionistas satisfechos?
• Aprendizaje y crecimiento: responde a la pregunta: ¿cómo podemos alinear nuestros activos
intangibles, como nuestra gente, nuestros sistemas y nuestra cultura, de tal manera que al hacerlo se
mejoren los procesos críticos?
El cuadro de mando integral es un marco de referencia excelente para desarrollar métricas en
Learning Analytics. Dichas métricas podrán concretarse en resultados gracias al gran número de
recursos digitales que en este momento están disponible. La figura muestra las herramientas de
Learning Analytics que son más populares actualmente (ver figura 19).
3.2. EL CUADRO DE MANDO INTEGRAL
Financial
Vision and Strategy Internal Business
Processes
Customer
Learning and Growth

24 25
Es necesario utilizar el Learning Analytics partiendo de métricas adecuadas; para encontrar dichas
métricas los modelos teóricos son imprescindibles.
La razón de ello es que la clave en el uso del Learning Analytics radica en identificar las métricas
adecuadas para dar respuesta a las preguntas que preocupan a las instituciones.
Las métricas deben entenderse como un conjunto de variables cuya interpretación conjunta la permite
analizar la realidad. Solo si los datos aportan elementos que pueden ser analizados conjuntamente,
entonces el Learning Analytics podrá ser la base de decisiones adecuadas.
En este sentido, desarrollar un modelo para las instituciones de enseñanza-aprendizaje en línea
en management basado en las métricas es fundamental. Torras (2018) ha desarrollado un modelo
basado en el cuadro de mando integral para hacer uso del Learning Analytics en las instituciones de
enseñanza-aprendizaje en línea en management. Este modelo sitúa en la posición central las acciones
del estudiante focalizadas en una actividad educativa. Por tanto, las dimensiones cognitiva, social
y afectiva son fundamentales. Estas acciones toman sentido con la interacción. La interacción con el
entorno físico, la tecnologías y los materiales, y la interacción con el entorno social, el profesor y los
compañeros, permite vehicular el proceso de enseñanza-aprendizaje.
El modelo de enseñanza-aprendizaje en línea en management se fundamenta en cinco perspectivas
que corresponden a:
• La perspectiva 1: el diseño instruccional
• La perspectiva 2: la presencia tecnológica
• La perspectiva 3: la dimensión intrapsicológica/cognitiva
• La perspectiva 4: la dimensión interpsicológica/social
• La perspectiva 5: la gestión de la institución
Cada perspectiva está asociada a dimensiones, categorías y métricas que permiten establecer un nivel
general de madurez de cada perspectiva. Estas dimensiones, categorías y métricaspermiten analizar
y describir los eventos del día a día de las instituciones y las aulas. A la vez estas métricas permiten
su vinculación con preguntas cotidianas que en las instituciones se plantean. Por tanto, dichas
dimensiones, categorías y variables permiten operacionalizar constructos teóricos y concretarlos en
factores y estadísticos adecuados para la toma de decisiones (ver figura 20).
Resulta fundamental para poder utilizar las métricas, establecer la propuesta de las cinco perspectivas
en base a la identificación de un sistema teórico a través de la delimitación de las propiedades, es decir
un trabajo teórico de conceptualización. Este trabajo teórico de conceptualización está vinculado
a la medición, es decir, la posibilidad de asignar números a constructos teóricos. Así, por ejemplo, la
motivación es un constructo teórico que puede parecer difícilmente mediable desde el management;
sin embargo, las ciencias de comportamiento facilitan métodos e instrumentos válidos y fiables.
04EL CUADRO DE MANDO INTEGRAL PARA EL
LEARNING ANALYTICS EN INSTITUCIONES DE
ENSEÑANZA SUPERIOR EN MANAGEMENT
Figura 20: Cuadro de mando integral para la aplicación de LA en las instituciones de enseñanza superior en línea en
management propuesto por Torras (2018).
El cuadro de mando integral para las instituciones de
educación en línea en management (Torras, 2018)
Las cinco perspectivas
El diseño
Instruccional
La presencia
tecnológica
La gestión de la
institución
El estudiante en interacción y
centrado en la actividad
El plano
interpsicológico o
social
El plano
intrapsicológico o
cognitivo

26 27
4.1.1. LAS BASES TEÓRICAS DE LA PERSPECTIVA 1: EL DISEÑO INSTRUCCIONAL
Complementariamente al modelo ADDIE, consideramos muy adecuado fundamentarnos en el modelo
SC revisado que Atsusi Hirumi (2013) de la propone University of Central Florida desde hace más de 10
años para profundizar en los principios y los criterios del diseño instruccional. Los ajustes realizados
en el marco teórico para diseñar y secuenciar interacciones de elearning se basan en una década de
conocimientos adquiridos al aplicar el marco en una variedad de entornos.
Hirumi (2013) postula tres niveles primarios de interacciones que distinguen el marco e ilustran la
relación entre las teorías de aprendizaje, estrategias de instrucción e interacciones del alumno con
recursos humanos y no humanos que incluyen el uso de tecnologías emergentes para facilitar el
aprendizaje electrónico.
Hirumi desarrolla un modelo basado en el la interacción, tanto la interacción de la persona con el
entorno tecnológico como la interacción de las persona entre sí.
El nivel I implica las relaciones entre las personas, el nivell II se sitúa en las interacciones con la interficie
desde un punto de vista humano y tecnológico y el nivel III profundiza en las interacciones entre los
estudiantes y el profesor. El modelo analiza cómo los equipos y grupos de personas pueden trabajar
juntos para construir conocimiento y derivar significado durante el proceso de aprendizaje para facilitar
el conocimiento (ver figura 21).
Figura 21: Niveles en el diseño instruccional con tecnología. (adaptado de: Hirumi, A. (2013). Three levels of planned
elearning interactions: A framework for grounding research and the design of elearning programs. Quarterly Review of
Distance Education, 14, (1), 1-16).
Learner-Human
Internal Learner Interactions
Internal Instruction
Learner- Non Human
Level I
Level II
Level III
Learner
Instructor
Learner
Learner
Learner
Other
Learner
Instructor
Learner
Learner
Learner
Other
Learner-Interface
4.1.LA PERSPECTIVA 1:
EL DISEÑO INSTRUCCIONAL EN EL AULA EN LÍNEA EN MANAGEMENT
El diseño instruccional , al que a menudo nos referimos vinculado a la tecnológico, como tecnopedagógico,
muy a menudo se presenta como un concepto reducido a un procedimiento a seguir para diseñar la
formación en línea. Sin embargo, son diversos los modelos que recogen este procedimiento.
Entre ellos el modelo ADDIE es uno de los más conocidos. El modelo ADDIE refleja un proceso de diseño
instruccional interactivo. ADDIE es el acrónimo del modelo, atendiendo a sus fases (análisis, diseño,
desarrollo, implementación y evaluación).
El producto final de una fase es el producto de inicio de la siguiente fase. De todos modos, es posible
volver a fases anteriores en cualquier momento. Las fases del modelo son las siguientes:
• Análisis. El paso inicial es analizar el alumnado, el contenido y el entorno cuyo resultado será la
descripción de una situación y sus necesidades formativas.
• Diseño. Se desarrolla un programa del curso deteniéndose especialmente en el enfoque pedagógico y
en el modo de secuenciar y organizar el contenido.
• Desarrollo. La creación real (producción) de los contenidos y materiales de aprendizaje basados en la
fase de diseño.
• Implementación. Ejecución y puesta en práctica de la acción formativa con la participación de los
alumnos.
• Evaluación. Esta fase consiste en llevar a cabo la evaluación formativa de cada una de las etapas del
proceso ADDIE y la evaluación sumativa a través de pruebas específicas para analizar los resultados
de la acción formativa.

28 29
4.1.2. LAS MÉTRICAS DE LA PERSPECTIVA 1: EL DISEÑO INSTRUCCIONAL
Atendiendo a las bases teóricas de la perspectiva 1, el diseño instruccional, las métricas identificadas
son las siguientes (ver figura 22):
Figura 22: Tabla de métricas de la perspectiva 1, el diseño instruccional.
La accesibilidad toma importancia en la valoración de la interacción participante-tecnología. La
accesibilidad valora el grado en que el diseño permite una experiencia adecuada para personas con
discapacidad. Sin embargo, a menudo el concepto de accesibilidad se utiliza en un sentido más amplio
considerando las opciones del sistema y todas aquellas herramientas incluidas en los equipos por
el fabricante que permiten ajustar la apariencia y el comportamiento del equipo informático a las
habilidades o las preferencias del estudiante. Se trata, por tanto, de un conjunto muy amplio de recursos
que deben ser considerados desde la perspectiva del diseño instruccional.
Actualmente, el concepto de accesibilidad web incluye el objetivo de proporcionar páginas web que sean
utilizables por el máximo número de personas, con independencia de sus conocimientos, habilidades o
actitudes y más allá de las características técnicas del equipo utilizado para acceder a la Web.
La accesibilidad web considera que la web debe ser universal y accesible por cualquier persona dado
que el poder de la Web está en su universalidad. Por tanto, la accesibilidad no afecta solo a la personas
con necesidades educativas especiales sino que está orientada a cualquier usuario.
Un gran parte de la normativa se inspira en la Web Accessibility Initiative (WAI) (https://www.w3.org/
WAI/gettingstarted/) que desarrolla estrategias, directrices y recursos para ayudar a que la Web sea
accesible. Este detallado proyecto incluye las perspectivas que el desarrollador web debe tener en cuenta
en el desarrollo y la interacción web para que la Web sea accesible: el contenido, los navegadores web, la
tecnología de asistencia, el conocimiento de los usuarios, los propios desarrolladores, las herramientas
de creación y las herramientas de evaluación de la accesibilidad Web.

30 31
El uso de las métricas citadas permitiría dar respuesta a preguntas de investigación como por ejemplo:
• ¿El diseño cumple los requisitos de accesibilidad de WCAG 2.0?
• ¿El diseño contiene errores?
• ¿El diseño se ajusta al estilo cognitivo de los estudiantes?
• ¿El diseños se ajusta a los contenidos?
• ¿El diseño puede ser considerado una buena base para el aprendizaje adaptativo?
4.2. LA PERSPECTIVA 2: LA PRESENCIA TECNOLÓGICA EN EL AULA EN LÍNEA EN MANAGEMENT
La presencia tecnológica se define sobre la base de los comportamientos que el estudiante desempeña
en el entorno de aprendizaje en línea: por ejemplo, la cantidad de comunicaciones electrónicas que los
participantes envían a sus compañeros y profesores en todas las áreas del aula y las lecturas que los
participantes realizaron en el mensajes de sus compañeros y profesores (Barberá, Torras, Guasch, 2013).
Es decir, una amplia gama de comportamientos que constituyen los estilos de interacción en línea de
los estudiantes. Una selección de los registros de los comportamientos en el entorno de aprendizaje en
línea constituye la presencia tecnológica.
4.2.1. LAS BASES TEÓRICAS DE LA PERSPECTIVA 2: LA PRESENCIA TECNOLÓGICA
Las investigaciones de los procesos de enseñanza-aprendizaje en línea acostumbran a dar un significado
más restrictivo a la presencia tecnológica. Este significado está orientado a las posibilidades de acceso
de los alumnos y los docentes, a la tecnología y a la influencia de ésta en el aprendizaje más que no a la
propia interacción de los alumnos con la tecnología (Noss & Hoyles, 2004).
Por tanto, en estas investigaciones la presencia tecnológica se mide a partir de indicadores en base a
objetos de aprendizaje entendidos como “material digital - por ejemplo gráficos, texto, audio, animación
o herramientas interactivas especialmente diseñadas para implicar y motivar a los estudiantes” (Baker
& Siemens, 2014) o bien indicadores que miden la propia influencia de la tecnología en los resultados de
los alumnos comparando los procesos de enseñanza-aprendizaje presencial con los procesos en línea.
En consecuencia, con el significado amplio de presencia tecnológica que proponemos consideramos
que es necesario definir la presencia tecnológica en base a métricas que midan, no solo el hecho
que el proceso de enseñanza-aprendizaje incluya la tecnología sino también, y muy especialmente,
indicadores que enfaticen los comportamientos que los participantes tienen en el entorno de
aprendizaje en línea. Por tanto, consideramos relevante analizar el perfil de presencia tecnológica
del alumno entendiéndolo como un conjunto de comportamientos de interacción con el entorno de
enseñanza en línea. Este perfil de presencia tecnológica está relacionado con el tipo de entorno.
La relevancia de cada comportamiento está asociada con el ambiente preciso; por lo tanto, el perfil
específico de presencia tecnológica está asociado a situaciones particulares. En otras palabras, estos
comportamientos son parte de un perfil de presencia tecnológica basado en el uso definido del entorno
de aprendizaje en línea.
Por ejemplo, el perfil de presencia tecnológica en Blackboard se puede obtener, entre otros, utilizando
indicadores como el acceso de los participantes al entorno de aprendizaje en línea. Hay una variedad de
razones para considerar el acceso al entorno de aprendizaje en línea como un buen indicador del perfil
de presencia tecnológica en el caso de Blackboard: el administrador de Blackboard tiene fechas válidas y
confiables, las fechas pueden describirse con precisión y aplicarse con una inversión de tiempo y esfuerzo
en proporción al interés de los resultados teóricos.
En contraste, el acceso al entorno de aprendizaje en línea no es un buen indicador del perfil de presencia
tecnológica por una variedad de razones: los estudiantes pueden acceder a una plataforma para hacer
un uso diferente al aprendizaje, los participantes pueden acceder al entorno de aprendizaje en línea
pero no permanecen. Por lo tanto, es necesario asistir al entorno preciso cuando definimos el perfil de
presencia tecnológica.
4.2.2. LAS MÉTRICAS DE LA PERSPECTIVA 2: LA PRESENCIA TECNOLÓGICA
Atendiendo a las bases teóricas de la perspectiva 2, la presencia tecnológica, las métricas identificadas
son las siguientes (ver figura 23):
Figura 23: Tabla de métricas de la perspectiva 2, la presencia tecnológica.

32 33
• ¿Las métricas evidencian la presencia tecnológica del estudiante?
• ¿Las métricas evidencian la presencia tecnológica del profesor?
• ¿Qué variables definen la adecuada presencia tecnológica?
• ¿Cómo afecta el tiempo al proceso de enseñanza-aprendizaje?
• ¿El acceso y la permanencia de los estudiantes en el aula permite predecir el abandono?
4.3. LA PERSPECTIVA 3: EL PLANO INTRAPSICOLÓGICO O COGNITIVO
EN EL AULA EN LÍNEA EN MANAGEMENT
El aprendizaje permite que las personas se adapten a la realidad social y física que les rodea. La persona
que aprende lo hace con interacción con el resto de personas y en un contexto físico de manera que esta
relación forma parte del propio proceso de aprendizaje. Esta construcción de representaciones mentales,
la dimensión intrapsicológica o cognitiva, que conlleva el aprendizaje se hace con interacción con el
contexto. Por ejemplo, si un estudiante pregunta al profesor entonces no se puede desligar las dudas
del alumno de las respuestas del profesor. En la interacción entre el estudiante y el docente emerge el
conocimiento.
Es fundamental considerar que las interacciones en educación en línea deben planificarse: no
pueden dejarse a la espontaneidad. Una buena planificación de las interacciones en línea comporta
cinco criterios:
1. Continuidad. La interacción entre profesor y estudiantes, entre estudiantes entre sí y entre
participantes con el entorno debe mantenerse a lo largo del tiempo.
2. Agotamiento natural de los temas. La interacción debe mantener la característica fundamental de
la comunicación que implica que el discurso alrededor de los temas pueda mantenerse de manera
natural hasta la fecha de cierre.
3. Visión anticipada limitada. La intervención del docente debe ser flexible en cuanto a facilitar la
adaptación ante estos elementos imprevisibles. Es fundamental mantener en el centro de atención
del proceso al estudiante centrado en la actividad.
4. Comunicaciones sin errores. Los mensajes deben ser precisos y claros evitando los errores.
5. Fuentes de información y recursos ampliables. A menuda que transcurre el proceso formativo el
diseño debe facilitar la incorporación de nuevos elementos referidos no a la planificación sino a la
posibilidad de acceder a fuentes de información.
Es decir, el acto de enseñar y aprender es una acción de ayuda aunque las tecnologías de la información
y la comunicación participen en el proceso.
4.2.1. LAS BASES TEÓRICAS DE LA PERSPECTIVA 3: EL PLANO INTRAPSICOLÓGICO O COGNITIVO
El análisis de la psique, y por tanto, el análisis del interior de la persona cuando aprende puede partir
de la distinción de la dimensión cognitiva (la percepción, el lenguaje, el pensamiento, la reflexión,
etc.), la dimensión motivacional (las metas, las expectativas, los logros, etc.), la dimensión afectiva (las
emociones, los sentimientos, los afectos, etc.) y la dimensión ética.
La dimensión cognitiva implica que los estudiantes deben construir significados a través de una
comunicación sostenida en el aula por parte del docente y el resto de estudiantes. Para ello, es clave la
atención y la memoria pero también el aprendizaje asociativo, el pensamiento crítico o el diálogo entre
el conocimiento explícito o teórico y el conocimiento tácito o práctico. En otras palabras, esta dimensión
refleja la construcción y la aplicación de conocimiento de orden superior.
Un modelo cognitivo de presencia en el aula en línea y el modelo de aprendizaje en red se ha propuesto
como el marco que proporciona un medio para evaluar la naturaleza del discurso en un entorno
educativo basado en texto y el vídeo, siendo apropiado como una vía para alcanzar los objetivos
generales de la educación superior. Sintetizando, el proceso de aprendizaje podría reducirse a cuatro
fases: la iniciación, la exploración, la integración y la resolución de eventos.
La iniciación se considera el evento desencadenante. En esta fase, un dilema que surge de la experiencia
es identificado o reconocido. La exploración es la fase que implica el cambio de los participantes del
privado, reflexivo del individuo mundo a la exploración social de ideas. La integración se caracteriza por
la construcción significado de las ideas generadas en la fase exploratoria. Finalmente, hay un resolución
del dilema o problema planteado por el evento desencadenante, mediante una acción directa o indirecta
(Garrison, Anderson y Archer, 2001).
La motivación hace referencia a:
1. Un estado impulsor dentro del estudiante que se activa por necesidades corporales, estímulos
ambientales o representaciones mentales como pensamientos o recuerdos
2. Un comportamiento activado y dirigido por una representación mental
3. Una meta hacia una determinada consecución de un objetivo.
Por tanto, el término motivación puede enfatizar un estado impulsor, un comportamiento o una meta.
Entender las motivaciones humanas es fundamental para saber porque un usuario elige un juego digital,
cuáles son las razones de su elección y porqué decide invertir tiempo en jugar.
Los afectos son inherentes a la propia condición humana y que, en gran medida, determinan su
existencia. Durante el proceso de enseñanza-aprendizaje el estudiante puede pasar por momentos de
alegría, de sorpresa o incluso de ira y decepción. Los estudiantes verbalizan satisfacción, desagrado
o indiferencia ante el proceso. El aprendizaje puede ser considerado un escenario con capacidad para
hacer emerger emociones.
Las emociones son un conjunto complejo de interacciones entre factores subjetivos y objetivos, mediado
por sistemas neuronales y hormonales que pueden dar lugar a experiencias afectivas como sentimientos
de activación, agrado-desagrado; generar procesos cognitivos como efectos perceptuales relevantes,
valoraciones y procesos de etiquetado; generar ajustes fisiológicos y dar lugar a una conducta que es
frecuentemente, pero no siempre, expresiva, dirigida hacia una meta, y adaptativa.

34 35
La dimensión ética es clave en Learning Analytics. La teoría de los valores humanos básicos, desarrollada
por Shalom H. Schwartz (2005), es un referente en el campo de la investigación intercultural (Schwartz,
2005). Este modelo mide los valores universales que son reconocidos en todas las culturas principales.
La teoría de Schwartz identifica diez valores motivacionalmente distintos y describe las relaciones
dinámicas entre ellos. Para representar mejor gráficamente estas relaciones, la teoría organiza los diez
valores en una estructura circular.
En la práctica ética del Learning Analytics es imprescindible. Algunas instituciones proponen códigos
éticos específicos para este método de investigación. Por ejemplo, JISC (https://www.jisc.ac.uk/) en Reino
Unido ha promovido prácticas de veracidad e identidad. Este tipo de prácticas se han concreado en el
código de práctica del Learning Analytics que incluye:
1. Propiedad y control
2. Consentimiento
3. Transparencia
4. Privacidad
5. Validez
6. Acceso
7. Acción
8. Impacto adverso
9. Gestión y manipulación
4.3.2. LAS MÉTRICAS DE LA PERSPECTIVA 3: LA DIMENSIÓN INTRAPSICOLÓGICA O COGNITIVA
Atendiendo a las bases teóricas de la perspectiva 3, la dimensión intrapsicológica o cognitiva, las
métricas identificadas son las siguientes (ver figura 24):
Figura 24: Tabla de métricas de la perspectiva 3, la dimensión intrapsicológica o cognitiva.

36 37
• ¿El personal de la institución está actuando de acuerdo con la ética?
• ¿Los profesores actúan siguiendo los principios éticos?
• ¿Los estudiantes actúan siguiendo los principios éticos?
• ¿Emergen emociones positivas vinculadas al proceso de enseñanza-aprendizaje?
• ¿Se evidencia conocimiento tácito y conocim iento explícito?
4.4. LA PERSPECTIVA 4:
EL PLANO INTERPSICOLÓGICO EN EL AULA EN LÍNEA EN MANAGEMENT
El socioconstructivismo (Piaget, 1990; Vygostky, 2007) desplaza el aprendizaje como un producto
exclusivo de la conciencia situándolo en el lenguaje. Es decir, el lenguaje es la herramienta mediadora
del aprendizaje, los hábitos del discurso empleados por los estudiantes son reguladores de las
representaciones mentales.
La mediación del lenguaje promueve, por tanto, la reflexión ante la impulsividad debido a dos de
sus características principales: el tiempo y el factor semántico. En cuanto al tiempo, la mediación
verbal proporciona distancia entre el estímulo y la respuesta. El tiempo utilizado en la reflexión afecta
de las personas que interaccionan. Por ejemplo, al dinamizar la resolución de un conflicto de la práctica
profesional, el profesor puede comentar al estudiante que sea procure abordar la cuestión en base a un
concepto explicado en la asignatura. Estas palabras frenan la impulsividad inicial de responder desde
la rutina de manera que la construcción de la representación mental también está mediada por esta
demora en la respuesta.
La mediación verbal incluye el filtrado de significado y la atención semántica, como representaciones
que pueden incluir el habla hacia uno mismo. Por ejemplo, ante un estudiante que tiene una actitud
insegura con la aplicación de un procedimiento, la profesora puede hacer una reflexión en relación a la
causa y reforzar su capacidad para entender la aplicación. En este caso, el papel de la mediación verbal
viene marcado por el propio significado de la frase. Si la maestra es consciente de que la inseguridad
del estudiante puede tener una causa entonces actuará de manera prudente contribuyendo a construir
una representación mental de la tableta como herramienta de aprendizaje.
La transformación es posible por las experiencias únicas que llevan a las personas a mantener episodios
de interacción verbal con los demás. Estas experiencias tienen diversos momentos:
1. La primera fase se denomina conocimiento de base. Esta primera fase tiene lugar cuando el docente
en línea expresa sus experiencias verbalizando el conocimiento tácito o explícito y cuando el
estudiante lee los materiales.
2. La fase dos es la llamada de uso personal. Esta segunda fase se inicia cuando los estudiantes empiezan
a utilizar los conceptos compartidos por el docente y lo materiales. Las emociones que se usan a nivel
personal se establecen de una forma más natural en un posterior uso de las representaciones mentales.
3. En la fase tres se produce un uso del conocimiento propiamente dicho. En la fase tres, la secuencia
se mueve hacia un uso de las representaciones mentales durante las instrucciones interactivas y la
guía del docente en línea. En esta fase, el lenguaje también tiene un papel destacado.
4. La fase cuatro es el modelado y feedback del docente hacia los alumnos. Esta fase se produce cuando la
transferencia del conocimiento ya ha pasado por el plano interpsicológico y al plano intrapsicológico.
4.4.2. LAS MÉTRICAS DE LA PERSPECTIVA 4: EL PLANO INTERPSICOLÓGICO
Atendiendo a las bases teóricas de la perspectiva 4, el plano interpsicológico, las métricas son las
siguientes (ver figura 25):
Figura 25: Tabla de métricas de la perspectiva 4, la dimensión interpsicológica o social.
5. En la fase cinco se produce la práctica con los estudiantes. Esta fase tiene su origen en el planos
interpsicológicos.
6. Finalmente, la fase seis se caracteriza por las señales entre el docente en línea y los estudiantes. En
este caso, las señales entre profesor y alumnos tienen un impacto en la reflexión que el docente hace
antes de modelar el conocimiento.

38 39
El uso de las métricas citadas permitirían dar respuesta a preguntas de investigación como por ejemplo:
• ¿El grupo aula está cohesionado alrededor de la actividad formativa?
• ¿La participación es adecuada?
• ¿Se da reciprocidad en el proceso de enseñanza-aprendizaje?
• ¿Se produce orientación hacia la tarea?
• ¿Se evidencia orientación hacia las relaciones?
4.5. LA PERSPECTIVA 5: LA GESTIÓN DE LA INSTITUCIÓN EN LÍNEA EN
MANAGEMENT
Yrjö Engeström de la University of Helsinki ha desarrollado desde los años 90 el modelo de aprendizaje
por expansión, un enfoque teórico centrado en la actividad. Este enfoque se basa en la teoría de la
actividad, en el aprendizaje expansivo y en el desarrollo de recursos humanos (Engeström, 2016). Este
enfoque es adecuado para el Learning Anayltics porque vincula el proceso educativo que se desarrolla
en la institución con la gestión de ésta.
4.5.1 EL MODELO DE GESTIÓN DE LA INSTITUCIÓN EN LÍNEA EN MANAGEMENT
La gestión tiene su fundamento en las normas (las estandarizaciones, los calendarios y los estándares
de asignaturas y los estándares de evaluación), en la comunidad (los distintos grupos que desarrollan
las funciones) y en la división del trabajo (con los elementos de coordinación incluidos) (ver figura 26).
Aún así, en entornos tecnológicos y cambiantes como las organizaciones actuales, el reto se sitúa en la
ratio de perspectiva de dependencia de los senderos cognitivos y la estabilización de dichos senderos
cognitivos.
Los senderos cognitivos abren la posibilidad de analizar la dimensión horizontal de la expansión del
aprendizaje en términos de acciones cotidianas mejorables, algo que se necesita con urgencia cuando
se quiere dar sentido a elementos fragmentarios, a menudo poco destacables. Por ejemplo, cuando un
estándar de gestión se aplica en el proceso de enseñanza-aprendizaje sin conocer o reflexionar sobre el
criterio subyacente es muy probable que dicho estándar pierda su valor cuando el escenario contempla
modificaciones.
Si no se tiene en cuenta la ratio de perspectiva de dependencia de los senderos cognitivos, lejos de
adaptar el estándar a los cambios a menudo se mantiene suponiendo un escollo para la buena gestión. La
ratio de perspectiva de dependencia de los senderos cognitivos y su estabilización son recursos analíticos
que hacen que la teoría de los caminos cognitivos sea empíricamente útil más allá de su formulación
teórica. Aunque difíciles de percibir los senderos cognitivos son reales y cotidianos, afectando al conjunto
de la institución. Es necesario mantener el know-how para poder analizar si estos senderos cognitivos
son adecuados en el escenario presente de la institución (ver figura 27).
Figura 26: Relación entre instrumentos, personas, objetos, comunidad, reglas y división del trabajo.
Figura 27: La ratio de perspectiva de dependencia de los senderos cognitivos y la estabilización de dichos senderos cognitivos.
Fuente: https://mindbursts.com/tag/vygotsky-2/
Stabilization of
Cognitive trails
PD ratio of cognitive trails
INSTRUMENTS
Lessons: assigments
questions, homework, tests
SUBJECT
Teacher
OBJECT
School text and
student
RULES
Standarized
time schedule,
standard school
subjects, grading
COMMUNITY
Other teachers
of the school
DIVISION OF LABOR
Self-contained
grade-level classrooms
INSTRUMENTS
Study skills;
pencil, paper, eraser
OBJECT
School text
OUTCOME
Grades
test scores
SUBJECT
Student
DIVISION OF LABOR
Each student for
him-or herself
COMMUNITY
Classroom
RULES
Standarized
time schedule,
standard school
subjects, grading

40 41
Complementariamente, Alcolea y cols. (2013) proponen el modelo de madurez de la inteligencia
institucional como herramienta especializada para el ámbito de la educación superior que permite
a las universidades identificar el nivel de madurez, identificar los ámbitos de mejora y compartir un
marco de referencia. El modelo de madurez de la inteligencia institucional se basa en nueve dimensiones
cada una de las cuales permite evaluar la madurez en un ámbito determinando de la iniciativa que se
considera clave para el éxito:
1. La existencia naturaleza de una unidad específica de inteligencia institucional.
2. La amplitud funcional de la plataforma de inteligencia situacional en términos de áreas funcionales
clave incluidas en su alcance.
3. El papel de las unidades administrativas en la iniciativa en inteligencia institucional.
4. La diversidad de productos de datos generados.
5. El nivel de cobertura efectiva del universo potencial de usuarios.
6. El papel de los usuarios en la iniciativa de inteligencia institucional.
7. El tratamiento formal de los aspectos más relevantes en la gestión de datos.
8. El valor institucional percibido de los productos de datos que han sido generados.
9. El posicionamiento de la iniciativa de inteligencia institucional en la estrategia de la Universidad.
4.5.2. LAS MÉTRICA DE LA PERSPECTIVA 5: LA GESTIÓN DE LA INSTITUCIÓN
Atendiendo a las bases teóricas de la perspectiva 5, la gestión de la institución, las métricas son las
siguientes (ver figura 28):
Figura 28: Tabla de métricas de la perspectiva 5, la dimensión institucional.

42 43
El uso de las métricas citadas permitirían dar respuesta a preguntas de investigación como por ejemplo:
• ¿La disponibilidad de recursos económicos es adecuada?
• ¿Se promueve el desarrollo de los profesores?
• ¿Se cumple la jurisdicción competente y ley aplicable?
• ¿Es adecuada la normativa de acceso y permanencia?
• ¿La innovación responde a criterios pedagógicos?
4.6. LA EVALUACIÓN DEL CUADRO DE MANDO INTEGRAL PARA EL
LEARNING ANALYTICS EN EDUCACIÓN SUPERIOR EN LÍNEA EN
MANAGEMENT
El cuadro de mando integral propuesto se define como la representación resumida de la realidad que
pretende mostrar los componentes, las dimensiones, las categorías y las las métricas significativas de
forma general quedan concretadas para ser utilizadas en Learning Analytics.
Este modelo representa una simplificación a través de la identificación de los componentes y las
métricas clave de una realidad compleja. Este modelo ayuda a la comprensión de los profesionales
involucrados en el sistema, pero también a la comprensión del entorno al representar la relación que
existe entre estas variables y componentes.
La necesidad de representar esta realidad de forma simplificada está vinculada al entorno cambiante y
complejo. Por esta razón, en un intento por administrar adecuadamente la institución, su propósito
y proporcionar procesos de enseñanza-aprendizaje enriquecedoras es necesario reducir esta
complejidad; aquí es donde radica la utilidad del instrumento.
El cuestionario describe las métricas que se han sido identificadas a partir de las cinco perspectivas
anteriores solicitando a los participantes que escojan las cinco métricas que consideran más relevantes
para cada perspectiva. La tabla siguiente muestra las cinco métricas más citadas por 25 participantes
al International Seminar on Online Higher Education in Management junto al porcentaje de elección.
Los participantes deberían responder a la pregunta ¿Cuáles son las 5 métricas más relevantes de cada
perspectiva? La tabla muestra la selección de dichas métricas acompañada por los porcentajes (figura
29).
Figura 29: Tabla de métricas más relevantes (fuente: propia).
5 métricas de la perspectiva instruccional
5 métricas de la perspectiva presencia tecnológica
5 métricas de la dimensión intrapsicológica
5 métricas de la dimensión social
5 métricas de la gestión de la institución
Los conocimientos de los profesionales: educación en línea
Las habilidades de los profesionales: educación en línea
Índice de valoración del desempeño
La legislacion educativa
La innovación
22%
21%
22%
18%
18%
Continuidad del contenido
Comunicaciones sin errores
Fuentes y recursos ampliables
Foco atencional claro
Presencia de imágenes
22%
27%
19%
16%
16%
Tiempo de permanencia den el aula por semana
Tiempo total invertido en el aula
Tiempo de permanencia en la videoconferencia sincrona
% de estudiantes que asisten síncronicamente a la videoconferencia
% de conexiones diarias
22%
21%
22%
19%
15%
Las habilidades: educación en línea
El nivel de satisfacción de los estudiantes en relación al profesor
Porcentaje de abandonos de los estudiantes por profesor
Los conocimientos: educación en línea
Código ético en la práctica del Learning Analytics
25%
25%
18%
18%
14%
Gestión de tiempo
Rol planificador
Valoración positiva del proceso de enseñanza-aprendizaje
Orientación al proceso de aprendizaje
Explicitación de las normas de entrega de las actividades formativas
30%
20%20%
17%
13%

44 45
El Data Science es la disciplina tecnológica que proporciona las bases técnicas para trabajar en Learning
Analytics.
El Data Science está vinculado al análisis de datos. Sin embargo, la diferencia fundamental entre los
analistas de datos que almacenaban, procesaban y analizaban datos hace unos años y los analistas de
datos que se sitúan en el Data Science es que estos últimos, los Data Scientist, se dedican a explorar y
analizar datos de múltiples fuentes.
La diferencia fundamental entre analizar datos hace unos años y hacerlo ahora está, por ejemplo, en la
variedad de las fuentes y la variedad de formatos que comportan un nivel de dificultad mayor. Además,
en el análisis es necesario aplicar una fuerte visión de negocio para ser capaz de extraer y transmitir
recomendaciones a los responsables de negocio de su empresa (ver figura 30).
Estos datos están generados por distintos tipos de dispositivos electrónicos y provienen de fuentes
distintas (sensores, móviles, redes sociales, datos de las organizaciones, páginas web, etc.)
05LA TECNOLOGÍA DEL LEARNING ANALYTICS
Figura 30: El Data Science y el Data Analytics (Fuente: https://data-flair.training/blogs/data-science-vs-data-analytics/)
Figura 31: Dundas BI proporciona a los directivos y gestores la opción de cuadros de mando interactivos (fuente: https://
www.dundas.com/support/learning/documentation/get-started/product-overview)
5.1. EL USO DE LA TECNOLOGÍA DEL LEARNING ANALYTICS
La clave del Data Science es integrar datos diversos. Cualquiera que sea su aplicación de Learning
Analytics, y las técnicas de Learning Analytics que está usando, el valor real provendrá de integrar
diferentes tipos de fuentes de datos y analizarlos a escala.
Entonces, ¿cómo comenzamos a obtener este valor?
Las métricas deben guiar el proceso: a veces, todo lo que se necesita es mirar los datos que de una
manera diferente.
Para que pueda lograr éxito en el Learning Analytics, se deberá incluir la integración de datos en su
práctica. Sin embargo, existen algunos desafíos únicos cuando se intenta integrar estas diversas fuentes
de datos y escalar las soluciones.
La integración de datos significa reunir datos de diversas fuentes y convertirlos en información
coherente y más útil. El objetivo principal es gestionar datos de manera más técnica y convertirlos
en una realidad que pueda ser utilizada programáticamente. Un proceso de integración de datos
implica muchas partes: comienza con el descubrimiento, el acceso y el monitoreo de datos, y continúa
modelando y transformando datos de una variedad de fuentes (ver figura 31).

46 47
El conjunto de datos es muy probable que provenga de diferentes fuentes. Es posible que el conjunto
tenga datos formateados de archivos planos, datos de bases de datos relacionales, datos codificados en
XML o JSON, ambos comunes para los datos generados en Internet. Estos diferentes formatos y modelos
son útiles porque están diseñados para expresar datos diferentes de maneras únicas.
De alguna manera, los diferentes formatos de datos y modelos hacen que el Big Data sea más útil y
desafiante. Cuando se integran datos en diferentes formatos, se consigue que el producto final sea
más rico en la cantidad de características que describen dichos datos. Por ejemplo, al integrar los
datos de una plataforma LMS, la cámara de un estudiante cuando realiza un examen y los datos del
sistema de información podemos usar las capacidades de datos para predecir la probabilidad de copiar
en una prueba.
La integración de diversos conjuntos de datos reduce significativamente la complejidad general de los
datos en mi producto basado en datos. Los datos se vuelven más disponibles para su uso y se unifican
como un sistema propio.
Tal sistema de datos integrado y simplificado puede aumentar la colaboración entre diferentes partes de
sus sistemas de datos. Cada parte ahora puede ver claramente cómo se integran sus datos en el sistema
general. Incluyendo los escenarios de usuario y los procesos de seguridad y privacidad a su alrededor. En
general, al integrar diversas corrientes de datos, agrega valor a sus grandes datos y mejora su negocio
incluso antes de comenzar a analizarlo (figura 32).
Figura 32: Algunos proyectos de Learning Analytics (fuente: https://icde.memberclicks.net/assets/RESOURCES/anne_la_
report%20cc%20licence.pdf)
Nottingham Trent Univeristy, UK
Strong link with retention-less than a quarter of students with a low average engagement progressed to the second year,
whereas over 90% of students with good or high average engagement did so.
Strong link with achievement - 81% of students with a high average engagement grafuated with a 2:1 or first class degree,
compared to only 42% of students with low average engagement.
27% of students reported changing their behaviour after using the system.
Received a positive reception among students and staff.
One third of tutors contacted students as a result of viewing their engagement data in the dashboard.
Open University, UK
Inform strategic priorities to continually enhance
the student experience, retention and progression
drive interventions at student, module and
qualification levels
University of New England, Australia
Learning analytics is part of a wider ecosystem of
engagement with students via social media to foster a
sense of community amongst students who may be
studying part time or at a distance as well on campus.
The Open Universities Australia
Drive personalisation and adaptation of content
recommended to individual students
Provide input and evidence for curriculum redesign
Edith Cowan University,
Perth, Western Australia
Created probability of retention scores for each
undergraduate student - used to identify students
most likely to need support.
Wollogong University, Australia
SNAPP visualises participant relationships in online
discussion forums in real time, as a network
diagram, it helps facilitators to avoid dominating the
conversation and encourage greater engagement
with students who are less connected with their
peers in the forum.
1
2
2
3
3
4
4
1
A
A
B
B

48 49
Figura 33: Ejemplo de programación de un algoritmo (fuente: http://www.pewinternet.org/2017/02/08/code-dependent-
pros-and-cons-of-the-algorithm-age/)
Para integrar los datos y convertirlos en conocimiento, el Data Science comporta tres elementos
principales:
1. La adquisición y almacenamiento de datos.
2. El procesamiento y el análisis de datos.
3. La visualización de los datos.
La adquisición y el almacenamiento de datos está encaminado a conseguir el acceso a los datos
necesarios para alcanzar el objetivo de la aplicación del Learning Analytics en función del caso.
Habitualmente esta labor ocupa el 80% del tiempo puesto que no es tarea fácil. En el entorno académico,
la gran mayoría de estos datos procederán de:
• Plataformas LMS de la institución
• Sistemas de gestión de la institución
• Internet, accesible vía HTML
• Bases de datos relacionales
• Bases de datos NoSQL
• Entornos Big Data
El procesamiento y el análisis de datos en Learning Analytics tiene como finalidad una mayor
comprensión del proceso de enseñanza-aprendizaje en todas sus dimensiones. Esta mayor comprensión
deber ir encaminada a facilitar la toma de decisiones y promover recomendaciones.
El uso de recursos de código abierto es habitual en esta fase. Los recursos de código abierto como Phyton,
R, R-Studio, Hadoop o MATLAB destacan entre los más conocidos y utilizados. Permiten trabajar con
lenguajes de programación entendidos como un conjunto de acciones para dar órdenes al recurso.
Por tanto, la clave está en que órdenes facilitamos al sistema, es decir, en el algoritmo que permite
identificar el problema y analizarlo (ver figura 33).

50 51
Por tanto, la principal dificultad en este sentido, es diseñar el algoritmo y identificar el recurso de
código abierto que permitirá programarlo. A menudo, diversos recursos hacen posible una misma
programación, por tanto, el criterio del Data Scientist y su experiencia en el uso de cada lenguaje será
fundamental en la elección del recurso.
La visualización de datos, como fase del proceso de Learning Analytics, no como técnica, está referida
a la fase de obtención de los resultados. La visualización pone el acento no solo en obtener los resultados
sino en comunicarlos adecuadamente (ver figura 34).
En este sentido, la aparición de la computación en la nube y el procesamiento masivo de datos ha
permitido, en los últimos diez años, la creación de servicios y productos basados en datos y su análisis,
impensables hace apenas diez años (Hidalgo, 2018).
Por ejemplo, algunas editoriales como Penguin Random House asimilan la importancia de la
comprensión de datos relacionados con la experiencia lectora. Así, Richard Nash aboga por el quantified
reading en sus últimas charlas (https://www.kobo.com/es/es/p/howtoread).
Otros ejemplos son quantified self o la monitorizacion y análisis de comportamiento diario como los
dispositivos que miden los pasos diarios o los sensores de niveles de colesterol a tiempo real. De todos
modos algunas limitaciones, como la ausencia de estándares actúan como barreras para un uso más
rápido de esta categoría de servicios y productos.
Figura 34: La visualización de datos (fuente: https://informationisbeautiful.net/)
5.2. LAS TÉCNICAS DE LEARNING ANALYTICS
Existen varias categorizaciones para los algoritmos (Bellet, Habrard and Sebban, 2013) pero una
clasificación común y muy aceptada diferencia entre dos categorías: aprendizaje supervisado y
aprendizaje no supervisado.
El aprendizaje supervisado incluye todas aquellas técnicas utilizadas para deducir una función en base
a datos de entrenamiento. En cambio, el aprendizaje no supervisado incluye todas las técnicas utilizadas
para deducir una función sin base a datos de entrenamiento. La elección de cada tipo de técnica debe
realizarse en función del objetivo perseguido.
Habitualmente, el aprendizaje supervisado se asocia con la intención de predicción. Un ejemplo
paradigmático supondría disponer de datos almacenados durante un periodo de tiempo y relacionar
dichos datos con una nueva variable. Por ejemplo, disponer del historial de navegación de los estudiantes
y relacionar dicho historial con la superación de un programa educativo. El Data Scientist está buscando
patrones históricos relacionando datos con una nueva variable.
En cambio, las técnicas de aprendizaje no supervisado se utiliza con la intención de agrupar los datos. Un
ejemplo habitual es disponer de datos históricos no etiquetados de modo que las técnicas de aprendizaje
no supervisado permiten el agrupamiento de dichos datos.
5.2.1. EL APRENDIZAJE SUPERVISADO
El aprendizaje supervisado tiene como finalidad encontrar la función que se ajuste más adecuadamente
a los datos de entrenamiento. Los resultados esperados buscan ser efectivos al obtener funciones que
tengas dos características: la precisión y la representación optimizada.
En relación a la precisión, el aprendizaje supervisado tradicional, un objeto m es representado por un
vector de característica vi, que está asociado con un nivel f(mia†œ). De todas maneras, también es posible
la configuración de varias instancias donde cada objeto se asocia a instancias diversas (mi
,1, mi,2, …, mi
,
vi). El objetivo del aprendizaje supervisado será encontrar la mejor aproximación a la función.
En este sentido, para encontrar la mejor aproximación, Dietterich (2015) define una hipótesis que asume
que si el resultado observado es positivo, entonces al menos uno de las instancias variantes debe haber
producido este resultado positivo. Además, si el resultado observado es negativo, entonces ninguna de
las instancias variantes podría haber producido un resultado positivo resultado.
En relación a la representación optimizada, una de ellas es una representación clásica para resolver
el problema con supervisión. Esta representación considera a un estudiante por patrón o instancia; la
información en cada instancia representa todas las actividades que el estudiante puede llevar fuera.
En este problema, cada estudiante podría ejecutar una cantidad diferente de actividades: por ejemplo, un
estudiante activo puede hacer todas las actividades disponibles mientras que otros estudiantes pueden
no haber presentado ninguna actividad. Además, hay algunos cursos con pocas actividades mientras
que otros cursos tienen una enorme variedad y cantidad de actividades.

52 53
Con esta representación, a pesar de la información diferente sobre cada estudiante y curso, todos las
instancias comparten la misma información. Esto significa que la mayoría de los ejemplos tienen un
atributo vacío ya sea porque el estudiante no realizó ninguna actividad de cierto tipo o porque ese curso
no tenía ninguna actividad disponible de ese tipo.
La figura 35 muestra información disponible sobre dos estudiantes. El gráfico muestra la información
de acuerdo con el aprendizaje supervisado tradicional: cada estudiante es un patrón que contiene toda
la información considerada, aunque este estudiante puede no tener hecho cualquier tipo de actividad.
A continuación se recoge un ejemplo de práctica de la regresión lineal (figura 37):
Los métodos de aprendizaje supervisado son diversos pero los más utilizados son la regresión, cuando
la función pertenece a un rango numérico, la clasificación cuando la función pertenece a una clase y
los árboles de decisión cuando la función debe representar y categorizar condiciones que ocurren de
forma sucesiva.
Figura 35: El aprendizaje supervisado
Figura 36: Regresión lineal calculada en Phyton (https://www.edvancer.in/step-step-guide-to-execute-linear-regression-
python/
Figura 37: Práctica de regresión lineal en la Arizona State University en USA
5.3.1.1. LA REGRESIÓN
La regresión es un modelo estadístico clásico no vinculado únicamente al Learning Analytics. La
regresión permite relacionar una variable dependiente y una variable independiente con niveles o
diversas variables independientes. Por ejemplo, la regresión permite si la calificación de un estudiante
tiene alguna relación con diversos métodos de enseñanza-aprendizaje utilizados.
Las técnicas de regresión más utilizadas en el aprendizaje supervisado son la regresión lineal y la
regresión cuadrática. La regresión lineal permite describir un ajuste de Y sobre X, es decir un modelo
matemático simple que sirve como descripción breve y precisa o como medio para predecir. La regresión
cuadrática permite encontrar la parábola que mejor se ajusten a una serie de datos (figura 36).
Bag
User-ID
Student identifier. Ir is stored
as integer number.
Course
Course identifier. Ir is stored as
integer number.
Final Mark
Final mark obtained by the
student in this course. It is stored
as numerically
Instance
Type of activity
Type of activity which represents
the instance. The type of activities
considered are FORUM (read,
written or consulted), QUIZ (passed,
failed or consulted), and ASSIG-
MENT (submited or consulted)
Time of Activity
Time spent to complete this type
of activity
Numer of Activity
Number of activities of this type
completed by the student

54 55
Figura 38: La clasificación es uno de los métodos más utilizados (fuente: Handbook of Learning Analytics)
Figura 39: Práctica de la clasificación en la King Abdulaziz University en Arabia Saudí
5.3.1.2.LA CLASIFICACIÓN
La clasificación está destinada a verificar la efectividad en la generación de las reglas de clasificación
de ambos sistemas y por lo tanto, proporcionar corroboración si las reglas son similares. La regresión
logística se utiliza para clasificar puesto que permite predecir el resultado de una variable categórica
(una variable que puede adoptar un número limitado de categorías) en función de las variables
independientes o predictoras (figura 38).
Entre los métodos de clasificación destacado es LOM-ES V.1.0 (http://www.lom-es.es/herramientas.htm)
publicado en la web del Ministerio de Educación. LOM-ES V.1.0 es una herramienta de etiquetado que
contiene varias extensiones, especialmente nuevas etiquetas y vocabularios.
LOM-ES V.1.0 se usa en la clasificación LOs según un conjunto de reglas incluyendo taxonomías y tesauros
que permiten especificar, entre otros, disciplina, idea, prerrequisito, objetivo educativo, restricciones de
accesibilidad, nivel de instrucción o habilidades nivel. La página web incluye una guía de uso (ver figura
39).

56 57
Figura 40: Ejemplo de árbol de decisión (fuente: Handbook Big Data)
Figura 41: Práctica de los árboles de decisión en la University of Sydney en Australia
5.3.1.3. LOS ÁRBOLES DE DECISIÓN
Los árboles de decisión son modelos predictivos utilizados a menudo en Learning Machine. En los árboles
de decisión las variables suponen un conjunto finito de valores llamados, árboles de decisión. En este
modelo, las ramas representan la conjunción de características mientras que las hojas de los árboles
permiten etiquetar cada una de las clases (ver figura 40)
Los árboles de decisión son técnicas utilizadas habitualmente. La siguiente tabla (figura 41) muestra un
ejemplo de árbol de decisión desarrollado en la University of Sydney en Australia.

58 59
Figura 42: Comparación entre el aprendizaje supervisado y el aprendizaje no supervisado
Figura 42: Clustering en la University of Pennsylvania (fuente: https://www.researchgate.net/figure/Hierarchical-
clustering-of-the-University-of-Pennsylvania-HNSCC-and-LSCC-samples-using_fig1_6327387)
5.2.2. EL APRENDIZAJE NO SUPERVISADO
El aprendizaje no supervisado es una técnica de Machine Learning que permite inferir una función
para describir la estructura de datos no clasificados ni categorizados. El aprendizaje no supervisado es
especialmente adecuado para reducir la dimensionalidad de los datos de modo que permite sintetizar
y explicar varias dimensiones clave de los datos (ver figura 42).
5.3.2.1 EL CLUSTERING
A diferencia de los problemas de clasificación, en el clustering, agrupación de datos o análisis
de conglomerados, no interesa el modelar una relación entre un conjunto de elementos de datos
multivariados y un determinado conjunto de resultados para cada uno de ellos. En cambio, generalmente
se busca descubrir y modelar los grupos en el que los elementos de datos a menudo se agrupan, de
acuerdo con alguna medida de similitud.
Es posible utilizar diversas técnicas de aprendizaje no supervisado para transformar atributos continuos
en atributos discretos, como el método de igual ancho, el método de igual frecuencia o el manual método
(ver figura 42).

60 61
Figura 43: Práctica del clustering en University of Leeds en Reino Unido (Perrotta & Williamson, 2016)
Figura 44: Uso del clustering K-means (fuente: https://brilliant.org/wiki/k-means-clustering/)
Figura 45: Práctica de clustering Bosnić, Verbert, and Duval (2010)
El clustering generalmente, al ser una técnica de aprendizaje no supervisado, es decir parte de
información sin etiquetas de clase, comporta a veces un problema desafiante a medida que aumenta
la dimensionalidad del espacio de entrada y, como resultado, los datos se vuelven más escasamente
representados. Esta situación es bastante habitual con datos provenientes de plataformas LMS.
A partir de una revisión bibliográfica bastante detallada (Lang, Siemens, Wise & Gasevic, 2017), podemos
generalizar que la mayoría de los estudios que tratan con problemas de agrupamiento en el contexto
de e-learning se dividen en tres categorías principales:
1. Se aplica en datos de e-learning grupal basado en sus similitudes.
2. Prácticas que intentan agrupar a los estudiantes de acuerdo a su comportamiento de navegación y /
o aprendizaje (ver figura 43).
3. Se propone el análisis de agrupamiento como parte de una estrategia de e-learning.
5.3.2.1 CLUSTERING K-MEANS
La agrupación es un método no supervisado para encontrar grupos de objetos similares usando múltiples
atributos de datos. El clásico algoritmo k-means de agrupamiento es simple, eficaz y relativamente
eficiente por lo que es utilizado a menudo (ver figura 44).

62 63
Figura 46: Uso de la Neural network (fuente: https://phys.org/news/2018-03-yeast-cell-black-artificial-intelligence.html)
Figura 47: Práctica del Neural Network en la University of Amsterdam en Países Bajos (Cohen, Geiger, Köhler & Welling, 2018)5.2.3. NEURAL NETWORK
Durante la última década, este marco de aprendizaje reciente ha encontrado una audiencia interesada
en la comunidad de Machine Learning y numerosas investigaciones están atrayendo una gran atención
debido a las aplicaciones.
Entre estas tareas se encuentran la categorización de texto, basada en el contenido recuperación de
imágenes, la predicción de actividad de fármacos, la anotación de imágenes, el índice web recomendación
de página, la selección de stock y la coincidencia de hitos. Sin embargo, las instituciones de enseñanza
superior en línea en management deben plantearse el uso del Machine Learning debido a su coste y la
dificultad de revisar los algoritmos en caso de mal funcionamiento (ver figura 46).
Para resolver estos problemas, se han propuesto una gran cantidad de métodos en la literatura:
algoritmos desarrollados específicamente para resolver problemas MIL, como los algoritmos APR,
la primera propuesta en MIL, Diverso densidad (DD), uno de los algoritmos más populares en este
aprendizaje; y algunas variantes, como EM-DD, que combina DD con la maximización de la expectativa
(EM) (ver figura 47).

64 65
06CONCLUSIONES
• El uso del Learning Analytics presenta el riesgo de partir de expectativas muy elevadas. Como
cualquier tendencia tecnológica ha aparecido vinculado a la esperanza de generar un cambio
profundo en las instituciones de enseñanza superior en línea en management.
• Para el buen uso del Learning Analytics es necesario superar las expectativas poco realistas y aplicar
el método para responder a los retos que la gestión, el proceso de enseñanza-aprendizaje y la
tecnología plantean en las instituciones de enseñanza superior en línea en management.
• La necesidad de responder a los retos cotidianos de las instituciones de enseñanza superior en línea en
management utilizando el método de Learning Analytics plantea la necesaria reflexión sobre cómo
afrontar dichos retos: la clave parece estar en la creación de un equipo interdisciplinar formado por
un experto en psicología de la educación, un informático y un experto en la gestión de la institución.
• Las preguntas de investigación deben ser el eje para el uso del Learning Analytics. Como cualquier
otro método de investigación, Learning Analytics, requiere un uso sostenido por la formulación de
preguntas específicas y contextualizadas que den respuestas a las demandas del día a día de las
instituciones.
• Las métricas son la clave para el buen uso del Learning Analytics; identificar las métricas adecuadas
para dar respuesta a las preguntas de investigación permitirá a las instituciones de enseñanza
superior en línea en management avanzar con el uso de este método.
• El Learning Analytics, como método que gestiona grandes cantidades de datos, presenta como
principal dificultad técnica la preparación de los datos comportando un tiempo que es necesario
considerar.
• Cada vez es más económico almacenar datos de modo que la tendencia a almacenar información y
esperar que los resultados ofrezcan evidencias es una tentación. Almacenar y conservar los datos
comporta el riesgo de perderse entre la información.
Por tanto, es necesario un equilibrio entre el almacenamiento de datos para su posible uso y la
eliminación de estos.
• Las técnicas utilizadas en Learning Analytics se clasifican en aprendizaje supervisado y
aprendizaje supervisado. La regresión, la clasificación y los árboles de decisión, son por este orden,
las técnicas más utilizadas de aprendizaje supervisado. El clustering, el clustering K-means y las
Neural Network son las técnica de aprendizaje no supervisado más utilizadas.

Informe Observatory 2018

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Informe Observatory 2018

Similar a Informe Observatory 2018 (20)

Más de OBS Business School

Más de OBS Business School (20)

Último

Último (20)

Informe Observatory 2018