Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Smart Data para la mejora de la educación y sus procesos de enseñanza aprendizaje

1.654 visualizaciones

Publicado el

Conferencia impartida el 7 de Septiembre de 2015 en Santander, España. En el marco del evento "Smart University 4.0: la realidad cuántica de la universidad del futuro" de la CRUE.

http://www.uimp.es/agenda-link.html?id_actividad=62JG&anyaca=2015-16

Hablo de la necesidad de seleccionar los datos buenos, para hacer Smart Data y poder mejorar así la educación.

Publicado en: Educación
  • Sé el primero en comentar

Smart Data para la mejora de la educación y sus procesos de enseñanza aprendizaje

  1. 1. Smart Data para la mejora de la educación y sus procesos de enseñanza-aprendizaje Alex Rayón Jerez alex.rayon@deusto.es, @alrayon Director General Deusto eCampus, la universidad online de Deusto 7 de Septiembre, 2015 Santander, España
  2. 2. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 2
  3. 3. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 3
  4. 4. Clarificando conceptos Drivers of Big Data 4
  5. 5. Clarificando conceptos Drivers of Big Data (II) 5 La sociedad se ha tecnificado, y estamos cada vez más interconectados Se habla de las redes sociales A eso unámosle que el coste computacional es cada vez menor Menor coste de producción Cada vez se están digitalizando más procesos y actividades de nuestro día a día Generaremos cada vez más datos
  6. 6. Clarificando conceptos Big Data vs. Business Intelligence 6 Business Intelligence Big Data
  7. 7. Clarificando conceptos Big Data vs. Business Intelligence (II) 7 No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas Una disciplina que tiene un objetivo a medio plazo La herramienta de la estrategia y de la dirección Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
  8. 8. Clarificando conceptos Data Science 8 Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391
  9. 9. Clarificando conceptos Data Science: Scientific Method 9 Fuente: http://kids.britannica.com/elementary/art-183875/The-scientific-method-is-the-process-scientists-follow-to-solve
  10. 10. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 10
  11. 11. Por qué Smart Data Del dato al conocimiento 11 El dato por si solo nos aporta poco… 2.000 visitantes únicos en mi tienda online 1.000 nuevos usuarios en mi aplicación 10% nuevos clientes en mi exposición 24 conversiones de las campañas de captación 3.000 € de incremento del tamaño de la transacción media de ticket de compra … Falta contexto → circunstancias Fecha Dispositivo/canal Geolocalización Tendencia/perspectiva
  12. 12. Por qué Smart Data Smart and Deep Data 12
  13. 13. Por qué Smart Data El Business Analytics en educación 13 Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
  14. 14. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 14
  15. 15. Impacto en educación Data-Driven university 15
  16. 16. Impacto en educación Data-Driven university (II) 16 Fuente: http://misalondon.ca/PDF/special_pres/Data_Quality_Capacity_&_Culture.pdf
  17. 17. Impacto en educación Enfoques 17 ● Academic Analytics ○ (Goldstein and Katz, 2005) Prácticas de toma de decisiones académicas basado en el análisis y explotación de datos ○ (Campbell and Oblinger, 2007) Maridaje entre los conjuntos de datos y los métodos estadísticos para mejorar la toma de decisiones académicas ● Learning Analytics ○ Sus objetivos de mejora están en el aprendizaje ○ Factores que están impulsándolo: cada vez mayor generación de datos, mayor capacidad computacional, accountability, perfil de los estudiantes, mejores formatos de datos, el éxito del Academic Analytics
  18. 18. Impacto en educación Academic Analytics: aplicaciones 18 ● Estudios de mercado ○ Dirigir acciones de marketing hacia perfiles tradicionalmente matriculados en el pregrado o postgrado que se quiera reforzar ● Proceso de admisión ○ La Universidad de Baylor, TX, USA, modela el perfil del estudiante de éxito para disponer de un sistema de admisión exigente basado en la evidencia empírica de perfiles que saben funcionan
  19. 19. Impacto en educación Academic Analytics: aplicaciones (II) 19 ● Servicios de inserción profesional sobre el perfil competencial ○ Podremos analizar datos de otros alumni ya trabajando para que los alumnos actuales encuentren mejores pasantías, localizar mentores o mejorar el proceso de intermediación laboral a través de alumnis At Universities, a Push for Data-Driven Career Services
  20. 20. Impacto en educación Academic Analytics: aplicaciones (III) 20 Proponer a los estudiantes la elección de asignaturas según perfiles de competencias y Alumnis de éxito Ayudar a los estudiantes recién ingresados a encontrar un camino y estrategia de estudio Comparar datos de Alumni con los estudiantes actuales en función de roles y competencias
  21. 21. Impacto en educación Academic Analytics: aplicaciones (IV) 21 Reducción tasa de abandonos Analizando datos demográficos, estilos de aprendizaje, motivaciones, rasgos de personalidad, etc. etc., construiremos un perfil de éxito y de fracaso De este modo, podremos optimizar la predicción del posible éxito o fracaso de un estudiante Es el modelo que dispone la Universidad de Northern Arizona, AZ, USA El objetivo será disponer de un modelo predictivo, que, además, vaya mejorándose con el resultado de las intervenciones que se planteen para reducir la tasa de abandonos
  22. 22. Impacto en educación Learning Analytics: aplicaciones 22 ● Evaluación y feedback ○ Dar al estudiante una retroalimentación inteligente que le permita mejora de manera continua su desempeño ○ El estudiante podrá entender cómo mejorar su proceso de resolución de ejercicios, asimilación de conocimientos, toma de decisiones, etc. ○ Se disponen de métricas de interacción entre estudiante y plataforma, materiales didácticos, actividades de aprendizaje y evaluación, etc. ○ Por lo tanto, se podrán hacer análisis muy exhaustivos
  23. 23. Impacto en educación Learning Analytics: aplicaciones (II) 23 ● Sistemas de alerta temprana ○ En la línea del sistema Signals de la Universidad de Purdue, IN, USA, disponer de un sistema de predicción del eventual rendimiento de un estudiante para notificarle, con carácter preventivo, que debe cambiar ciertas conductas para mejorar su rendimiento académico ● Clasificación de estudiantes ○ A través de diferentes criterios educativos, se pueden agrupar estudiantes para organizar grupos de trabajo, equipos de alto rendimiento, etc.
  24. 24. Impacto en educación Learning Analytics: aplicaciones (III) 24 ● Ofrecer recomendaciones ○ El proyecto RISE de la Open University del Reino Unido, busca proveer a los estudiantes de un feedback activo y en tiempo real mientras estudian ○ De este modo, buscar mejorar la experiencia del estudiante, y que perciba la cercanía y tutorización que todo estudiante dispone ● Personalizar el curso al estudiante ○ Se pueden personalizar los materiales didácticos, actividades de evaluación y aprendizaje, etc. sobre la base de las preferencias que hubiera previamente dispuesto
  25. 25. Impacto en educación Learning Analytics: aplicaciones (IV) 25 ● Aumentar la reflexión ○ Cuando los estudiantes observan su progreso en un dashboard, interiorizan más sus resultados, y pueden reflexionar hacia la mejora continua ● Detectar la emoción/sentimiento de los estudiantes ○ Si se analiza el comportamiento de los estudiantes en entornos digitales de aprendizaje, se puede llegar a modelizar la emoción y sentimiento de los mismos ● Y muchas otras aplicaciones
  26. 26. Impacto en educación Learning Analytics: aplicaciones (V) 26 ● Quizás, la aplicación más interesante para una universidad sea el análisis de los datos que los estudiantes y sus contextos de aprendizaje producen ● Ello, permitiría ayudar en el proceso de desarrollo y evaluación de competencias ○ Proceso que actualmente es difícil por la naturaleza aún subjetiva de la evaluación, la falta de escalabilidad del proceso y la dificultad de encontrar cómo los estudiantes han procedido a resolver una determinada actividad
  27. 27. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 27
  28. 28. Tratamiento y gestión de datos Esquema general 28
  29. 29. Tratamiento y gestión de datos Esquema general 29 Pasaremos de disponer de datos brutos (que permiten responder al “qué”) al conocimiento (que responden al “cómo” y “por qué”) a través de su presentación gráfica
  30. 30. Tratamiento y gestión de datos Data Analytics 30 Analytics, es la ciencia del análisis lógico En entornos universitarios, permite introducir el análisis lógico y la toma de decisiones basada en evidencias y no solamente en la experiencia Esto permite mejorar el valor añadido de los servicios Se compone de los procesos, técnicas y herramientas que se emplean para producir y comunicar inteligencia accionable a partir del análisis de grandes volúmenes de datos
  31. 31. Tratamiento y gestión de datos Data Analytics (II) 31 Informa de patrones ocultos y relaciones del proceso de aprendizaje y profesional así como los factores que determinan el éxito de un estudiante Todo ello, analizando la complejidad, diversidad y abundancia de información que los entornos de aprendizaje dinámicos pueden generar Describen el mundo real, reduciendo su complejidad a una forma más entendible y accesible para todas las personas
  32. 32. Tratamiento y gestión de datos Resolución de problemas 32 Problemas Predictivos (supervisados) Descriptivos (no supervisados) Clasificación Regresión Análisis correlacional Agrupamiento Reglas asociación
  33. 33. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 33
  34. 34. En educación… evaluando competencias Introducción 34 Competencias “Measurable or observable knowledge, skills and behaviors”
  35. 35. En educación… evaluando competencias La dificultad de la evaluación de competencias (i) Scalability Even more difficult with distance learning models [Johnson, 2013] (ii) Subjective nature Currently, interpreted by the teacher (iii) Finding latent skills Hard to find the latent skills behind exercises or questions [Beheshti, 2012] (iv) Difficulty to assess the procedural aspects How students arrive at answers 35
  36. 36. En educación… evaluando competencias La dificultad de la evaluación de competencias (II) Process/Work of the student 36
  37. 37. En educación… evaluando competencias La dificultad de la evaluación de competencias (III) “In order to create innovative learning environments, ideas focus on engagement and feedback” [OECD, 2013] “Make sense and intelligent use of the data provided by ICT in order to facilitate learning” [Sutherland, Joubert, Eagle, 2012] 37
  38. 38. En educación… evaluando competencias Objetivos Objetivo principal Ofrecer al estudiado de cualquier pregrado o postgrado servicios de valor añadido de carácter longitudinal antes, durante y después de haber cursado sus estudios Objetivos secundarios Facilitar los procesos de enseñanza-aprendizaje Potenciar el desarrollo profesional Mejorar la toma de decisiones académica y los servicios ofrecidos por la institución Analizar los datos demográficos, académicos, familiares, vocacionales, motivacionales, aspiracionales, perfil38
  39. 39. En educación… evaluando competencias Objetivos (II) 39 Integrar los datos brutos de fuentes heterogéneas en un único modelo de datos multidimensional Será la entrada al sistema de información sobre el que analizaremos posteriormente los datos Creación de un motor de análisis de datos que permita detectar conocimiento que los datos brutos no nos pueden ofrecer Ofrecer una interfaz de usuario (Dashboard) a través de un dashboard que permita realizar las consultas a través de las múltiples dimensiones y aplicaciones que se propongan
  40. 40. En educación… evaluando competencias Soporte evaluación competencias 40 Reto evaluación competencias Learning Analytics Rúbricas enriquecidas ● Naturaleza subjetiva ● Falta de escalabilidad ● Difícil encontrar habilidades ● Difícil evaluar aspectos procedimentales ● TIC en Educación ● Datos sociales y de uso ● Una promesa para mejorar el aprendizaje y evaluación
  41. 41. En educación… evaluando competencias Soporte evaluación competencias (II) Para cada competencia, podríamos disponer de métricas de actividad para evaluar a través de las rúbricas enriquecidas (para un descriptor e indicador de una competencia) 41
  42. 42. En educación… evaluando competencias Soporte evaluación competencias (III) Y así ofrecer al profesorado un panel de mando donde puede consultar las métricas de actividad de los estudiantes y así poder disponer de las aplicaciones anteriormente indicadas: alertas tempranas de rendimiento académico, feedback real-time, etc. 42
  43. 43. En educación… evaluando competencias Soporte evaluación competencias (IV) La visualización de métricas de aprendizaje y de desarrollo de competencias permite entender el procedimiento y toma de decisiones que sigue un estudiante El dashboard, es una herramienta muy buena de: Exploración Confirmación Presentación 43
  44. 44. En educación… evaluando competencias Soporte evaluación competencias (V) En todo ello, resulta especialmente importante definir nuevas métricas más allá de las calificaciones tradicionales El objetivo es permitir disponer de un feedback más enriquecido → además de motivar a los estudiantes, mejorará su aprendizaje significativo Por lo tanto, hay que definir relaciones del tipo: Objetivo - Indicador - Métrica (OIM) 44
  45. 45. En educación… evaluando competencias Soporte evaluación competencias (VI) Todo ello, recogiendo datos de entornos con muchas herramientas digitales de soporte 45
  46. 46. En educación… evaluando competencias Arquitectura de información integrada Capacidades de una arquitectura de información integrada [Oracle, 2012] 46
  47. 47. En educación… evaluando competencias Arquitectura 47
  48. 48. En educación… evaluando competencias Arquitectura: Fuentes de datos Fuentes internas CRM, Sistema de Gestión Académica, Plataforma de Gestión del Aprendizaje, Redes Sociales, BBDD de Alumni, Hojas de cálculo, etc. Se procedería a una normalización al modelo de datos multidimensional que se consensuó Fuentes externas Además, los datos internos, se pueden enriquecer con datos externos, como informes estadísticos, banco de datos oficiales, etc. 48
  49. 49. En educación… evaluando competencias Arquitectura: Modelos analíticos Los datos capturados de los procesos de enseñanza-aprendizaje nos explican qué es lo que ocurre Sin embargo, esta fotografía del qué no explica el por qué pueden ocurrir algunos comportamientos del estudiante Y esto, puede ser de mucho valor para el proceso de desarrollo y evaluación de competencias Por ello, utilizaremos métodos estadísticos que nos permitan obtener relaciones, patrones o descubrir estructuras de conocimiento para entender el “por qué” del comportamiento de los estudiantes49
  50. 50. En educación… evaluando competencias Arquitectura: Visualización Construiremos un dashboard, que permitirá a usuarios no técnicos la posibilidad de acceder fácilmente al conocimiento: Visual Analytics 50
  51. 51. Tabla de contenidos Clarificando conceptos Por qué Smart Data Impacto en educación Tratamiento y gestión de datos En educación… evaluando competencias Implantación sistema Smart Data 51
  52. 52. Implantación sistema Big Data Metodología CRISP-DM 52
  53. 53. Implantación sistema Big Data 53 Necesidad1 3 4 5 2 Planificación Requisitos Diseño Construcción 6 Mantenimiento Gobierno Procesos Operaciones Herramientas
  54. 54. Implantación sistema Big Data Gestión del cambio 54
  55. 55. Implantación sistema Big Data Visualización 55 “La visualización es crítica para el análisis de datos. Aporta una primera línea de ataque, revelando estructuras intrincadas en datos que no pueden ser absorbidas de otro modo. Descubrimos efectos inimaginables y cuestionamos aquellos que han sido imaginados.” William S. Cleveland en Visualizing Data
  56. 56. Smart Data para la mejora de la educación y sus procesos de enseñanza-aprendizaje Alex Rayón Jerez alex.rayon@deusto.es, @alrayon Director General Deusto eCampus, la universidad online de Deusto 7 de Septiembre, 2015 Santander, España

×