Bigdata aplicada a Entornos Formativos. La evolución de la Minería de Datos Educativa aplicada a Inteligencias Múltiples”. Existe una rama de la Minería de Datos, denominada Minería de Datos Educativos (EDM), que describe un campo de investigación de aprendizaje automático y estadísticas sobre la información generada por los centros educativos (por ejemplo, las universidades y los sistemas inteligentes de tutorías). A grandes rasgos, esta especialidad busca desarrollar métodos para la exploración de estos datos, que a menudo tienen múltiples niveles de jerarquía significativas, con el fin de descubrir nuevos conocimientos acerca de cómo aprenden las personas en el contexto de sus actividades.[1] .De este modo, EDM ha contribuido a las teorías del aprendizaje en psicología de la educación y en las ciencias del aprendizaje.[2] Esta disciplina está estrechamente ligada a la de la analítica de aprendizaje, y se ha investigado de manera clara las relaciones entre ambos mundos.[3] EDM se refiere a las técnicas, las herramientas y las investigaciones diseñadas para la extracción automática de conocimiento a partir de grandes repositorios de datos generados o relacionados con las actividades de aprendizaje de las personas en entornos educativos. Por otro lado, la cantidad de datos en distintos formatos (bases de datos, texto, multimedia, audio…) alrededor de los alumnos, tutores, recursos educativos y perfiles neuropsicológicos es cada vez más ingente y difícil de integrara, aunar y gestionar. Por ello, técnicas avanzadas de extracción del conocimiento relevante sobre ingentes volúmenes de datos, para la aplicación del mismo sobre la personalización de contenidos y acciones sobre los binomios tutor-alumno, es un paso natural en la estrategia de mejora educativa moderna. La idea general es dotar al educador, en base a ciertas entradas de diferentes sistemas, de un sistema automático que sea capaz de clasificar el “estado” concreto en el que se encuentra cada uno de los alumnos, en base a un posicionamiento de los mismos dentro de cada uno de los mapas de las diferentes “inteligencias”, de forma que se “triangula” al alumno de forma desasistida, en base a valoraciones, situación formativa, “inputs” objetivos y subjetivos relacionados al alumno, contenidos asignados, evaluación de los mismos, etc… en un “estado” determinado. Y a partir de este estado, y en base, por un lado, a la introducción del conocimiento de los educadores en ciertas guías formativas que se deben aplicar en cada “estadio”, dentro de un sistema experto inteligente, y por otro lado, a la interpolación automática de los modelos de análisis sobre como han evolucionado alumnos similares en situaciones o estadios similares en el pasado, dónde se les aplicaron las mismas o distintas rutas formativas, seleccionar la mejor decisión a aplicar a la personalización de acciones a proponer a cada alumno, como herramienta d

1. G R U P O I B E R M Á T I C A
Bigdata aplicada a Entornos
Formativos.
La evolución de la Minería de Datos
Educativa aplicada a Inteligencias
Múltiples
Plataforma Tecnológica para una
Educación Centrada en el Alumno

2. Octubre 2014 / 2
Objetivo: Plataforma Tecnológica para una
Educación Centrada en el Alumno
“Se necesita una educación adaptada a
cada alumno/a”
Conseguir a lo largo de su etapa educativa
personas con las competencias necesarias
para integrarse y desenvolverse en el
mundo con capacidad de transformación.
Sin olvidar sus raíces, con actitud
responsable y de respeto hacia las
personas y el medio que les rodea.
¿Cuál es el reto?
¿Cuál es la necesidad?
No todos somos iguales
Competencias y ritmos dispares
Necesidades diferentes
Rutas Formativas
Personalizadas
Recomendaciones
particulares
Personalización
Personalización
Aula es un microsistema
heterogéneo
Seguimiento al 100% de los alumnos

3. Octubre 2014 / 3
Personalización: De un sistema global a un sistema
personalizado
Personalización:
Ser preciso en el mensaje: suministrar la información adecuada en
el momento y lugar preciso, y al sujeto que lo requiere, y sólo a ese,
para que el contenido sea atractivo, efectivo y finalice en un
impacto interiorizado.

4. Octubre 2014 / 4
Personalización: De un sistema global a un sistema
personalizado
Supermercados Wal-Mart.
Proyecto de basket analysis. Correlación estadísticamente
significativa entre la compra de
pañales y cerveza.
Compradores de cerveza y
pañales eran varones de entre
25 y 35 años, que solían
comprar estos productos
conjuntamente los viernes por la
tarde.

5. Octubre 2014 / 5
Personalización: De un sistema global a un sistema
personalizado
Predicción Incidencias en Industria
Banca / Marketing / Comercio Electrónico
Fraude / Fidelidad Clientes Medicina Investigación
•Recopilación de Datos
•Triangulación del sujeto
•Análisis del Diagnóstico
(Perfilado, Segmentación y Cercanía)
•Recomendación Personalizada
•Recopilación de Datos
•Triangulación del sujeto
•Análisis del Diagnóstico
(Perfilado, Segmentación y Cercanía)
•Recomendación Personalizada
La personalización automática de decisiones no es nueva…

6. Octubre 2014 / 6
Personalización: Recopilación de Datos
Del Control al Caos
Conocimiento: La relación entre los datos en un contexto determinadoConocimiento: La relación entre los datos en un contexto determinado

7. Octubre 2014 / 7
¿BigData? ¿En Serio?
BigData vs Small DataBigData vs Small Data

8. Octubre 2014 / 8
• Massively parallel processing (MPP)
• Datamining grids
• Distributed file systems
• Distributed databases
• Cloud computing platforms
• Scalable storage systems
• Working in memory
Worldwide digital content
will double in 18
months, and every 18
months thereafter.
VELOCIDAD
In 2005, humankind created
150 exabytes of information.
In 2011, 1,200 exabytes
will be created.
VOLUMEN VARIEDAD
80% of enterprise data
will be unstructured,
spanning traditional and
non traditional sources.
Gartne
r
IDC
The Economist
• BI avanzado
• Minería de Datos
• Minería de Textos
¿Generamos datos?

9. Octubre 2014 / 9
Sistemas Análisis Avanzados:
Minería de Datos Educativos (EDM)
Plataforma de Apoyo a la
Decisión en Tiempo Real.
Integra las más novedosas técnicas de
analítica avanzada sobre la información
bruta:
• Segmenta
• Clasifica
• Predice
• Focaliza
¿Qué es? ¿Qué aporta?
Utilizamos el 80% del tiempo en
revisar el 100% de la información
sin conocer “a priori” dónde esta
el foco de interés.
Utilizamos el 20% del tiempo en
analizar el 80% del las alertas
realmente relevantes
¿Cómo funciona?
• Ayuda a los técnicos en la instrumentación de reglas
para el seguimiento y control del negocio.
• Detección de anomalías en las pautas de
comportamiento.
• Sistema de alertas sobre casos inciertos.
• Sistema de representación gráfica de zonas con
probabilidad altas de objetivos detectados.
• Plataforma de simulación y predicción de los distintas
escenarios de negocio.
• Aprendizaje automático ante nuevos casos objetivos.

10. Octubre 2014 / 10
IMEDU; Un sistema de diagnóstico objetivo de los
alumnos en base a sus Inteligencias Múltiples..
Inteligencias Múltiples para la Educación
Objetivo / resultados
La idea general es dotar al educador de un sistema automático
que sea capaz de clasificar el “estado” concreto en el que se
encuentra cada uno de los alumnos, en base a un
posicionamiento de los mismos dentro de cada uno de los
mapas de las diferentes “inteligencias”, y a partir de ahí,
seleccionar la mejor decisión a aplicar a la
personalización de acciones a proponer a cada alumno,
como una herramienta de apoyo a la decisión para el
educador.

11. Octubre 2014 / 11
Detección y Triangulación del Alumno
•Evaluaciones
•Datos del Alumno
•Notas de Profesores (LN)
•Datos Familiares
•Consentimiento
Informado
•Plataforma Virtual
•Gamificación
•Test de Aptitudes
•Cuestionario de desarrollo
evolutivo
•….
Datos de Entrada
Clasificación
Automática del
Alumno
en cada Inteligencia
Ruta Formativa Personalizada
Recomendación automática acciones
Contenidos
Guías Formativas
…
Clasificaciónglobal
Ponderación
Automática

12. Octubre 2014 / 12
Perfilado, Segmentación, Cercanía y Programación
Múltiples Alumnos
Segmentación de Alumnos por comportamientos
Sugerencia automáticas en:
•Rutas Formativas por Grupo de Pertenencia
•Rutas Formativas por Cercanía de Comportamiento (“Otros como tú…”)
•Rutas Formativas basadas en Históricos de éxito del pasado
•Análisis de la Evolución en el tiempo de un alumno
•Visualización de los cambios de pertenencia a grupos en función de
acciones realizadas
Guía Formativa 2Guía Formativa 2
Guía Formativa 2Guía Formativa 2

13. Octubre 2014 / 13
Recomendación personalizada de Rutas Formativas y Retos
Segmentación de Alumnos por
comportamientos
Conocimiento
Educadores
Histórico de
evolución de
alumnos
Reglas de Expertos
Reglas automáticas
Sistema Experto
Recomendación de Rutas y Acciones
Recomendación de
Retos y Actividades
Gamificación /
Mundo Virtual

14. Octubre 2014 / 14
Aitor Moreno Fernández de Leceta
Sistemas Inteligentes de Control y Gestión
ai.moreno@ibermatica.com
www.ibermatica.com/ai.moreno
Blog: rtdibermatica.com