Skip to main content

Centro de Recursos

Análisis de Datos: 4 pasos para el éxito del aprendizaje

Ya hemos discutido antes el rol de la inteligencia artificial dentro de las futuras tendencias de aprendizaje. Hoy, discutiremos sobre las metas y el camino de la estrategia de análisis del aprendizaje: ¿Cómo las universidades deben proceder para mejorar la experiencia de aprendizaje de sus alumnos a través de análisis de datos y así aumentar su éxito en los estudios?

Del análisis de negocios al análisis de aprendizaje

El análisis de aprendizaje posee muchas similaridades con el análisis de negocios , aunque las metas sean distintas.

La pérdida de un cliente para un operador de telefonía móvil es un problema, independiente del tiempo de duración de la relación comercial.  Para los alumnos y, por lo tanto, para las universidades, un cambio en el área de estudios durante los primeros semestres, es considerablemente menos dramático que una inscripción obligatoria, debido a la no aprobación de pruebas poco antes del cierre de los estudios.

Aún así, las metas son las mismas: ¿Cómo utilizar mejor los datos y estructurar los procesos de forma ideal para que las metas sean alcanzadas?

Para responder a esta pregunta las universidades pueden orientarse por la Escala de Valor Analítico con la cual Gartner, en 2012, ya estructuró las diversas fases de la creación de valor por análisis de datos. De esta forma, las universidades pueden antes de la realización y, a través de cuatro pasos, establecer una estrategia amplia.

Sobre el pasado…

Los primeros dos pasos del proceso de análisis tratan del pasado y del status quo:

Paso 1: ¿Qué ocurrió? (Descripción/ análisis descriptivo)

Inicialmente las universidades deben reunir y combinar los datos existentes.

- ¿Cuántos alumnos realizaron un determinado curso? ¿Con cuál frecuencia y volumen interactuaron con los materiales didácticos?

- ¿Cuántas preguntas surgieron en foros de discusión entre ellos y cuántas orientadas a tutores o directores de cursos?

- ¿Cuántos alumnos comparecieron a los exámenes y cuáles resultados se alcanzaron?

Paso 2: ¿Por qué ocurrió? (Diagnóstico/ análisis de diagnóstico)

Después de la recolección de datos se debe realizar el análisis de los mismo. Muestras al azar son de gran ayuda, porque existen muchos posibles factores de motivos. Por ejemplo, ¿los alumnos terminaron los primeros semestres con notas muy bajas en los exámenes de matemáticas? ¿En los años anteriores también ocurrió de esta forma? En caso negativo, ¿hubo cambios en los profesores o en el contenido? Caso positivo, ¿también ocurrió con física y química? Caso positivo, ¿cuál es la carga de trabajo de los alumnos durante la semana comparado con los otros alumnos de pregrado?

En esta fase, se utilizan las herramientas de Power BI y machine learning, ya que el análisis, la agrupación y el cruce de datos funcionan con datos de muestra previamente desconocidos. Una vez que se encuentran los factores de influencia, las universidades pueden usar procesos estadísticos clásicos, como las regresiones.

...En el futuro

Los pasos 3 y 4 visualizan el futuro y el alcance de influencia de las universidades:

Paso 3: ¿Qué ocurrió? (Previsión/ análisis predictivo)

Cuando las relaciones entre factores de influencia y éxito en el aprendizaje estén registradas es posible iniciar con la previsión.

¿Cuál es el nivel y la posibilidad de reprobación de un determinado alumno? ¿Cuál es la previsión de reprobación para el curso en su conjunto? Esta pregunta puede ser respondida fácilmente por las universidades, una vez que hayan creado un proceso de machine learning con base en los resultados del segundo paso. Sin embargo, cuidado: en el caso de procesos diferentes de enseñanza, es posible que ocurran resultados muy distintos en un mismo grupo de alumnos. Por lo tanto, las universidades deben inicialmente verificar el nivel de acierto de las diferentes previsiones.

Paso 4: ¿Cómo debemos proceder? (Recomendación/ análisis preceptivo)

Este último paso es la disciplina suprema una vez que ella determina recomendaciones de acciones con base en análisis existentes. Por medio de métodos de optimización o simulaciones, las universidades determinan cómo un cambio en el procedimiento actual incide sobre el éxito del aprendizaje.

Por ejemplo, ¿los estudiantes en tu institución ya tienen una menor carga de trabajo por materia para tener un mejor rendimiento en las clases? En este caso, es poco probable que reducir la carga de trabajo aumente el éxito del aprendizaje. Quizás sea más interesante reestructurar el plan de estudios: menos eventos presenciales y más elementos interactivos obligatorios (incluso en línea), a los que se puede acceder en cualquier momento y en cualquier lugar, incluidos los fines de semana. En lugar de especular, la universidad puede a través del análisis de datos, estimar con mayor precisión las consecuencias de estos cambios. Y esto a niveles muy individuales.

Del éxito en el aprendizaje bueno, al ideal: Cuatro ejemplos de universidades

El análisis de aprendizaje siempre fue parte de los negocios de las universidades, cada vez que el éxito de los alumnos es también el éxito de las mismas. Sin embargo, los bancos de datos amplios y modernos procesos de análisis permiten acciones rápidas y exactas para siempre asegurar el éxito de los estudiantes. ¿Necesitan ejemplos? ¡Aquí están cuatro!

1. Los estudiantes con necesidades específicas pueden ser prematuramente identificados y recibir el apoyo necesario antes de los exámenes. Eso disminuye los índices de reprobación y evita la evasión, especialmente para estudiantes avanzados, ciertamente el peor caso.

2.  En eventos en marcha, es posible ofrecer a los alumnos, independiente de los resultados de microaprendizaje, un trayecto personalizado, que aumenta la motivación y el éxito del estudiante.

3.  El uso de herramientas de machine learning para el análisis de datos y proyecciones puede ayudar a mejorar la calidad de cursos abiertos e incluso en el diseño del plan de estudios de cursos de pregrado. Con la información es posible asignar recursos escasos de manera más racional y ver claramente lo que vale y dónde es posible ahorrar.

4.  El análisis de aprendizaje también posibilita pruebas y procesos de notas nuevos e innovadores. La emisión y evaluación automática de exámenes de elección múltiple ya es muy difundida. Por lo tanto, incluso las actividades de exámenes con base en textos como trabajos de seminarios y trabajos finales podrán futuramente ser llevados a cabo con ayuda de algoritmos-KI. Esto traerá nuevos retos y posibilidades.

Entonces, ¿cuáles metas necesitas alcanzar con el análisis de aprendizaje?

Si sientes la falta de datos para este análisis en tu institución, contáctanos. Podemos ayudarte al respecto.

Allan Lanza

Ejecutivo de Ventas - Canvas Latam