Analítica de aprendizaje

La analítica del aprendizaje es la medición, recopilación, análisis y presentación de informes de datos sobre los estudiantes y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce. ^[1] El crecimiento del aprendizaje en línea desde la década de 1990, particularmente en la educación superior , ha contribuido al avance de la analítica del aprendizaje, ya que los datos de los estudiantes se pueden capturar y poner a disposición para su análisis. ^{[2] [3] [4]} Cuando los estudiantes utilizan un LMS , redes sociales o herramientas en línea similares, se pueden rastrear sus clics, patrones de navegación, tiempo en la tarea, redes sociales , flujo de información y desarrollo de conceptos a través de discusiones. El rápido desarrollo de los cursos en línea masivos y abiertos (MOOC) ofrece datos adicionales para que los investigadores evalúen la enseñanza y el aprendizaje en entornos en línea. ^[5]

Aunque la mayoría de la literatura sobre análisis del aprendizaje ha comenzado a adoptar la definición antes mencionada, la definición y los objetivos del análisis del aprendizaje aún son controvertidos.

Una definición anterior discutida por la comunidad sugería que Learning Analytics es el uso de datos inteligentes, datos producidos por los estudiantes y modelos de análisis para descubrir información y conexiones sociales para predecir y asesorar sobre el aprendizaje de las personas. ^[6] Pero esta definición ha sido criticada por George Siemens ^{[7] [ se necesita una fuente no primaria ]} y Mike Sharkey. ^{[8] [ se necesita una fuente no primaria ]}

El Dr. Wolfgang Greller y el Dr. Hendrik Drachsler definieron la analítica del aprendizaje de manera holística como un marco de trabajo. Propusieron que se trata de un marco de diseño genérico que puede actuar como una guía útil para establecer servicios de analítica en apoyo de la práctica educativa y la orientación a los estudiantes, en la garantía de calidad, el desarrollo curricular y en la mejora de la eficacia y la eficiencia de los docentes. Utiliza un análisis morfológico general (GMA) para dividir el dominio en seis "dimensiones críticas". ^[9]

El término más amplio " analítica " se ha definido como la ciencia de examinar datos para extraer conclusiones y, cuando se utilizan en la toma de decisiones , para presentar caminos o cursos de acción. ^[10] Desde esta perspectiva, la analítica del aprendizaje se ha definido como un caso particular de analítica , en el que la toma de decisiones tiene como objetivo mejorar el aprendizaje y la educación. ^[11] Durante la década de 2010, esta definición de analítica ha ido más allá para incorporar elementos de investigación de operaciones como árboles de decisión y mapas de estrategia para establecer modelos predictivos y determinar probabilidades para ciertos cursos de acción. ^[10]

Otro enfoque para definir Learning Analytics se basa en el concepto de Analytics interpretado como el proceso de desarrollo de conocimientos prácticos a través de la definición de problemas y la aplicación de modelos estadísticos y análisis contra datos existentes y/o futuros simulados. ^{[12] [13]} Desde este punto de vista, Learning Analytics surge como un tipo de Analytics (como un proceso ), en el que los datos, la definición del problema y los conocimientos están relacionados con el aprendizaje.

En 2016, una investigación realizada conjuntamente por el New Media Consortium (NMC) y la EDUCAUSE Learning Initiative (ELI), un programa de EDUCAUSE, describe seis áreas de tecnología emergente que habrán tenido un impacto significativo en la educación superior y la expresión creativa para fines de 2020. Como resultado de esta investigación, la analítica de aprendizaje se definió como una aplicación educativa de la analítica web destinada a la elaboración de perfiles de los estudiantes, un proceso de recopilación y análisis de detalles de las interacciones individuales de los estudiantes en actividades de aprendizaje en línea . ^[14]

En 2017, Gašević , Коvanović y Joksimović propusieron un modelo consolidado de analítica del aprendizaje. ^[15] El modelo postula que la analítica del aprendizaje se define en la intersección de tres disciplinas: ciencia de datos, teoría y diseño. La ciencia de datos ofrece métodos y técnicas computacionales para la recopilación, preprocesamiento, análisis y presentación de datos. La teoría generalmente se extrae de la literatura en ciencias del aprendizaje, educación, psicología, sociología y filosofía. La dimensión de diseño del modelo incluye: diseño de aprendizaje, diseño de interacción y diseño de estudio. En 2015, Gašević , Dawson y Siemens argumentaron que los aspectos computacionales de la analítica del aprendizaje deben vincularse con la investigación educativa existente para que la analítica del aprendizaje cumpla su promesa de comprender y optimizar el aprendizaje. ^[16]

La diferenciación de los campos de la minería de datos educativos (EDM) y la analítica del aprendizaje (LA) ha sido una preocupación de varios investigadores. George Siemens sostiene que la minería de datos educativos abarca tanto la analítica del aprendizaje como la analítica académica , ^[17] la primera de las cuales está dirigida a los gobiernos, las agencias de financiación y los administradores en lugar de a los estudiantes y al profesorado. Baepler y Murdoch definen la analítica académica como un área que "... combina datos institucionales seleccionados, análisis estadístico y modelos predictivos para crear inteligencia sobre la cual los estudiantes, instructores o administradores pueden cambiar el comportamiento académico". ^[18] Continúan intentando desambiguar la minería de datos educativos de la analítica académica basándose en si el proceso está impulsado por hipótesis o no, aunque Brooks ^[19] cuestiona si esta distinción existe en la literatura. Brooks ^[19] en cambio propone que una mejor distinción entre las comunidades EDM y LA está en las raíces de dónde se originó cada comunidad, con la autoría en la comunidad EDM dominada por investigadores que vienen de paradigmas de tutoría inteligente, y los investigadores de la analítica del aprendizaje están más centrados en los sistemas de aprendizaje empresarial (por ejemplo, sistemas de gestión de contenido de aprendizaje).

Independientemente de las diferencias entre las comunidades de LA y EDM, las dos áreas tienen una superposición significativa tanto en los objetivos de los investigadores como en los métodos y técnicas que se utilizan en la investigación. En el programa de maestría en analítica del aprendizaje que se ofrece en Teachers College , Columbia University, a los estudiantes se les enseñan tanto métodos de EDM como de LA. ^[20]

El análisis del aprendizaje, como campo, tiene múltiples raíces disciplinarias. Si bien los campos de la inteligencia artificial (IA) , el análisis estadístico , el aprendizaje automático y la inteligencia empresarial ofrecen una narrativa adicional, las principales raíces históricas del análisis son las directamente relacionadas con la interacción humana y el sistema educativo . ^[5] Más en particular, la historia del análisis del aprendizaje está estrechamente vinculada al desarrollo de cuatro campos de las ciencias sociales que han convergido a lo largo del tiempo. Estos campos persiguieron, y aún persiguen, cuatro objetivos:

1. Definición de Aprendiz , con el fin de cubrir la necesidad de definir y comprender a un aprendiz.
2. Rastro de conocimiento , que aborda cómo rastrear o mapear el conocimiento que ocurre durante el proceso de aprendizaje.
3. Eficiencia y personalización del aprendizaje , que se refiere a cómo hacer que el aprendizaje sea más eficiente y personal por medio de la tecnología.
4. Comparación de contenido del alumno , con el fin de mejorar el aprendizaje comparando el nivel de conocimiento del alumno con el contenido real que necesita dominar. ^[5] ( Siemens, George (2013-03-17). Introducción a la analítica del aprendizaje . Curso en línea abierto LAK13 para la Universidad de Texas en Austin y Edx. 11 minutos en . Consultado el 2018-11-01 .)

Una diversidad de disciplinas y actividades de investigación han influido en estos 4 aspectos a lo largo de las últimas décadas, contribuyendo al desarrollo gradual de la analítica del aprendizaje. Algunas de las disciplinas más determinantes son el análisis de redes sociales , el modelado de usuarios , el modelado cognitivo , la minería de datos y el e-learning . La historia de la analítica del aprendizaje se puede entender a partir del surgimiento y desarrollo de estos campos. ^[5]

El análisis de redes sociales ( ARS ) es el proceso de investigación de estructuras sociales mediante el uso de redes y teoría de grafos . ^[21] Caracteriza las estructuras en red en términos de nodos (actores individuales, personas o cosas dentro de la red) y los lazos , bordes o enlaces (relaciones o interacciones) que los conectan. ^{[ cita requerida ]} El análisis de redes sociales es prominente en la sociología , y su desarrollo ha tenido un papel clave en el surgimiento de Learning Analytics. Uno de los primeros ejemplos o intentos de proporcionar una comprensión más profunda de las interacciones es el del sociólogo austro-estadounidense Paul Lazarsfeld . En 1944, Lazarsfeld hizo la declaración de "quién habla con quién sobre qué y con qué efecto". ^[22] Esa declaración forma lo que hoy sigue siendo el área de interés o el objetivo dentro del análisis de redes sociales, que intenta comprender cómo se conectan las personas y qué conocimientos se pueden derivar como resultado de sus interacciones, una idea central de Learning Analytics. ^[5]

Análisis de citas

El lingüista estadounidense Eugene Garfield fue un pionero en el análisis de datos en ciencia. En 1955, Garfield lideró el primer intento de analizar la estructura de la ciencia en relación con cómo los avances en ciencia pueden entenderse mejor mediante el seguimiento de las asociaciones ( citas ) entre artículos (cómo se referencian entre sí, la importancia de los recursos que incluyen, frecuencia de citación, etc.). A través del seguimiento de las citas, los científicos pueden observar cómo se difunde y valida la investigación. Esta fue la idea básica de lo que eventualmente se convirtió en un " page rank ", que en los primeros días de Google (principios del siglo XXI) era una de las formas clave de entender la estructura de un campo al observar las conexiones de páginas y la importancia de esas conexiones. El algoritmo PageRank -el primer algoritmo de búsqueda utilizado por Google- se basó en este principio. ^{[23] [24]} El científico informático estadounidense Larry Page , cofundador de Google, definió PageRank como " una aproximación de la importancia " de un recurso en particular. ^[25] Educativamente, el análisis de citas o enlaces es importante para mapear dominios de conocimiento . ^[5]

La idea fundamental que subyace a estos intentos es la comprensión de que, a medida que aumentan los datos, las personas, los investigadores o los analistas de negocios deben comprender cómo rastrear los patrones subyacentes detrás de los datos y cómo obtener información a partir de ellos. Y esta es también una idea central en Learning Analytics. ^[5]

Digitalización del análisis de redes sociales

A principios de la década de 1970 , impulsado por la rápida evolución de la tecnología, el análisis de redes sociales pasó al análisis de redes en entornos digitales. ^[5]

1. El experimento de los seis grados de Milgram . En 1967, el psicólogo social estadounidense Stanley Milgram y otros investigadores examinaron la longitud media de la trayectoria de las redes sociales de personas en los Estados Unidos, sugiriendo que la sociedad humana es una red de tipo mundo pequeño caracterizada por longitudes de trayectoria cortas. ^[26]
2. Lazos débiles . El trabajo del sociólogo estadounidense Mark Granovetter sobre la fuerza de lo que se conoce como lazos débiles ; su artículo de 1973 "La fuerza de los lazos débiles" es uno de los artículos más influyentes y más citados en las ciencias sociales . ^[27]
3. Individualismo en red . Hacia finales del siglo XX,las investigaciones del sociólogo Barry Wellman contribuyeron ampliamente a la teoría del análisis de redes sociales . En particular, Wellman observó y describió el auge del " individualismo en red ", es decir, la transformación de las redes grupales en redes individualizadas. ^{[28] [29] [30]}

Durante la primera década del siglo, la profesora Caroline Haythornthwaite exploró el impacto del tipo de medio en el desarrollo de los vínculos sociales , observando que las interacciones humanas pueden analizarse para obtener información novedosa no a partir de interacciones fuertes (es decir, personas que están fuertemente relacionadas con el sujeto) sino, más bien, a partir de vínculos débiles . Esto proporciona a Learning Analytics una idea central: los datos aparentemente no relacionados pueden ocultar información crucial. Como ejemplo de este fenómeno, una persona que busca trabajo tendrá más posibilidades de encontrar nueva información a través de conexiones débiles en lugar de fuertes. ^[31] ( Siemens, George (2013-03-17). Introducción a Learning Analytics . Curso en línea abierto LAK13 para la Universidad de Texas en Austin y Edx. 11 minutos en . Consultado el 2018-11-01 .)

Su investigación también se centró en la forma en que los diferentes tipos de medios pueden influir en la formación de redes . Su trabajo contribuyó en gran medida al desarrollo del análisis de redes sociales como campo. Learning Analytics heredó ideas importantes, de modo que una variedad de métricas y enfoques pueden definir la importancia de un nodo en particular, el valor del intercambio de información , la forma en que los clústeres están conectados entre sí, las brechas estructurales que pueden existir dentro de esas redes, etc. ^[5]

La aplicación del análisis de redes sociales en entornos de aprendizaje digital ha sido iniciada por el profesor Shane P. Dawson, que ha desarrollado una serie de herramientas de software, como Social Networks Adapting Pedagogical Practice (SNAPP), para evaluar las redes que se forman en los sistemas de gestión del aprendizaje cuando los estudiantes participan en foros de debate. ^[32]

El objetivo principal del modelado de usuarios es la personalización y adaptación de los sistemas a las necesidades específicas del usuario, especialmente en su interacción con los sistemas informáticos . La importancia de que los ordenadores puedan responder individualmente a las necesidades de las personas se empezó a entender en la década de 1970. La Dra. Elaine Rich predijo en 1979 que "los ordenadores van a tratar a sus usuarios como individuos con personalidades, objetivos, etcétera, distintos". ^[33] Esta es una idea central no sólo en el ámbito educativo, sino también en la actividad general de uso de la web, en la que la personalización es un objetivo importante. ^[5]

El modelado de usuarios se ha vuelto importante en la investigación de las interacciones entre humanos y computadoras , ya que ayuda a los investigadores a diseñar mejores sistemas al comprender cómo interactúan los usuarios con el software. ^[34] Reconocer rasgos, objetivos y motivaciones únicos de los individuos sigue siendo una actividad importante en el análisis del aprendizaje. ^[5]

La personalización y adaptación de los contenidos de aprendizaje es una importante dirección presente y futura de las ciencias del aprendizaje , y su historia dentro de la educación ha contribuido al desarrollo de la analítica del aprendizaje. ^[5] Los hipermedios son medios no lineales de información que incluyen gráficos, audio, vídeo, texto simple e hipervínculos . El término se utilizó por primera vez en un artículo de 1965 escrito por el sociólogo estadounidense Ted Nelson . ^[35] Los hipermedios adaptativos se basan en el modelado del usuario al aumentar la personalización del contenido y la interacción. En particular, los sistemas hipermedia adaptativos construyen un modelo de los objetivos, las preferencias y el conocimiento de cada usuario, con el fin de adaptarse a las necesidades de ese usuario. Desde finales del siglo XX en adelante, el campo creció rápidamente, principalmente debido a que Internet impulsó la investigación sobre adaptabilidad y, en segundo lugar, la acumulación y consolidación de la experiencia de investigación en el campo. A su vez, la analítica del aprendizaje se ha visto influenciada por este fuerte desarrollo. ^[36]

El modelado cognitivo/educativo se ha aplicado para rastrear cómo los estudiantes desarrollan el conocimiento. Desde finales de la década de 1980 y principios de la de 1990, las computadoras se han utilizado en la educación como herramientas de aprendizaje durante décadas. En 1989, Hugh Burns abogó por la adopción y el desarrollo de sistemas tutores inteligentes que, en última instancia, pasarían tres niveles de "inteligencia": conocimiento del dominio , evaluación del conocimiento del estudiante e intervención pedagógica . Durante el siglo XXI, estos tres niveles han seguido siendo relevantes para investigadores y educadores. ^[37]

En la década de 1990, la actividad académica en torno a los modelos cognitivos se centró en intentar desarrollar sistemas que poseyeran un modelo computacional capaz de resolver los problemas que se les plantean a los estudiantes de la manera en que se espera que los estudiantes resuelvan los problemas. ^[38] El modelado cognitivo ha contribuido al aumento de la popularidad de los tutores inteligentes o cognitivos . Una vez que se pueden modelar los procesos cognitivos, se puede desarrollar software (tutores) para apoyar a los estudiantes en el proceso de aprendizaje. La base de investigación en este campo se volvió, eventualmente, significativamente relevante para la analítica del aprendizaje durante el siglo XXI. ^{[5] [39] [40]}

Si bien el análisis de big data se ha aplicado cada vez más en la educación, Wise y Shaffer ^[41] abordaron la importancia del enfoque basado en la teoría en el análisis. La teoría del marco epistémico conceptualizó las "formas de pensar, actuar y estar en el mundo" en un entorno de aprendizaje colaborativo. Específicamente, el marco se basa en el contexto de la comunidad de práctica (CoP), que es un grupo de estudiantes, con objetivos, estándares y conocimientos y habilidades previos comunes, para resolver un problema complejo. Debido a la esencia de la CoP, es importante estudiar las conexiones entre los elementos (estudiantes, conocimiento, conceptos, habilidades, etc.). Para identificar las conexiones, se identifican y analizan las coocurrencias de elementos en los datos de los estudiantes.

Shaffer y Ruis ^[42] señalaron el concepto de cerrar el ciclo interpretativo, haciendo hincapié en la transparencia y la validación del modelo, la interpretación y los datos originales. El ciclo se puede cerrar mediante un buen enfoque analítico teórico sólido, el análisis de redes epistémicas.

En un análisis de la historia de la analítica, Adam Cooper destaca una serie de comunidades de las que la analítica del aprendizaje ha extraído técnicas, principalmente durante las primeras décadas del siglo XXI, entre ellas: ^[43]

1. Las estadísticas , que son un medio bien establecido para abordar las pruebas de hipótesis.
2. Inteligencia empresarial , que tiene similitudes con el análisis de aprendizaje, aunque históricamente se ha orientado a hacer más eficiente la producción de informes al permitir el acceso a los datos y resumir los indicadores de rendimiento.
3. Análisis web : herramientas como Google Analytics informan sobre las visitas a páginas web y las referencias a sitios web, marcas y otros términos clave en Internet. Las técnicas más "finas" se pueden adoptar en el análisis del aprendizaje para explorar las trayectorias de los estudiantes a través de los recursos de aprendizaje (cursos, materiales, etc.).
4. Investigación operativa , cuyo objetivo es destacar la optimización del diseño para maximizar los objetivos mediante el uso de modelos matemáticos y métodos estadísticos. Estas técnicas están implicadas en el análisis del aprendizaje, que busca crear modelos de comportamiento del mundo real para su aplicación práctica.
5. Los métodos de inteligencia artificial (combinados con técnicas de aprendizaje automático basadas en minería de datos ) son capaces de detectar patrones en los datos. En el análisis del aprendizaje, estas técnicas se pueden utilizar para sistemas de tutoría inteligentes , clasificación de estudiantes de formas más dinámicas que los simples factores demográficos y recursos como sistemas de "cursos sugeridos" modelados sobre técnicas de filtrado colaborativo .
6. Visualización de información , que es un paso importante en muchos análisis para dar sentido a los datos proporcionados, y se utiliza en la mayoría de las técnicas (incluidas las mencionadas anteriormente). ^[43]

El primer programa de posgrado centrado específicamente en el análisis del aprendizaje fue creado por Ryan S. Baker y se lanzó en el semestre de otoño de 2015 en Teachers College , Columbia University . La descripción del programa indica que

"(...) hoy en día se generan datos sobre el aprendizaje y los estudiantes a una escala sin precedentes. Los campos de la analítica del aprendizaje (LA) y la minería de datos educativos (EDM) han surgido con el objetivo de transformar estos datos en nuevos conocimientos que puedan beneficiar a los estudiantes, profesores y administradores. Como una de las principales instituciones de enseñanza e investigación del mundo en educación, psicología y salud, estamos orgullosos de ofrecer un plan de estudios de posgrado innovador dedicado a mejorar la educación a través de la tecnología y el análisis de datos ". ^[44]

Actualmente también se ofrecen programas de maestría en otras universidades, incluidas la Universidad de Texas en Arlington, la Universidad de Wisconsin y la Universidad de Pensilvania.

Los métodos para el análisis del aprendizaje incluyen:

• Análisis de contenido, particularmente de recursos que crean los estudiantes (como ensayos).
• Análisis del discurso, que tiene como objetivo capturar datos significativos sobre las interacciones de los estudiantes que (a diferencia del análisis de redes sociales) tiene como objetivo explorar las propiedades del lenguaje utilizado, en lugar de solo la red de interacciones o los recuentos de publicaciones en foros, etc.
• Análisis del aprendizaje social, cuyo objetivo es explorar el papel de la interacción social en el aprendizaje, la importancia de las redes de aprendizaje, el discurso utilizado para dar sentido a las cosas, etc. ^[45]
• Análisis de disposiciones, que busca capturar datos sobre las disposiciones de los estudiantes con respecto a su propio aprendizaje y la relación de estas con su aprendizaje. ^{[46] [47]} Por ejemplo, los estudiantes "curiosos" pueden estar más inclinados a hacer preguntas, y estos datos se pueden capturar y analizar para el análisis de aprendizaje.
• Análisis de redes epistémicas, que es una técnica analítica que modela la coocurrencia de diferentes conceptos y elementos en el proceso de aprendizaje. Por ejemplo, los datos del discurso en línea se pueden segmentar como turnos de conversación. Al codificar los diferentes comportamientos de aprendizaje colaborativo de los estudiantes, podríamos aplicar el ENA para identificar y cuantificar la coocurrencia de diferentes comportamientos para cualquier individuo del grupo.

Las aplicaciones de aprendizaje se pueden y se han aplicado en un número notable de contextos.

Los análisis se han utilizado para:

• Fines de predicción , por ejemplo para identificar a los estudiantes "en riesgo" en términos de abandono escolar o fracaso escolar.
• Personalización y adaptación , para proporcionar a los estudiantes itinerarios de aprendizaje personalizados o materiales de evaluación.
• Fines de intervención, proporcionar a los educadores información para intervenir en apoyo de los estudiantes.
• Visualización de información , normalmente en forma de los denominados paneles de aprendizaje, que ofrecen una descripción general de los datos de aprendizaje a través de herramientas de visualización de datos.

Existe un amplio conocimiento de la analítica en las instituciones educativas para las distintas partes interesadas, ^[10] pero la forma en que se define e implementa la analítica de aprendizaje puede variar, incluyendo: ^[13]

1. para que los estudiantes individuales reflexionen sobre sus logros y patrones de comportamiento en relación con los demás. En particular, se pueden establecer las siguientes áreas para medir, monitorear, analizar y cambiar con el fin de optimizar el rendimiento de los estudiantes: ^[48]
   1. Seguimiento del rendimiento individual de los estudiantes
   2. Desagregar el desempeño de los estudiantes por características seleccionadas, como especialidad, año de estudio, etnia, etc.
   3. Identificación de casos atípicos para una intervención temprana
   4. Predecir el potencial para que todos los estudiantes logren un rendimiento óptimo
   5. Cómo prevenir la deserción de un curso o programa
   6. Identificar y desarrollar técnicas de enseñanza eficaces
   7. Analizar técnicas e instrumentos de evaluación estándar (es decir, exámenes departamentales y de licencia)
   8. Prueba y evaluación de los planes de estudio. ^[48]
2. como predictores de estudiantes que requieren apoyo y atención adicionales ;
3. ayudar a los docentes y al personal de apoyo a planificar intervenciones de apoyo con individuos y grupos;
4. para grupos funcionales como equipos de cursos que buscan mejorar los cursos actuales o desarrollar nuevas ofertas curriculares; y
5. para administradores institucionales que toman decisiones sobre cuestiones tales como marketing y reclutamiento o medidas de eficiencia y eficacia. ^[13]

Algunas motivaciones e implementaciones de análisis pueden entrar en conflicto con otras, por ejemplo, resaltando un conflicto potencial entre el análisis para los estudiantes individuales y las partes interesadas de la organización. ^[13]

Gran parte del software que se utiliza actualmente para el análisis del aprendizaje duplica la funcionalidad del software de análisis web, pero la aplica a las interacciones de los alumnos con el contenido. Las herramientas de análisis de redes sociales se utilizan habitualmente para mapear las conexiones y los debates sociales. Algunos ejemplos de herramientas de software de análisis del aprendizaje son:

• BEESTAR INSIGHT: un sistema en tiempo real que recopila automáticamente la participación y asistencia de los estudiantes, y proporciona herramientas de análisis y paneles de control para estudiantes, profesores y administración ^{[49] [ se necesita una fuente no primaria ]}
• LOCO-Analyst: una herramienta de aprendizaje sensible al contexto para el análisis de procesos de aprendizaje que tienen lugar en un entorno de aprendizaje basado en la web ^{[50] [51]}
• SAM: un monitor de actividad estudiantil diseñado para entornos de aprendizaje personales ^{[52] [ se necesita una fuente no primaria ]}
• SNAPP: una herramienta de análisis de aprendizaje que visualiza la red de interacciones resultantes de las publicaciones y respuestas en foros de discusión ^{[53] [ se necesita una fuente no primaria ]}
• Solutionpath StREAM: un sistema líder en tiempo real con sede en el Reino Unido que aprovecha modelos predictivos para determinar todas las facetas de la participación estudiantil utilizando fuentes estructuradas y no estructuradas para todos los roles institucionales ^{[54] [ se necesita una fuente no primaria ]}
• Sistema de éxito estudiantil: una herramienta de análisis predictivo del aprendizaje que predice el desempeño de los estudiantes y ubica a los estudiantes en cuadrantes de riesgo según las predicciones de participación y desempeño, y proporciona indicadores para desarrollar la comprensión de por qué un estudiante no está en el camino correcto a través de visualizaciones como la red de interacciones resultantes de la participación social (por ejemplo, publicaciones de discusión y respuestas), desempeño en evaluaciones, participación con el contenido y otros indicadores ^{[55] [ se necesita una fuente no primaria ]}
• Herramienta web de análisis de redes epistémicas (ENA): una herramienta interactiva en línea que permite a los investigadores cargar el conjunto de datos codificados y crear el modelo especificando unidades, conversaciones y códigos. ^[56] Las funciones útiles dentro de la herramienta en línea incluyen rotación de medias para comparación entre dos grupos, especificación del tamaño de la ventana deslizante para acumulación de conexiones, modelos ponderados o no ponderados y pruebas estadísticas paramétricas y no paramétricas con redacción sugerida, etc. La herramienta web es estable y de código abierto.

La ética de la recopilación, el análisis, la presentación de informes y la rendición de cuentas de los datos se ha planteado como una posible preocupación para el análisis del aprendizaje, ^{[9] [57] [58]} y se han planteado inquietudes con respecto a:

• Titularidad de los datos ^[59]
• Comunicaciones sobre el alcance y el papel de la analítica del aprendizaje
• El papel necesario de la retroalimentación humana y la corrección de errores en los sistemas de análisis de aprendizaje
• Intercambio de datos entre sistemas, organizaciones y partes interesadas
• Confianza en los clientes de datos

Como señalan Kay, Kom y Oppenheim, la gama de datos es amplia y potencialmente derivada de: ^[60]

• Actividad registrada: registros de estudiantes, asistencia, tareas, información de investigadores (CRIS)
• Interacciones de sistemas: VLE, ​​búsqueda en biblioteca/repositorio, transacciones con tarjetas
• Mecanismos de retroalimentación: encuestas, atención al cliente
• Sistemas externos que ofrecen una identificación fiable, como servicios sectoriales y compartidos y redes sociales.

Por lo tanto, la situación jurídica y ética es difícil y diferente de un país a otro, lo que plantea implicaciones para: ^[60]

• Variedad de datos: principios de recopilación, conservación y explotación
• Misión educativa: cuestiones subyacentes a la gestión del aprendizaje, incluida la ingeniería social y del rendimiento
• Motivación para el desarrollo de la analítica: mutualidad, una combinación de bien corporativo, individual y general
• Expectativas del cliente: prácticas comerciales efectivas, expectativas de datos sociales, consideraciones culturales de una base de clientes global.
• Obligación de actuar: deber de cuidado que surge del conocimiento y los consiguientes desafíos de la gestión del desempeño de estudiantes y empleados

En algunos casos destacados, como el desastre de inBloom, ^[61] incluso sistemas completamente funcionales se han cerrado debido a la falta de confianza en la recopilación de datos por parte de los gobiernos, las partes interesadas y los grupos de derechos civiles. Desde entonces, la comunidad de analítica del aprendizaje ha estudiado en profundidad las condiciones legales en una serie de talleres de expertos sobre "Ética y privacidad para la analítica del aprendizaje" que constituyen el uso de analíticas de aprendizaje confiables. ^{[62] [ se necesita una fuente no primaria ]} Drachsler & Greller publicó una lista de verificación de 8 puntos llamada DELICATE que se basa en los estudios intensivos en esta área para desmitificar los debates sobre ética y privacidad en torno a la analítica del aprendizaje. ^[63]

1. D-determinación: Decida el propósito del análisis de aprendizaje para su institución.
2. E-xplicar: Definir el alcance de la recopilación y el uso de datos.
3. L-egitimo: Explique cómo opera dentro de los marcos legales, haga referencia a la legislación esencial.
4. I-nvolve: Hablar con las partes interesadas y ofrecer garantías sobre la distribución y el uso de los datos.
5. Consentimiento: Busque el consentimiento a través de preguntas de consentimiento claras.
6. A-nonimizar: desidentificar a las personas tanto como sea posible
7. Aspectos técnicos: Monitorear quién tiene acceso a los datos, especialmente en áreas con alta rotación de personal.
8. Socios externos: asegúrese de que los externos proporcionen los estándares de seguridad de datos más altos

Muestra formas de diseñar y proporcionar análisis de aprendizaje que respeten la privacidad y que puedan beneficiar a todas las partes interesadas. La lista de verificación completa de DELICATE está disponible públicamente. ^[64]

Las prácticas de gestión de la privacidad de los estudiantes han demostrado discrepancias entre las creencias de cada uno en materia de privacidad y las acciones relacionadas con la privacidad. ^[65] Los sistemas de análisis de aprendizaje pueden tener configuraciones predeterminadas que permiten la recopilación de datos de los estudiantes si no eligen excluirse. ^[65] Algunos sistemas de educación en línea, como edX o Coursera, no ofrecen la opción de excluirse de la recopilación de datos. ^[65] Para que ciertos análisis de aprendizaje funcionen correctamente, estos sistemas utilizan cookies para recopilar datos. ^[65]

En 2012, el profesor Mohamed Chatti y sus colegas proporcionaron una visión general sistemática de la analítica del aprendizaje y sus conceptos clave a través de un modelo de referencia basado en cuatro dimensiones, a saber:

• datos, entornos, contexto ( ¿qué? ),
• partes interesadas ( ¿quiénes? ),
• objetivos ( ¿por qué? ), y
• métodos ( ¿cómo? ). ^{[66] [67]}

Chatti, Muslim y Schroeder ^[68] señalan que el objetivo de la analítica de aprendizaje abierta (OLA) es mejorar la eficacia del aprendizaje en entornos de aprendizaje permanente. Los autores se refieren a OLA como un proceso analítico continuo que abarca la diversidad en las cuatro dimensiones del modelo de referencia de la analítica de aprendizaje. ^[66]

• Participación de los estudiantes
• Analítica
• Grandes datos
• Minería de datos
• Minería de datos educativos
• Tecnología educativa
• Aprendizaje automático
• Reconocimiento de patrones
• Análisis predictivo
• Análisis de redes sociales
• Análisis de texto
• Analítica web

Para presentaciones para el público general, consulte:

• Informe sobre la iniciativa de aprendizaje Educause (2011) ^[69]
• La revisión de Educause sobre análisis de aprendizaje (2011) ^[70]
• Informe de política de la UNESCO sobre análisis del aprendizaje (2012) ^[71]
• Informe Horizon del NMC: edición de educación superior de 2016 ^[72]

• Sociedad para la Investigación en Analítica del Aprendizaje (SoLAR): una red de investigación para la analítica del aprendizaje
• Informe del Departamento de Educación de Estados Unidos sobre análisis del aprendizaje, 2012
• Grupo de Google de Learning Analytics con debates de investigadores y personas interesadas en el tema.
• Conferencia internacional sobre análisis del aprendizaje y el conocimiento
• Conferencias y personas sobre análisis de aprendizaje y minería de datos educativos
• Definición de aprendizaje de próxima generación
• Microsoft Education Analytics con información sobre cómo utilizar los datos para respaldar mejores resultados educativos.
• Minería de datos educativos
• Recursos de Educause sobre análisis de aprendizaje
• Infografía de análisis de aprendizaje
• Consorcio de Nuevos Medios (NMC)