NMC Horizon Report > 2017 Higher Education Edition (Spanish)
>Tendencias clave que aceleran la adopción de nuevas tecnologías en la educación superior
>>Tendencias a medio plazo: avance en la adopción de nuevas tecnologías en la educación superior en los próximos tres a cinco años

Crecimiento del interés en la analítica del aprendizaje

Tendencias a medio plazo: avance en la adopción de nuevas tecnologías en la educación superior en los próximos tres a cinco años

Resumen ejecutivo

Introducción

Tendencias clave que aceleran la adopción de nuevas tecnologías en la educación superior

Tendencias a largo plazo: avance en la adopción de nuevas tecnologías en la educación superior en cinco o más años

 > El avance de las culturas de innovación
 > Enfoques de aprendizaje más profundo

Tendencias a medio plazo: avance en la adopción de nuevas tecnologías en la educación superior en los próximos tres a cinco años

 > Crecimiento del interés en la analítica del aprendizaje
 > Rediseño de los espacios de aprendizaje

Tendencias a corto plazo: avance en la adopción de nuevas tecnologías en la educación superior en los próximos uno o dos años

 > Diseños de aprendizaje híbrido
 > Aprendizaje colaborativo

Desafíos significativos que impiden la adopción de tecnologías en la enseñanza superior

Desafíos solucionables: aquellos que entendemos y sabemos cómo solucionar

 > Mejora de la alfabetización digital
 > Combinación de aprendizaje formal e informal

Desafíos difíciles: aquellos que entendemos pero cuyas soluciones son imprecisas

 > Diferencia de rendimiento
 > Avance de la equidad digital

Desafíos muy difíciles: aquellos que son difíciles incluso de definir y mucho más de solucionar

 > Gestión del conocimiento obsoleto
 > Replanteamiento del rol del educador

Desarrollos importantes en la tecnología educativa para la educación superior

Plazo estimado para su implementación: un año o menos

 > Tecnologías de aprendizaje adaptativo
 > Aprendizaje móvil

Plazo estimado para su implementación: de dos a tres años

 > Internet de las cosas
 > La próxima generación de LMS

Plazo estimado para su implementación: de cuatro a cinco años

 > Inteligencia artificial
 > La interfaz natural de usuario

Metodología

El panel de expertos en educación superior 2017

Esta tendencia describe un interés en la evaluación y la gran variedad de métodos y herramientas que los educadores utilizan para evaluar, medir y documentar la preparación académica, el progreso del aprendizaje, la adquisición de habilidades, y otras necesidades educativas de los estudiantes.[i] A medida que los factores sociales y económicos re-definen cuáles son las habilidades necesarias en el mundo del trabajo actualmente, las universidades deben replantearse la forma de definir, medir y demostrar el dominio sobre un tema y habilidades interpersonales como creatividad y colaboración. La proliferación de programas de extracción de datos y la evolución de la educación online, aprendizaje móvil y los sistemas de gestión del aprendizaje se están uniendo a los entornos de aprendizaje que fomentan programas de análisis y visualización para interpretar los datos de aprendizaje de una manera multidimensional y portátil. En los cursos online e híbridos, los datos pueden revelar cómo contribuyen las acciones de los estudiantes a su progreso y a los avances de aprendizajes específicos.

Visión general

Los resultados de aprendizaje del siglo XXI resaltan la importancia de las habilidades académicas junto con las competencias interpersonales e intrapersonales para lograr un éxito completo por parte del estudiante. Para evaluar estos logros del aprendizaje, las estrategias de evaluación de la próxima generación tienen el potencial de medir una gama de habilidades cognitivas, el desarrollo socio-emocional y el aprendizaje más profundo, dando a los estudiantes y profesores un feedback útil para fomentar el crecimiento continuo.[ii] La base para facilitar este tipo de evaluación es la analítica del aprendizaje (LA) – la recopilación, análisis y notificación de información sobre los estudiantes y sus contextos, con el propósito de comprender y optimizar el aprendizaje y los entornos en los que ocurre.[iii] LA sigue ganando fuerza en las instituciones como medio para evaluar y mejorar principalmente el aprendizaje de los estudiantes. El software de minería de datos captura grandes conjuntos de datos que permiten que los estudiantes y profesores supervisen por igual el aprendizaje y generen feedback personalizados para garantizar un progreso continuo. A medida que crece la industria de LA, se ha pasado de acumular datos a obtener información matizada sobre la participación de los estudiantes a través de datos agregados de múltiples fuentes y cursos.[iv]

Los datos multimodales y el análisis de redes sociales representan un enfoque holístico que prioriza los componentes sociales, cognitivos y afectivos del aprendizaje. La analítica de aprendizaje multimodal, un enfoque relativamente nuevo, se centra en recopilar datos sobre los procesos biológicos y mentales del aprendizaje en entornos de aprendizaje del mundo real.[v] Las inflexiones tonales y vocales, los gestos faciales y la atención visual y la falta de atención son algunos ejemplos de este tipo de datos que se pueden recoger a través de sensores de movimiento, cámaras de vídeo y otros dispositivos de seguimiento. Las tecnologías que recogen la biometría también pueden servir como repositorios de datos, pero presentan problemas relativos a la ética y la privacidad.[vi] Al mismo tiempo, los LMS también experimentan un cambio de paradigma de una gestión del curso a una gestión curricular para sostener las tecnologías de aprendizaje adaptativo, ofreciendo análisis de datos especializados e instrumentos de visualización para mejorar el diseño instruccional y resúmenes del progreso del estudiante.[vii]

Algunos análisis más sofisticados están ayudando a la retención de los estudiantes, y, por tanto, a la reducción del abandono temprano.  Por ejemplo, el Nottingham Trent University’s (NTU) Student Dashboard ha facilitado que los tutores intervinieran en el momento oportuno, causando un impacto positivo en la participación y la actitud de los estudiantes. El tablero presenta los datos recopilados en los entornos de aprendizaje online, tarjetas magnéticas, el acceso a la biblioteca y las tareas como puntos de participación. Los estudiantes usan el tablero para comparar su progreso con el de sus compañeros y modificar su comportamiento en consecuencia. Mientraslos tutores son capaces de iniciar diálogos inmediatos para garantizar una participación continuada de los estudiantes. Los líderes de NTU afirman que han transformado la cultura universitaria en un enfoque de negocios basado en datos.[viii] En la University of Wollongong, los educadores usan SNAPP, una extensión,  para LMS, que analiza las interacciones de los estudiantes en foros de discusión online. SNAPP visualiza las relaciones de los participantes como diagramas de redes sociales en tiempo real, permitiendo que los profesores comparen y contrasten los patrones de interacción a lo largo del tiempo y ajusten los debates. 

Implicaciones para la política, el liderazgo o la práctica

Aunque las tecnologías de grandes datos han demostrado ser prometedoras en el aumento de la retención de estudiantes, la ética es una preocupación primordial. El uso de la analítica predictiva de Mount St. Mary para animar a los estudiantes en riesgo de abandono escolar y aumentar así la tasa de retención revela que se puede abusar de la analítica sin el conocimiento y el consentimiento del estudiante[ix]. También describe la necesidad de políticas a nivel nacional, local e institucional que enmarque n las prácticas éticas para la recolección, la seguridad, la propiedad, el acceso, la difusión y la aplicación de los datos de aprendizaje. El Reino Unido está a la vanguardia de los esfuerzos políticos con iniciativas tales como el DELICATE checklist[x] y la Code of Practice del Jisc.[xi] La Policy for the Ethical Use of Student Data de la Open University se centra en los estudiantes y utiliza la apertura y la transparencia como principios rectores en el uso del análisis de aprendizaje.[xii] En la University of California, Los Ángeles, el responsable de la privacidad, junto con el equipo Data Governance Task Force ha desarrollado una estructura de gobierno para la recolección y el uso ético y apropiado de datos sobre el profesorado, el personal y los estudiantes.[xiii]

Los líderes universitarios siguen estudiando innovaciones pedagógicas que profundicen y mejoren el aprendizaje de los estudiantes, especialmente a través de análisis basado en datos. En la University of Hong Kong, el análisis de aprendizaje se usa para recopilar evidencias directas de los logros de los estudiantes, recomendar acciones del docente e inspirar el desarrollo del plan de estudios a través de una mejor comprensión de la relación entre el diseño del aprendizaje, los comportamientos de aprendizaje online y las calificaciones de los estudiantes.[xiv] Recientemente, la University Innovation Alliance ha lanzado un gran estudio transversal con10.000 estudiantes para medir la eficacia de los programas de asesoramiento basados en la analítica de datos[xv] En el otro extremo del espectro, la iniciativa Multi-State Collaborative to Advance Learning Outcomes Assessment ha demostrado que las evaluaciones basadas en categorías estandarizadas se pueden graduar a través de disciplinas e instituciones para obtener información útil sobre el aprendizaje de los estudiantes.[xvi]

El impacto transformador de las analíticas de aprendizaje se hace más evidente en la evolución del aprendizaje adaptativo, descrito más adelante en este informe. Dos profesores de la University of New South Wales usaron la plataforma Smart Sparrow para desarrollar el primer MOOC de ingeniería que  utiliza el aprendizaje adaptativo para ofrecer una asistencia personalizada. El curso se propone mejorar los resultados del aprendizaje en un ámbito de estudios que se caracteriza normalmente por unas tasas de abandono altas, ofreciendo experiencias de aprendizaje de calidad a los estudiantes de todos los orígenes.[xvii] LA también mejora el diseño instruccional. Un profesor del Marist College ha usado los datos de los estudiantes para identificar el contenido que más problemas les causaba y crear mayores oportunidades para interactuar con él hasta que adquirieran el dominio del mismo.[xviii] La University of Technology de Sydney utiliza REVIEW, una herramienta online de evaluación basada en criterios para realizar el seguimiento del aprendizaje de los estudiantes a lo largo de un conjunto de características. Los estudiantes pueden ver el tablero para hacerse un cuadro completo de lo que van aprendiendo por año, asignatura, tarea y categoría. [xix]

Lecturas adicionales

Se recomiendan los siguientes recursos a aquellas personas que deseen aprender más acerca del crecimiento del interés en la analítica del aprendizaje:

The Colleges Are Watching

go.nmc.org/arewatching

(Mikhail Zinshteyn, The Atlantic, 1 de noviembrede 2016.) Con un acceso sin precedentes a los datos de los estudiantes y sofisticadas herramientas de análisis predictivo, las instituciones educativas equilibran las cuestiones de la privacidad de los estudiantes al tiempo que fomentan el éxito académico.

Learning Analytics in Higher Education (PDF)

go.nmc.org/ecarla

(Pam Arroway, et al., Learning Analytics in Higher Education, marzo de 2016.) Este informe de EDUCAUSE Center for Analysis and Research (ECAR) proporciona una visión global de la analítica de aprendizaje en la educación superior y futuras consideraciones de su papel y aplicación en el éxito académico. 

Learning Analytics: Visions of the Future (PDF)

go.nmc.org/lace8

(Rebecca Ferguson, et al., 6th International Learning Analytics and Knowledge Conference, 25-29 de abril de 2016.). Los autores presentan ocho visiones del futuro de la analítica de aprendizaje desarrollada por el proyecto LACE (Learning Analytics Community Exchange) para el estudio LACE Visions of the Future Policy Delphi.

Measuring Mastery: Best Practices for Assessment in Competency-Based Education (PDF)

go.nmc.org/measmast

(Katie Larsen McClarty and Matthew N. Gaertner, Center on Higher Education Reform, American Enterprise Institute, abril 2015.) Los beneficios potenciales de la educación basada en competencias para el éxito de los estudiantes son numerosos, pero no se aplican los mismos procesos para medir enfoques de aprendizaje más tradicionales. Este informe recomienda un marco para determinar la adquisición de habilidades del mundo real.

Personalization at Scale: Using Analytics for Institutional Improvement

go.nmc.org/atscale

(Elizabeth Mulherrin and Laura Fingerson, The Evollution, 2 de febrero de 2016.) La Capella University y la University of Maryland University College están utilizando grandes datos de manera estratégica y efectiva para pasar de la información operativa a la analítica prescriptiva.

Traversing the Trough of Disillusionment: Where Do Analytics Go from Here?

go.nmc.org/traversing

(Mike Sharkey and Timothy Harfield, Next Generation Learning Challenges, 19 de diciembre 2016.) Los autores ofrecen pasos prácticos para lograr el éxito de los estudiantes de forma gradual a las instituciones que consideran o simplemente emprenden una iniciativa de análisis de aprendizaje.

[i]                                   http://edglossary.org/assessment/

[ii]                                  http://nextgenlearning.org/next-gen-assessment

[iii]                                 https://tekri.athabascau.ca/analytics/

[iv]                                http://er.educause.edu/articles/2016/8/big-data-analysis-in-higher-education-promises-and-pitfalls

[v]                                 http://epress.lib.uts.edu.au/journals/index.php/JLA/article/view/5081/5595

[vi]                                https://www.weforum.org/agenda/2015/10/wearable-tech-true-health/

[vii]                               http://acrobatiq.com/from-course-to-curriculum-an-interview-with-ray-henderson-on-the-coming-lms-paradigm-shift/

[viii]                              https://analytics.jiscinvolve.org/wp/files/2016/04/CASE-STUDY-I-Nottingham-Trent-University.pdf (PDF)

[ix]                                https://www.datanami.com/2016/11/01/data-analytics-higher-education/

[x]                                 http://www.laceproject.eu/ethics-privacy/

[xi]                                https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics

[xii]                               https://analytics.jiscinvolve.org/wp/files/2016/04/CASE-STUDY-H-Open-University-UK.pdf (PDF)

[xiii]                              https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf (PDF)

[xiv]                             http://www.unescobkk.org/education/ict/online-resources/databases/ict-in-education-database/item/article/scaling-out-teaching-scaling-up-learning-some-thoughts-on-innovation-in-higher-education/

[xv]                              http://postsecondary.gatesfoundation.org/areas-of-focus/incentives/policy-advocacy/making-difference/bridget-burns/

[xvi]                             https://www.aacu.org/press/press-releases/multi-state-collaboration-produces-valuable-new-evidence-about-writing-critical

[xvii]                            https://www.engineering.unsw.edu.au/news/worlds-first-adaptive-engineering-course-opens-up-engineering-fundamentals-to-all

[xviii]                           https://sf-asset-manager.s3.amazonaws.com/96945/2/19.pdf (PDF)

[xix]                             http://learning-analytics.info/journals/index.php/JLA/article/view/4888/5628