Viquiprojecte:Fonaments Tecnològics de l'e-learning 2018-19 (II)/Grup 8

Integrants del grup 8:

Membres del grup 8

Nom i cognoms	Usuari
Lorena Gregori Moratalla	Lgregorim
Rebeca Ribera Girbés	Rribera
Ariadna Martinez Illan	Amartiil
Vicenç Sallés Cunill	somsavies

Acords i fases per a l'elaboració d'un article a la Viquipèdia

Un cop establert el grup de treball al voltant d'una temàtica d'interès comú, a continuació es mostren les indicacions per a l'establiment explícit d'acords entre els integrants i l'atribució de responsabilitats segons les diferents fases del treball:

1. Fase d'acords inicials. Distribució del treball entre els participants del grup, establint els rols de cadascú, les tasques a realitzar i la seva temporització. Primer acord sobre els elements de l'article a modificar i / o completar en l'espai de "Taller".
2. Fase de documentació sobre la temàtica. Inclou l'aprofundiment sobre la temàtica mitjançant una recerca i identificació de fonts rellevants.
3. Fase d'anàlisi i síntesi individual de la informació de rellevància a ser incorporada en l'article. Aquesta redacció es pot fer de manera privada o directament al "Taller" perquè tots els integrants del grup puguin anar fent un seguiment de l'avanç de l'article.
4. Fase de publicació al taller de totes les seccions / paràgrafs de l'article acordats per cada un dels participants. S'ha d'utilitzar la "Llista de control" per verificar que es respecten els criteris formals de publicació a la Viquipèdia.
5. Fase de revisió. Basant-se en una versió quasi definitiva de l'article, cada participant del grup ha de fer una revisió general per assegurar que el text de tot el grup respecta una estructura, estil i llenguatge coherents i que els continguts han estat desenvolupats íntegrament.
6. Fase de verificació. Quan es disposi de la versió definitiva, s'ha de consultar novament el document "Llista de control" i revisar que tot el document compleix cada punt. En cas contrari es revisarà l'article novament abans d'escriure al professor per demanar la seva autorització per a publicar.
7. Fase de publicació. Un cop rebuda l'autorització del professor, es pot procedir a la publicació a Viquipèdia paràgraf a paràgraf, no tot alhora.

Tasca	Responsable	Setmana 1	Setmana 2	Setmana 3	Setmana 4
Seguiment del treball en grup (monitoritzar i alertar possibles endarreriments)	Ariadna	durant	tot	el	procés
Elements de l'artícle a modificar	tots	21-03-2019
Documentació	tots de manera individual		28-03-2019
Anàlisi i síntesi	tots de manera individual		28-03-2019
Publicació al taller	tots			01-04-2019
Revisió	tots			02-04-2019
Verificació	Rebeca			03-04-2019
Notificació al professor	Lorena			05-04-2019
Publicació a Viquipèdia	Vicenç			05-04-2019

Article final

Analítiques d'aprenentatge és la mesura, recopilació, anàlisi i presentació de dades sobre els estudiants i els seus contexts, amb la finalitat de comprendre i optimitzar l'aprenentatge i l'entorn on es produeix. Es relaciona amb el camp mineria de dades educativa perquè comparteixen un mateix objectiu: millorar la pràctica educativa.

Segons EDUCAUSE ^[1] l'analítica d'aprenentatge és l'ús de dades i models per predir el progrés i el rendiment dels estudiants i la capacitat d'actuar sobre aquesta informació.

Segons George Siemens, les analítiques d'aprenentatge es refereixen a la interpretació d'un ample rang de dades produïdes i recollides dels estudiants per orientar sobre la seva progressió acadèmica, predir actuacions futures i identificar elements problemàtics. Les dades es recullen a partir d'accions explícites, com completar tasques i realitzar exàmens però també ( i en això està la novetat) de les actuacions tàcites, de les interaccions socials en línia, activitats extracurriculars... En el context del congrés 2011 Learning and Knowledge Analytics (LAK11) es diu que és la mesura, recopilació, anàlisi i presentació de dades sobre els estudiants i els seus contexts, amb la finalitat de comprendre i optimitzar l'aprenentatge i l'entorn on es produeix.

Segons Santamaria l'anàlisi d'aprenentatge utilitza conjunts de dades educatives dels sistemes digitals d'aprenentatge, d'administració i socials per a analitzar la posició de l'aprenent i per benefici i com a automillora de l'eficàcia de l'aprenentatge a través de la retroalimentació/feedback i la predicció.

Segons Gros, les analítiques d'aprenentatge consisteixen en la interpretació d'un ampli espectre de dades produïdes i recollides sobre els estudiants per orientar la seva producció acadèmica, predir accions futures i identificar elements problemàtics. L'objectiu de la recol·lecció, registre, anàlisis i presentació d'aquestes dades és possibilitar que els professors puguin adaptar de manera ràpida i eficaç les estratègies educatives que millor s'adaptin als alumnes.^[4]

Per altre costat, Cerro (2015) defineix les LA (Learning Analytics en anglés) com un conjunt de tècniques informàtiques i metodològiques que ens permeten recabar informació sobre tota l’activitat que genera l’alumnat en un EVA (Entorn Virtual d’Aprenentatge).

Doncs, les LA són un camp d’investigació emergent que està creixent de manera significativa, emergència del qual ha sigut atribuïda a tres factors segons l'INTEF: Big data (generalització de bases de dades institucionals i d'EVA), Aprenentatge en línia i ús dels REO (Recursos Educatius en Obert) i Interessos nacionals per mesurar, demostrar i millorar els resultats en educació i optimitzar l’aprenentatge, en benefici de la societat.

Diferència entre analítiques d'aprenentatge i Mineria de dades educativa

No és fàcil establir límits clars entre els àmbits de l'analítica de dades i la mineria de dades. Sovint aquests dos termes han generat discussió i controvèrsia pels investigadors.

Siemens defensa que la mineria de dades educatives abasta tant les analítiques d'aprenentatge com les anàlisis acadèmiques. Ell considera que la EDM inclou les anàlisis d'aprenentatge així com l'anàlisi acadèmica, que ell mateix descriu com les dades sobre l'aprenentatge i dades sobre trets relacionats amb l'aprenentatge, l'administració, la investigació. Segons el Departament d'Edudació dels EUA, una de les grans diferències entre l'EDM i les AA és que el darrer "L'Analítica d'Aprenentatge crea aplicacions que afecten directament la pràctica educativa"

Evolució de les Analítiques d'aprenentatge

Les Analítiques d'Aprenentatge, com a camp, tenen múltiples arrels disciplinàries. A continuació, es presenta un breu resum de la diversitat de camps i activitats de recerca dins de l’educació que ha contribuït al desenvolupament de les analítiques d’aprenentatge:

• Anàlisi de citacions: Garfield (1955) va ser un dels primers en l’analítica de ciències fent èmfasi en com es pot entendre millor el desenvolupament de la ciència i  el seguiment de les associacions (citacions) entre articles. Mitjançant les citacions de seguiment, els científics poden observar com es transmeten i validen les pròpies investigacions. PageRank, un algoritme clau del primer motor de cerca de Google, va adoptar el model d’anàlisi i ponderació de links Garfield per poder aconseguir una aproximació a la importància de determinats recursos.

• L’anàlisi de les xarxes socials és destacat en la sociologia, que es remunta a l’obra de Granovetter (1973) i Milgram (1967). Wellman (1999), autors actius en la recol·lecció de dades sobre xarxes socials des de principis de la dècada de 1970, va passar a l’anàlisi de xarxes a configuració digital. Haythornthwaite (2002) ha estudiat recentment l'impacte de tipus de mitjans sobre el desenvolupament de lligams socials.
• La modelització d’usuaris es refereix crear un model d'usuari en referència a la seva interacció amb sistemes informàtics. La modelització d’usuaris va contribuir a una evolució en la informàtica en què es trobaven els usuaris tractats "com a individus amb personalitats diferents, metes, etc." (Rich,1979), en lloc de tractar tots els usuaris. La modelització d’usuari, avui en dia, s’ha convertit en un camp important en la investigació en interaccions home-ordinador, ja que ajuda els investigadors dissenyar sistemes millors (Fischer, 2001) entenent com interactuen els usuaris amb programari. Identificant trets, metes i motivacions úniques dels usuaris com a activitat destacada en l’aprenentatge d’analítiques.

• S'ha aplicat el modelatge cognitiu / educatiu  per a mesurar com es desenvolupen els  coneixements que adquireixen els estudiants. Els models cognitius han intentat històricament desenvolupar sistemes que tenen un "model computacional capaç de resoldre els problemes que han donat als estudiants de la manera en què s'espera que els estudiants resolguin els problemes ”(J. R. Anderson, Corbett, Koedinger i Pelletier, 1995).
• Tutorització: els ordinadors han estat utilitzats durant dècades en l'educació com a eines d'aprenentatge. Durant el 1989, Burns va defensar l'adopció i el desenvolupament de sistemes de tutors intel·ligents que, en última instància, passessin a tres nivells d'intel·ligència: coneixement del domini, avaluació del coneixement dels alumnes i intervenció pedagògica. Aquests tres els nivells continuen sent rellevants per als investigadors i els educadors. (Siemens, 2013)
• Knowledge discovery in databases, és a dir, el descobriment de coneixements a les bases de dades (KDD) ha estat un interès del seu estudi des de dels noranta. Igual que amb les anàlisis actuals, KDD estava "preocupat per la desenvolupament de mètodes i tècniques per donar sentit a les dades ”(Fayyad, Piatetsky-Shapiro, i Smyth, 1996).
• Adaptive hypermedia, es basa en la modelització d'usuaris mitjançant la personalització de contingut i la interacció d’aquests. “Els sistemes hipermèdia adaptatius construeixen un model d’objectius, preferències i coneixements de cada usuari, per tal d’adaptar-se a les necessitats d’aquest usuari ”(Brusilovsky, 2001). La personalització i l'adaptació dels continguts d'aprenentatge és una orientació futura important de les ciències de l'aprenentatge.
• Aprenentatge virtual: el creixement de l’aprenentatge en línia, especialment en l’educació superior (T.Anderson, 2008; Andrews & Haythornthwaite, 2007; Haythornthwaite i Andrews, 2011), ha aportat l'avenç a la LA com a recolector de dades del/la estudiant i així poder-les analitzar. El fet de que els estudiants utilitzin mitjans virtual, fa possible que hi hagi un flux d’informació i de dades que afavoreix  els LA. El ràpid desenvolupament de cursos en línia oberts massius ofereix dades addicionals per als investigadors per avaluar l’ensenyament i l’aprenentatge en línia (Chronicle of Higher Education, 2012).

Amb quina finalitat?

Recordant la frase de Peter Drucker " Tot el que es pot mesurar es pot millorar". Si volem millorar ens calen dades. Amb informació i reflexió podrem crear coneixement, podrem crear valor. Cal doncs,  conèixer aquest nou camp per poder  millorar la pràctica educativa, ja que et dóna aquesta retroalimentació tant necessària.

També com apunta Reig aquesta tendència és molt coherent en l'escenari actual d'aprenentatge social constructivista, ja que per una banda ens permet recollir informació de la creativitat, patrons de comportament i interaccions socials i  per l’altra propicia aquesta autonomia i la idea DO it yourself, característiques bàsiques en l’aprenentatge en l’era WEB.

Segons Reig l'ús d'aplicacions d'analítiques de dades que es generen en interactuar a les xarxes, plataformes, entorns pot significar:

• Per l'estudiant, el reflex dels seus assoliments i patrons de comportament en relació amb els altres.

• Predictors del fet que els estudiants necessiten un suport extra. En un context de "flipped classroom", de sessions online on s'aprenen els continguts i sessions presencials per personalitzar, orientar i resoldre dubtes, el feedback resulta fonamental.

• Ajuda a professors i gestors de la formació a planificar accions formatives o millores futures. En un context de " data com el petroli del s. XXI " podrem oferir millor formació, més adaptada a les necessitats i peculiaritats del nostre públic, si el coneixem millor.

Mètode

Les analítiques d'aprenentatge segueixen 4 passos bàsics:

• Recollida de grans quantitats de dades des de múltiples canals - incloent i no limitat als entorns d'aprenentatge en línia, socials, telèfons i pot ser en un futur als jocs.

• Traduir aquestes dades en informació processable. Es pot fer un seguiment del comportament ( idioma, àrees d'estudi on mostra més debilitat.... entre altres).

• Personalització i adaptació - Una vegada que el sistema rep el senyal es pot personalitzar l'ambient d'aprenentatge de cada estudiant. Per exemple si un estudiant passa molt més temps intentant resoldre un problema comparant-ho amb els altres estudiants, el sistema pot mostra indicacions i pistes per mantenir-lo en l'activitat, en temps real. Aquest aspecte és molt important perquè quan un estudiant rep retroalimentació és més fàcil que s'aconsegueixi l'aprenentatge.

• Predicció del millor curs en el futur. Els mestres podran realitzar un seguiment del que funciona i del que no ho fa. S'afavoreix la personalització.

Aportacions al procés d'ensenyament-aprenentatge:

L’analítica de l’aprenentatge serveix per a analitzar i interpretar dades massives amb la finalitat de recollir informació dels estudiants per a millorar la pràctica educativa i així, optimitzar el seu rendiment.

La gran varietat d’aplicacions i/o eines que analitzen dades amb diferents propòsits com analitzar la interacció dels estudiants, identificar necessitats o dificultats, avaluar cursos o activitats, millorar la comunicació en temps real o predir el comportament o progrés dels estudiants, obri la possibilitat a l’aparició de noves metodologies actives amb la finalitat de millorar l’ensenyament i aprenentatge com, l’aprenentatge adaptatiu.

L’aprenentatge adaptatiu és un mètode basat en l’anàlisi de dades que permet personalitzar el procés d’ensenyament i aprenentatge, identificant les debilitats i fortaleses de cada estudiant per a fer plans d’estudis individuals segons les seues necessitats i progressos. Són essencials les plataformes LMS que ofereixen al professorat la capacitat de recol·lectar les dades necessàries, adaptar materials en funció de les necessitats específiques de l’alumnat i crear rutes d’aprenentatge per a cada alumne.

Software

La majoria d'LMS inclouen instruments per la captació i visualització de dades com ara el nombre de sessions, temps de connexió, nombre de descàrregues, etc. Els LMS comencen a incorporar eines per convertir aquestes dades en informació valuosa i accionable. Per exemple, Moodle incorpora el Machine Learning per detectar i/o anticipar-se a determinades situacions. Actualment, i des de la versió 3.4, Moodle inclou models que, a partir de les dades recollides, avisen de potencials riscos d'abandonament per part de la l'alumne o la baixa activitat docent en un curs. A més a més, per mitjà d'un sistema d'events, es poden configurar alertes que es disparin si es donen determinades situacions. Altres LMS comercials, com ara Blackboard, ofereixen opcions d'analítiques d'aprenentatge orientades a ser aplicades en diversos àmbits com ara: L'experiència d'aprenentatge, l'avaluació de l'aprenentatge, la gestió del procés d'aprenentatge, l'avaluació o l'administració de la institució.

L’avanç en el camp de l'anàlisi de l’aprenentatge s’ha vist afavorit per la varietat de ferramentes de software i/o aplicacions que permeten analitzar tot tipus de dades i descobrir patrons amb la finalitat d’optimitzar els processos d’ensenyament i aprenentatge. En el context educatiu hi ha diferents ferramentes de software per als diferents àmbits del món educatiu.

Programari i eines

Algunes ferramentes per a centres educatius de primària i secundària són:

- Bingel - una plataforma educativa que recolza el procés d’ensenyament i aprenentatge. A través de diferents mòduls permet als estudiants d’educació primària realitzar exercicis en línia, tant a l’aula com a casa, i al professorat planificar tasques, realitzar correccions i comentaris a temps real.

- Itslearning - és un sistema de gestió de l’aprenentatge que permet personalitzar el procés d’ensenyament i aprenentatge a les institucions educatives de primària i secundària. Elabora plans d’aprenentatge individuals que poden ser vists pel professorat, alumnat i famílies sobre el rendiment dels estudiants en tasques, qualificacions i objectius d’aprenentatge i, alhora, ofereix recursos educatius per al professorat, així com espais d’intercanvi i comunicació.

- Schoolzilla - és una plataforma que funciona com un magatzem de dades sobre l’activitat educativa de l’alumnat a través de diferents fonts com bases de dades d’avaluació, de comportament, de qualificació, observació i informació de l’estudiant. Permet crear panels de control per a identificar alumnat amb més necessitats i veure aquestes dades per a comprendre els resultats i necessitats de l’alumnat.

Entre les ferramentes que hi ha per a l'educació superior està:

- Open Essayist - és una ferramenta de recolzament al procés creatiu d’assajos de l’alumnat desenvolupada per la universitat The Open University, Regne Unit. El sistema ofereix un feedback interactiu automatitzat als estudiants. De manera que els estudiants pujen el seu borrador i aquesta ferramenta els proporciona un anàlisi de caràcter formatiu i reflexiu.

- Loop - és una ferramenta d’anàlisis de codi obert que permet visualitzar els comportaments dels estudiants de manera individual o grupal (les interaccions, les dades de registre, els materials als quals s’accedeix) a partir de les dades que es capaç d’enregistrar i, per tant, permet avaluar l’eficàcia de les activitats programades sent una eina d’ajuda pedagògica per als professionals de la docència.

Altres plataformes, aplicacions i/o programari:

- Loco-analyst - una eina per l'anàlisi dels processos d'aprenentatge que tenen lloc en un ambient d'aprenentatge basat en la web.

- Orange , és un software per la mineria de dades i aprenentatges automàtics basat en un programari visual molt fàcil i potent.

- Neural Designer - és un programari informàtic de mineria de dades basat en la tècnica de les xarxes neuronals.

- Rapidminder - s'utilitza en tasques de la mineria de dades. Aquestes tasques tant poden ser utilitzades a nivell experimental com en el món real. Aquest sofware abans era conegut amb el nom de YALE.

- Weka - és un software per maquinàries d'aprenentatge, les quals utilitzen tasques bàsiques de mineria de dades, especialment tasques com; processament de dades, agrupament, classificació, regressió i visualització.

- Knime - és una plataforma de codi obert, la qual és fàcil d'entendre i d'utilitzar per integrar dades, processar-les i realitzar anàlisis i exploracions.

Privacitat i tractament de dades

Les Analítiques d'aprenentatge compten amb molta informació detallada dels i les usuàries, tota aquesta amb la finalitat educativa de millorar el procés d’ensenyament aprenentatge. Però, no es pot oblidar que el tractament d’aquesta informació (en davant, tractament de dades personals) ha de garantir una seguretat, sent responsable aquella persona o organisme encarregada de recabar-la.

Pel que fa a la funció docent, es tracten moltes dades personals (inclòs dades especialment protegides), les quals són utilitzades per sistemes informatitzats que monitoritzen, prediuen i creen determinats perfils d’usuari depenent de les dades recabades.

Aquest fet comporta una clara preocupació sobre les noves tècniques d’anàlisi les quals siguin enteses com la base de decisions transcendentals utilitzant algorismes sense intervenció humana.

El Reglament General de Protecció de Dades (RGPD) va entrar en vigor a l’estat espanyol el passat maig de 2018, el qual obliga a tots els Estats de la Unió Europea a modificar la seua legislació relativa a tractament de dades personals.

Pel que fa a l’àmbit nacional, el passat desembre (2018) es va publicar la Llei Orgànica 3/2018, de 5 de desembre, de Protecció de Dades Personals i garantia dels drets digitals (LOPDGDD). Cal mencionar que aquesta normativa vigent des del passat desembre determina una sèrie de drets, principis, deures, mesures, etc. que tothom que tracte amb dades cal que tingui present per a fer un ús responsable d’aquestes dades recabades.

Principis de Protecció de Dades:

- Legitimació: els centres docents estan legitimats per la Llei Orgànica d'Educació (2006) per al tractament de dades per a la funció educativa.

- Qualitat: la informació que es rep dels usuaris i usuàries, emmarcada en la funció educativa, ha de ser tractada de manera lícita i lleial, recabant la informació estrictament necessària per a cada cas.

- Transparència i informació: els i les familiars de l'alumnat del centre han de rebre informació sobre el tractament que s'està fent de les dades personals, bé siga per mitjà del consentiment d'aquest tractament o, en alguns casos no es requereix d'aquest consentiment. Doncs, en aquest cas, les persones interessades cal estar informades de tot el procediment realitzar o per realitzar.

- Seguretat: s'ha d'establir un procediment organitzatiu concret per tal de garantir la integritat i confidencialitat i la protecció de les dades personals enfront del tractament no autoritzat o il·lícit i contra la seua pèrdua, destrucció o dany accidental.