“Actividad 5 — Consentimiento informado”

politica-de-privacidad.png

NUEVA POLÍTICA DE PRIVACIDAD DE DATOS

En cumplimiento de la ley orgánica de protección de datos.

Consentimiento expreso para el cumplimiento de datos de carácter personal

 

Estimado/a alumno/a:

Nos ponemos en contacto con usted mediante este escrito para informarle acerca de la modificación en nuestra base de datos y política de privacidad de nuestra empresa.

En cumplimiento de lo establecido en la Ley Orgánica  15/1999, de 13 de diciembre, de protección de datos de carácter personal, le comunicamos que a través del big data y de la analítica de datos, se han extraído datos personales de los estudiantes procedentes de páginas externas como redes sociales o Youtube, a nuestro curso Learning Analytics frecuentadas por los estudiantes en el periodo temporal en el que se desarrolla el curso.

Estos datos, quedan incorporados a nuestra base de datos para ser tratados y usados por la empresa con el único fin de mejorar cuestiones académicas, formativas, de mantenimiento, de diseño y metodología del curso en el que está inscrito.

Mediante la firma del presente documento usted da su consentimiento expreso para que Learning Analytics, pueda utilizar única y expresamente con el fin descrito, los datos extraídos de páginas externas al curso, comprometiéndose a tratar de forma confidencial los datos de carácter personal del estudiante y a no comunicar o ceder dicha información a terceros:

Nombre:

Apellidos:

DNI:

En nombre y representación de (menor o dependiente) / titular:

Manifiesto que he sido informado por Learning Analytics de los cambios en la política de privacidad de la empresa y acepto y autorizo a la misma al tratamiento de mis datos de forma confidencial y privada para el fin expresado.

 

Firma del estudiante:

A _____ de _______ de 201__

Reenvíe este documento a la siguiente dirección electrónica: learningAnalitycs@gmail.com

 

Así mismo, le informamos de la posibilidad que tiene de ejercer los derechos de acceso, rectificación, cancelación y oposición de sus datos de carácter personal mediante un escrito dirigido a learningAnalitycs@gmail.com , acompañado de la copia de su DNI

 

Un cordial saludo.

La empresa:

Learning Analytics,

Anuncios

“Actividad 5 — Dimensiones de investigación”

 

ga-alternatives-featured-2

Con la gran cantidad de datos recogidos de los estudiantes procedentes de fuera de la plataforma del curso, la empresa ha decido reformular la estructura de la investigación y abarcar nuevas dimensiones más potentes y de mayor alcance para mejorar la calidad, el funcionamiento, el diseño y el proceso de enseñanza-aprendizaje de nuestro curso.

Así pues, los principales objetivos que se persiguen en dicha investigación y que guardan una estrecha relación con los ya propuestos anteriormente son:

1.      Reducir la tasa de abandono de los estudiantes.

2.      Proporcionar un aprendizaje personalizado y una metodología que se adapte a las necesidades personales y formativas de los estudiantes.

3.      Aumentar la participación de los alumnos en el curso.

4.      Detectar carencias significativas de los alumnos y satisfacer sus demandas y necesidades.

Así pues, una vez definidos los objetivos y metas que pretendemos conseguir con nuestro proyecto, las nuevas dimensiones que abarcaremos serán:

      Dimensión 1: necesidades de formación de los estudiantes.

Los datos recogidos en plataformas como infojobs, linkedin, etc. Nos servirán para detectar las posibles necesidades formativas de los estudiantes con vistas al ámbito profesional.

  • Hipótesis 1:  si los alumnos poseen cuentas en estas plataformas de empleo, podremos detectar cuáles son sus necesidades formativas y personalizar al aprendizaje del curso, atendiendo a sus necesidades y características, a través de su currículo, empleos y experiencia de los estudiantes, etc.

      Dimensión 2:  redes sociales

En esta dimensión se contemplarán datos recogidas de redes sociales como Twitter, Facebook, Instagram, Youtube…

  • Hipótesis 1: los alumnos activos en redes sociales y otros escenarios virtuales, son más participativos en el curso que aquellos que no son activos en redes sociales.
  • Hipótesis 2:  los alumnos que comparten información sobre el curso en redes sociales, están más comprometidos con el mismo y la tasa de finalización es mayor que la de aquellos que no comparten información en sus redes sociales.
  • Hipótesis 3: los alumnos que poseen redes sociales prefieren cursos con interfaces con interactividad y metodologías activas y participativas.

      Dimensión 3:  otros escenarios virtuales de aprendizaje.

En esta dimensión se tendrán en cuenta los datos extraídos de otros escenarios virtuales de aprendizaje como Coursea, miraDAX, Canvas…

  •  Hipótesis 1: los alumnos que hayan participado o estén participando en otros escenarios de aprendizaje virtuales, tendrán una tasa de finalización del mismo mayor, pues conocen la dinámica de la formación online.
  • Hipótesis 2:  los alumnos que hayan cursado o estén cursando otros cursos online, estarán más comprometidos con el curso y con su finalización, pues están implicados con su formación académica y profesional.

      Dimensión 4: motivación del alumnado.

En esta dimensión nos centraremos en aquellos datos recogidos de redes sociales y paginas frecuentadas por nuestros estudiantes para ver los temas que les interesan y les motivan.

  • Hipótesis 1: si en el curso se tratan temas que suscitan curiosidad e interés en el alumnado, estos mostrarán mayor motivación e interés en el curso y la tasa de finalización será mayor.
  • Hipótesis 2: al tener mayor motivación en el desarrollo del curso, el aprendizaje de los estudiantes será significativo.

      Dimensión 5: Metodología participativa y colaborativa.

En esta dimensión nos centraremos en la interacción de los alumnos en plataforma sociales como twitter, Facebook, Instagram, BLOG spot, etc., para comprobar el tipo de metodología que prefieren.

  • Hipótesis 1: la participación en foros, blogs o grupos de Facebook, nos indicará que los alumnos conocen las herramientas de comunicación en espacios virtuales, y esto nos revelará una mayor participación y actividad en el curso.
  • Hipótesis 2: si los alumnos a través de foros, blogs o grupos de Facebook comparten información con otros usuarios, links, imágenes, etc., será un indicador de que prefieren un tipo de aprendizaje colaborativo, activo y participativo y no individual.

 

REFERENCIAS BIBLIOGRÁFICAS:

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Recuperado de https://papers.ssrn.com/abstract=3124369

 

 

“Actividad 4 — Diseño de investigación” Pregunta 2

ANALISIS.png

  1. INTRODUCCIÓN.

Con el auge de las tecnologías de la información y la comunicación en la era digital y en la sociedad del conocimiento en las que estamos inmersos, surgen nuevos y muy diversos contextos formativos online, donde las personas pueden aprender, profundizar y desarrollar nuevos conocimientos, alejados de la tradicional enseñanza presencial, adaptándose al ritmo de vida, necesidades e intereses de cada uno de nosotros.

El crecimiento y generalización de la tecnología educativa, la formación virtual y el uso de Internet como vehículo de aprendizaje ha dado lugar a la aparición de rastros o huellas digitales y su registro que nos permiten tener datos cuya medida, análisis y estudio posterior permitirá obtener conclusiones prácticas. De ahí, es donde surge la analítica de datos en el aprendizaje.

Learning Analytics, se ha considerado “el camino natural de la evolución de la educación” y es una disciplina emergente relacionada con el desarrollo de métodos para explorar series de datos procedentes de ecosistemas educativos. Y con el uso posterior de los resultados del análisis para entender mejor al alumnado, sus comportamientos y así mejorar el diseño de los entornos en los que aprenden.” (Dietz-Uhler y Hurn, 2013).

Así pues, con esta intención se ha creado un nuevo curso llamado “Learning Analytics Essentials”.

  1. DESCRIPCIÓN DEL CURSO.

“Learning Analytics Essentials” nace con el fin de ofrecer un curso abierto sobre ‘learning analytics’ con la intención de utilizarlo para experimentar sobre métodos de analítica de datos. Pero sobre todo, para que los resultados obtenidos a través de estos métodos resulten verdaderamente útiles para la mejora de la enseñanza digital.

El diseño del curso es una estructura modular muy parecida a los de un XMOOC. Los contenidos estarán disponibles en forma de manuales y el sistema de evaluación consistirá en la realización de cuestionarios al final de cada entrega de tareas.

Además, este curso se enriquece con el uso de Twitter   como principal herramienta de comunicación, además de un blog, un canal de YouTube y una lista de distribución en TinyLetter donde se ofrecen orientaciones y asistencia para todos los interesados en la temática, sean o no estudiantes del curso. No se requieren requisitos para la realización de este curso online y está destinado a todas aquellas personas interesadas en dicha temática.

 

  1. Medir qué competencias adquieren los estudiantes al final del curso.
  2. Medir cómo evoluciona la adquisición de esas competencias durante el ciclo del curso.
  3. Conocer las causas que explican la adquisición de las competencias por parte de los estudiantes.
  4. Profundizar en los métodos de learning Analytics.
  5. Aumentar la participación de los alumnos en el curso online.
  6. Reducir la tasa de abandono de los alumnos.
  1. Metodología.

La metodología que se llevará a cabo está compuesta por varias técnicas y métodos propios de la analítica de datos. Su fin es la obtención, recopilación, almacenamiento, análisis y organización de los datos. Es imprescindible que estas técnicas y métodos sean eficaces para que los datos que se obtengan sean fiables, útiles y aquellos que estamos buscando, para conseguir los objetivos propuestos. Así pues, estará compuesta por diversos métodos como:

 

  • Arquitectura de software. Se concibe una arquitectura que permita mezclar datos que provienen desde distintas fuentes (de todas las plataformas analizadas en la pregunta anterior: Twitter, Youtube, Plataforma del curso, Tinyletter, y blog), para que sean procesados en conjunto de forma eficiente por un módulo de visualización de datos.
  • Observación no participante directa: tanto por parte de la empresa promotora del curso para detectar posibles errores como por parte de los profesores, para seleccionar datos de los alumnos.
  • Análisis académico: Cifras de retención y éxito, utilizadas por la institución para evaluar el rendimiento del alumno.
  • Minería de datos educativos (data Mining): nos permite descubrir información nueva y potencialmente útil de grandes cantidades de datos y búsqueda de patrones en los datos.
  • Análisis del aprendizaje: El uso de datos, que pueden incluir grandes volúmenes de datos (Big Data), para proporcionar inteligencia útil para los estudiantes y los profesores.
  • Método predictivos: utiliza el análisis de datos para realizar predicciones basadas en los datos. En este proceso se hace uso de los datos junto con técnicas analíticas, estadísticas y de aprendizaje automático a fin de crear un modelo predictivo para predecir eventos futuros.
  1. Instrumentos de obtención de datos.

Los principales instrumentos que se van a utilizar para obtener datos son los siguientes:

  1. Software que permita extraer, recopilar y almacenar datos necesarios que serán utilizados en métodos de analítica del aprendizaje.
  2. Plataformas y redes sociales de las que obtendremos estos datos: Twitter, Youtube, Tinyletter, plataforma del curso y un blog. (las evidencias y datos que recogeremos y utilizaremos son los expuestos en la pregunta 1, reflejada en la entrada anterior de este blog). Además, algunas de estas plataformas tienen herramientas que nos pueden servir para analizar datos dentro de la misma como son por ejemplo: Youtube Analytics o Google Analytics.
  3. RapidMiner(anteriormente, YALE, Yet Another Learning Environment) es un programa informático para el análisis y minería de datos. Permite el desarrollo de procesos de análisis de datos mediante el encadenamiento de operadores a través de un entorno gráfico. Se usa en investigación, educación, capacitación, creación rápida de prototipos y en aplicaciones empresariales. En una encuesta realizada por KDnuggets, un periódico de minería de datos, RapidMiner ocupó el segundo lugar en herramientas de analítica y de minería de datos utilizadas para proyectos reales en 20091​ y fue el primero en 2010.

 

  1. Interpretación.

Una vez empleada la metodología y utilizados los instrumentos para la obtención de datos, llega el momento de la interpretación de los mismos.

Así pues, algunas de las interpretaciones que se obtendrán siguiendo las evidencias que se recogieron en la primera tabla serán las siguientes:

  • Según la actividad en redes sociales y la frecuencia de conexión podemos obtener la disponibilidad del usuario para realizar el curso y cumplimentar las actividades y objetivos propuestos.
  • Según la participación en redes sociales, y plataforma del curso, además de la frecuencia de conexión y el horario de la misma, podremos obtener datos sobre la implicación y el compromiso del usuario con el curso.
  • Según los contenidos compartidos en redes, los videos subidos y visualizados podemos interpretar los gustos e intereses de los alumnos.
  • Sin embargo, una baja participación, el no uso de redes sociales o la no participación en la plataforma del curso, puede ser interpretado como un riesgo de abandono, desmotivación o problemas del usuario. En este caso, se detecta a este tipo de alumnado para intervenir y diseñar un plan más personalizado y contribuir a una mejora del rendimiento del mismo.

Es esencial hacer una interpretación objetiva y real de los datos pues, de la obtención de estos datos dependen las conclusiones y predicciones que se utilizarán para hacer modificaciones y mejoras aumentando la calidad y eficacia del curso.

  1. Garantías éticas.

Nuestro diseño de investigación garantiza la privacidad, seguridad, derecho al anonimato y a conservar la identidad propia de todos y cada uno de los usuarios de nuestro curso.

Los datos personales y el derecho a la privacidad es un principio fundamental en la sociedad de hoy en día. Por ello, y dado que las tecnologías almacenan datos sobre la geolocalización, la conducta, los gustos y los sentimientos de las personas, se perciben cada vez más como intrusión en la vida privada.

Por ello, es importante que exista una política educacional y de privacidad que proteja los datos de nuestros estudiantes, implicando y garantizando lo siguiente:

  • Previo consentimiento de recogida de datos y que este sea informado.
  • La recogida de datos debe seguir la normativa vigente para no atentar contra los derechos de las personas.
  • Los datos deben utilizarse exclusivamente para lo solicitado y no usarlos en beneficio propio.
  • Recae sobre la persona física o jurídica responsable de la base así como los encargados de tratamientos, usuarios y terceros, con diferente alcance.
  • Privacidad y Vigilar la seguridad de los datos. Los datos recogidos deben estar protegidos por algún tipo de regulación estatal ya que es imprescindible conocer en todo momento quien tiene acceso a estos datos, qué uso se hará de ellos y de qué forma será compartida la información resultante.

REFERENCIAS BIBLIOGRÁFICAS:

Domínguez Figaredo, Daniel, Big Data, analítica del aprendizaje y educación basada en datos (Big Data, Learning Analytics & Data-driven Education) (February 15, 2018). Available at SSRN: https://ssrn.com/abstract=3124369

“Actividad 4 — Diseño de investigación” Pregunta 1

Hace unos meses, nuestra empresa diseñó un servicio de analítica de aprendizaje, pero a medida que conocemos casos de uso real nos hemos dado cuenta de que su aplicación no está suponiendo una mejora efectiva para los docentes y los gestores de cursos digitales. Así pues,  nos planteamos diseñar un curso abierto en el que mostremos los conocimientos que hemos adquirido durante estos meses, y también con la finalidad de experimentar en ese mismo curso nuevas técnicas de análisis de datos que te permitan llevar el ‘learning analytics’ a otro nivel.

Así pues, en esta primera tarea es proponer una tabla simple con los datos de métrica que están disponibles en cada uno de los espacios donde se desarrolla el curso: plataforma del curso, Twitter, YouTube, Blog y TinyLetter.

 

youtubegoogletinylettertwitterplataforma

“Actividad 3 — Ética y privacidad”

secreto_profesional_2.jpg

 Un desafío que presenta la analítica de datos es en relación a la privacidad de los estudiantes y la ética.

Existe una preocupación sobre quién, cómo y con qué fin puede acceder a los datos de los estudiantes, y a qué datos. Atendiendo a Hendrik Drachsler (2016): “temores y realidades se mezclan a menudo indistintamente, dando lugar a un ambiente de incertidumbre entre los posibles beneficiarios de Learning Analytics”.  Según Amo Filvà, D. (2016): “La privacidad de datos en la analítica del aprendizaje es una cuestión que preocupa, tanto a los ejecutores del proceso analítico como a los afectados”.

Los datos personales y el derecho a la privacidad es un principio fundamental en la sociedad de hoy en día. Por ello, y dado que las tecnologías almacenan datos sobre la geolocalización, la conducta, los gustos y los sentimientos de las personas, se perciben cada vez más como intrusión en la vida privada.

Una vez reflexionado sobre los beneficios y desafíos del Learning Analitycs, me resulta paradójico como se ven beneficiados y a la vez, pueden ser mermados los derechos humanos de las personas.

Por una parte, el Learning Analitycs promueve el derecho a la educación, a la igualdad de las personas independientemente de su condición, raza, sexo… y a la prohibición de la discriminación. También, promueve el derecho a la igualdad de oportunidades tanto en el acceso a la educación como a la instrucción en sí misma, ayudando todo esto a contribuir y luchar por una sociedad más justa y democrática.

Pero a la vez, se pueden ver mermados el derecho a la privacidad, al anonimato, la libertad de expresión, y libertad de la persona en general, dependiendo de con qué fin y quién acceda a los datos de las personas.

Por ello, y a modo de conclusión, es importante que exista una política educacional y de privacidad que proteja los datos de los estudiantes, implicando esto:

  • Previo consentimiento de recogida de datos y que este sea informado.
  • La recogida de datos debe seguir la normativa vigente para no atentar contra los derechos de las personas.
  • Los datos deben utilizarse exclusivamente para lo solicitado y no usarlos en beneficio propio.
  • Recae sobre la persona física o jurídica responsable de la base así como los encargados de tratamientos, usuarios y terceros, con diferente alcance.
  • Privacidad y Vigilar la seguridad de los datos.

REFERENCIAS BIBLIOGRÁFICAS:

Domínguez Figaredo, Daniel, Big Data, analítica del aprendizaje y educación basada en datos (Big Data, Learning Analytics & Data-driven Education) (February 15, 2018). Available at SSRN: https://ssrn.com/abstract=3124369

“Actividad 3 — Metodología del servicio de datos”

Esta nueva entrada al blog, trata sobre la metodología del servicio de datos llevada por nuestra empresa donde se desarrolla el modelo funcional del servicio en el estudio y análisis de cursos de formación. Así pues, la metodología propuesta es la siguiente:

 

Sin título2

Sin título3

12345

6

El supuesto práctico a realizar girará en torno a un MOOC llamado: “trabajar para ser feliz”. Se consultar en el siguiente enlace:
https://www.coursera.org/learn/familia-trabajo-sociedad?siteID=SAyYsTvLiGQ-uwIxzawsdztPhCKeS_pu.Q&utm_content=10&utm_medium=partners&utm_source=linkshare&utm_campaign=SAyYsTvLiGQ#syllabus

7.png

PROBLEMÁTICA:

La empresa encargada de realizar el curso, se pone en contacto con nosotros porque a pesar de la alta tasa de alumnado que se inscribe en el curso (59 alumnos), muchos de ellos no finalizan el mismo y hay poca participación de los estudiantes en el mismo (0 valoraciones).

8.pngSi es un curso que interesa, con una temática y utilidad que capta a estudiantes ¿Por qué ocurre esto? Esa es nuestra misión y los objetivos principales que abarcaremos serán los siguientes:

  • Reducir la tasa de abandono de alumnos inscritos al curso online.
  • Aumentar el número de alumnos que terminan el curso con éxito
  • Detectar a alumnos que necesiten asesoramiento por presentar necesidades o dificultades que le impidan realizar el curso con éxito o finalizarlo.
  • Obtener datos sobre el alumnado que permita proporcionar un aprendizaje personalizado e individualizado.
  • Analizar los momentos clave en el desarrollo del curso que nos permita detectar a los alumnos con necesidades.
  • Detectar posibles fallos en la plataforma que dificulten la realización del curso.

Una vez propuestos los objetivos a conseguir para cumplir con la demanda de nuestros clientes y aumentar la calidad del MOOC:

¿Qué haremos?

UN ANÁLISIS DE DATOS, primero analizaremos datos de ediciones anteriores del curso para averiguar qué ha ocurrido y los posibles fallos que han desembocado en este problema y por supuesto, analizaremos el perfil actual de nuestros alumnos para ajustar el curso a sus necesidades. Nos centramos en las siguientes líneas de acción:

  1. Recogida de datos: número de alumnos inscritos, sus datos personales, recursos económicos, situación laboral, etc. Nos damos cuenta, que “trabajar para ser feliz” va dirigido a personas que están laboralmente activas, en edades comprendidas entre 16 y 65 años (población activa) predominando el rango de edad 25-50 años.
  2. Detección de fallos técnicos en la plataforma y en la metodología del curso: se hace un estudio sobre la plataforma y su interfaz y no se detectan problemas: es una plataforma sencilla, clara y fácil de usar. Por si acaso algún estudiante, tiene dificultades porque su competencia digital es menor, como empresa creamos una guía de uso de la misma. En cuanto a la metodología, “trabajar para ser feliz” es un curso práctico y motivador pero se detecta es una gran cantidad de videos y documentos a leer para poder realizar el cuestionario final (actividad evaluable) en cada uno de los módulos y no existen actividades donde los alumnos interactúen es muy individualizado.
  3. Análisis de los momentos clave para detectar a alumnos con necesidad de asesoramiento: analizaremos el inicio de curso, su desarrollo y la finalización del mismo, siguiendo los momentos clave descritos en el post anterior:

a)    Al inicio del curso se detecta una alta tasa de inscripción.

b)    Durante el desarrollo: las primeras semanas de curso, hay una alta tasa de participación en foros, en clases y las primeras actividades a calificar sí son entregas por el 95% de los alumnos. Conforme avanza el curso, se detecta una participación menor y las horas a las que la mayoría de alumnos participa suele ser por la tarde noche (de 20-23h). Las actividades prefijadas cada vez, las envían menos alumnos, por lo que transcurso del MOOC está viéndose mermado.

Por lo que se intuye que al ser personas laboralmente tienen dificultad para compaginar horarios laborales, vida familiar y personal con el seguimiento del curso (hay bastante cantidad de materiales a explorar para poder realizar los cuestionarios finales).

c)    Al final: de los 59 alumnos inscritos, sólo 31 terminan el curso con éxito, 22 no lo finalizan y 7 alumnos finalizan el curso pero no lo superan. Por lo que la tasa de abandono es elevada.

4. Diseño de una intervención: una vez estudiados los casos anteriores y el perfil de los alumnos actuales en “Trabajar para ser feliz” se realizarán dos tipos de intervenciones:

–       Intervenciones con carácter preventivo: se reducirá la cantidad de material a estudiar para hacer los cuestionarios finales para que optimizar tiempo y que puedan compaginar su vida personal y laboral con el MOOC y se introducirá mayor flexibilidad en los tiempos. Por otra parte, se introducirá una guía de uso de la plataforma para evitar problemas técnicos

–       Intervenciones sobre alumnos que necesitan asesoramiento: al comprobar qué alumnos han dejado de participar nos pondremos en contacto con ellos a través de tutorías y en caso de que sea posible, pues las razones sean incompatibilidad de horarios, dificultad de entendimiento, etc. se diseñan intervenciones personalizadas, facilitando y ayudando a superar las barreras encontradas con el objetivo terminar con éxito los objetivos del curso y se propondrán actividades en grupo para fomentar la participación, el contacto con los demás y corregir posibles sentimientos de soledad que llevan a la desmotivación.

Una vez aplicada nuestra metodología, en la edición en la que intervinimos, se redujo la tasa de abandono, por lo tanto se vio cumplida la demanda de nuestros clientes, aumentando la calidad del curso y mejorando tanto en aspectos técnicos como académicos.

 

 

“Actividad 3 — Captura de datos”

 

Sin título

Uno de los principales problemas que presenta la enseñanza a distancia es la alta tasa de abandono que muestran los alumnos que se inscriben a cursos online. ¿Por qué sucede esto?

Una primera utilidad del análisis predictivo es identificar a los estudiantes en dificultad que necesitan asesoramiento en un curso. La manera de hacerlo es observando el comportamiento de esos estudiantes a través de los datos digitales que facilitan durante su paso por el curso. Y en esto, consiste este nuevo post.

Hay momentos clave en la participación en un curso ‘online’ que pueden indicar la desafección de un estudiante, así pues el objetivo principal es indicar qué momentos concretos del ciclo del curso piloto son más importantes rastrear para identificar a estudiantes con problemas, qué tipo de datos se pueden obtener y cómo serán interpretados para conocer si se dan indicios de desafección e iniciar alguna intervención de apoyo al estudiante.

Así pues, hay tres momentos clave a tener en cuenta para la realización de este análisis predictivo. Estos son: al inicio del curso, durante el curso y al final del mismo.

  1. Al inicio del curso: este momento es de gran importancia en el análisis
Tipos de datos que se obtienen Cómo se interpretan
El número de alumnos totales que van a realizar el curso. Este dato, nos servirá para después compararlo con el número de alumnos que lo finalizan y poder comprobar la tasa de abandono y de finalización del mismo.
Datos personales, económicos, laborales, de formación, sobre sus recursos, sus intenciones y objetivos de realización del curso… Estos datos nos permitirán realizar las primeras predicciones y detecciones de alumnos en riesgo de abandono o con más dificultades o en necesidad de asesoramiento. Así pues, algunas decisiones que se pueden tomar, serán de suma importancia pues pueden facilitan la evolución del curso de forma efectiva y eficiente. A modo de ejemplo, algunas decisiones pueden ser:

–       Cuando se detecte que los alumnos disponen de pocos recursos económicos, se les facilitará material, se les propondrán para ser seleccionados para poder darles una beca o ayuda económica que les permita realizar el curso.

–       Cuando se detecte que existen alumnos en una situación laboral activa, se les proporcionarán horarios flexibles y variados a la hora de la entrega y realización de las actividades. Pues a veces, cuando no se pueden compaginar los horarios personales con los del curso, conlleva a un estrés y desmotivación que desembocan en abandono.

 

  1. DURANTE LA REALIZACIÓN DEL CURSO:
Tipos de datos que se obtienen Cómo se interpretan
Participación en foros y asistencia a clase: número de mensajes y horas a las que el alumno participa. La participación en los foros internos del curso, nos indican cómo evoluciona el alumno. Si existe una involución (de más a menos) en la tasa de participación, es un dato que nos indica que algo ocurre. Así pues, se podrán medidas para subsanar esta baja participación, detectar los motivos, y dar facilidades o hacer las modificaciones pertinentes para proporcionar un aprendizaje personalizado a cada estudiante.
Si se entregan las actividades en las fechas acordadas. Este dato nos sirve para varias interpretaciones con el objetivo de detectar si hay alumnos que no envían estas actividades. Cuando se detectan puede ser por:

–       Falta de tiempo o incompatibilidad de horarios: para ello se puede proporcionar horarios más flexibles, además de proporcionar un calendario a principio de curso con todas las actividades y exámenes, para una mejor planificación y organización.

–       Desmotivación por falta de interés: para solucionar esto, se podría realizar un asesoramiento personalizado o un cambio de metodología.

–       Problemas técnicos o falta de competencia digital. Esto es clave, en la tasa de abandono. Cuando un alumno tiene problemas técnicos (incompatibilidad de software, programas que no funcionan) o desconoce el funcionamiento de programas o de la plataforma, supone estrés, frustración y desmotivación. Así pues, algunas sugerencias podrían ser:

1.    Guía de funcionamiento de la plataforma.

2.    Guía sobre los programas que se van a utilizar.

Las tutorías o Emails. La detección de alumnos que solicitan muchas tutorías o necesitan consultar muchas dudas, es un dato que nos indica qué alumnos necesitan un mayor asesoramiento o incluso un plan de intervención, pues están presentando mayor dificultad en la realización del curso.

Al final del curso:

Tipos de datos que se obtienen Cómo se interpretan
Número de alumnos que NO finalizan el curso. Comparando este dato con la tasa de inscripción al inicio de curso, se puede calcular la tasa de abandono de los estudiantes.
Número de alumnos que no superan el curso, aunque sí lo finalizan. Nos permite hacer una evaluación interna y de calidad del curso, para detectar posibles fallos en metodología, en las actividades u otros que no han permitido la superación del mismo.
Número de alumnos que finalizan el curso y sí lo superan. Nos permite detectar el éxito del curso.