Actividad 5 - Dimensiones de investigación

Actividad 5 - Dimensiones de investigación

Recopilación de datos y mejora del aprendizaje: 5 dimensiones para la analítica de datos

JOHNHAIN/PIXABAY.COM

@OMARCHIGHEN

¿Qué otros datos distintos a los inicialmente recogidos o procedentes de fuentes secundarias pueden servirnos para predecir y orientar las decisiones para mejorar los procesos de aprendizaje y los cursos ofertados a través de nuestra plataforma digital? Si bien esta cuestión plantea ciertos interrogantes en torno a la ética de la investigación, ofrecemos a continuación una serie de datos secundarios que podrían ser útiles para mejorar los procesos y los productos relacionados con nuestra empresa:

Dimensión A: redes sociales

En primer lugar, a través de los datos recopilados de las redes sociales de los alumnos, trataremos de describir y analizar distintos perfiles con el objetivo de modelar perfiles de aprendizaje e intereses sobre los que diseñar los cursos y módulos complementarios en nuestra plataforma digital. Para ello, tendremos en cuenta los siguientes parámetros:

-       Tiempo medio de conexión a redes sociales: puede ser un parámetro válido para pronosticar las competencias digitales y el grado de implicación en los cursos virtuales: a mayor tiempo de conexión, más actividad y por tanto, podríamos asociarlo a un mayor desempeño en las actividades y tareas propuestas para los cursos que ofrecemos.

-       Redes sociales más activas: las redes sociales y el grado de utilización de las mismas pueden relacionarse con el tipo de materiales más susceptibles de tener éxito para nuestros cursos: en función de la naturaleza de la red y la frecuencia de uso, podemos proponer distintos medios y formatos tanto para la presentación de contenidos como para la elaboración de tareas. Un usuario de Twitter tenderá a publicar contenidos más sintéticos, mientras que un usuario frecuente de blogs tendrá a elaborar más sus respuestas. Para un usuario de juegos en línea, el aprendizaje colaborativo y social será más relevante para mejorar su proceso de aprendizaje, mientras que para un usuario más activo en Youtube los Moocs serán una herramienta de aprendizaje más efectiva.

-       Tipo de publicaciones en redes sociales: en función de la naturaleza de las publicaciones de los alumnos, podríamos establecer una serie de perfiles cognitivos y áreas de interés con las que proponer itinerarios o módulos adaptados: para un alumno de un curso sobre analítica del aprendizaje que publique, comparta o marque temas principalmente políticos, propondremos estudios de caso sobre analítica de datos electorales o sobre cuestiones relacionadas con la gobernanza pública (participación ciudadana, diseño de agendas políticas según parcelas electorales, etc.). Por otra parte, para un alumno cuyas publicaciones se relacionen más con el ámbito educativo, propondremos módulos de analítica del aprendizaje, ya sea para entornos digitales o híbridos.

Dimensión B: navegación en internet

Los términos introducidos en los motores de búsqueda pueden indicar toda una serie de elementos pertinentes para adaptar nuestros cursos a los tópicos buscados por los usuarios en la red. Así, búsquedas en torno a artículos académicos nos permitirán adaptar los contenidos a este formato, mientras que la navegación y búsqueda en plataformas de video (Youtube, Vimeo) nos permitirán adoptar este formato para nuestros cursos. Además, el tiempo de conexión nos puede dar información relevante sobre la extensión/duración de los materiales y recursos que vamos a proponer en la plataforma.

Dimensión C: Small Data

Otros datos que pueden ser relevantes para pronosticar distintos perfiles y mejorar el diseño de los cursos pueden obtenerse a partir de datos personales:

-       La edad, el sexo y la situación socioeconómica pueden ser un indicador para pronosticar los resultados de desempeño en los cursos que proponemos a través de nuestra plataforma. Estos datos pueden cruzarse con otros indicadores como el nivel y frecuencia de participación en la plataforma y relacionarse con el desempeño en el curso para pronosticar posibles casos de abandono y proponer vías complementarias para evitarlo.

Dimensión D: datos académicos y laborales

El acceso a los datos académicos y laborales, ya sea a través de las redes sociales o a través de portales de empleo como Infojobs, o sitios web dirigidos a trabajadores freelance (ProZ), o incluso a través de portales de la administración pública (becas, expediente académico, formación recibida, certificados de participación, etc.) pueden servir tanto para diseñar cursos como proponer módulos complementarios orientados a la formación permanente en áreas específicas, ya sean académicas o laborales. Además, pueden plantearse distintos itinerarios para conseguir un aprendizaje adaptado a las necesidades particulares y obtener un elevado nivel de matriculación en los cursos de la plataforma.

Dimensión E: pruebas de ejecución dividida A/B

Analizar la navegación de los usuarios puede darnos también darnos información para mejorar la interfaz de la plataforma. Mediante un análisis de la navegación por distintos sitios web y pruebas de ejecución dividida podemos determinar qué elementos pueden mejorar la interfaz para que sea más atractiva y mejorar la navegación en la misma.

Bibliografía

Cortés, J. (2019). Alex Pentland: “Todavía no hemos perdido la batalla por el control de nuestros datos”. [online] EL PAÍS RETINA. Disponible en https://retina.elpais.com/retina/2019/06/06/tendencias/1559825018_997799.html

Cortés, J. (2019). “Las compañías no son transparentes en el uso que hacen de nuestros datos, pero los Gobiernos tampoco”. [online] EL PAÍS RETINA. Disponible en https://retina.elpais.com/retina/2018/10/08/tendencias/1538991880_996231.html

Data & Society. (2014). The Social, Cultural & Ethical Dimensions of “Big Data”. [online] Disponible en http://www.datasociety.net/initiatives/2014-0317/

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

Martínez Cabezas, S. M. (2018). Creación de un patrón de usabilidad para mejorar la navegación de estudiantes bachilleres en sitios web universitarios. Aplicativo: ESPOCH (Bachelor's thesis, Escuela Superior Politécnica de Chimborazo). Disponible en: http://dspace.espoch.edu.ec/bitstream/123456789/9101/1/18T00731.pdf

Paniagua, E. (2019). Así subasta Google tus datos online. [online] EL PAÍS RETINA. Disponible en https://retina.elpais.com/retina/2019/05/28/tendencias/1559040361_176907.html