INTRODUCCIÓN Y VISIÓN GENERAL DEL TRABAJO

En la actualidad la Educación Superior a nivel global, enfrenta cambios e innovaciones en el área educativa mediante:

• La participación colaborativa Interinstitucional
• La medición del aprendizaje
• El uso de recursos abiertos
• El aprendizaje mixto o híbrido  
• La generación de nuevos espacios de aprendizaje

Éstos operan basados en:

• El Aprendizaje Formal e Informal
• La Alfabetización Digital
• La Personalización del aprendizaje
• El Pensamiento complejo
• La educación basada en competencias y recompensas de la enseñanza.  

Para el cumplimiento de estas tendencias, las TICS han desarrollado las siguientes herramientas:

• Dispositivos propios
• Aulas invertidas
• Makerspaces
• Wearable
• Aprendizaje Adaptativo 
• Internet de las cosas

La Universidad Técnica Particular de Loja, asume estos retos y las necesidades de la región Sur del Ecuador, mediante el compromiso de brindar una educación de calidad, para lo cual necesita de herramientas de medición del aprendizaje. 

Siendo éstas necesarias para identificar los problemas educativos que enfrentan los alumnos y brindar alternativas de solución a tiempo, garantizando su permanencia y su formación profesional.

El Learning Analytics, reúne herramientas de diversas ciencias, con el fin de realizar un análisis completo de los rastros del aprendizaje de los alumnos, cumpliendo con la necesidad de información que tienen las Instituciones de Educación Superior, particularmente la Universidad Técnica Particular de Loja. 

Los resultados obtenidos son útiles para: 

• Realizar retroalimentación en tiempo real
• Mejorar los modelos académicos basados en la predicción del comportamiento de los alumnos 
• Hacer uso de sistemas de recomendación de contenidos

Es así que este trabajo de titulación busca: Enriquecer el Proceso de Enseñanza de la Educación Superior, mediante la selección de un modelo de Learning Analytics, siguiendo para ello los siguientes pasos:

• Investigar los modelos de Learning Analytics aplicados a la Educación Superior y temas afines.
• Estudiar el estado actual del proceso de aprendizaje en la Universidad Técnica Particular de Loja y Planteamiento del Caso de Estudio.
• Seleccionar el modelo de Learning Analytics que va a aplicarse en la UTPL.
• Aplicar el modelo de Learning Analytics seleccionado, en el caso de estudio de la UTPL
• Difundir los resultados de la investigación tanto en su fase teórica como práctica.

EXCEL

Esta herramienta se utilizó para obtener tablas de porcentajes con las cuales se interpreten las acciones que están realizando los alumnos en el Entorno Virtual de Aprendizaje, utilizando el archivo de Logs.

Figura 1: Ejemplo de análisis de Logs en Excel

Fuente: Elaboración Propia

En la Figura 1, se observa un ejemplo del análisis de datos en excel, el mismo que indica dos estados de los datos, como son:

• Estado Inicial: En este grupo se encuentran los datos que han sido sometidos a un  preprocesamiento y van a ser utilizados en el análisis.
• Resultados: son los datos que unidos entre sí brindan cierta información, como en la  Figura 78, que se aprecia que Karina ha participado más en el Entorno Virtual de aprendizaje en el mes de Julio.

Ejemplos de los resultados obtenidos con las tablas dinámicas

Los resultados que se han obtenido del análisis de logs se basa en estos cuatro obtenivos:

• Conocer cuál es la actividad que tiene más interacciones.
• Evaluar las diez actividades más realizadas por mes, para determinar en que fecha se dio más interacción.
• Conocer cuál es el estudiante que más participa.
• Evaluar los diez primeros por mes, para identificar la fecha en la que se dio su participación.

Tabla 1: Organización actividades – Practicum

Fuente: Elaboración propia

En la Tabla 1, se ha obtenido el porcentaje de realización de las actividades académicas en el Entorno Virtual de Aprendizaje, del curso Practicum. 

En el cual se aprecia que la mayoría de alumnos se limita a revisar el curso, este parámetro constituye el 40.93% de la participación de los estudiantes, en esta asignatura. 

De ahí se produce un descenso en la participación, ya que la segunda actividad realizada es la revisión de tareas con un 37.60%, el resto de actividades toman porcentajes inferiores al 8.85%.

Figura 2: Organización de participaciones por mes (División 1) –Practicum

Elaboración Propia

En la Figura 2, se puede aprecian los siguientes resultados:

a. El mes con mayor número de visitas al curso, es mayo con un 27.04%
b. El mes con mayor número de visitas a las tareas, es julio con el 37.64%.
c. El mes con mayor número de visitas a los recursos, es mayo con el 40.47%.
d. El mes con mayor visitas al listado total de tareas, es mayo con un 30.77%

Tabla 2: Organización de alumnos - Practicum

Fuente: Elaboración propia

En la  Tabla 2, se presenta el porcentaje de participación de los alumnos en el Entorno Virtual de Aprendizaje del curso Practicum, los resultados están ordenados en base a los nombres de los estudiantes. 

Observando que en primer Lugar se encuentra Eugenio Campoverde con el 10.90% de interacción, mientras que  en último lugar está Daniel Valdivieso con el 0.11%.

 Figura 3: Organización de participaciones de los alumnos por mes (División 1) –Practicum

Elaboración Propia

En la Figura 3, se aprecia los siguientes resultados:

a. Eugenio, ha interactuado más veces en el mes de junio, con el 69.63%.
b. Lila, ha interactuado más veces en julio, con el 97.70%.
c. Nelson, ha interactuado más veces en el mes de julio, con el 44.65%.
d. Byron, ha interactuado más veces en el mes de mayo, con el 44.75%.

DEL SNAPP AL NETDRAWS

El análisis del Snapp se reforzó con el uso de la herramienta NetDraws, la misma que sirve para crear Sociogramas basados en un participante específico, esto es útil para clasificar a los actores en cualquiera de estos grupos:

• Líder: realiza un gran número de participaciones, está conectado con casi todos los nodos.
• Popular: es una persona que ha sido elegida muchas veces, pero él no se ha conectado en la misma medida.
• Normal: recibe el mismo número de elecciones que el hizo.
• Rechazado: recibe pocas elecciones y no son de las mismas personas que el seleccionó.
• Ignorado: recibe pocas o ninguna elección, a pesar de que el responde bastantes foros.

Para obtener el sociograma inicial se siguen los pasos de la Figura 1:

Figura 1: Obtención de un sociograma en NetDraws

Fuente: Elaboración propia con capturas de pantallas del NetDraws

Este gráfico contiene:

• Apertura del Sociograma: son los pasos necesarios para abrir el archivo exportado con el Snapp, los mismos que consisten en: dar clic en File,  luego en Open, seguidamente en Vna text file y se selecciona Complete, en la siguiente ventana se busca el archivo y se da clic en ok.
• Sociograma Inicial: es la representación de las interacciones en el foro, se puede apreciar a los nodos o actores señalados con el número uno y el dos indica las relaciones.

La herramienta contiene algunas formas de analizar los datos del sociograma, pero en este proyecto solo se seleccionarán las que se indica en la Figura 2.

Figura 2: Opciones del NetDraws usadas para el Learning Analytics

Fuente: Capturas de pantalla

Estas opciones sirven para:

• Número de post: Tiene como finalidad presentar los nodos y las relaciones existentes entre ellos, agrupando a los participantes según el número de participaciones en el foro.
• Distancia geodésica: Es el número total de relaciones que se producen en torno a un individuo, estás pueden ser: Primero las que él hizo, es decir las respuestas que realizó el actor. Mientras que la segunda opción consiste en ver las respuestas que sus compañeros realizaron sobre sus participaciones.

  Ejemplos de los resultados obtenidos con el NetDraws

Análisis por número de publicaciones:

Figura 3: Alumnos que realizaron dos participaciones en el foro

Fuente: Captura de Pantalla -  NetDraws

En la Figura 3, se puede apreciar que existe un total de 26 nodos que realizaron dos publicaciones en el foro, estos representan el 31% de la población. 

También se puede ver que hay tres relaciones unidireccionales, mientras que el resto han participado en forma aislada.

Análisis de distancias geodésicas:

Este análisis de distancias geodésicas o número de relaciones que tienen los participantes, describe las interacciones de todos los estudiantes, mediante la formación de grupos de estudio. 

Se han creado un total de ocho grupos de diez integrantes cada uno, con la excepción del nodo a_1, que está presente en todos los grupos y se constituye en el líder de las interacciones y puente para que se comuniquen dos alumnos que no se relacionan directamente. 

En cada diagrama se ha contabilizado el total de los nodos adicionales, presentados con color rojo, así como el total de subredes que tienen de tres o más enlaces y los nodos aislados que solo tienen una conexión.

Figura 4: Sociograma geodésico grupo 1

Fuente: Captura de Pantalla -  NetDraws

, 

En la Figura 4, se obtuvieron los siguientes resultados del análisis del primer grupo de alumnos:

• Alumnos Observados: 10, 11, 12,13, 14,16, 18, 2, 20, 21
• Nodos Adicionales: representados por los participantes: 6, 9, 37, 24, 45, 59 97, 1, 43, 56, docente, dan un total de 11.
• Subgrupos: están liderados por los alumnos: 12, 37, 20, 1, 97, 43, 11, 21, docente, 10 y dan un total de 10.
• Alumnos Aislados: en este grupo se encuentran los alumnos: 2, 6, 13, 18, es decir cuatro en total
• Enlaces de Alumno 1: Existen 16 enlaces del alumno 1 con el resto del grupo

SNAPP

Esta herramienta permtió evaluar la interacción de los estudiantes en los foros, es un marcador que activa un Plugins de java, desarrollada para funcionar en los navegadores Firefox, Safari e Internet Explorer. 

La interfaz de esta herramienta está conformada por:

• Visualisation: sirve para visualizar los diagramas de red de las interacciones de los usuarios, contiene una serie de opciones que son útiles para configurar el diagrama e interpretar los resultados de una mejor manera.
• Statistics: presenta un resumen de la frecuencia de las publicaciones en una tabla.
• Annotations: sirve para registrar con fecha acontecimientos u observaciones importantes del análisis que se está realizando.
• Help: contiene un resumen online,  de los aspectos básicos de la herramienta.
• Credits: proporciona la información de los desarrolladores de la herramienta con el fin de realizar contactos y coordinar proyectos investigativos futuros.

Algunas de sus opciones son:

• Herramienta de Zoom: permite ampliar o minimizar la red
• Mouse: sirve para dar forma a la red, mediante dos opciones: mover toda la red (Transform), o mover solo nodos (Pick).
• Layout: contiene un conjunto de algoritmos de graficación de la red.
• Find Clusters: realizar un análisis mediante la creación de clústeres.
• Controls: Sirve para configurar algunas opciones de visualización de la red, tales como mostrar los nombres de los participantes, la escala de relación, realizar búsquedas específicas, presentar conexiones por escala, o publicaciones entre participantes, etc.
• Filters: Las opciones de filtrado pueden ser varias, se puede visualizar la red según ciertas condiciones, como aquellos que son menores o mayores a cierto número de publicación, los que están dentro de cierto rango de fechas.
• Navigation: sirve para visualizar segmentos de la red, según la ubicación del cuadro de selección.
• Export: sirve para exportar los datos en otros formatos que pueden ser analizados por herramientas de análisis de redes sociales externas, por ejemplo el NetDraws.

Esta herramienta elabora representaciones de la información social de los estudiantes al momento de interactuar en el foro, las mismas que toman el nombre de Sociogramas, para poder interpretar los resultados que nos presentan, hay que familiarizarse con los siguientes conceptos:

• Sociograma: es una técnica de análisis de datos que fija su atención en la manera en que se generan las relaciones sociales dentro de un grupo de individuos, estas se representan con líneas que van del sujeto que selecciona o rechaza hasta el que es seleccionado o rechazado.
• Sociometría: es el estudio de las relaciones sociales existentes entre los miembros de un grupo, utiliza el sociograma como su herramienta de investigación.

Figura 1: Tipos de estructuras de los Sociogramas

Fuente: Elaboración propia  basada en (Gutiérrez & Linares, 2013)

 Los Sociogramas pueden presentar algunos tipos de estructuras, como se indican en la Figura 1, y son:

a. Parejas: se forman cuando dos individuos se eligen mutuamente entre sí.

b. Cadena: recibe este nombre la sucesión de elecciones de varios miembros entre sí, sin que sea necesaria la reciprocidad.

c. Solitarios: son aquellos individuos que no interactúan con los demás, ni son elegidos por el resto de compañeros.

d. Islas: subgrupos formados por tres o más personas que se eligen recíprocamente entre ellas y donde ninguno de sus miembros posee relaciones con personas ajenas a la isla.

Estos Sociogramas en el Snapp pueden graficarse utilizando los siguientes algoritmos: el FR, KK, Spring, ISOM, y el Circle, los tres primeros pertenecen a un grupo conocido como trazado de grafos dirigidos, los mismo que  usan analogías físicas para dibujar el grafo. 

Se caracterizan por realizar un modelo de la red parecido a un sistema físico y el trazado lo realizan buscando un equilibrio entre los nodos, de esta forma su representación es entendible y agradable visualmente. (Aiello & Silveira, 2004) 

El ISOM  y el Circle son algoritmos que no pertenecen al grupo anterior, el primero se basa en las redes neuronales, y el segundo en diseños circulares.

Figura 2: Sociograma – FR Layout

Fuente: Resultados SNAPP – Foro Opcional 1er Bimestre

En la Figura 2, se puede apreciar un sociograma construido mediante el uso del algoritmo FR (Fruchterman y ReingoldI), desarrollado con la finalidad de cumplir con dos criterios estéticos: 

1. Que los vértices no estén muy cerca unos de otros
2. Que los vértices que estén conectados por aristas se dibujen cerca. 

De esta manera se busca  simular un grafo parecido a un sistema de anillos conectados por resortes, fácil de entender por el usuario. (Aiello & Silveira, 2004)

Figura 3: Sociograma – KK Layout

Fuente: Resultados SNNAP – Foro Opcional 1er Bimestre

El gráfico de la Figura 3, ha sido resultado de la aplicación del algoritmo de diseño KK (Kamada y Kawai), esta propuesta hace referencia a un modelo en el que hay un único tipo de fuerzas que pueden ser consideradas como resortes que se conectan entre sí a todos los vértices. 

Estos son regidos por la ley de Hooke, más conocida como fuerzas lineales, donde cada resorte tiene una longitud ideal (esta corresponde a la distancia teórica entre los vértices que conecta) y una rigidez distinta. 

Adicional a esto el algoritmo KK, busca un equilibrio entre las relaciones de los nodos participantes en el diagrama. (Aiello & Silveira, 2004)

Figura 4: Sociograma – Spring Layout

Fuente: Resultados SNNAP – Foro Opcional 1er Bimestre

El sociograma indicado en la  Figura 4, está desarrollado mediante el primer algoritmo creado para representar grafos, mediante un sistema dirigido por fuerzas, también es conocido como Spring Embedder o Eades.  

El principio en el que se basa es en la teoría de los resortes que es la base de todos los métodos pertenecientes a esta familia, su intención es satisfacer dos criterios estéticos: 

1. Las aristas deben tener una longitud uniforme.
2. Las aristas deben mostrar toda la simetría posible. 

En este modelo los nodos son considerados como anillos de acero y las relaciones como resortes entre ellos, con la adición de fuerzas repulsivas que alejan a los anillos que no están conectados. (Aiello & Silveira, 2004)

Figura 5: Sociograma – ISOM Layout

Fuente: Resultados SNNAP – Foro Opcional 1er Bimestre

La Figura 5, es un sociograma producido por el algoritmo conocido como ISOM o Inverse Self Organized Map, que quiere decir que es un método de auto organización de mapa de funciones,  fue presentado primeramente por Von Der Malsburg y actualizado pro Kohonen. 

Este último mantiene la idea de representación de grafos como mapas de características, el cual se basa en los modelos de redes neuronales, e indica que la ubicación espacial de la neurona de salida en el mapa topográfico corresponde a un dominio particular o datos de entrada. 

En este caso la estructura de la  red es una sola capa de unidades  de salida sin conexiones laterales y una capa de n unidades de entrada, cada una de las salidas (participación de los alumnos) se conecta a una entrada (publicación del nodo principal).  (Shimaa & Otros., 2011).

Figura 6: Sociograma – Circle Layout

Fuente: Resultados SNNAP – Foro Opcional 1er Bimestre

En la Figura 6, se puede apreciar el sociograma generado por un algoritmo circular, este método divide al gráfico en grupos, los nodos de cada grupo se  colocan en los extremos de una circunferencia, esta es una técnica de clúster, en donde se realiza asociaciones de los participantes según sus características.

Este modelo es útil para mostrar información estructural, en donde se destacan las cualidades  de cada grupo, como sub redes,  esto es útil para identificar fortalezas y debilidades dentro de la red, hay gráficos que forman un solo círculo (biconexos) o varios círculos (nonbiconnected).

Referencias:Aiello, A., & Silveira, R. (2004). Trazado de Grafos Mediante Métodos Dirigidos por Fuerza. Obtenido de http://www-ma2.upc.edu/rsilveira/pubs/MScThesis.pdfGutiérrez, I., & Linares, N. (2013). Sociograma. VENEZUELA: Universidad Nacional Experimental de los Llanos Occidentales Ezequiel Zamora. http://es.slideshare.net/HildaCanelonDeMontilla/sociograma-unellez?qid=d03a6be0-682c-4617-a6d4-95d78b0187fc&v=qf1&b=&from_search=5.Shimaa, W., & Otros. (2011). New Approach for Drawings of 3-Planar Graphs. Obtenido de http://ijcsi.org/papers/IJCSI-12-2-1-8.pdf

ANALYTICS GRAPHS

En esta herramienta se obtiene tres informes, denominados: 

• Distribución de visitas (Hits distribution), 
• Distribución del acceso al contenido (Content Access) 
• Cumplimiento de tareas (Submissions), seguidamente se detalla la información que presenta cada una de ellas:

Figura 1: Distribución de Visitas del Analytics Graph

Fuente: Elaboración Propia

En la Figura 1, se puede apreciar que la vista de Distribución de visitas (Hits Distribution), contiene dos partes principales, que son: el encabezado y los resultados. 

En el primer componente se encuentra el título de la vista, el nombre del curso, y la fecha en que este fue creado.

En el área de resultados se encuentras seis columnas que presentan la siguiente información:

• Students: presenta el nombre de los estudiantes que han participado en el curso.
• Course Hits: indica el total de veces que el estudiante revisó la página principal del curso, es decir que realizó lectura de las actividades propuestas por el docente.
• Days With Access: representa el total de días que el alumno inició la sesión del Entorno Virtual de Aprendizaje.
• Number of Days by Week With Access: grafica el total de días que el alumno ingresó al EVA y a que semana corresponde.
• Resources With Access: Indica el total de materiales, URLs o páginas en las que el alumno dio un clic, el conteo se realiza una sola vez por recurso.
• Number of Resources Accessed By Week: indica el total de recursos que el alumno revisó en el día, sin importar si este fue abierto anteriormente.

En este caso el comportamiento de los alumnos es medido por días y semanas, siendo así que si un alumno no interactúa un día el reporte presenta junto al nombre del estudiante el siguiente icono:

 

Que significa, que el estudiante se encuentra en peligro de no cumplir con los objetivos del curso y podría perder la asignatura, si se sigue descuidando así.

Existe un grupo de alumnos que están en riesgo de reprobar el curso, estos no han participado ni una sola vez en el Entorno Virtual de Aprendizaje y el reporte los presenta en un listado final.

Culminando el informe con un botón que permite el envío de un email para los alumnos en riesgo, por medio del cual se les puede incentivar a que interactúen en el proceso de aprendizaje de la asignatura.

Figura 2: Distribución del acceso al contenido del Analytics Graph

Fuente: Elaboración Propia

En la Figura 2: se puede ver la agrupación de alumnos que accedieron a un recurso, de los que no lo hicieron, en el caso de los primeros se aprecia una barra de color verde que indica el total de participantes por recurso. 

Por ejemplo para el archivo llamado Presentación de Video colaboración I Bimestre, hubo un total de 80 alumnos que accedieron a este recurso, mientras que 19 (Barra de color rojo) no lo hicieron. 

Esta vista brinda la posibilidad de enviar un correo para cada grupo de alumnos, basta con dar clic sobre una de las barras, y el docente tendrá la posibilidad de motivar o animar a estos estudiantes a que visiten este archivo.

Figura 3: Informe de Cumplimiento de tareas del Analytics Graph

Fuente: Elaboración Propia

En la Figura 3, se aprecia el informe del cumplimiento de tareas, clasificando a los estudiantes en tres grupos:

• El grupo azul pertenece a los alumnos que cumplieron con esta actividad antes de la fecha límite.
• El de color negro identifica a los que la subieron tarde al sistema.
• El rojo es para aquellos que no la hicieron.

En este informe también se puede enviar un correo de retroalimentación a los estudiantes, esta opción se habilita al dar clic en la barra que los representa.

Figura 4: Ratios  de Cumplimiento de tareas del Analytics Graph

Fuente: Elaboración Propia

En la Figura 4, se puede apreciar que el Analytics Graph, realiza una comparación de proporcionalidad llamado ratio, esta se realiza de dos formas que son:

• Submission Ratio: llamada ratio o razón de entrega, es el resultado de dividir el número total de alumnos que entregaron sus tarea (se suma los valores de In time Submission y late Submission) para la totalidad de estudiantes inscritos en la materia.
• On Time Ratio: esta comparación representa el porcentaje de alumnos que  entregaron su tarea a tiempo (In time Submission). Se calcula dividiendo este valor para 100.

ANÁLISIS

En esta etapa se va a trabajar con el grupo de datos creado en la recolección realizando los procesos:

• Pre-procesamiento de datos
• Integración y recolección de datos
• Evaluación y Difusión de resultados

Figura 1: Etapa de Análisis - Modelo LA Implementado

Fuente: Elaboración Propia

Los procesos que se han realizado en esta etapa son:

Pre-procesamiento

Consiste en realizar un proceso de selección, limpieza y transformación de datos, pasándolos del estado en el que se encuentran en el Big Data a un conjunto de datos de ensayo.

En el caso de las herramientas Snapp y el Analytics Graphs este paso no es necesario, ya que trabajan directamente con la información que se visualiza en la interfaz gráfica del Entorno Virtual del Aprendizaje. 

Para el análisis del archivo de Logs,  se han realizado los siguientes pasos:

• Descargar el archivo de logs desde el Entorno Virtual de Aprendizaje
• Crear un nuevo archivo que contenga los campos fecha, nombre completo y acción
• Se separa los datos del campo fecha en día, mes, año y hora.

Análisis de datos

Este paso consiste en la ejecución de las herramientas de análisis:

• Analytics Graphs
• Snapp
• Excel

Evaluación y Difusión

En este paso se estudiaron los resultados obtenidos del proceso de Learning Analytics, los mismos que pueden ser difundidos para futuras evaluaciones, mediante estrategias tales como:

• Publicación de datos en Facebook: 

Utilizando Hashtag tales como para facilitar su búsqueda y clasificación de contenidos.

Como ejemplo práctico, la publicación iría: descripción + las etiquetas (#Tecnica #CienciasdelaComputacion #a_Distancia #Sistemas_Informaticos #Pracitucum #Snapp), con la finalidad de que los estudiantes puedan rastrear el contenido publicado según la materia de interés.

• Creación de blogs por materia:

Busca generar el diálogo entre docentes y alumnos, sobre las tendencias generales del rendimiento académico y con el fin de juntos proponer mejoras para el desarrollo de la asignatura.

Nota: en este proyecto el proceso de difusión se realiza mediante este blog.

RECOLECCIÓN

Esta etapa considera los criterios definidos el ámbito de evaluación, para la creación del repositorio sobre el cual se efectuará el análisis.

Figura 1: Etapa de Recolección - Modelo de LA Implementado

Fuente: Elaboración Propia

Tal como se indica en la figura 1, esta etapa consta de un solo paso que es:

Integración y Recolección de Datos

Al trabajar con el Entorno Virtual de Aprendizaje, la información que va a conformar el Big Data de estudio es la resultante de las siguientes actividades:

• Foros o Grupos: 

Es una técnica comunicativa, que genera interacción entre los usuarios, busca propiciar el debate con el fin de concertar y llegar al consenso de ideas, se puede utilizar para resolver un problema mediante la participación de todo el grupo de estudio.   

Con el fin de cumplir con el objetivo de esta práctica educativa, se debe considerar el objetivo de cada tema de debate, el tiempo de participación, el lugar donde estará alojado, existencia de normas, forma de evaluación y retroalimentación de los comentarios. 

Es importante conocer que esta herramienta debe motivar y ser útil para todos los participantes, y cualquier actividad que se proponga debe ser desarrollada en ese entorno, recalcando que la importancia no es la forma de la discusión sino el objetivo por el cual existe.  

• Chats: 

Esta técnica educativa, tiene como finalidad fomentar los trabajos colaborativos, reuniones y clases virtuales.

Con esta forma de conversación ligera e informal se pretende acortar distancias, para que dos o más personas dispersas geográficamente, puedan interactuar y desarrollar actividades de aprendizaje grupales, aún en altas horas de la noche. 

• Tareas: 

Las actividades extra escolares están diseñadas para potenciar el desarrollo físico, mental y social de los estudiantes.

Constituyen trabajos que los estudiantes desarrollan fuera del periodo de clases y son recogidos en formato digital como: documentos de texto, hojas de cálculo, imágenes, audio y video clips.

• Recursos: 

Constituyen el material didáctico que el docente comparte con el alumno, con los siguientes propósitos: 

• Informar sobre un tema, ayudar en la adquisición de un conocimiento
• Reforzar un aprendizaje, remediar una situación desfavorable
• Favorecer el desarrollo de una determinada competencia y evaluar conocimientos. 

Se pueden clasificar en imágenes, tutoriales, laboratorios, videos, laboratorios virtuales, simulaciones, páginas web, etc.  

• Videoconferencia o Tutorías: 

Es un sistema interactivo que permite a varios usuarios mantener una conversación virtual por medio de la transmisión en tiempo real de vídeo, sonido y texto a través de Internet. 

Tienen como objetivo realizar sesiones de capacitación, reuniones de trabajo, demostraciones de productos, entrenamiento, soporte, atención a clientes, marketing de productos, etc. 

• Cuestionario: 

Está formado por una serie de preguntas debidamente estructuradas, con el fin de recolectar información, esta puede ser considerada como:

• Técnica de evaluación: se mediría el grado de asimilación de conocimientos que tienen los alumnos, mientras que con la 
• Guía de Investigación: se puede medir el grado de satisfacción que tienen con el desarrollo del curso. 

Este repositorio, se ha formado mediante el desarrollo de tres cursos virtuales correspondientes al periodo académico Marzo – Agosto 2015 de la UTPL.

Así como también se creado un curso virtual localmente, utilizando como referencia las interacciones del curso efectuado en la UTPL y con una muestra significativa de los estudiantes que participan del mismo.

PLANIFICACIÓN

La planificación, consiste en definir el entorno y los lineamientos bajo los cuales se va a realizar el Learning Analytics.

En este caso conviene identificar ¿de quién? y ¿para quién? va dirigida la información que se obtendrá luego del análisis.

Conociendo estas respuestas se procede a identificar en donde están los datos, sus características y procesos de los que son resultado. 

Figura 1: Etapa de Planificación – Modelo de LA Implementado

Fuente: Elaboración Propia

En la Figura 1, se ilustran las entradas y salidas del proceso definición del ámbito de Evaluación, perteneciente a esta etapa.

Las salidas de este proceso son: 

Involucrados

Personas que intervienen en la generación de datos y necesitan de información resultante del análisis.

Los involucrados de este modelo son los docentes y los alumnos, estos interactúan mediante  un entorno virtual, sobre el cual desarrolla el plan de contenidos de una asignatura.

Los mismos que buscan:

• Docentes: validar la efectividad de la propuesta de contenidos que está a disposición de los alumnos, conocer el nivel de comprensión y satisfacción que tienen los estudiantes al trabajar con esta propuesta académica, tener instrumentos para realizar retroalimentación y superar posibles lagunas de aprendizaje.
• Estudiantes: validan las temáticas del plan de contenido según sus necesidades, y cada uno cumple las actividades propuestas según su criterio personal. En el proceso de aprendizaje, pueden toparse con factores que limiten su desempeño, para ellos es importante que exista un acompañamiento personalizado. 

Fuente de datos

Los rastros del aprendizaje dependen muchísimo de la modalidad de estudio, siendo así que para la a Distancia se cuenta con los entornos virtuales de aprendizaje, como principal herramienta para el desarrollo de contenidos.

En el caso de la modalidad presencial, el entorno virtual de aprendizaje, es una herramienta de apoyo, debido a que las clases se dan en un aula física.

Es posible que para este escenario, sea conveniente un cambio en el modelo de enseñanza, adoptando la filosofía del Flipped Classroom.

La disponibilidad de los datos depende del tipo de análisis y de las políticas de la institución en la cual se aplica el modelo de Learning Analytics.

El Moodle presenta la limitante para realizar réplicas tipo espejo del curso virtual, cuando el análisis es histórico, éste se realiza sobre la base de datos creada en mysql.

En cambio si se trata de seguimiento real del curso, lo ideal es que se utilicen plugins, de uso exclusivo de los docentes, en este caso se trabaja desde la interfaz gráfica, no hay necesidad de exportar la base de datos.

Objetivos

Con este nombre se conoce al conjunto de indicadores, cuyo valor va a obtenerse después del análisis y tienen dos propósitos especiales que son:

• Reflexión: en esta categoría se ubican todos los indicadores, útiles para pensar y considerar atentamente dos aspectos de interés como son: el desempeño de los estudiantes, comprendiendo los problemas que éstos tienen para culminar con éxito una asignatura. Y la efectividad del esquema de contenidos propuesto por los docentes. Los valores que se obtienen guían a la toma de decisiones, relacionadas con un proceso de retroalimentación.
• Predicción: en este grupo se encuentran los indicadores, que revelan el comportamiento de los estudiantes, tanto en forma individual o colectiva. Esta información es usada por el docente para personalizar el plan de contenidos, recursos y actividades, que se conoce que son preferidos por los alumnos.

Instrumentos de análisis

Con este nombre se conoce a las herramientas que se utilizarán para analizar los datos del Big Data. 

Las que se proponen son:

• Analytics Graph: brinda la posibilidad de totalizar por grupos la participación de los estudiantes, como por ejemplo los que accedieron y los que no accedieron a un recurso. Principalmente analiza el comportamiento de la variable estudiante, en relación con el inicio de sesión en el EVA, Acceso a los recursos educativos y Cumplimiento de tareas. 
• Snapp: sirve para obtener un diagrama de la interacción de los estudiantes en los foros del Entorno Virtual de aprendizaje y facilitando la exportación de estos datos en formato vna, este archivo puede ser analizado con el NetDraws.
• Excel: mediante el uso de las tablas y gráficos dinámicos se pueden extraer valores estadísticos, que muestran el comportamiento de los alumnos en Entorno Virtual de Aprendizaje.

Tipos de análisis

Existen dos tipos que son:

• Histórico: este análisis trabaja con los datos obtenido de las asignaturas que ya terminaron su periodo académico, se lo puede realizar sobre una copia de la base de datos de MySQL o en el Entorno Virtual de Aprendizaje mediante el uso de un Plugin o sobre una copia de los logs exportados desde la interfaz gráfica a un archivo de Excel.
• En tiempo real: se realiza durante el desarrollo del curso, se requiere que sea haya culminado al menos una semana de labores antes de su ejecución. Para este análisis se hace uso de Plugins que se instalan en el Entorno Virtual de Aprendizaje.

Dimensiones del Análisis  

Es otra forma de clasificar al grupo de indicadores, que se obtiene al final del análisis y pueden son:

• Esfuerzo: Esta dimensión reúne un conjunto de indicadores útiles para calificar el desempeño de alumno, colocándoles en tres niveles que son: Alto, medio y en riesgo. El primer, grupo son dignos de felicitación por su cumplimiento y constante interacción con los contenidos. El segundo, es un grupo que requiere de sugerencias para mejorar su rendimiento. Mientras que el tercero, corresponde a aquellos que están en riesgo de reprobar la materia.
• Social: En esta dimensión se realiza un análisis de las interacciones sociales de los alumnos, como es su participación en los foros.

Limitantes

Son aspectos que impiden o delimitan la ejecución del análisis, estas son:

• Internas: provienen de los involucrados en el proceso de Learning Analytics, como son: Falta de competencias o capacitación en los docentes para realizar el análisis, interpretarlo y realizar las mejoras necesarias. También puede ser que exista falta de tiempo para cumplir con estas actividades. Falta de aceptación, es decir que los alumnos se opongan a la aplicación del Learning Analytics por relacionarlo con problemas éticos, o por desconfianza.
• Externas: son causadas por agentes externos al modelo o involucrados en el Learning Analytics, asi como las normas o convenciones que limitan la ejecución de herramientas, como versiones, uso de aplicaciones externas, políticas de la institución que frenan el acceso a datos, etc.

PRESENTACIÓN

Figura 1: Descripción general del modelo de LA aplicado en la UTPL

Fuente: Elaboración Propia

El modelo de Learning Analytics adaptado Universidad Técnica Particular de Loja, tiene como finalidad enriquecer el proceso de aprendizaje, utilizando como escenario de análisis el Entorno Virtual de aprendizaje, debido a que éste es una herramienta utilizada por estudiantes de la modalidad a Distancia y presencial, para el intercambio de actividades académicas.

Este modelo consta de tres fases que son:

• Planificación: consiste en definir el entorno y los lineamientos bajo los cuales se va a realizar el Learning Analytics, especificando ¿de quién? y ¿para quién? va la información que se obtendrá después del análisis.
• Recolección: consiste en recoger los datos necesarios para el análisis, basándose en los lineamientos establecidos en la planificación.
• Análisis: consiste en ejecutar herramientas de análisis de datos para obtener indicadores educativos. Y finaliza promoviendo la difusión de resultados por medios virtuales, como el caso de los blogs.

Las herramientas utilizadas son:

• Analytics Graphs: proporciona tres informes denominados distribución de visitas, distribución de acceso al contenido y cumplimiento de tareas, en estos se tiene la posibilidad de crear correos de retroalimentación por grupos de estudiantes, según su desenvolvimiento.
• Snapp: esta herramienta ayuda a evaluar la interacción de los estudiantes en los foros, mediante el desarrollo de un diagrama de redes sociales, se instala como marcador web, y ejecuta un plugin de java, operable en los navegadores Firefox, Safari e Internet Explorer.
• Análisis de Logs: este análisis se realiza mediante las tablas dinámicas del Éxcel, con el fin de identificar el patrón de comportamiento de los usuarios, para lo cual se organiza las actividades realizadas de mayor a menor, y se evalúa el porcentaje de suceso en comparación con el número total de interacciones en el EVA.