9. Grupo de Investigación en
Tecnologías para la Enseñanza y el Aprendizaje
• Suitable material at the appropriate time.
• Automatically measure student progress.
• Virtual instructor – student.
10. Instructor
• Xavier Ochoa
– Estudios
• Ingeniero en Computación (ESPOL 2000)
• Master en Ciencias de la Comp. Aplicada (VUB
2002)
• Doctor en Ingeniería (KULeuven 2008)
– Trabajo
• Profesor de la FIEC
• Investigador en el CTI
• Editor-en-Jefe Revista Tecnológica ESPOL
http://ariadne.cti.espol.edu.ec/xavier
12. El Curso
• Hoy (Teoría):
– Contexto e Introducción a AA
– Big Data en Educación
– Casos y Ejemplos
– Pasos para AA
• Viernes (Práctica):
– Herramientas para AA
– Hacer AA
– Temas Abiertos y Futuro
15. Los datos revelan:
• Nuestros sentimientos
• Nuestras actitudes
• Nuestas conexiones sociales
• Nuestras intenciones
• Lo que hicimos
• Lo que hacemos
• Lo que haremos
23. Sensemaking
“Sensemaking is a motivated, continuous effort
to understand connections . . . in order to
anticipate their trajectories and act effectively”
(Klein et al. 2006)
50. Que pasa en Educación
¿Porqué los alumnos se retiran?
¿En que invertir los fondos?
¿Como van nuestros profesores?
¿Cómo va tu curso?
¿Están tus estudiantes aprendiendo?
¿Funcionan tus estrategias?
¿Estoy estudiando suficiente?
¿Que hago para mejorar?
¿Donde estoy fallando?
52. Analítica del Aprendizaje
“La Analítica del Aprendizaje es la medida,
colección, análisis y reporte de datos de los
aprendices y su contexto, con el propósito de
entender y optimizar el aprendizaje y los
ambientes donde ocurre.”
SoLAR
http://www.solaresearch.org
L. Johnson, R. Smith, H. Willis, A. Levine, and K. Haywood, The 2011 Horizon Report (Austin, TX: The New
Media Consortium, 2011), http://www.nmc.org/pdf/2011-Horizon-Report.pdf 6
53. Raices de la Analítica del Aprendizaje
Métodos
Estadísticos
Tutores
EDM
Inteligentes
Big Data Personalización
Analítica
Business Aprendizaje
Intelligence del Adaptativo
Aprendizaje
56. Analítica de la Academia
“La Analítica de la Academia ayuda a
satisfacer el deseo público de hacer cuentas
sobre el éxito de los estudiantes, dadas las
preocupaciones a nivel mundial del costo de
la educación y las dificultades económicas y
presupuestarias existentes.”
http://www.educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterlyMagazi
neVolum/SignalsApplyingAcademicAnalyti/199385
59. Análisis del Aprendizaje
• Ciencias Educacionales y Cognitivas
– Motores
• Analítica del Aprendizaje
– Panel de Control (Dashboard)
• Minería de Datos Educacional
– Vehículos Automáticos
69. ¿Qué es Big Data?
• Es la colección de datos tan grande y
compleja que se vuelve dificil de procesar
usando herramientas comunes de base de
datos.
70. Números
• ¿Cuanta data en el mundo?
– 800 Terabytes, 2000
– 160 Exabytes, 2006
– 500 Exabytes(Internet), 2009
– 2.7 Zettabytes, 2012
– 35 Zettabytes en 2020
• ¿Cuanto se genera en 1 día?
– 7 TB, Twitter
– 10 TB, Facebook
Big data: The next frontier for innovation, competition, and productivity
McKinsey Global Institute 2011
71. Exa
Up to
10,000
Times
Peta larger
Data Scale
Tera
Data at Rest
Data Scale
Giga
Traditional Data
Mega Warehouse and
Business Intelligence
Up to 10,000
Data in Motion times faster
Kilo
yr mo wk day hr min sec … ms s
Occasional Frequent Real-time
Decision Frequency
72.
73. Big Data en Educación
• Selección de Cursos
• Registro en Cursos
• Aplicaciones a Prestamos y Becas
• Participación en Clase
• Estudiar Solo o en Grupos
• Uso de Recursos Digitales
• Compra/Uso/Prestamo Libros
• Interacción con Profesor
• Evaluaciones
74. Creación de Datos
Cada una de estas
interacciones puede generar
datos
U.S. Department of Education, National Education Technology Strategy, 2010
75. Big Data en Educación
Datos de Múltiple Origen
75
76. Big Data en Educación
Procesos Analíticos
Presentación
Analítica Aprendizaje Adaptativa Recomendadores
Datos de Múltiple Origen
76
77. Big Data en Educación
Analítica Visual / Dashboards
Procesos Analíticos
Presentación
Analítica Aprendizaje Adaptativa Recomendadores
Datos de Múltiple Origen
77
78. Big Data en Educación
Estudiantes
Profesores Investigadores
Institución
78
79. Universidad basada en Datos
“Una Universidad donde el staff y los
estudiantes entienedn los datos, y a pesar de su
volumen y diversidad, pueden usarlos y
reusarlos, guardarlos y seleccionarlos, aplicarlos
y desarrollar herramientas analíticas para
interpretarlos”
84. “Colleges Mine Data to
Predict Dropouts”
“At the University System of
Georgia, researchers monitored
how frequently students viewed
discussion posts and content pages
on course Web sites for three
different courses to find
connections between online
engagement and academic
success. In the graph below,
students who were "successful"
received an A, B, or C in the class,
and students who were
"unsuccessful" received a D, F,
or an incomplete.”
- 5/30/08 Chronicle of Higher Ed.
92. Govaerts, S Verbert, Katrien, Duval, Erik;
ten;
Pardo,Abelardo, The S tudent Activity Meter for
Awareness and S elf-reflection. Proceedings of CHI
Conference on Human Factors in Computing
Systems, 2012,Austin,Texas,ACM.
26
95. Cohere
• Annotations or
discussion as a
network of
rhetorical moves
• Users must reflect
on, and make
explicit, the nature
of their contribution
Simon Buckingham Shum, Anna De Liddo
96. Open Mentor
Denise Whitelock
Analyse, visualise and compare quality of feedback
120. LACLO 2013 en Valdivia, Chile
http://www.laclo.org/laclo2012
121. Reconocimiento
• Esta presentación está basada trabajo CC de:
– George Siemens
– John Fritz
– Erik Duval
– Simon Buckingham Shum
– Matin Jouzdani
– Jiawan Zhang
– Louis Soares
Key (to UMBC) is that CMS usage ALONE is established as an indicator of student success. To date, many academic analytics projects have focused on predictive data models that may have more to do with what students did or where they came from BEFORE stepping foot on campus.
Highly interactive online courses are predictive of student success, but variability among faculty course design means the LMS can never rise above “the course level” in terms of a “one size fits all” intervention solution.
A unified framework for multi-level analysis of distributed learninghttp://dl.acm.org/citation.cfm?id=2090124&CFID=82269174&CFTOKEN=35344405
Attention please!: learning analytics for visualization and recommendationhttp://dl.acm.org/citation.cfm?id=2090118&CFID=82269174&CFTOKEN=35344405
Learning networks, crowds and communitieshttp://dl.acm.org/citation.cfm?id=2090119&CFID=82269174&CFTOKEN=35344405
Social Learning Analyticshttp://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf
iSpot analysed: participatory learning and reputation http://dl.acm.org/citation.cfm?id=2090121&CFID=82269174&CFTOKEN=35344405
Macfadyen, L.P., & Dawson, S. (2010). Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers & Education, 54(2), 588-599.Campbell, J. P., Collins, W.B., Finnegan, C., & Gage, K. (2006). "Academic analytics: Using the CMS as an early warning system." WebCT Impact 2006. Chicago, IL