Presentación sobre Analítica del Aprendizaje. Escuela de Invierno, Valparaiso, 2012

1. Analítica del Aprendizaje
TICs y Big Data para
Investigación Educativa

2. http://www.slideshare.net/xaoch

3. Ecuador

4. Guayaquil

5. ESPOL

7. CTI

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

11. Participantes

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

13. Contexto

14. Los datos son valiosos…

15. Los datos revelan:
• Nuestros sentimientos
• Nuestras actitudes
• Nuestas conexiones sociales
• Nuestras intenciones
• Lo que hicimos
• Lo que hacemos
• Lo que haremos

16. Abundancia de Datos

17. V4
Volumen
Velocidad
Variedad
Variabilidad

21. http://www.businessinsider.com/the-cia-just-put-a-ton-of-cash-into-
a-software-firm-that-monitors-your-online-activity-2011-7

22. Los datos son valiosos…
Si les podemos dar sentido

23. Sensemaking
“Sensemaking is a motivated, continuous effort
to understand connections . . . in order to
anticipate their trajectories and act effectively”
(Klein et al. 2006)

34. Analítica

35. Inteligencia de Negocio

36. BI
• Prediction

37. Google Analytics

38. Google Analytics

47. Otros campos

48. E-Ciencia

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?

51. Definiciones

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

55. 55

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

58. Analítica del Aprendizaje
Minería Ciencias
de Datos Educacionales
Educacionales

59. Análisis del Aprendizaje
• Ciencias Educacionales y Cognitivas
– Motores
• Analítica del Aprendizaje
– Panel de Control (Dashboard)
• Minería de Datos Educacional
– Vehículos Automáticos

67. Big Data en Educación

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

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”

80. Casos y Ejemplos

81. http://www.skyrill.com/seatinghabits/

82. http://www.plosone.org/article/info%3Adoi%2
F10.1371%2Fjournal.pone.0023176

83. Approximate spatiotemporal trajectories of some classes.
http://www.plosone.org/article/info%3Adoi%2
F10.1371%2Fjournal.pone.0023176

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.

88. http://www.itap.purdue.edu/studio/signals/

89. http://www.itap.purdue.edu/studio/signals/

90. http://www.itap.purdue.edu/studio/signals/

91. Bb Check My Activity (CMA)

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

93. http://jlsantoso.blogspot.com/

94. http://research.uow.edu.au/learningnetworks/seeing/snapp/index.html

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

99. Distributed, multi-level analytics
Suthers & Rosen (2011)

100. Attention metadata
Duval (2011)

101. Learning networks, crowds, communities
Haythornthwaite (2011)

102. Discourse analysis (automated and manual)
De Liddo & Buckingham Shum (2011)

103. Social learning analytics
Buckingham Shum & Ferguson (2011)

104. Participatory learning and reputation
Clow & Makriyannis (2011)

105. Early warning
Macfayden & Dawson (2010)
Campbell et al (2006)

106. Learning Analytics in the workplace: Detecting
and Analyzing Informal Workplace Learning
Schreurs & De Laat, 2012

107. Pasos de la
Analítica del Aprendizaje

116. Herramientas Big Data

117. Algoritmos Big Data

118. http://www.solaresearch.org/

119. http://www.lakconference.org

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

122. Gracias / Thank you / Merci
Xavier Ochoa
xavier@cti.espol.edu.ec
http://ariadne.cti.espol.edu.ec/xavier
Twitter: @xaoch