La ciencia de analizar las interacciones de los alumnos se resume en los pasos de recolección, análisis, visualización y acción. Esta es la visión de la analítica del aprendizaje más generalizada. No obstante, se puede desglosar la «acción» para darle un sentido más detallado y menos automatizado. De esta forma el ciclo del análisis de datos educativos resultaría en el siguiente:
- Definición de métricas
- Recolección de datos
- PreAnálisis (algoritmos)
- Visualización de datos
- PostAnálisis (conclusiones)
- Ejecución de las decisiones de mejora educativa
- Evaluación
En el preanálisis se encuentra el uso de técnicas como la minería de datos usadas en Big Data, tales como regresión o clasificación. Estas técnicas de minería de datos, machine learning y otros aspectos computacionales se integran en la analítica del aprendizaje. No obstante, existe un espacio-tiempo en el que el rol educativo puede intervenir (y no usar tales técnicas computacionales).
Digo puede ya que la analítica del aprendizaje no es sustituto de los roles educativos. Cuando nos encontramos en una situación de automatismo total entramos ya en el campo del aprendizaje adaptativo, en el que el rol educativo no interviene más que en la fase anterior a la ejecución del proceso de aprendizaje (preparación de materiales, introducción de inputs en los algoritmos, definición de posibles caminos de aprendizaje…). En este contexto es la máquina la que toma decisiones por el alumno, le ofrece el resultado obtenido al ejecutar los algoritmos integrados.
Atención spoiler! No todo son algoritmos. El objetivo de la analítica del aprendizaje es ser usada para entender, mejorar y optimizar contextos educativos. Más allá de esta escueta definición, nadie obliga a utilizarlos. A esto, se añade que no tienen que ser los algoritmos los que tomen las decisiones por los alumnos. Pero es que tampoco deben hacerlo los roles educativos. Los alumnos deben ser tutorizados y ellos tomar las decisiones. La analítica del aprendizaje aporta una visión que ayuda a este efecto.
Que la tutorización sea humana o computacional, o una mezcla de ello, es el dilema que nos atiende, el que genera debate, dudas, inseguridades y matices de gran calado que deben definirse y estabilizarse para que el efecto del análisis de datos educativos sea el deseado. No en vano se crean espacios para hablar de política y ética concerniente a la recolección de datos, de privacidad de datos, de la seguridad de los mismos o de la capacidad de los alumnos de demandar, decidir y actuar en este espacio computacional.
Por tutorización computacional se entiende todo aquello fruto de algoritmos y automatizaciones. Es muestra de ello que se dispare una alerta cuando un alumno esté en riesgo según parámetros algorítmicos, que un alumno reciba una notificación del sistema indicándole que tiene un nuevo tema/módulo disponible resultado de su esfuerzo académico o se le ofrezca un perfil visual de aprendizaje en el que se muestre su avance. Existe por lo tanto la posibilidad de usar este sistema computacional, como también existe la posibilidad de que los roles educativos sean los que aborden las conclusiones y decisiones convenientes.
En consecuencia, utilizar tecnología algorítmica significa poder incorporar dos posibles puntos de vista: el del desarrollador del algoritmo computacional o el de cada rol educativo que intervenga. La posibilidad de usar uno u otro existe, e incluso los dos a la vez. No todo es automatizar.