La entropía mide el desorden existente en un sistema. Esta definición, si se relaciona con la analítica del aprendizaje, cobra relevancia en la fase de recolección de datos del ciclo analítico.
En la recolección de datos podemos definir tres características básicas para su buena ejecución:
- Almacenamiento
- Origen de datos
- Valor
Estas tres características definen una recolección de datos almacenados en algún lugar, que contiene datos procedentes de una o varias fuentes de datos y que están relacionados con los objetivos definidos para la mejora educativa.
En cada una de estas características es interesante tener una alta o baja entropía a discreción. Una alta entropía en el almacenamiento de los datos recolectados significará que existen distintos lugares de almacenamiento. La consecuencia directa es que en la fase de análisis y visualización de datos se complicarán las tareas. Interesa reducir la distribución de logs de datos y centralizarlos en un solo lugar. Por consiguiente, en cuestiones de almacenamiento la entropía debe aproximarse a cero.
En cuanto a los orígenes de datos es interesante que haya una entropía bien alta, puesto que significará que se recolectan datos de distintos aspectos de las interacciones -desde un LMS, desde una app…-. De esta forma el análisis del comportamiento podrá realizarse desde distintas perspectivas y sacar conclusiones más holísticas. Una entropía baja puede facilitar la extracción de conclusiones erróneas. No obstante, es interesante considerar los objetivos establecidos, puesto que también determinarán la necesidad de más o menos orígenes de datos.
Un dato aporta valor si se relaciona directamente con los objetivos establecidos. Recolectar a partir de métricas no relacionadas con los objetivos -o metas de mejora– no aporta al análisis más que ruido innecesario. En este sentido una entropía baja indicará un mayor valor de los datos recolectados.
Tener en cuenta la entropía en estas tres características definirá una recolección de datos más o menos eficiente.