Blog de AlexUned

datos

PREGUNTA 4: ÉTICA Y PRIVACIDAD

Escrito por AlexUned 12-05-2018 en datos. Comentarios (0)

Este post lo dedicaré a hablar sobre los aspectos éticos y legales relacionados con el análisis de los datos.

Estamos en una época en la que estamos expuestos constantemente, ya que dejamos una huella digital a nuestro paso, ya sea al utilizar redes sociales, el GPS o navegar por internet por ejemplo, y que dejan una gran cantidad de datos sobre nosotros, los cuales puede ser fácilmente analizados. Por ello como afirma Dominguez: “Esta nueva perspectiva que nos ofrece la analítica, que no es otra que la de tener a nuestra disposición una gran cantidad de datos e información de las personas, plantea un nuevo escenario que nos obliga a tener en cuenta una serie de consideraciones.”

Por todo ello, en nuestro trabajo de analizar los procesos de enseñanza y aprendizaje en cursos e-learning,  vamos a trabajar con una serie de datos personales y  privados de nuestros estudiantes, por lo que deberemos llevar a cabo un plan de acción para la protección de dichos datos.

Por ello es necesario es necesario tener varios aspectos en cuenta:

-  Primeramente, consentimiento informado de los estudiantes para ceder sus datos dentro de la investigación que vamos a realizar.

-  Seguidamente, ofreceremos a los estudiantes la garantía de la  privacidad  sus datos con un registro privado de los mismos que garantice su uso única y exclusivamente con la finalidad indicada.

Quedando lo anterior recogido en el siguiente documento referido a la protección de datos, del cual se informará a los estudiantes :

PROTECCIÓN DE DATOS

En virtud de lo estipulado en la Ley Orgánica 15/99, de 13 de diciembre, de protección de datos de carácter personal (LOPD), ANALITICACURSOSONLINE, informa de la existencia de ficheros automatizados de datos de carácter personal, debidamente inscritos en el Registro de la Agencia Española de Protección de Datos.

El envío de datos de carácter personal supone el consentimiento del estudiante a que sus datos sean tratados de forma automatizada y sean incorporados a sus ficheros, con la finalidad de poder gestionalos, así como la posibilidad de enviarle información relacionada con el curso.

Se informa al estudiante que debe rellenar sus datos con datos exactos, verdaderos y completos. El estudiante será el único responsable de cualquier daño o perjuicio, directo o indirecto, que pudiera ocasionar a ANALITICACURSOSONLINE o a cualquier tercero a causa de la cumplimentación del formulario con datos falsos o inexactos.

Si el estudiante fuese menor de edad se requerirá el consentimiento expreso de sus padres o tutores para proceder a incorporar y enviar sus datos a través de cualquiera de los medios habilitados a tales efectos.

ANALITICACURSOSONLINE no cederá a terceros los datos del estudiante sin su consentimiento expreso, excepto en aquellos casos en los que sea imprescindible ceder dichos datos con el fin de ejecutar correctamente el servicio formativo. Estos datos se podrán ceder a agrupaciones de formación, entidades organizadoras de formación, entidades públicas, privadas y educativas relacionadas con el proceso de formación.

ANALITICACURSOSONLINE se compromete al cumplimiento de su obligación de guardar secreto y confidencialidad, sobre los datos que operan en su poder y adoptar las medidas necesarias para evitar su alteración, pérdida o acceso no autorizado, en virtud de lo establecido en el Reglamento 994/1999 sobre Medidas de Seguridad de los ficheros que contengan datos de carácter personal.

Por último, una vez concluida la investigación y el periodo de obligatoriedad de almacenaje de los datos se llevará a cabo la eliminación delos mismos en base a la normativa que la regula.

Con esto se busca en todo momento ceñirse a los aspectos legales marcados por la normativa vigente referentes a la protección de datos, asegurando que los datos sean utilizados de forma ética, tanto por parte de los alumnos, como por nuestra parte.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de

https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


PREGUNTA 3: METODOLOGÍA AL SERVICIO DE LOS DATOS.

Escrito por AlexUned 12-05-2018 en datos. Comentarios (0)

Enfoque del servicio

Con este enfoque queremos mostrar las características de nuestro servicio a aquellas personas o empresas interesadas. Para ello responderemos a las siguientes preguntas:

¿Qué ofrece el servicio?

Nuestro servicio ofrece la oportunidad de analizar y reducir el abandono educativo de los cursos virtuales, a través del tratamiento in situ de los problemas que van surgiendo a lo largo del curso. Mejorando así tanto el propio curso, como la experiencia del estudiante.

¿Por qué es útil un servicio de analítica de este tipo?

Nuestro servicio es útil ya que permite a cualquier curso virtual reducir el abandono en sus cursos, que es uno de los principales problemas de los cursos online, si no el principal. Con este servicio podemos analizar al alumnado, su participación, sus motivaciones y, destinar todo ello, a la reducción del abandono o la baja participación en los cursos.

 ¿En qué casos se puede aplicar?

Nuestro servicio se puede aplicar a todos aquellos cursos virtuales en los que se necesite estudiar la participación y tasa de abandono del alumnado.

Ventajas que ofrece.

Nuestro servicio ofrece una gran cantidad de ventajas, ya que primeramente nos permite conocer la participación y la tasa de abandono de los distintos cursos, pero además de esto, nos da información sobre si la metodología del curso es adecuada, la aceptación que tiene las tareas y actividades, etc. Lo que desemboca en ventajas importantes como:

  • Conocer las fortalezas y debilidades de los cursos, para así conocer los aspectos a mejorar y ofrecer unos mejores cursos.
  • Ayudar a reducir la tasa de abandono de los cursos virtuales.
  • Dar un tratamiento más personalizado e individualizado al alumnado, teniendo en cuenta sus características propias.

Objetivos

1. Aumentar la participación en los cursos virtuales.

2. Reducir las tasas de abandono.

3. Ofrecer un tratamiento personalizado a los alumnos.

4. Ofrecer cursos motivantes.

5.  Mejorar la calidad del curso.

6.  Lograr resultados positivos al finalizar el curso.

 Líneas de acción del servicio

Con este servicio se ofrece el análisis de datos de cualquier curso online en momentos claves del curso:

·  Matriculación. Analizaremos los datos personales de los estudiantes para elaborar su perfil en relación a edad, sexo, etc, así como el número de estudiantes matriculados.

·  Evaluación inicial. Obtendremos los primeros datos relativos al curso, con lo que podemos ver aspectos como conocimientos previos, motivaciones personales o aspectos relacionados directamente con el curso, como la participación.

·  Evaluación a mitad de curso. Obtendremos información acerca de la participación, los abandonos y sus razones, la motivación de los alumnos, etc.

·  Evaluación final. Nos servirá para comprobar y analizar todos los datos del curso, como son:

    • Porcentaje de éxito y de abandono.
    • Grado de satisfacción del alumnado.
    • Grado de participación a lo largo del curso.
    • Porcentaje final de participación en el foro o chat
    • Motivos del abandono.

Anexo.  Ejemplo práctico.

Para finalizar, voy a realizar un ejemplo de cursos virtual que recoja todas estas características que hemos desarrollado.

Nuestro curso se trata de un MOOC basado en tareas integradas y ABP, en el cual queremos conseguir que la participación sea fluida y constante. Para ello, hemos diseñado una serie de actividades con distintos recursos, ya sea con vídeos, juegos, breves lecturas, fomentando así la participación de los alumnos y no cerrándonos solo a un tipo de actividad.

También ofrecemos distintas formas de participación para los alumnos, ya sea a través de foros, chats, videoconferencias, así como formas de estar en contacto tanto con los compañeros como con los propios tutores, con los que también podrán contactar vía mail. Con ello lo que pretendemos en fomentar el trabajo colaborativo y el ayudarse los unos a los otros, reduciendo así los posibles factores de abandono.

También ofrecemos una agenda del curso, en donde se recogen todas las actividades y tareas, así como los chat y videoconferencias, para que así los alumnos se puedan adaptar sus tiempos al curso, reduciendo posibilidades en otro factor que influye en la tasa de abandono.

Nosotros como tutores analizaremos el curso de manera constante, es decir, la participación de los alumnos, la idoneidad de las tareas, etc. E intervendremos en los casos en los que sea necesario para ayudar a nuestros alumnos.

Por último, para la evaluación en nuestro curso MOOC optamos por llevar a cabo varios tipos de evaluación, como son: autoevaluación y heteroevaluación tanto de profesores a alumnos (cuestionario), como de alumnos a profesores (evaluación de calidad). Con lo que promoveremos no sólo una evaluación activa del curso, sino también una evaluación de calidad del mismo, tanto nuestra propia, como  por nuestros alumnos, en las que observaremos los aspectos finales a mejorar.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de

https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


PREGUNTA 2: CAPTURA DE DATOS

Escrito por AlexUned 12-05-2018 en datos. Comentarios (0)

Una vez que he definido el curso piloto, paso a señalar los momentos más importantes que debemos estudiar para analizar nuestro curso de manera correcta. Para ello paso a señalar los momentos más importantes y los datos que de ellos podemos extraer e interpretar, para saber que cuales son los puntos fuertes y débiles de nuestro curso y que es lo que debemos mejorar y donde intervenir

El análisis predictivo de los datos nos permite conocer los problemas que pueden aparecer a lo largo de nuestro curso para poder subsanarlos, evitando así posibles abandonos del mismo. Ya que hay momentos clave a lo largo del curso que nos pueden indicar la baja participación del alumnado, el abandono, etc. A través del análisis de los datos, conoceremos determinados momentos que son clave para detectar que algo está ocurriendo. Algunos de los momentos clave para determinar que algo sucediendo son los siguientes:

1º- Momento inicial: La matriculación.

Es el primer momento importante, ya que nos permite obtener datos básicos del alumnado, tales como edad, sexo, nivel de estudios, etc., es decir, todos los ratos referentes a los alumnos, además de saber el número de alumnos a los que nos vamos a enfrentar.

Estos datos nos van a servir para hacernos una primera idea de a que nos enfrentarnos y ponernos en situación, ya que vamos a tener tanto el número de alumnos, como las características personales de cada uno.

2º - Al principio del curso. 

En este segundo momento obtendremos los primeros datos relativos al curso, con lo que podemos ver aspectos como conocimientos previos, motivaciones personales o aspectos relacionados directamente con el curso, como:

·  Primera conexión.

·  Tiempo dedicado.

·  Participación en el curso.

Los cuales nos servirán ir detectando los primeros problemas del curso en alumnos que no se hayan conectado o su participación sea escasa o muy baja, por lo que podremos intervenir desde un primer momento.

3º A mitad del curso. 

Estamos por así decirlo, ante uno de los momentos más claves, ya que ya conocemos al alumnado, el cual ya se ha asentado en el curso y en este momento ya podemos obtener más datos importantes como pueden ser entre otros:

·  Porcentaje alumnos activos.

·  Porcentaje de abandonos.

·  Porcentaje de alumnos que realizan las tareas y con qué grado de calidad.

·  Tiempo dedicado al curso.

·  Porcentaje de  participación en el foro o chat.

El análisis de todos estos datos nos servirá para intervenir si se diera el caso y corregir fallos durante el curso, así como aumentar la motivación y la participación de los estudiantes si hiciese falta.

4º Al finalizar el curso. 

Se trata del momento final y que nos servirá para comprobar y analizar todos los datos del curso, como son:

·  Porcentaje de éxito y de abandono.

·  Grado de satisfacción del alumnado.

·  Grado de participación a lo largo del curso.

·  Porcentaje final de participación en el foro o chat

·  Motivos del abandono.

Por todo ello, una vez finalizado el curso nos debemos poner a analizar todos los datos obtenidos para mejorar nuestro curso, corrigiendo esos aspectos que hacían abandonar al alumnado y ofreciéndoles alternativas o una mayor motivación.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


PREGUNTA 1: PLANIFICACIÓN DE DATOS

Escrito por AlexUned 12-05-2018 en planificacion. Comentarios (0)

La primera actividad de este módulo consiste en realizar un plan de análisis predictivo para dar respuesta a la baja tasa de finalización de los estudiantes en nuestro curso online, mediante la utilización y el análisis de datos. Para ello haremos uso  del modelo de análisis predictivo propuesto por Ekowo & Palmer (2017). Concretamente en el primer paso de este modelo que es “tener una visión y un plan.” (Have a vision and a plan.)

Para ello, lo primero que voy a hacer es plantear un curso o prueba piloto a través de nuestra empresa "ANALITICACURSOSONLINE", para analizar cómo utilizar los datos generados en el contexto del curso y la información del estudiante para abordar el abandono y las bajas tasas de finalización.

En este caso, lo primero que debemos hacer es marcarnos una serie de objetivos que queremos conseguir, así como sus correspondientes indicadores de logro (Key Performance Indicator o KPI) que estarían contextualizados dentro de un plan de análisis predictivo de un curso virtual (Ekowo & Palmer). Los objetivos nos marcarán las  metas que se desean alcanzar, y los indicadores, la forma de medir los resultados.

Este  análisis predictivos de los datos nos permitirá tratar futuras necesidades educativas, baja motivación y participación,  abandonos, así como mejorar nuestro curso adaptándonos a nuestros estudiantes. Para ello los objetivos e indicadores que nos hemos marcado son los siguientes:

  • Reducir el abandono durante el curso.
    • KPI 1: Identificar las causas de abandono.
    • KPI 2:Detectar el momento temporal de abandono
    • KPI 3: Conocer tasas de acceso y participación de cada alumno en el curso.
  • Localizar al alumnado con posibilidades de abandono.
    • KPI 1: Nº de participaciones que realiza en foros y chats.
    • KPI 2: Nº de actividades realizadas.
    • KPI 3: Nº de conexiones al curso.
  • Conocer los posibles problemas que desemboquen en abandono:
    • KPI 1: Problemas personales del alumnado.
    • KPI 2: Problemas internos del curso.
    • KPI 3: Tiempo del que dispone el alumnado.
    • KPI 4: Motivación del alumnado.
  • Conocer el grado de satisfacción con el curso:
    • KPI 1: Acceso a las actividades y recursos.
    • KPI 2: Participación general en el curso.
    • KPI 3: Resultados y notas finales.
  • Averiguar si la metodología del curso es la adecuada.
    • KPI 1: Nº de alumnos que participa en las actividades.
    • KPI 2: Nivel de motivación del alumnado.
    • KPI 2: Nº de alumnos que utiliza los foros.
    • KPI 4: Nivel de participación general del curso.
    • KPI 5: Identificar las actividades a mejorar.

Con todo ello, lo que pretendemos es reducir el abandono y la baja participación en nuestro curso e ir mejorándolo para adaptarlo a nuestros estudiantes.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de

https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf