Facultad de Lenguas y Educación

Diana Valero
Máster Universitario en Procesos Educativos de
Enseñanza y Aprendizaje
Tendencias e innovación en Educación mediante el
uso de TIC

MÓDULO 2: Tecnologías emergentes

UD4: Learning analytics
Diana Valero Errazu
Docente de la asignatura

LEARNING ANALYTICS 3
1. Introducción 3
2. Antecedentes 3
3. Concepto 6
4. ¿Por qué? y ¿quién?. Utilidad de las analíticas de aprendizaje 9
5. La analítica de aprendizaje como proceso 11
5.1. ¿Qué? Recogida de datos 12
5.1.1. Tipos de investigación según los objetivos que perseguimos 13
5.1.2. Tipos de datos 13
5.1.3. Proceso 15
5. 2. ¿Cómo?. Métodos de análisis 15
5.3. Visualización 18
5.4. Algunas herramientas educativas: 22
5.5. Problemáticas de las analíticas de aprendizaje 26

Tendencias e innovación docente-UD4_Dpto. Educación [2] 1 de octubre 2017

LEARNING ANALYTICS

1. Introducción
Todos conocemos el informe que mide el rendimiento académico de los estudiantes de
15 años de diferentes países, el informe PISA. Cada nueva edición aparece en prensa
comparando países, viendo si hemos mejorado o empeorado y llenando debates
educativos entorno, generalmente, al fracaso escolar. Este informe se basa en la
evaluación de los estudiantes a partir de unos exámenes estandarizados. Esto tiene
muchas limitaciones, pero además requiere mucho trabajo como seleccionar a esos
estudiantes, un espacio físico en el que hacer los exámenes, unos profesores que
vigilen, herramientas de diseño y de corrección de las pruebas, el análisis y, finalmente,
escribir los famosos informes. Recoger datos en la educación tradicional no es fácil, y
más si los estudiantes están en diferentes centros o ciudades. Sin embargo, las nuevas
tecnologías y el aumento de la enseñanza virtual han provocado el efecto contrario.
Cada vez tenemos más datos. Las universidades, por ejemplo, recogen datos de entrada
de los estudiantes; recogen datos a través de Moodle, Blackboard, etc. sobre el tiempo
que el estudiante dedica a un determinado recurso, el tiempo que está en los foros, quién
aporta más, qué estudiantes no participan, cuánto tiempo tardan en contestar un
examen…; los MOOC nos dan datos sobre todas las actividades que realizan etc.
Learning analytics (LA), o analíticas de aprendizaje, tratan precisamente la evaluación
de la educación en el sentido más amplio, es decir, la recopilación, medición, análisis y
presentación de datos educativos en la SI. A lo largo de este tema profundizaremos en
estos aspectos así como sobre el futuro de esta tendencia.

2. Antecedentes
La necesidad de evaluar los conocimientos de los alumnos ha estado presente siempre
en la educación, pero las formas de evaluar han ido cambiando, al igual que han ido
cambiando los motivos por los que se evalúa. Por ejemplo, ya no sólo se evalúa para
saber qué nota tiene un estudiante, sino que ahora podemos evaluar todo el proceso de
enseñanza-aprendizaje (como dónde se falla más, qué no se entiende) para que el
profesor pueda introducir mejoras en la asignatura, podemos comparar diferentes
alumnos, conocer más en profundidad las titulaciones para tomar decisiones políticas,
saber qué tipo de recursos son los más utilizados de la biblioteca ... Todos estos
cambios han sido propiciados por los cambios tanto tecnológicos como de mentalidad
que ha propiciado el paso a la sociedad de la información.

Específicamente respecto a LA, hay que señalar la velocidad a la que ha avanzado,

apropiándose de un uso inicialmente empresarial para aplicarlo a la educación. Rebeca
Ferguson (2012) hace un análisis más profundo de esta evolución, aunque a
Tendencias e innovación docente-UD4_Dpto. Educación [3] 1 de octubre 2017
continuación lo presentamos más brevemente.

Tres son los factores que han propiciado el desarrollo de los LA

 Big Data: más adelante haremos una referencia más extensa a lo que se
conoce como Big Data pero, de forma sencilla, se entiende que son
cantidades de datos cuyo tamaño es tan grande que no es posible
analizarlos con los programas típicos. Por ejemplo, todos los datos que
Google recoge de todos los usuarios que tiene en el mundo. El “correcto” uso
del Big Data es lo que hace que cuando hacemos una búsqueda a través de
Google (por ejemplo, un viaje o algo que queremos comprar), nos aparezcan
anuncios en Facebook sobre ese tema; o cuando escuchamos música en
Spotify o vemos videos en Youtube, recibimos recomendaciones
personalizadas. Inicialmente su uso era para las empresas, pero las
instituciones educativas han visto su potencial a la hora de tomar decisiones.
 Online learning: Cursos que el estudiante puede recibir por medios
informáticos, eligiendo él el lugar y el momento Hay un crecimiento cada vez
mayor de la oferta on-line a través de MOOCs, blended-learning, cursos de
educación formal e informal…
 Preocupaciones políticas: las instituciones educativas, especialmente las
privadas, cada vez tienen más interés en demostrar sus mejoras y, además,
los Gobiernos tienen también cada vez un mayor interés en demostrar sus
resultados académicos y mejorarlos.

Esto nos enseña también quiénes son los interesados en el LA: los Gobiernos, las
instituciones educativas, los profesores y los propios estudiantes.

Pero ¿cómo surge?

Como ya hemos señalado, la estadística y la analítica siempre se han aplicado a la

educación, con preocupaciones como las tasas de fracaso escolar, el éxito de
determinadas prácticas, etc. Pero con la llegada de la enseñanza online, especialmente
a partir del s. XXI, se abren nuevas posibilidades para recoger datos. Y es por este
aumento de la posibilidad de recoger datos lo que contribuye a que surjan nuevos
campos de análisis como la Minería de Datos (Data Mining). La Minería de Datos es la
extracción automática de patrones implícitos dentro de grandes colecciones de datos.
Surge con la idea de conocer mejor el comportamiento de los consumidores, y se utiliza
para inferir patrones, encontrar relaciones entre distintas variables, pronosticar
conductas de los consumidores/clientes, generar modelos descriptivos, identificar
tendencias… Esta idea, más aplicada a la educación, es lo que se conoce como Minería
Educativa de Datos (EDM), es decir, la rama de conocimiento centrada en desarrollar
métodos, aplicar técnicas estadísticas y de aprendizaje automático para analizar los
datos obtenidos durante el proceso de enseñanza aprendizaje (Bienkowski et al, 2012)

En un primer momento, la EDM se centró en la interacción entre el estudiante y el

ordenador, siendo su objetivo el de hacer que los estudiantes sean “estudiantes más

Tendencias e innovación docente-UD4_Dpto. Educación [4] 1 de octubre 2017

efectivos”. Investigaciones centradas en la Minería de Datos y técnicas de aprendizaje
automático perseguían utilizar los resultados para mejorar los entornos de aprendizaje
basados en la web (Moodle…) . De esta forma, el profesor podría evaluar mejor el
proceso de aprendizaje, y ayudar a los estudiantes para que sus esfuerzos fueran más
efectivos (Zaïane, 2001).

La EDM va aumentando a medida que aumentan las tecnologías educativas, ya que

permiten una mayor recolección de datos, a lo que contribuye en buena medida el mayor
uso que hacen las universidades de los entornos virtuales de aprendizaje (Virtual
Learning Enviroment, VLE, como Moodle o Blackboard). Ahora el énfasis de la sociedad
se centra en el desarrollo de herramientas que permitan el análisis de los datos. Y, como
ya vimos en los Temas 1 y 2, al principio hay un mayor énfasis en la tecnología en general
y posteriormente se centrarán más en la educación y la pedagogía.

Paralelamente a la EDM, surge el término de Learning Analytics, aunque en el primer

momento se utiliza para referirse a la educación como negocio en todo lo que se refiere
a la nueva forma de educación virtual.

El siguiente gran desarrollo se da cuando a la Analítica educativa se le añade la Analítica

de Redes Sociales. Por un lado, esto supuso la capacidad de analizar actividades de
aprendizaje colaborativo, comunidades de aprendizaje etc. y, por otro, aportó un
importante cuerpo teórico pedagógico a la analítica educativa, como la idea de
aprendizaje colaborativo y la importancia de las interacciones. En esta segunda fase el
énfasis gira hacia la pedagogía y la educación.

Dadas las posibilidades que proporcionan tanto las tecnologías, como la educación, va
aumentando el interés de los gobiernos, lo que contribuye que vaya emergiendo un
nuevo ámbito como es la Analítica Académica (Academic Analytics). Campbell y
Oblinger (2007) señalan que esta combina grandes conjuntos de datos con técnicas
estadísticas y modelos predictivos para mejorar la toma de decisiones, al mismo tiempo
que tiene el potencial de mejorar la enseñanza, el aprendizaje y el éxito estudiantil. No
olvidemos que la educación tiene también una parte de negocio. Cada vez hay más
empresas que se dedican a la educación o en países como Estados Unidos vemos que
las principales instituciones educativas son privadas y tienen un importante énfasis en
tomar decisiones económicamente inteligentes.

En negocios, es lo que se llama “Business intelligence” (un proceso en el que los

responsables de la toma de decisiones integran el pensamiento estratégico con las
nuevas herramientas tecnológicas que permiten sintetizar grandes cantidades de
datos), pero aplicado a la educación, ya que permite a los administradores de los centros
hacer también un seguimiento de los objetivos institucionales, cómo está funcionando
la publicidad, la captación de donantes etc.

A pesar de que en un primer momento recogida de datos y análisis se entendían como

una única disciplina, a medida que avanza la ciencia se separan, aunque siguen teniendo
preocupaciones comunes y se influyen mutuamente. Lo mismo sucede poco después
con la analítica, de modo que la analítica académica y de aprendizaje terminan por
Tendencias e innovación docente-UD4_Dpto. Educación [5] 1 de octubre 2017
separarse en dos campos de estudio independientes. Citando a Siemens (2010),
Ferguson señala que “el análisis de aprendizaje es el uso de datos inteligentes, datos
producidos por el estudiante y modelos de análisis para descubrir información y
conexiones sociales, y para y asesorar sobre el aprendizaje” (Ferguson, 2012:313).

Cada una de las tres ramas, ahora campos de estudio independientes, se centra en un
tipo de desafío. Así, Ferguson (2012:313) continúa señalando que:
 La Minería de Datos educativos se centró en el desafío técnico: ¿cómo
podemos extraer valor de estos grandes conjuntos de datos relacionados
con el aprendizaje? Tiene un enfoque más micro, “nuestros propios
estudiantes”
 El Análisis del Aprendizaje, centrado en el desafío educativo: ¿Cómo
podemos optimizar oportunidades de aprendizaje en línea?
 La Analítica Académica se centró en el desafío político-económico: ¿Cómo
podemos mejorar sustancialmente las oportunidades de aprendizaje y los
resultados educativos? Está enfocada a nivel más macro, como instituciones
o países.

Paralelamente surgen las dudas sobre las implicaciones éticas: ¿podemos recoger
todos los datos?, ¿qué datos son los importantes?, ¿deben darnos consentimiento los
estudiantes y/o padres?... Dejamos para más adelante esta cuestión y pasamos a
profundizar en el concepto de LA

3. Concepto
Ya hemos diferenciado y relacionado la Analítica de Aprendizaje con la Analítica
Académica y la Minería de Datos. Las Analíticas de Aprendizaje están relacionadas con
muchos conceptos, lo que a menudo hace que se confundan.

Big Data

Analíticas Business
académicas inteligence

Analíticas
de
aprendizaje

Análisis
Machine
de redes
learning
sociales

Minería de
datos

Tendencias e innovación docente-UD4_Dpto. Educación [6] 1 de octubre 2017

Fuente: elaboración propia

Una visión sencilla sería que Big data hace referencia a la infinidad de datos que existen
hoy en día. La Minería de Datos permite obtener datos analizables a fin de facilitar
investigaciones posteriores. En función del objetivo que persigamos, servirán como
base para la Analítica Académica (instituciones) o la Analítica de Aprendizaje
(profesores y alumnos).

Una vez situados los primeros conceptos, volvamos al LA. Son muchas las definiciones
que se han hecho, por ejemplo:
 Para Steiner, Kickmeier-Rust & Albert (2014) Learning Analytics (LA) persigue
el uso inteligente de los datos derivados del comportamiento del alumnado
en un curso. Está directamente relacionado con la Minería de Datos
educativa, pero también puede considerar los datos de un solo alumno,
mientras que la Minería de Datos trabaja con grandes cantidades de datos y
no particulariza.
 Johnson et al. (2011), señalan que la Analítica de Aprendizaje hace referencia
a la interpretación de un amplio cuerpo de datos, cuya finalidad es la de
evaluar el progreso de los estudiantes, predecir los resultados futuros e
identificar problemas potenciales.
 Elias (2011) lo describe, de forma un poco más general, como un campo
emergente en el que se utilizan herramientas analíticas sofisticadas para
mejorar el aprendizaje y la educación
 Gros (2012) señala que consiste en la interpretación de un amplio espectro
de datos de los estudiantes recogidos para orientar su producción
académica, predecir acciones futuras e identificar elementos problemáticos.
El objetivo es posibilitar que los profesores puedan adaptar de forma rápida y
eficaz las estrategias educativas que más se adapten a sus alumnos.
 Dietz-Uhler y Hurn (2013) ven en el Learning Analytics (LA) una disciplina
emergente relacionada con el desarrollo de métodos para explorar series de
datos procedentes de ecosistemas educativos. Del mismo modo, está
relacionada con el uso posterior de los resultados del análisis con la finalidad
de entender mejor al alumnado y sus comportamientos, y así mejorar el
diseño de los entornos en los que aprenden.
 García-Peñalvo (2014) la define como una disciplina con potencial
transformador -relacionado con el aprendizaje personalizado y adaptativo- y
con incidencia en todas las disciplinas educativas, particularmente en e-
Learning.

De estas definiciones podemos extraer unas ideas básicas acerca del LA:
 Su objetivo es mejorar el aprendizaje.

Tendencias e innovación docente-UD4_Dpto. Educación [7] 1 de octubre 2017

 Requiere de una acción posterior; es decir, sirve para predecir, pero posteriormente,
en base a esa predicción hay que intervenir, y trata de que esa intervención busque
la personalización y la adaptación al alumno, como veremos más adelante.
 LA es un proceso, lo que supone que seguimos unas fases en la investigación que
desarrollaremos en profundidad más adelante.

En resumen, nos parece bastante adecuado para comprender y aplicar el LA, el modelo
que proponen Chatti et al. (2012) centrado en las principales preguntas de investigación

1. ¿Qué? - Determinar qué datos se recolectarán y analizarán y de dónde los

obtendremos. Generalmente, lo más sencillo es obtenerlos directamente de los
sistemas de gestión del aprendizaje (LMS) pero, como veremos más adelante, los datos
los podemos encontrar en infinidad de sitios.

2. ¿Para quiénes? - Para qué actores se orienta el análisis, estudiantes, profesores,

tutores, instituciones…

3. ¿Para qué? - establecer el propósito: monitoreo, predicción, adaptación,

personalización, etc.)

4. ¿Cómo? - técnicas, métodos y herramientas de análisis.

Tendencias e innovación docente-UD4_Dpto. Educación [8] 1 de octubre 2017

Fuente: IAD Learning (https://www.iadlearning.com/es/analitica-e-learning/)

Estos aspectos los trataremos en los siguientes apartados.

4. ¿Por qué? y ¿quién?. Utilidad de las analíticas de aprendizaje

Evaluar siempre nos va a dar información. Como docentes evaluamos continuamente a

nuestros estudiantes; como administradores podemos evaluar el impacto de
determinados proyectos etc. La evaluación habitualmente la dividimos entre sumativa y
formativa. La primera corresponde a la idea de evaluación clásica, mide los resultados
académicos de los estudiantes, por ejemplo, en un determinado momento (como al
inicio –evaluación inicial- o final de curso – evaluación final-). Sin embargo, la evaluación
formativa se suele describir como un elemento o herramienta de apoyo del proceso de
enseñanza aprendizaje que trata de recoger datos a lo largo de todo el proceso para
decidir qué pasos seguir. Este último modelo es especialmente importante si tenemos
en cuenta las altas tasas de fracaso escolar o de abandono. Ambos modelos de
evaluación nos dan una importante información para prevenir estos casos y poner
medidas, especialmente la evaluación formativa ya que se realiza durante todo el
proceso y permite intervenir y mejorar antes del resultado final.

Hasta hace poco, la información de que disponíamos para realizar las evaluaciones era
algo limitada, pero ahora la información de que disponemos es mayor. Ya no solo es la
información que recogemos en la clase, sino que podemos acceder a más datos sobre
el estudiante (otras asignaturas, cursos previos, cómo interactúa en las actividades, qué
tipo de actividades le cuestan más y menos…). Las analíticas nos permiten hacer esta
evaluación a la que estamos acostumbrados con datos mucho mayores, datos que no
podríamos manejar sin estas herramientas (por ejemplo, puede que podamos contar
cuántas veces interactúa un grupo de estudiantes pequeño al hacer una determinada
actividad en clase, pero no podemos hacerlo con toda la clase, todo el colegio, varios
colegios o estudiantes independientes en diferentes partes del mundo, sin las
herramientas de que hoy disponemos).

La idea no es nueva, siempre hemos evaluado en educación, pero ahora lo hacemos, o

lo intentamos, a partir del Big Data. Surgen así dos áreas importantes, la Minería de
Datos educativos y las Analíticas de Aprendizaje. Las diferencias entre estas dos áreas
son difíciles de definir. Como ya hemos indicado al inicio del tema, Ferguson (2012)
entiende que la Minería de Datos está más relacionada con la tecnología y la Analítica
de Aprendizaje más relacionada con la pedagogía. Otros autores consideran el LA más
centrado en la práctica y a la EDM más centrada en la teoría (Baker & Inventado, 2014).
Independientemente de las diferencias tienen muchos elementos comunes, como los
objetivos que persiguen.

Tenemos toda esta información, sabemos que tenemos que analizarla pero, ¿para qué?
¿con qué objetivo? Tanto las Analíticas de Aprendizaje, como la Minería de Datos
Tendencias e innovación docente-UD4_Dpto. Educación [9] 1 de octubre 2017
Educativos siguen un camino paralelo con un mismo objetivo final, el de flexibilizar el
aprendizaje de los estudiantes para ofrecer una educación más personalizada.

Como ya hemos señalado, el Análisis del Aprendizaje, se centra en el desafío educativo:

¿Cómo podemos optimizar oportunidades de aprendizaje?. La respuesta a esta
pregunta se ha dado en tres etapas: la primera etapa describía los resultados, la segunda
etapa se diagnosticaba, y la tercera y actual etapa consiste en la predicción. Según el
Informe Horizon 2016, el objetivo es crear nuevas pedagogías, fortalecer el aprendizaje
activo, reconocer la población en riesgo entre los estudiantes y evaluar los factores que
afectan a la finalización de los estudios y al éxito de los estudiantes.

Otros aspectos, como serían cuestiones relacionadas con la equidad del sistema
educativo y las oportunidades de aprendizaje, es decir, en cierto modo cuestiones
“macro”, las aborda la Analítica Académica.

Algunos ejemplos concretos para lo que se puede utilizar el LA:

 Permiten medir los logros del estudiante en función del esfuerzo que ha
realizado.
 Analizar las interacciones dentro de un grupo (¿Hay algún alumno
descolgado en el grupo?).
 Identificar los patrones más exitosos para aplicarlos a otros estudiantes o
contextos (¿Qué tiene de diferente un estudiante que está entendiendo mejor
un determinado ejercicio?)
 Ayuda al profesor identificando a los alumnos que tienen más problemas y
que están en riesgo de abandono.
 Permite identificar los niveles de aprendizaje y adaptar las actividades
(¿estoy yendo muy rápido? ¿se está entendiendo?).
 Predecir si es preciso algún apoyo extra.
 Identificar a los estudiantes que están muy avanzados y que necesitan
mayores retos para aprovechar al máximo las posibilidades de aprendizaje.
 Permite al estudiante conocer su progreso en tiempo real.
 Realizar evaluaciones tanto diagnósticas como formativas.
 Planificar de una manera más individual la formación

En resumen, permiten a los profesores conocer mejor el

proceso de enseñanza-aprendizaje de sus alumnos,
identificando los problemas y resolviéndolos en tiempo real
(hasta ahora se solían hacer las evaluaciones y cambios de
Tendencias e innovación docente-UD4_Dpto. Educación [10] 1 de octubre 2017
un curso para otro), y favoreciendo que los estudiantes
tengan una experiencia de aprendizaje personalizada. Los
estudiantes por su parte, tienen un mayor control de su
aprendizaje porque pueden obtener un feedback de
resultados en tiempo real y reciben una educación más
acorde a sus características (conocimientos previos, estilos
de aprendizaje…), aumentando su motivación y
empoderamiento.

5. La analítica de aprendizaje como proceso

Hasta aquí hemos visto qué es y para qué sirven las Analíticas de Aprendizaje. Pero nos
hemos centrado en los últimos pasos del proceso, en el qué hacemos con los resultados
del análisis, pero es evidente que antes de eso hemos tenido que recoger los datos y
analizarlos, que es en lo que nos vamos a centrar en los siguientes apartados.

Si simplificamos el proceso, vemos que hay 4 etapas relevantes. Hasta ahora hemos
hecho referencia a la de acción, como hemos dicho, a qué podemos hacer con los
resultados que obtenemos a partir de las analíticas de aprendizaje. Vamos ahora a
centrarnos en las dos etapas anteriores.

Recolección de
datos y
depuración

Post-proceso Análisis

Acción

Fuente: elaboración propia

Tendencias e innovación docente-UD4_Dpto. Educación [11] 1 de octubre 2017

5.1. ¿Qué? Recogida de datos
Antes de centrarnos en cuáles son los datos que hay que recoger, es necesario realizar
unas aclaraciones previas:

Las Analíticas de aprendizaje no son exclusivas para la enseñanza on-line. Se

pueden utilizar también en la enseñanza presencial, pero evidentemente los
datos deben estar informatizados y es más fácil recogerlos en actividades on-
line ya que los recoge automáticamente el programa que estamos utilizando.
Hoy en día muchos de los datos no se recogen manualmente, o aunque se haga
así, después de informatizan (por ejemplo, las ausencias de los alumnos).
Necesitamos esos datos informatizados.

Las fuentes de los datos son variables, no todo está recogido en el mismo
sistema. Hay datos que tiene el exclusivamente el colegio (como los datos de
las ausencias), otros datos que pueden estar en bases de datos concretas
(Ministerio de Educación, programas específicos que recojan sus propios datos,
plataformas con herramientas integradas y que recogen los datos más
centralizados…), de modo que podemos haber utilizado múltiples herramientas,
y cada una de ellas tienen los datos en su sistema.

El proceso de recolección de datos, y especialmente su depuración, no es algo mecánico

o sencillo. Vamos a tratar de explicarlo tomando como ejemplo el propio nombre de
Minería de Datos. Imaginemos que nosotros somos joyeros y queremos vender un collar
diseñado por nosotros para un cliente muy especial y que nos va a pagar mucho dinero.
En vuestra cabeza tenéis que pensar qué materiales necesitáis, qué piedras preciosas
etc. Pero como no todo es perfecto, tenemos que conseguir nosotros esos materiales.
Así que llegamos a la mina y ¿qué nos encontramos?. Dentro de la mina hay vetas de
muchos minerales y piedras preciosas (no tengamos en cuenta para este ejemplo el
factor científico), pero evidentemente hay que encontrarlos y no es lo mismo un
diamante en bruto que un diamante pulido, tenemos que saber verlos, ver su potencial…

Tenemos que identificar, entre todos los minerales que hay, cuáles son los que
necesitamos. Para eso no basta con saber qué nos gusta, sino que tenemos que pensar
qué tipo de collar queremos hacer, qué queremos conseguir… Una vez identificado eso,
tenemos que ponernos a picar para sacarlos y cuando los tengamos, será en bruto, es
decir, tendremos que pulir cada una de las piedras. y puede que las técnicas para pulirlas
y el material que necesitamos no sean los mismos para cada piedra preciosa.

En educación pasa lo mismo, tenemos una mina con muchos datos. Lo primero es ver
qué queremos saber, qué tipo de investigación tenemos que hacer para conseguir
nuestro objetivo y qué datos necesitamos para ello. Por ejemplo, imaginemos que
tenemos un grupo de estudiantes muy grande y queremos dividirlos por niveles para que
hagan una determinada actividad. No necesitamos saber datos sobre la interacción
previa de los estudiantes, así que podemos descartarlos, no necesitamos saber la edad,
también podemos descartar esos datos… pero sí que necesitaríamos saber las notas
del año anterior, por ejemplo.
Tendencias e innovación docente-UD4_Dpto. Educación [12] 1 de octubre 2017
 5.1.1. Tipos de investigación según los objetivos que perseguimos

1. Investigación descriptiva, responde a la pregunta ¿qué está pasando?. Por

ejemplo, tenemos un grupo de estudiantes y queremos saber el nivel general de
la clase, podemos hacer un ejercicio de prueba, ver las notas de años anteriores…

2. Investigación diagnóstica, nos da información sobre los motivos. Tenemos un

alto grado de fracaso y queremos saber a qué se debe, qué es lo que no se ha
entendido de un determinado tema etc.

3. Investigación predictiva, nos da información sobre el futuro, sobre qué podría

pasar.

4. Investigación prescriptiva, nos ayuda a decidir qué tenemos que hacer para
lograr un determinado objetivo.

Seleccionar un tipo u otro dependerá de cuál es el objetivo que perseguimos, qué

queremos saber o qué problema queremos solucionar. Pero también de qué datos
tenemos a nuestro alcance.

5.1.2. Tipos de datos

Los LMS (Learning Managing Sistems, Moodle, Canvas, Blackboard...), las redes
sociales etc. han revolucionado los datos educativos, ya que podemos acceder a
muchos más. Así, la primera diferencia entre datos es si estos están centralizados,
como en un LMS (nos da información sobra la interacción del estudiantes, los
resultados, las actividades…) o están distribuidos entre diferentes fuentes. Cada vez es
más común la última opción, ya que como señalamos en los temas anteriores el
aprendizaje se da en todos los espacios y no en uno único. Este es precisamente uno de
los retos a los que se enfrentan las disciplinas analíticas y relacionadas con Big data,
cómo centralizar y recoger los datos que están distribuidos entre diferentes fuentes.
También, en un futuro cada vez más próximo, el número de fuentes aumentará. El
aprendizaje móvil, internet de las cosas, los nuevos dispositivos que recogen
información…, toda esta información podremos tenerla en cuenta para el aprendizaje.
Por ejemplo, ya tenemos pulseras que monitorizan nuestra actividad física o nuestro
sueño. Imaginemos que podamos saber que un estudiante ha dormido realmente mal,
¿qué sentido tendría comenzar la jornada escolar con actividades nuevas a las que no
va a prestar atención? Podríamos ofrecerle otro tipo de actividades que requieran
menos concentración y dejar los nuevos contenidos para otro momento del día.

Otra diferencia importante es si la información la estamos recogiendo de un número

grande de estudiantes (extensiva), como podría ser la base de datos de PISA, o si lo
hacemos sobre un pequeño grupo pero muy detallada (intensiva).
Tendencias e innovación docente-UD4_Dpto. Educación [13] 1 de octubre 2017
En general podemos decir que hay diferentes tipos de conjuntos de datos de los cuales
los más importantes, según Santamaría, son los siguientes:
 Datos personales: datos sobre el individuo, tales como nombre, dirección,
edad, etc.
 Datos de interacción: datos sobre el comportamiento del usuario en el
sistema, que pueden incluir mensajes en los foros, clasificaciones de
estrellas (gamificación), etc.
 Datos de navegación: datos de navegación del usuario en el sistema, que
enlaces siguió, mapas de calor/riesgo, etc.
 Datos relacionales: conexiones relacionadas con el usuario: amigos,
seguidores, a quién sigue, los recursos relacionados, etc.
 Datos de contexto: datos que muestran el contexto en el que está
actualmente el usuario: datos de ubicación, datos de sensores (movimiento,
velocidad, etc.), etc.
 Datos textuales: textos creados por los propios aprendices que son
evaluados con técnicas de minería de forma transparente. Es lo que
llamanos el Text Mining.

Brown (2013) los divide en tres tipos de datos, aunque en general se puede considerar
como una agrupación de los que ha indicado Santamaría, pero agrupando estos tres
macro-grupos:
 Los indicadores de disposición son factores que el aprendiz trae al contexto
de aprendizaje y de los que el profesor dispone antes de que comience
aprendizaje. Ejemplos son la edad, el género, el aprendizaje previo
experiencias, etc. Son sobre todo datos personales.
 Los indicadores de actividad y rendimiento, se refieren a datos que los
alumnos producen durante su paso por el proceso de enseñanza-aprendizaje.
Como son los números de inicios de sesión, tiempo empleado, número de
puestos de discusión, etc. Estos podrían incluir los datos de interacción,
navegación y relaciones.
 Los artefactos estudiantiles consisten en datos resultantes del trabajo real
de los alumnos en términos de los productos del proceso de aprendizaje,
como ensayos, publicaciones en blogs, contribuciones al foro de discusión…
Serían los datos textuales de Santamaría

De estas clasificaciones podemos extraer varias cuestiones.

En primer lugar, vemos que estos datos tienen formatos diferentes, algunos pueden ser
numéricos, otras imágenes, palabras, frases… Este es uno de los mayores retos a los
que se enfrentan las analíticas porque, además de que hay muchos datos, estos están
Tendencias e innovación docente-UD4_Dpto. Educación [14] 1 de octubre 2017
en formatos muy diferentes.

Por otro lado, tenemos las cuestiones éticas y legales que están relacionadas con los
datos de los usuarios. ¿Qué datos podemos recoger y utilizar?. Algunos, como los datos
personales, están sujetos a protección, pero ¿el alcance de esta protección es el mismo
en todos los países?. Hay que tener en cuenta que en cursos on-line podemos tener
estudiantes de diferentes países etc. Además, la idea de investigación colaborativa y en
red nos une a la necesidad de compartir los datos de nuestra investigación con el resto
de investigadores, ¿cómo se puede hacer esto garantizando la confidencialidad?. Y más,
teniendo en cuenta que en algunos datos pueden ser de menores, por lo que la
protección es mayor.

5.1.3. Proceso

Una vez entendidos los datos, pasamos a seleccionar y capturar aquellos que
necesitamos. En cuanto a la selección ya hemos dicho que tiene que estar en línea con
los objetivos que queremos lograr, así que tenemos que ver, de entre los datos que están
disponibles, cuáles nos dan información útil y dónde podemos encontrarlos (también
hemos señalado que pueden estar recogidos en diferentes bases de datos). Una vez
identificados totalmente los datos que queremos, hay que recogerlos y pulirlos porque,
como hemos señalado, en la mina estos datos están en bruto. Capturar, representar y
almacenar estos primeros datos depende de la aproximación teórica que hagamos (por
ejemplo, desde las teorías transformadoras del aprendizaje no nos centraremos en las
características del estudiante que limitan su aprendizaje –desconocimiento del idioma,
pocos recursos, etc.- sino en los elementos que ayudan a superar las dificultades –
aumento de las interacciones, etc.- ). Esta parte depende de lo que buscamos y de cómo
queramos aproximarnos a ello. En cualquier caso, los datos que recojamos habrá que
pulirlos, haciendo que tengan un mismo formato. Ya hemos señalado que podemos
tener números, imágenes, palabras…, pero para analizarlos todos tienen que tener un
formato unificado. Por ejemplo, habrá datos que tendremos que codificar para pasarlos
de palabras a números.

5. 2. ¿Cómo?. Métodos de análisis

Una vez que tenemos los datos, tenemos que ver cómo los analizamos. Esta es también
fuente de discusión teórica, ya que la Analítica de Aprendizaje, como la Minería de Datos
Educativos, aplica diferentes métodos y técnicas para detectar patrones interesantes
ocultos en conjuntos de datos educativos.

Aunque, según el cuerpo de literatura que se lea, entre las clasificaciones de los
métodos encontraremos unos y otros, vamos a seguir uno de los modelos que incluye
más técnicas. Para nuestro objetivo didáctico no es tan necesario saber cómo se
clasifican las técnicas, sino conocer las principales y sus usos. Por lo que, dependiendo
Tendencias e innovación docente-UD4_Dpto. Educación [15] 1 de octubre 2017
de los autores a los que se sigan, podremos encontrar las técnicas agrupadas de
manera distinta.

Para nuestro propósito se dividen en cinco clases principales: métodos de predicción,

estructura de descubrimiento, minería de relaciones, descubrimiento con modelos y
destilación de datos a través del juicio humano. Como veremos, esto incluye técnicas
estadísticas tradicionales, algoritmos, herramientas específicas…

Métodos de LA

Métodos Estructura de
Mining relacional Otros métodos
predictivos descubrimiento

Mnería Minería de
Clasificación Análisis cluster
correlacional procesos

Minería de
Análisis del
Regresión Análisis factorial reglas de
discursos
asociación

Estimación de Minería de
Descubrimiento Aproximaciones
contenido patrones
de estructuras multimodales
latente secuenciales

Análisis de
Minería causal ...
redes sociales

Detección del
outlier

Fuente: Steiner, C. M., Kickmeier-Rust, M. D., & Albert, D. (2014). Learning analytics and
educational data mining: An overview of recent techniques. Learning Analytics for and in Serious
Games, 6, 61-75.

Análisis predictivo: el objetivo es extraer patrones, identificar las relaciones que nos
permitan hacer predicciones sobre el futuro y, por tanto, tomar decisiones para
favorecer o no determinadas situaciones. Por ejemplo, el análisis predictivo puede
ayudar a identificar qué estudiantes están en mayor riesgo de abandono educativo y, por
tanto, establecer medidas más personalizadas para evitarlo

Análisis estructural: permite descubrir las estructuras ocultas dentro de unos datos,
“cosas comunes, elementos que los unen”. Por ejemplo, este tipo de análisis permitiría
Tendencias e innovación docente-UD4_Dpto. Educación [16] 1 de octubre 2017
segmentar un grupo de alumnos en función de las características que se quiera
(conocimientos previos, ubicación…)

Minería de Datos relacional: Encuentran relaciones entre diferentes tablas de datos, es

decir, entre un gran volumen de datos o datos que, aparentemente, no tengan nada en
común. Por ejemplo, los estudiantes de áreas rurales, con padres con formación
universitaria y que practican algún deporte, leen más.

Otros métodos:

Estadística básica: la estadística básica nos sirve para hacer análisis

exploratorios. Podemos calcular la nota media de un grupo, ver la desviación
típica, cómo se distribuyen los datos… Por ejemplo, en un grupo de estudiantes
pequeño podemos ver que la media es 7 y pensar que el tema se ha entendido
bastante bien por toda la clase, pero al ver la desviación típica ver que esta es
muy grande, por lo que podríamos deducir que solo una parte de los alumnos lo
ha entendido, mientras que muchos de ellos no han entendido apenas nada. Esta
exploración previa de los datos nos permite valorar si el conjunto de datos es
bueno, si hay alguno que tenemos que quitar (por ejemplo, un alumno ha estado
enfermo y no ha acudido a clase durante la explicación, al volver hace el examen
con sus compañeros y suspende ¿su dato es significativo?. Podemos valorar
quitar ese dato del cálculo de la media para tener un resultado más real sobre la
comprensión del tema)

Existen diferentes técnicas estadísticas que nos ayudan a hacer estos análisis y que son
comunes con otras disciplinas, como serían las regresiones lineales (permiten ver qué
relación existe entre dos variables) o el análisis factorial (que nos permite agrupar
diferentes variables). Pero no vamos a detenernos en ellas, ya que son fácilmente
consultables en un manual de estadística aplicada a la educación y no suponen un
avance en cuanto a las tendencias. Vamos a hacer referencia a algunas herramientas
que se podrían considerar “más novedosas” o que se están utilizando más en LA o EDM
y que suponen un cambio importante con respecto a las técnicas más tradicionales,
como se ve en la siguiente tabla.

Tabla 1. Características de los métodos estadísticos.

Características Estadística Minería de Datos

Enfoque Inductivo Deductivo

Papel de la teoría Informa las hipótesis Informa procesos

Tendencias e innovación docente-UD4_Dpto. Educación [17] 1 de octubre 2017

 Ejemplos y datos Experimentos Reales y de conveniencia

Proceso de indagación De la hipótesis a la teoría De los datos a los

patrones,

reglas e hipótesis

Generalización Explicativa Predictiva

Objetivo Afirmar o negar una teoría Informas sobre la acción,

proponer nuevas teorías

Énfasis analítico Rigor estadístico Rigor informativo

Fuente: Markauskaite (2011: 241).

¿Cuáles son estas técnicas o herramientas?

Análisis de redes sociales: se centra en el papel de la interacción en el

aprendizaje, en cómo se relacionan los miembros de una red o de una comunidad
de aprendizaje. No trata sobre qué es lo que dicen en las redes, sino en cómo se
relacionan entre ellos. Por ejemplo, en un foro cuántas interacciones ha habido.

Análisis de contenido: por ejemplo, de las tareas que se mandan a los

estudiantes, las redacciones que escriben…

Análisis del discurso: como complemento al análisis de redes, este se centra en

qué se dice, explora el lenguaje. Si tomamos como ejemplo Twitter, el análisis de
redes se centra en quién habla con quién, quiénes son los nodos etc. Y el análisis
de contenido en qué se está diciendo.

Algunas técnicas de Minería de Datos. Como la Minería de procesos, que extrae

la información relacionada con el proceso de los eventos para obtener una
presentación visual de todo el proceso.

5.3. Visualización
Este es un aspecto fundamental ya que el objetivo de las Analíticas de Aprendizaje es
ayudar a los profesores y los alumnos, y no todos ellos tienen porqué tener
conocimientos estadísticos. Por ello, muchos de los programas y aplicaciones que
utilizamos en educación disponen ya de diferentes grados de capacidad analítica que
podemos aplicar de manera automática. Así, una de las dimensiones que se vuelven
importantes es cómo se visualizan ya que es la manera de que se comprendan más
fácilmente los resultados que obtenemos de esos análisis.
Tendencias e innovación docente-UD4_Dpto. Educación [18] 1 de octubre 2017
Algunos de los análisis los podemos hacer de manera individual, y encontraremos
visualizaciones como las siguientes:

Fuente: The Flipped Clasroom (s.f.)

A muchas de estas visualizaciones, como los gráficos de barras, ya estamos

acostumbrados y nos resultan fáciles de entender, pero hay otras que pueden ser
también nuevas.

Un análisis clúster (los elementos se agrupan en función de características comunes

establecidas por el investigador) puede visualizarse así:

Tendencias e innovación docente-UD4_Dpto. Educación [19] 1 de octubre 2017

Fuente: Analisisydecisión (2013)

Otra posibilidad es el análisis de redes sociales. Por ejemplo, una actividad que
hagamos a través de Twitter podría visualizarse así:

Fuente: Kstoolkit (s.f.)

Pero también hay otra posibilidad. Los propios sistemas de gestión del aprendizaje a los
que ya hemos hecho referencia (Moodle, Blackboard…) cada vez se utilizan más y tienen
Tendencias e innovación docente-UD4_Dpto. Educación [20] 1 de octubre 2017
más funcionalidades. De hecho, dedicaremos un tema a ellos más adelante.

Estos sistemas recogen los datos de sus usuarios, cuánto tiempo dedican a un recurso,
cuántas veces se han metido en el foro, qué posts han escrito, qué notas han obtenido
en las diferentes actividades…

Esto nos abre un amplio abanico de posibilidades. Por un lado, los profesores pueden
visualizar las estadísticas de sus estudiantes, como se ve en los dos ejemplos
siguientes:

Fuente: Acrobatiq (2015)

Fuente: Braincert (2016)

Tendencias e innovación docente-UD4_Dpto. Educación [21] 1 de octubre 2017

Y también los estudiantes tienen acceso a sus propios datos. Esto es muy importante
en términos de feedback, ya que permite que los estudiantes sean más autónomos y
que se empoderen.

Fuente: Moodle (s.f.)

5.4. Algunas herramientas educativas:

En la tesis doctoral de Daysi Karina García Tinisaray (2016), vemos una amplia revisión
de las principales herramientas que resume en la tabla que reproducimos a
continuación:

Herramienta Qué hace Objetivo Enlace

Signals Proporciona un Mejorar el http://www.itap.purdue.edu/studio
indicador de rendimiento /signals/
riesgo a través de académico del
Purdue University- Estados Unidos.
un semáforo para estudiante en el
cada estudiante aula detectando
mediante el uso de tempranamente
datos en tiempo características
real (verde da la de advertencia
señal de que todo que eviten que el
está bien, amarillo estudiante se
sugiere algunas ubique en un
áreas de
Tendencias e innovación docente-UD4_Dpto. Educación [22] 1 de octubre 2017
 preocupación y estado crítico.
rojo indica
problemas
significativos).

SNAPP Realiza Ser un http://www.snappvis.org/

representaciones instrumento de
(Social University of Wollongong –
visuales de la diagnóstico
Networks Australia.
interacción que se evaluando los
Adapting
genera en los patrones de
Pedagogical
mensajes y comportamiento
Practice)
respuestas en los e identificando
foros de los estudiantes
discusión, los en riesgo de
datos los obtiene acuerdo a los
de los sistemas de niveles de
aprendizaje, como participación.
Blackboard,
Moodle y Sakai.

Socrato Facilita pruebas Identificar http://www.socrato.com/

de admisión fortalezas y
SOCRATO- Boston, Massachusetts.
estandarizadas debilidades y
para que el crear planes de
docente aprendizaje
estudiante o personalizados
escuela para mejorar las
interesada las puntuaciones.
desarrolle y
posteriormente
genera informes
de diagnóstico y
rendimiento.

LOCO-Analyst Realiza el Proporcionar a http://jelenajovanovic.net/LOCO-

(Learning seguimiento del los docentes Analyst/
Object Context estudiante una
Apoyado por: Canadian
Ontologies) analizando los retroalimentació
Internacional Development Agency
datos que genera n de la
(CIDA).
su interacción en participación de
línea con los los alumnos en Canada`s NSERC-funded LORNET
contenidos de el proceso de research network.
aprendizaje aprendizaje que
WINTEL project funded by the
(cuestionarios, se ha generado
Serbian Ministry of Science.
lecturas, foros, en la web.
etc.).

GISMO(Graphi Genera Proporcionar http://gismo.sourceforge.net/

cal Interactive representaciones una
eLearning laboratory (eLab) of the
Student gráficas que visualización útil
University of Lugano in Switzerland.
Monitoring pueden ser de las
Tool for exploradas y actividades de
Moodle) manipuladas por los estudiantes
Tendencias e innovación docente-UD4_Dpto. Educación [23] 1 de octubre 2017
 los docentes del en los cursos en
curso para línea para
examinar los docentes.
aspectos sociales,
cognitivos y de
comportamiento
de los
estudiantes.

CMA (check Los estudiantes Lograr que en http://www.umbc.edu/oit/newmedi

my activity) pueden revisar su base a las a/blackboard/stats/
actividad y la comparaciones
University of Maryland, Baltimore
frecuencia de su por pares se
County (UMBC).
uso en relación a pueda influir en
un resumen los estudiantes
anónimo de los en la
compañeros de metacognición.
curso.

Junyo Desarrolla Realizar una http://junyo.com/

plataformas retroalimentació
Silicon Valley’s Menlo
educativas para n en tiempo real
Park,California.
analizar los datos y mejorar el
que generan los proceso de
estudiantes de aprendizaje.
primaria en
tiempo real

Persistence A través de una Incrementar http://www.persistenceplusnetwor

Plus plataforma móvil, tasas de k.com/
realiza retención y
Persistence Plus™ - Boston,
intervenciones graduación
Massachusetts
conductuales
permitiendo a los
estudiantes
organizar su
tiempo y
responsabilidades
.

eLAT Permite explorar y Apoyar la http://www.elearn.rwth-

(exploratory correlacionar el reflexión y el aachen.de/Dyckhoff
Learning uso del contenido, mejoramiento
RWTH Aachen University, Germany
Analytics las propiedades y de los métodos
Toolkit) el de enseñanza en
comportamiento línea sobre la
del usuario, así base de los
como los intereses
resultados de personales y
evaluación observaciones.
basada en
indicadores
gráficos.

Moodog Muestra como los Permitir que los http://www.nmsl.cs.ucsb.edu/pape

Tendencias e innovación docente-UD4_Dpto. Educación [24] 1 de octubre 2017
 (Watchdog estudiantes estudiantes rs/152.pdf
Moodle) interactúan con comparen su
University of California in Santa
los materiales de progreso propio
Barbara.
un curso en línea, con los demás
proporciona en la clase.
recordatorios
automáticos,
alentándolos a ver
los materiales
disponibles aún no
revisados.

D2L (Student Utiliza Monitorear el https://documentation.desire2learn

Success conocimientos compromiso del .com/en/student-success-system
System) analíticos para estudiante y las
D2L Corporation - Kitchener Ontario,
hacer expectativas de
Canadá
predicciones logro para sus
sobre el cursos, controlar
rendimiento del y diseñar
estudiante y los intervenciones
niveles de riesgo específicas para
en sus cursos. los estudiantes
en riesgo
mejorar el
rendimiento
académico

jPoll Realizar un Proporcionar http://app.griffith.edu.au/poll/landi

sondeo móvil que retroalimentació ng.html
involucra a los n directa e
Griffith University - Australia
estudiantes a inmediata a los
través de iPhone, instructores y
Android, proporcionar a
Blackberry, los estudiantes
tabletas, netbooks información
y ordenadores instantánea
portátiles. Los sobre la
docentes crean comprensión de
listas de los contenidos
preguntas para para ayudarles a
sondear a los controlar su
estudiantes. propio
entendimiento.

Sherpa Proporciona una Mejorar el http://www.socccd.edu/sherpa/

(Predictive alerta temprana rendimiento
South Orange County Community
analytics de la conducta del académico a
College District- Estados Univdos
module) estudiante que través de un
tiene una mayor motor de
probabilidad de recomendación.
fracaso y fomenta
un
comportamiento
productivo.

Fuente: Karina García Tinisaray (2016)

Tendencias e innovación docente-UD4_Dpto. Educación [25] 1 de octubre 2017

Estos programas y aplicaciones son solo algunos ejemplos, pero cambian
continuamente y como ya hemos dicho varias veces lo importante no es saber utilizar
el programa en sí, sino tener las competencias para poder utilizar cualquier programa.

5.5. Problemáticas de las analíticas de aprendizaje

Ya hemos hecho referencia a varios problemas que tiene la estadística educativa en
general, pero vamos a recordarlos brevemente:
 Los datos pueden estar repartidos en diferentes fuentes: todavía se está tratando de
resolver cómo obtener estos datos.
 Los datos pueden tener diferentes formatos: igualmente, se está trabajando para
que se puedan convertir los datos o diseñar herramientas para trabajar con distintos
formatos, especialmente los de texto, ya que es una forma usual en la enseñanza
(ensayos, comentarios en foros, libros…). La tendencia en el futuro será añadir otro
tipos de datos, como gestuales u oculares, (la cámara del ordenador puede detectar
si un alumno está distraído, si hace o no una actividad…) y también datos de fuentes
diferentes (wearables –pulseras de actividad, relojes, google glasses…- LMS más
avanzados…).
 Necesitamos datos “de vuelta” para mejorar el servicio, es decir, necesitamos que
los usuarios nos den información de uso.
 Problemas de privacidad
 Propiedad de los datos:
 los datos que necesitamos pueden provenir de la actividad que llevan a cabo
los usuarios en las plataformas (actividades, participación…), redes sociales,
etc.: ¿habría que pedirles permiso para utilizar esos datos para fines
analíticos?. Algunas plataformas ya los están recogiendo y vendiendo.
¿Somos dueños de esos datos o lo son las plataformas?. Aquí entrarían
diferentes aspectos del consentimiento informado y de los derechos de los
participantes en una investigación
 registros personales o del centro: pueden estar legalmente protegidos, pero
cabe preguntarse quién tiene derecho a acceder a ellos para consultarlos,
con quién se pueden compartir y de qué manera
 ¿cómo los compartimos con otros investigadores? Se tiene que garantizar el
anonimato y hacer que no sean identificables
 Problemas de tipo “ético”:
 ¿Qué va a pasar con los profesores? ¿Los van a sustituir robots?
 Reducción de los estudiantes a números: al margen de la despersonalización
que puede suponer, nos referimos aquí a problemas más profundos como
decidir si realmente todo es predecible desde un punto de vista estadístico; si

Tendencias e innovación docente-UD4_Dpto. Educación [26] 1 de octubre 2017

 está bien que tomemos las decisiones en base a estos datos (por ejemplo,
un estudiante puede estar fallando por problemas en casa, es decir, causas
sociales y emocionales), si podemos hablar de profecía auto-cumplida (si
hemos identificado a un alumno como en riesgo de fracaso, puede que la
institución tome medidas no deseables: enviarlo a otro centro, repetir curso,
invertir menos recursos…, cuando el objetivo es precisamente el contrario).
 ¿Es bueno que se controle tanto? ¿Hasta qué punto vamos a llegar?. Es lo
que sería Gran Hermano pero aplicado a la educación.

Todo esto, junto a la idea de que las Analíticas de Aprendizaje han llegado para
quedarse, lleva a la necesidad de que los investigadores se doten de unas normas éticas
que guíen sus investigaciones y los centros educativos establezcan una guía y unos
principios claros para las LA.

Respecto a lo que corresponde a los investigadores, Drachsler (2016) propone la regla

DELICATE (por sus siglas en Inglés), que tiene ocho puntos:

1. D-etermination (determinación): Decidir sobre el propósito de aprender

analítica para su institución.

2. E-xplain (explicación): Definir el alcance de la recolección y uso de datos.

3. L-egitimate (legitimitadad): Explicar cómo se opera dentro de los marcos

legales, consultar la legislación esencial.

4. I-nvolve (implicación): Hablar con las partes interesadas y proporcionarles

garantías sobre la distribución y uso de los datos.

5. C-onsent (consentimiento): Buscar el consentimiento a través de preguntas

claras de consentimiento.

6. A-nonymise (anonimato): Mantener la identidad de los individuos tan oculta

como sea posible.

7. T- echnical procedures (Aspectos técnicos): hacer un seguimiento de quién

tiene acceso a los datos; conseguir los consentimientos etc..

8. E-xternal stakeholders (proveedores externos): Asegurarse de que los

proveedores externos de datos proporcionan los estándares de seguridad más
altos.

Respecto a los centros, Santamaría cita por ejemplo, que la Open University establece
los siguientes principios:

Tendencias e innovación docente-UD4_Dpto. Educación [27] 1 de octubre 2017

Fuente: The Open University (s.f.)

 Las analíticas del aprendizaje (Learning Analytics) es una práctica ética que deben
alinearse con los principios fundamentales, como la entrada abierta al estudio de
nivel de pregrado.
 La Open University tiene la responsabilidad de que los proveedores de datos usen y
extraigan los datos de los estudiantes para el beneficio de los estos, cuando sea
factible.
 Los estudiantes no deben ser totalmente definidos por sus datos visibles o nuestra
interpretación de los mismos.
 El propósito y límites con respecto al uso de la Analítica de Aprendizaje deben estar
bien definidos y visibles.

Tendencias e innovación docente-UD4_Dpto. Educación [28] 1 de octubre 2017

 La Universidad es transparente respecto a la recopilación de datos, y proporcionará
a los estudiantes la oportunidad de actualizar sus propios datos a intervalos
regulares.
 Los estudiantes deben ser contratados como agentes activos en la aplicación de la
Analítica de Aprendizaje (por ejemplo, caminos de aprendizaje personalizados,
intervenciones, etc.).
 La modelización y las intervenciones basadas en el análisis de datos deben estar en
buen estado y libres de prejuicios.
.

Tendencias e innovación docente-UD4_Dpto. Educación [29] 1 de octubre 2017

Bibliografía

Brown, S. (2013). MOOCs, OOCs, ips and hybrids: the new world of higher education.
En: ICICTE 2013. Proceedings. Austin, USA (págs. 237-247). Carolina del Norte, USA:
IEEE

Dietz-Uhler, B. & Hurn, J. E. (2013). Using learning analytics to predict (and improve)
student success: A faculty perspective. Journal of Interactive Online Learning, 12(1).
Retrieved from www.ncolr.org/jilo

Drachsler, H. & Greller, W. (2016). Privacy and Analytics – it’s a DELICATE issue. A
Checklist to establish trusted Learning Analytics. 6th Learning Analytics and
Knowledge Conference 2016, April 25-29, 2016, pp. 89-98. Edinburgh, UK. DOI:
http://dx.doi.org/10.1145/2883851.2883893.

Elias, T. (2011). Learning Analytics: Definitions, Processes and Potential. Obtenido de

http://learninganalytics.net/LearningAnalyticsDefinitionsProcessesPotential.pdf el 4
de septiembre de 2017

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges.

International Journal of Technology Enhanced Learning, 4(5/6) pp. 304–317.

Greller, W., & Drachsler, H. (2012). Translating learning into numbers: A generic
framework for learning analytics. Educational Technology and Society, 15(3), 42–57.
doi:10.1145/2330601.2330634

Gros, B. (2012). Retos y tendencias sobre el futuro de la investigación acerca del

aprendizaje con tecnologías digitales. RED. Revista de Educación a Distancia 3 (32).
ISSN 1578-7680

Johnson, L., Smith, R., Willis, H., Levine, A. & Haywood, K. (2011). The 2011 Horizon
Report. Austin, Texas: The New Media Consortium.

Markauskaite, L. (2011). Digital Knowledge and Digitl Research: What does eResearch
Offer Education and Social Policy?. En L. Markauskaite.,P.Freebody., J. Irwin (Eds).
(2011). Methodological Choice and Design: London/NY: Springer, 235-252.

Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data
mining in practice: A systematic literature review of empirical evidence. Journal of
Educational Technology & Society, 17(4), 49-64.

Siemens, G., & d Baker, R. S. (2012, April). Learning analytics and educational data
mining: towards communication and collaboration. In Proceedings of the 2nd
international conference on learning analytics and knowledge (pp. 252-254). ACM.

Tendencias e innovación docente-UD4_Dpto. Educación [30] 1 de octubre 2017

Steiner, C. M., Kickmeier-Rust, M. D., & Albert, D. (2014). Learning analytics and
educational data mining: An overview of recent techniques. Learning Analytics for and
in Serious Games, 6, 61-75.

Tinisaray, G., & Karina, D. (2016). Construcción de un modelo para determinar el

rendimiento académico de los estudiantes basado en learning analytics (análisis del
aprendizaje), mediante el uso de técnicas multivariantes. Tesis doctoral obtenida de
https://documat.unirioja.es/servlet/tesis?codigo=48345&orden=1&info=link

Imágenes:

Acrobatiq (2015) Measuring Student Performance: The Learning Dashboard vs. Periodic
Quizzing. [Figura] Recuperado de http://acrobatiq.com/the-learning-dashboard-vs-
tests/

Análisis y decision (2013). Analisis cluster con SAS. La importancia de las semillas en las
k-medias. [Figura] Recuperado de http://analisisydecision.es/analisis-cluster-con-sas-
la-importancia-de-las-semillas-en-las-k-medias/

Braincert (2016). Introducing New Student Dashboard for Enterprise LMS. [Figura]
Recuperado de https://www.braincert.com/blogs/17learning-management-
system/142-introducing-students-dashboard-for-enterprise-lms

Kstoolkit (s.f.). Social Network Analysis. [Figura] Recuperado de

http://www.kstoolkit.org/Social+Network+Analysis

Moodle (s.f.). General plugins (Local): SmartKlass™ Learning Analytics Moodle [Figura]
Recuperado de https://moodle.org/plugins/local_smart_klass

The Flipped Classroom (s.f.) De la observación a la analítica del aprendizaje [Figura]

Recuperado de https://www.theflippedclassroom.es/de-la-observacion-a-la-analitica-
del-aprendizaje/

The Open University (s.f.) Using information to support student learning. [Figura]
Recuperado de http://bit.ly/1CijML4

Tendencias e innovación docente-UD4_Dpto. Educación [31] 1 de octubre 2017