Diseño de una estrategia de analítica del aprendizaje en tu centro educativo. Mi dataset Los datos que había recopilado para mi dataset del módulo dos eran los siguientes: Con los datos que trabajaré serán con aquellos que pueden ser relevantes y que no atenten contra los derechos de privacidad de mis alumnos. Por lo tanto, serán los siguientes: • En vez del nombre, anonimizaré mediante un código, de tal manera cuando trabaje con estos datos hablaremos de alumno00012024, alumno00022042

• Notas de años anteriores. • Notas en los trabajos del aula. • Ordenador/dispositivos en casa a su disposición. • Ausencias. • Visitas al aula virtual. • Tiempo medio de visitas al aula virtual. • Nº tareas entregadas. • Intervenciones en el aula. • Intervenciones en foros. • Notas en trabajos y tareas dentro del aula. Los que buscaremos con esta analítica de datos es crear un modelo predictivo que nos permita identificar posibles casos de fracasos en los sucesivos años teniendo en cuenta lo ha pasa con los datos recopilados. Técnicas que vamos a aplicar Vamos a realizar un proceso centrándonos en la “inferencia estadística” que nos permite hacer deducciones o sacar conclusiones a partir de los datos. Nuestro objetivo es objetivo es obtener conclusiones sobre una población más amplia, en este caso las próximas generaciones de alumnos, a partir de la información contenida en una muestra representativa de esa población. Por tanto, vamos a intentar interpolar lo que ocurre en nuestros datos para predecir otros casos. Nuestro objetivo es obtener conclusiones útiles para hacer razonamientos deductivos sobre una totalidad, basándose en la información numérica dada por la muestra. Lo que haría serían los siguientes pasos: 1) Recopilación y limpieza de datos: nos aseguraremos que los datos están completos y manejaremos/eliminaremos datos que nos falten o duplicados. 2) Análisis descriptivo: haremos un primer análisis descriptivo mediante los cálculos de la media, mediana, desviación estándar... para cada variable. 3) Visualiza los datos mediante gráficos para identificar patrones. Para esta visualización, utilizaremos las segmentaciones de datos en excel y los diferentes tipos de gráficos. 4) Análisis de correlación: buscaremos relación entre variables como, por ejemplo, la relación entre las ausencias y las notas, e intentaremos representar gráficamente esas relaciones. 5) Intentaremos utilizar modelos predictivos: buscaremos las variables más importantes e intentaremos predecir las notas futuras basándonos en esas variables (ausencias, visitas al aula virtual, etc.). 6) Intentaremos validar del modelo

7) Inferencia estadística: con toda la información recopilada buscaremos realizar pruebas de hipótesis para determinar si las relaciones observadas son estadísticamente significativas. 8) Intentaremos identificar casos de riesgo: qué alumnado tendrá un porcentaje alto de fracaso escolar. 9) Analizaremos los factores que contribuyen al riesgo en cada caso. Posteriormente según el estudio realizado tomaremos medidas proactivas para prevenir y paliar este fracaso escolar: Las medidas a tomar según los casos serán: • Tutorías adicionales, recursos educativos y apoyo emocional a los estudiantes en riesgo. • Mejora del acceso a dispositivos y conexión a internet. • Incentivar la participación en el aula. • Seguimiento regular y personalizado del progreso de los estudiantes. Problemas a resolver Con los datos disponibles, podemos abordar varios problemas y clasificarlos según su utilidad para el alumnado, el profesorado y la organización escolar. Para el Alumnado 1. Identificación de estudiantes en riesgo de fracaso escolar: a. Datos: Notas de años anteriores, ausencias, número de tareas entregadas. b. Utilidad: Permite detectar problemas pronto y tomar medidas antes de la aparición del problema. 2. Mejora del rendimiento académico: a. Datos: Notas en trabajos del aula, visitas al aula virtual, tiempo medio de visitas al aula virtual. b. Utilidad: identifica problemas de los alumnos y nos permite una tutorización personalizada. 3. Acceso a recursos tecnológicos: a. Datos: Ordenador/dispositivos en casa a su disposición. b. Utilidad: detectar alumnos sin dispositivo para gestionar un sistema de préstamo por parte del centro y que tengan acceso a las herramientas necesarias para su aprendizaje.

Para el Profesorado 1. Estrategias de enseñanza personalizadas: a. Datos: Notas en trabajos y tareas dentro del aula, intervenciones en el aula. b. Utilidad: Permite detectar si el proceso de enseñanza y aprendizaje es el correcto y realizar posibles modificaciones para conseguir el éxito académico de los estudiantes. 2. Monitorizar el compromiso y participación: a. Datos: visitas al aula virtual, tiempo medio de visita al aula virtual. b. Utilidad: nos permite identificar los estudiantes que necesitan más apoyo o motivación. 3. Evaluación de la efectividad de las tareas y actividades: a. Datos: Notas en trabajos del aula, número de tareas entregadas. b. Utilidad: Permite ajustar las tareas y actividades para mejorar el aprendizaje. Para la Organización Escolar 1. Reducción del absentismo escolar: a. Datos: Ausencias. b. Utilidad: detectar indicadores que nos permitan reducir las ausencias y controlar la asistencia. 2. Optimización de recursos educativos: a. Datos: Ordenador/dispositivos en casa a su disposición, visitas al aula virtual. b. Utilidad: nos facilita una gestión correcta de los dispositivos de préstamos. 3. Mejora de la calidad educativa: a. Datos: Notas de años anteriores, notas en trabajos del aula. b. Utilidad: Permite evaluar las metodologías y los currículos. 4. Planificación y toma de decisiones basada en datos: a. Datos: Todos los datos recopilados. b. Utilidad: nos permite autoevaluar el propio proceso de la analítica de datos para mejorarla. Privacidad y protección de datos (lista DELICATE) Debemos manterner buenas prácticas respecto a la privacidad y la protección de datos del alumnado, del profesorado y de las instituciones, por lo que vamos a comprobar la lista DELICATE, para analíticas de aprendizaje confiables, compuesta de ocho puntos:

D (Determination): Determinación - ¿Por qué queremos aplicar analíticas de aprendizaje? • ¿Cuál será el valor añadido? para la organización, para el alumnado o para el profesorado. El valor añadido será poder controlar el proceso de aprendizaje de nuestros alumnos, permitiendo anteponernos a posibles problemas y conseguir el éxito educativo de todos los alumnos. • ¿Cuáles son los derechos de las personas interesadas? El marco legal es el Reglamento general de protección de datos (RGPD), que entró en vigor el 25 de mayo de 2018, es una ley integral de privacidad de datos, que establece un marco para la recopilación, el tratamiento, el almacenamiento y la transferencia de datos personales. E (Explain): Explicación - Claridad sobre las intenciones y objetivos. • Los datos recopilados son los del dataset anterior, anonimizando los individuos. Son datos de interés y que no compromete la privacidad del alumno. • Al ser anonimizados, mantendremos estos datos para poder ir ampliando la base de datos y hacer que nuestro modelo LA sea más fiable. • El equipo directivo y el profesorado tendrá acceso a los datos anonimizados. L (Legitimate): Legitimidad - ¿Por qué se nos permite tener acceso a los datos? • Con los datos comentados anteriormente tendremos suficiente y recopilaremos datos adicionales en el caso que no comprometan la privacidad y aporten más fiabilidad al modelo. I (Involve): Implicación - Involucra a todas las partes interesadas. • Revisaremos en todo momento el proceso para asegurarnos no incumplir normas de protección de datos y asegurarnos que no existen grietas de seguridad. • Los alumnos tendrán acceso a la información sobre sus datos personales recopilados. • El personal responsable del tratamiento de datos revisará y se formará para estar actualizado en la normativa y asegurar el cumplimiento de la RGPD. C (Consent): Consentimiento - Autorización expresa de las personas implicadas.

• Pediremos el consentimiento informado previo a la recopilación de datos a los alumnos y si estos son menores de 14 años se les solicitará a sus progenitores o tutores legales. • En el documento se explicará de forma clara y entendible cada pregunta del consentimiento. • Se les ofrecerá la posibilidad de optar por no participar en la recopilación de datos sin consecuencias. A (Anonymise): Anonimización - Eliminar la trazabilidad de los datos personales. • Anonimizar los datos cambiando los nombres por el código Alumno0002024, siendo el primero un código aleatorio del alumno y el año académico, eso nos permite generar modelos de metadatos abstractos (a lo que llamamos Generalización de datos sensibles, en la sección Anonimización y protección de datos de este curso). T (Technical): Aspectos técnicos - Procedimientos para garantizar la privacidad y la protección de los datos. • El responsable del tratamiento de datos y el equipo directivo vigilará regularmente quiénes han accedido a los datos. Siendo ellos los que den permiso a esos datos en casos excepcionales, ya que al profesorado les daremos las predicciones, pero no los datos de todo el proceso. • Actualizar los consentimientos si el análisis de datos cambia en propósito, intenciones u objetivos. • Mediante consultas a la Agencia Española de Protección de Datos nos aseguraremos de que el almacenamiento de los datos satisface los estándares internacionales de seguridad. E (External): Externalización - Aspectos a considerar si existen colaboraciones de terceras partes. • En ningún momento introduciremos colaboradores externos para evitar problemas y al no ser necesario. • En el caso que fuera necesario se realizará un contrato que establezca claramente las responsabilidades en la seguridad de los datos. • Por supuesto, siempre los datos solo se utilizarán para los usos previstos y nunca con otros propósitos. • Los datos serán anonimizados por el responsable de tratamiento de datos personales del centro educativo.

No content