{"id":66,"date":"2023-06-05T08:37:58","date_gmt":"2023-06-05T06:37:58","guid":{"rendered":"http:\/\/learning-analytics-aula.azurewebsites.net\/?page_id=66"},"modified":"2023-07-11T09:11:02","modified_gmt":"2023-07-11T07:11:02","slug":"introduccion-a-la-ciencia-de-datos-aplicada-a-la-educacion","status":"publish","type":"page","link":"http:\/\/learning-analytics.aula.uoc.edu\/es\/","title":{"rendered":"Introducci\u00f3n"},"content":{"rendered":"

\u00abLos datos<\/em> son una cosa preciosa y durar\u00e1n m\u00e1s tiempo que los propios sistemas\u00bb.<\/p><\/blockquote>\n

Tim Berners-Lee<\/p>\n<\/div>\n

La Ciencia de Datos<\/strong> es un t\u00e9rmino abierto aplicable a un gran n\u00famero de disciplinas, y lo entendemos como el conjunto de t\u00e9cnicas y principios que regulan la recopilaci\u00f3n y medici\u00f3n de datos sobre un determinado proceso. En el \u00e1mbito espec\u00edfico de la educaci\u00f3n, nos referimos al proceso de ense\u00f1anza y de aprendizaje mediante el c\u00e1lculo de indicadores y m\u00e9tricas que permitan interpretar los resultados del fen\u00f3meno objeto de estudio, el proceso a trav\u00e9s del cual los estudiantes construyen conocimiento significativo de manera conjunta.<\/p>\n

Un claro ejemplo de aplicaci\u00f3n de la Ciencia de Datos en el \u00e1mbito educativo es la predicci\u00f3n del rendimiento acad\u00e9mico de los estudiantes, gracias a la construcci\u00f3n de modelos predictivos en base a datos hist\u00f3ricos con el objetivo de detectar el fracaso o el abandono de los estudiantes antes de que ocurra; y al emprendimiento de medidas correctoras que se basan en el conocimiento adquirido en el an\u00e1lisis de los modelos de datos. Otro ejemplo de aplicaci\u00f3n es la personalizaci\u00f3n del aprendizaje, tanto en contenidos did\u00e1cticos como en actividades de evaluaci\u00f3n e itinerarios formativos. De este modo, se consigue mejorar la experiencia de los estudiantes al aumentar su rendimiento y al facilitar la adquisici\u00f3n de los objetivos curriculares.<\/p>\n

En la Sociedad de la Informaci\u00f3n y el Conocimiento, recientemente bautizada con el nombre de Sociedad de la<\/strong> Inteligencia Artificial,<\/strong> los datos y el uso que se hace de ellos cobran una gran relevancia. La Inteligencia Artificial (IA) es la combinaci\u00f3n de algoritmos planteados con el prop\u00f3sito de crear m\u00e1quinas que presenten las mismas capacidades que el ser humano que, a su vez, han sido generados por las propias personas para generar productos de conocimiento (escritos, orales o en formato de video).<\/p>\n

Es importante destacar que, si bien la mejora en los algoritmos y el manejo de grandes cantidades de datos puede ofrecer m\u00e1s oportunidades en el uso de la IA (Chat GPT), tambi\u00e9n es esencial tener en cuenta las limitaciones que esta tecnolog\u00eda presenta, dado que tomar decisiones informadas sobre el uso de la IA en la educaci\u00f3n requiere una comprensi\u00f3n clara de su naturaleza y de sus limitaciones.<\/p>\n

Sin embargo, es a\u00fan m\u00e1s importante la explotaci\u00f3n o \u00abminado\u00bb de estos datos con diversos fines como, por ejemplo, descubrir patrones en ellos que nos ayuden a comprender un fen\u00f3meno; o bien para comprobar teor\u00edas cient\u00edficas y construir modelos que nos ayuden a predecir el comportamiento de un sistema; entre otros. Es por este motivo que la Ciencia de Datos se retroalimenta de un conjunto de disciplinas relacionadas (figura 1), que a continuaci\u00f3n describiremos.<\/p>\n

\"\"
Figura 1. Disciplinas relacionadas con la Ciencia de Datos
Fuente: elaboraci\u00f3n propia<\/figcaption><\/figure>\n

La Miner\u00eda de Datos<\/strong> (Data Mining<\/em>) es una disciplina de la que algunos investigadores ya hablaban en la d\u00e9cada de los ochenta. Desde sus inicios fue considerada como un campo de investigaci\u00f3n de car\u00e1cter t\u00e9cnico-matem\u00e1tico, puesto que se centraba en el uso de t\u00e9cnicas algor\u00edtmicas para la detecci\u00f3n de patrones y la obtenci\u00f3n de informaci\u00f3n, m\u00e1s all\u00e1 de las de car\u00e1cter estad\u00edstico-descriptivo para la extracci\u00f3n de informaci\u00f3n relevante y aparentemente opaca que se encuentra dentro de los datos. Dichos datos se recogen y se almacenan por medios telem\u00e1ticos y digitales.<\/p>\n

Entendemos la Miner\u00eda de Datos como el campo relacionado con el empleo de grandes cantidades de datos para apoyar el descubrimiento de informaci\u00f3n novedosa y potencialmente \u00fatil. Tambi\u00e9n puede ser definida como una disciplina que permite descubrir informaci\u00f3n de una potencial utilidad en un gran n\u00famero de datos. Sin embargo, la aplicaci\u00f3n de determinadas herramientas y metodolog\u00edas propias de la Miner\u00eda de Datos en el contexto educativo es lo que se conoce como Miner\u00eda de Datos Educativos<\/strong> (Educational Data Mining<\/em>). Esta extracci\u00f3n de informaci\u00f3n de los datos en entornos educativos permite poner a prueba las teor\u00edas del aprendizaje y permite obtener informaci\u00f3n sobre las pr\u00e1cticas educativas.<\/p>\n

Con la Miner\u00eda de Datos Educativos podemos alcanzar diversos objetivos: por un lado, la informaci\u00f3n obtenida se puede vincular con t\u00e9cnicas anal\u00edticas y modelos predictivos para mejorar la toma de decisiones en las instituciones educativas. Este uso recibe el nombre de anal\u00edticas acad\u00e9micas<\/strong> (Academic Analytics<\/em>) y las podemos describir como la aplicaci\u00f3n de la inteligencia de negocios para el \u00e1rea del aprendizaje. Pero lo que motiva el presente material es el enfoque pedag\u00f3gico, en el que emerge la disciplina de las anal\u00edticas del aprendizaje<\/strong> (Learning Analytics<\/em>) y sus aplicaciones (Minguill\u00f3n et al<\/em>., 2014). Es decir, se pretende analizar toda la informaci\u00f3n que el estudiante en l\u00ednea proporciona a trav\u00e9s de sus acciones cuando interacciona con los agentes del proceso educativo, aplicando metodolog\u00edas adecuadas y seleccionando la informaci\u00f3n necesaria para conocer su desarrollo cuando desempe\u00f1a actividades de aprendizaje de tipo colaborativo. Esta idea radica en la necesidad de facilitar el seguimiento de los estudiantes por parte del profesorado y en la de evaluar este tipo de actividades de aprendizaje en entornos en l\u00ednea (Cooper y Khosravi, 2018).<\/p>\n

En el \u00e1mbito educativo superior, las t\u00e9cnicas de Miner\u00eda de Datos han estimulado poderosos movimientos, entre los cuales destaca particularmente las anal\u00edticas del aprendizaje (Buckingham y Deakin, 2016; Ferguson et al<\/em>., 2016). Algunos investigadores consideran que las anal\u00edticas del aprendizaje son herramientas que ofrecen informaci\u00f3n sobre los procesos de interacci\u00f3n entre los estudiantes (Caball\u00e9 y Claris\u00f3, 2016), mientras que otros autores (Ga\u00f1\u00e1n et al<\/em>., 2017) las consideran m\u00e1s como un servicio que monitoriza el progreso de los procesos de ense\u00f1anza y aprendizaje en l\u00ednea a trav\u00e9s de sistemas y aplicaciones de aprendizaje virtual (e-learning<\/em>). De hecho, uno de los retos a los que se enfrenta el profesorado es la interpretaci\u00f3n de cuadros de mandos que monitorizan datos sobre el rendimiento de los estudiantes (Herodotou et al<\/em>., 2023).<\/p>\n

Para concluir con la contextualizaci\u00f3n de las anal\u00edticas del aprendizaje y su vinculaci\u00f3n con las disciplinas descritas anteriormente, se ha de remarcar la contribuci\u00f3n de Long\u00a0 y Siemens (2011), que identifican los rasgos comunes entre las anal\u00edticas del aprendizaje, las anal\u00edticas acad\u00e9micas y la Miner\u00eda de Datos Educativos a trav\u00e9s de la figura 2.<\/p>\n

\"\"
Figura 2. Aspectos comunes de las disciplinas AA, LA y EDM
Fuente: Adaptaci\u00f3n a partir de Long y Siemens, 2011<\/figcaption><\/figure>\n

Como aspectos comunes m\u00e1s relevantes de la anterior figura, los autores destacan que las tres disciplinas ofrecen un enfoque centrado en el uso de los datos, una b\u00fasqueda del \u00e9xito del estudiante, la ayuda a la toma de decisiones y a la planificaci\u00f3n, y una contribuci\u00f3n de base para la investigaci\u00f3n de campo. El reto se encuentra en contrarrestar la idea que el profesorado tiene en torno a las anal\u00edticas del aprendizaje de que a menudo se le da prioridad a la producci\u00f3n de datos sobre la actividad del estudiante m\u00e1s que en apoyar el aprendizaje de estos.<\/p>\n

Los entornos de aprendizaje en l\u00ednea posibilitan el registro de todas las interacciones que se producen entre los estudiantes a trav\u00e9s de grandes bases de datos. Dichos datos por s\u00ed mismos no tienen significado hasta que no se les otorga sentido, se analizan, se resumen y, finalmente, se utilizan para alcanzar unos objetivos o metas concretos. En este contexto emergen nuevas disciplinas que se encargan del estudio de los datos y de la forma en la que pueden ser relacionados entre s\u00ed para comprender mejor la realidad pasada, presente o, incluso, su predicci\u00f3n. Este es el caso de las anal\u00edticas del aprendizaje.<\/p>\n","protected":false},"excerpt":{"rendered":"

\u00abLos datos son una cosa preciosa y durar\u00e1n m\u00e1s tiempo que los propios sistemas\u00bb. La Ciencia de Datos es un t\u00e9rmino abierto aplicable a un gran n\u00famero de disciplinas, y lo entendemos como el conjunto de t\u00e9cnicas y principios que regulan la recopilaci\u00f3n y medici\u00f3n de datos sobre un determinado proceso. En el \u00e1mbito espec\u00edfico […]<\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"acf":[],"_links":{"self":[{"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/66"}],"collection":[{"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/comments?post=66"}],"version-history":[{"count":23,"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/66\/revisions"}],"predecessor-version":[{"id":619,"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/66\/revisions\/619"}],"wp:attachment":[{"href":"http:\/\/learning-analytics.aula.uoc.edu\/es\/wp-json\/wp\/v2\/media?parent=66"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}