|
PLATAFORMA / CANAL
|
DATOS
|
|
·
Portal
de la empresa
|
-
Número de entradas a la plataforma.
-
Tiempo de conexión en la plataforma.
-
Perfil personal y académico.
-
Resultados de los cuestionarios.
-
Fechas en las que se accede a los manuales.
-
Tipos de usuarios
*Si hay contenidos multimedia, datos relacionados con los mismos.
|
|
·
Twitter
|
-
Número de
Seguidores.
-
Número de
usuarios que sigue.
-
Fecha de inicio
en la plataforma.
-
Número de
Tweets totales.
-
Frecuencia de
actividad.
-
Interacciones
con hashtags comunes al curso y ajenos.
-
Localización
geográfica.
|
|
·
YouTube
|
-
Número de suscripciones.
-
Visualizaciones por contenido.
-
Impactos Likes/dislikes
-
Fechas de subida de contenido.
-
Número de Comentarios y respuestas.
|
|
·
TinyLetter
|
-
Suscriptores.
-
Fechas de suscripción.
-
Usuarios que
dejan de ser suscriptores y fechas.
-
Número de
envíos y contestaciones.
-
Opens &
clicks.
|
|
·
Blog
|
-
Número de sesiones
-
Número de usuarios
-
Tipos de usuario
-
Número de páginas vistas
-
Páginas por sesión
-
Duración de la sesión
|
|
|
|
viernes, 17 de mayo de 2019
TABLA - MÉTRICAS
Actividad 4 — Diseño de investigación
INTRODUCCIÓN
La mejora efectiva de los
entornos donde operan nuestros modelos es el objetivo final de la aplicación de
un sistema basado en la analítica de datos del aprendizaje. Sin embargo, en
muchas ocasiones nos encontramos con una labor de confirmación de lo que ya
sabíamos y redundamos en lo que a simple vista parece obvio. Debemos mirar más allá
del “los alumnos que hacen cosas aprueban más que los que no” (Reich 2014) y
conseguir resultados de calidad que permitan esclarecer conclusiones prácticas y
aplicables a los sistemas de enseñanza actuales.
OBJETIVOS
1.
Medir qué competencias adquieren los estudiantes
al final del curso.
2.
Medir cómo evoluciona la adquisición de las
competencias durante el ciclo del curso.
3. Conocer
las causas que explican la adquisición de las competencias por parte de los
estudiantes.
METODOLOGÍA
Dada la diversidad de objetivos propuestos
para satisfacer y el carácter experimental del curso sobre el que realizamos la
investigación hemos optado por una revisión de diferentes modelos de
aplicación.
En primer lugar, aplicaremos un
modelo basado en “destillation of data for
human judgement” con objeto de definir las competencias que profesionales y
expertos definan como relevantes para el curso.
Con posterioridad, aplicaremos
otro modelo conocido como Relationship
minning, cuyo enfoque centraremos en las causas siguiendo una estrategia de
Casual mining. Esto nos permitirá
descubrir relaciones entre diferentes variables en relación a la adquisición de
competencias.
INSTRUMENTOS DE
OBTENCIÓN DE DATOS
-
RapidMine
-
Bayesian Knowledge
-
Detector of gaming
INTERPRETACIÓN Y
VISUALIZACIÓN
Utilizaremos infografías como:
-
Curvas de aprendizaje
-
Learnograms
-
Grafos
ANEXO
·
Garantías éticas
o
Diseño de un plan de uso de los datos en base a
los objetivos propuestos.
o
Transparencia en las diferentes fases del
proceso
·
Privacidad
o
En cumplimiento con la normativa general de
protección de datos y anonimato de los alumnos.
o
Consentimiento informado y aceptado por parte de
los alumnos ofreciendo información sobre el uso que se va a hacer de los datos
recabados.
·
Seguridad
o
Infraestructura diseñada para evitar la pérdida
o sustracción de los datos
o
Control y supervisión del uso de los datos en
caso de ser administrados por terceros.
BIBLIOGRAFÍA
·
Baker, R.S.J.d, &
Siemens, G. (2014). Educational data mining and learning analytics. Cambridge
Handbook of the Learning Sciences. http://www.columbia.edu/~rsb2162/BakerSiemensHandbook2013.pdf
·
Reich, J. (2014). Big data MOOC research
breakthrough: Learning activities lead to achievement. Education Week: EdTech
Researcher. Disponible en ducation Week http://blogs.edweek.org/edweek/edtechresearcher/2014/03/big_data_mooc_research_breakthrough_learning_activities_lead_to_achievement.html
Suscribirse a:
Entradas (Atom)