Análisis de datos en la educación superior

La analítica académica se define como el proceso de evaluar y analizar los datos organizacionales recibidos de los sistemas universitarios con fines de elaboración de informes y toma de decisiones (Campbell y Oblinger, 2007).El análisis académico ayudará a estudiantes y profesores a seguir sus trayectorias profesionales. Según Campbell y Oblinger (2007), las agencias de acreditación, los gobiernos , los padres y los estudiantes exigen la adopción de métodos modernos y eficientes para mejorar y supervisar el éxito estudiantil. Esto ha llevado al sistema de educación superior a una era caracterizada por un mayor escrutinio por parte de los diversos actores involucrados . Por ejemplo, el informe Bradley reconoce que las actividades de evaluación comparativa, como la participación estudiantil, sirven como indicadores para medir la calidad de la institución ( Gobierno de la Commonwealth de Australia , 2008).

El aumento de la competencia, la acreditación , la evaluación y la regulación son los principales factores que impulsan la adopción de la analítica en la educación superior . Si bien las instituciones de enseñanza superior recopilan gran cantidad de datos vitales que pueden ayudar significativamente a resolver problemas como la deserción y la retención, estos datos no se analizan adecuadamente y, por lo tanto, no se transforman en información útil (Goldstein, 2005).

Posteriormente, los líderes de la educación superior se ven obligados a tomar decisiones críticas y vitales basadas en información insuficiente que podría obtenerse mediante el uso y análisis adecuados de los datos disponibles (Norris, Leonard y Strategic Initiatives Inc., 2008). Esto da lugar a problemas estratégicos. Este revés también se manifiesta a nivel táctico . El aprendizaje y la enseñanza en las instituciones de educación superior suelen ser una experiencia diversa y compleja. Cada profesor, estudiante o curso es muy diferente.

Sin embargo, el LMS se encarga de gestionar todo esto. El LMS es fundamental para el análisis académico. Registra la información y los resultados de cada estudiante y miembro del personal con un solo clic dentro del sistema. Cuando esta información crucial se agrega, compara y contrasta con diferentes sistemas de información empresarial, proporciona a la institución una amplia gama de información útil que puede aprovecharse para obtener una ventaja competitiva (Dawson y McWilliam, 2008; Goldstein, 2005; Heathcoate y Dawson, 2005).

Para recuperar información significativa de las fuentes institucionales, es decir, el LMS, la información debe interpretarse correctamente en función de la eficiencia educativa, y esta acción requiere el análisis de personas con habilidades de enseñanza y aprendizaje. Por lo tanto, se requiere un enfoque colaborativo tanto de las personas que custodian los datos como de quienes los interpretarán, de lo contrario los datos se desperdiciarán por completo (Baepler y Murdoch, 2010). ^{[ 1 ]} La toma de decisiones en su nivel más básico se basa en la presunción o la intuición (una persona puede hacer conclusiones y tomar decisiones basándose en la experiencia sin tener que hacer un análisis de datos) (Siemens y Long, 2011). Sin embargo, muchas decisiones tomadas en las instituciones de educación superior son demasiado vitales como para basarse en anécdotas , presunciones o intuiciones, ya que las decisiones importantes deben estar respaldadas por datos y hechos.

La analítica , a menudo denominada « inteligencia empresarial », se ha consolidado como un nuevo software y hardware que permite a las empresas recopilar y analizar grandes cantidades de información o datos. El proceso analítico consiste en la recopilación, el análisis y la manipulación de datos , así como en el uso de los resultados para responder a preguntas cruciales como el «por qué». La analítica se aplicó por primera vez en el departamento de admisiones de las instituciones de educación superior. Estas instituciones solían utilizar fórmulas para seleccionar a los estudiantes entre un gran número de solicitantes. Dichas fórmulas extraían información de los expedientes académicos de la escuela secundaria y de los resultados de las pruebas estandarizadas.

En el mundo actual, la analítica se utiliza comúnmente en unidades administrativas como la recaudación de fondos y las admisiones. Se espera que el uso y la aplicación de la analítica académica crezcan debido a la creciente preocupación por el éxito y la responsabilidad estudiantil. La analítica académica combina principalmente datos complejos y extensos con modelos predictivos y técnicas estadísticas para una mejor toma de decisiones. Las iniciativas actuales de analítica académica se orientan a utilizar datos para predecir qué estudiantes experimentarán dificultades (Arnold y Pistilli, abril de 2012). ^{[ 2 ]} Esto permite a los asesores y miembros del profesorado intervenir adaptando los procedimientos para satisfacer las necesidades de aprendizaje del estudiante (Arnold, 2010). ^{[ 3 ]} Por lo tanto, la analítica académica tiene la capacidad de mejorar el aprendizaje, el éxito estudiantil y la enseñanza. La analítica se ha convertido en una herramienta valiosa para las instituciones debido a su capacidad para predecir, modelar y mejorar la toma de decisiones.

El análisis se compone de cinco pasos básicos: captura, informe, predicción, actuación y refinamiento.

Captura : Todos los esfuerzos analíticos se centran en los datos. Por consiguiente, el análisis académico puede basarse en datos de diversas fuentes, como un CMS y sistemas financieros (Campbell, Finnegan y Collins, 2006). Además, los datos se presentan en diferentes formatos, por ejemplo, hojas de cálculo . También se pueden obtener datos del entorno externo de la institución. Para capturar datos, el análisis académico necesita determinar el tipo de datos disponibles, los métodos para aprovecharlos y los formatos en los que se encuentran.

Informe : Una vez que los datos se han capturado y almacenado en una ubicación central, los analistas los examinarán, realizarán consultas e identificarán patrones, tendencias y excepciones. Generalmente se generan la desviación estándar y la media ( estadísticas descriptivas ).

Predicción : Tras analizar los datos almacenados mediante estadística, se desarrolla un modelo predictivo . Estos modelos varían según la naturaleza de la pregunta y el tipo de datos. Para calcular la probabilidad , emplean conceptos y técnicas de regresión estadística . Las predicciones se realizan mediante algoritmos estadísticos .

Acción : El objetivo principal del análisis de datos es permitir que la institución tome medidas basadas en las probabilidades y predicciones realizadas. Estas medidas pueden abarcar desde la invención hasta la generación de información. Las intervenciones para abordar los problemas pueden consistir en un correo electrónico personal, una llamada telefónica o un contacto automatizado de los asesores académicos sobre recursos y habilidades de estudio, como horarios de consulta o sesiones de ayuda. Sin duda, las instituciones deben establecer mecanismos adecuados para medir el impacto; por ejemplo, si los estudiantes respondieron o asistieron a las sesiones de ayuda cuando fueron invitados.

Refinar : El análisis académico también debe constar de un proceso orientado a la mejora continua . Los procesos estadísticos deben actualizarse constantemente, ya que la medición del impacto de los proyectos no es un esfuerzo estático y puntual, sino un proceso continuo. Por ejemplo, el análisis de admisiones debe actualizarse o revisarse anualmente.

Las analíticas han sido criticadas por diversas razones, como la elaboración de perfiles . Su principal uso es clasificar a los estudiantes en categorías de éxito y fracaso. Sin embargo, algunos argumentan que la elaboración de perfiles tiende a sesgar los comportamientos y las expectativas de las personas (Ferguson, 2012). Además, no existen directrices claras sobre qué prácticas de elaboración de perfiles deberían prohibirse o permitirse en las instituciones de educación superior.

• Análisis académico en la biblioteca de recursos de EDUCAUSE
• Arnold, KE (2010). Señales: Aplicación de la analítica académica. Educause Quarterly, 33(1), n1. (rendición de cuentas)
• Arnold, KE y Pistilli, MD (2012, abril). Señales de cursos en Purdue: Uso de análisis de aprendizaje para aumentar el éxito estudiantil. En Actas de la 2.ª Conferencia Internacional sobre Análisis de Aprendizaje y Conocimiento (págs.  267-270). ACM.
• Baepler, P., & Murdoch, CJ (2010). Analítica académica y minería de datos en la educación superior. International Journal for the Scholarship of Teaching and Learning, 4(2), 17.
• Campbell, JP, & Oblinger, DG (2007). Analítica académica. Artículo de Educause.
• Campbell, JP, Finnegan, C., & Collins, B. (2006). Analítica académica: Uso del CMS como sistema de alerta temprana. En Conferencia de impacto de WebCT.
• Gobierno de la Commonwealth de Australia. (2008). Revisión de la educación superior australiana. (Número de documento)
• Dawson, S., y McWilliam, E. (2008). Investigación sobre la aplicación de datos generados por TI como indicador del rendimiento en el aprendizaje y la enseñanza: Universidad Tecnológica de Queensland y Universidad de Columbia Británica. (Número de documento del Consejo de Tecnología de la Información de Australia)
• Ferguson, R. (2012). Analítica del aprendizaje: impulsores, desarrollos y desafíos. International Journal of Technology Enhanced Learning, 4(5), 304-317.
• Goldstein, P. (2005). Analítica académica: Usos de la información y la tecnología de gestión en la educación superior. (Número de documento)
• Heathcoate, L., & Dawson, S. (2005). Minería de datos para evaluación, análisis comparativo y práctica reflexiva en un LMS. E-Learn 2005: Conferencia mundial sobre aprendizaje electrónico en el ámbito empresarial, gubernamental, sanitario y de la educación superior.
• Norris, DM, Leonard, J., y Strategic Initiatives Inc. (2008). Lo que todo líder universitario necesita saber sobre análisis de datos. (Número de documento)
• Pistilli, MD, Arnold, K., & Bethune, M. (2012). Señales: Uso de análisis académicos para promover el éxito estudiantil. EDUCAUSE Review Online, 1-8.
• Siemens, G., & Long, P. (2011). Penetrando la niebla: Analítica en el aprendizaje y la educación. Educause Review, 46(5), 30-32.