El Learning Analytics está cada vez más presente en el día a día de las instituciones educativas. Una gran prueba de ello son las constantes búsquedas que recibe esta tendencia tecnológica en Google Scholar, alcanzando ya el medio millón de resultados. Su objetivo no es otro que recoger, contextualizar datos relacionados con el proceso de aprendizaje de los alumnos con el objetivo de incrementar el éxito en los programas académicos que estén tomando parte. El informe “OBServatory” de Eulalia Torras y Andreu Bellot, investigadores de OBS Business School, propone categorizar los diferentes algoritmos del Learning Analytics, en aprendizaje supervisado y aprendizaje no supervisado.
La principal diferencia entre ambas radica en la necesidad de deducir la función en base a datos de entrenamiento o no. De forma habitual, el aprendizaje supervisado tiene el objetivo principal de analizar una base datos con la intención de realizar una predicción. En este caso, la precisión y la optimización son dos de sus características principales. Por ello, no es de extrañar que el aprendizaje supervisado también recoja diferentes herramientas de la estadística. Algunas de las más usadas son la regresión, que permite establecer una variable dependiente con otra independiente con niveles o diferentes variables independientes, o la clasificación con la principal función de poder verificar que las reglas de clasificación generadas son realmente efectivas. Finalmente, el árbol de decisiones es otra de las técnicas más utilizadas en el aprendizaje supervisado a través del Learning Machine. Con esto, las variables representan un conjunto finito de valores que se conocen como árboles de decisión. Las ramas de estos árboles, a su vez, representan la conjunción de características y las hojas de estos árboles permiten realizar la etiquetación de cada una de las clases.
En cambio, el aprendizaje no supervisado permite crear una función que describa una estructura de datos que no estén clasificados ni categorizados. Es ideal para reducir la enorme cantidad de datos y agruparlos con lógica facilitando su interpretación. El clustering es el elemento estrella de este tipo de aprendizaje que consiste en agrupar los datos de acuerdo a algún tipo de medida de similitud. Con ello, es posible la transformación de atributos continuos en atributos discretos manteniendo el ancho, la frecuencia o el manual del método. En líneas generales, el clustering se acostumbra a utilizar en aquellos datos de e-learning que están basados en similitudes, estudiantes que utilicen los mismos patrones de navegación o aprendizaje, así como la propuesta del análisis de agrupamiento como parte de una estrategia de e-learning. Dentro del clustering, podemos encontrar el algoritmo K-means que se caracteriza por ser simple, eficaz y bastante eficiente encontrando grupos de objetos similares usando múltiples atributos de datos.
En la última década también ha aparecido lo que se conoce como Neural Network, realmente utilizado en toda la comunidad del Machine Learning, que permite categorizar texto de acuerdo a todo su contenido, recuperación de imágenes, índices webs, recomendación de páginas… Sin embargo, en este caso, todas las instituciones de educación en línea deben plantearse seriamente si utilizar esta técnica debido al elevado coste que conlleva. Por ello, para evitar que pueda producir problemas de presupuesto se han planteado diferentes alternativas. En la literatura ya se utilizan los algoritmos APR, Diverso Densidad (DD) uno de los algoritmos más utilizados en el campo educativo, así como diferentes variantes entre las que se pueden encontrar EM-DD, un algoritmo que es capaz de combinar el DD con la maximización de la expectativa (EM).
Además de las técnicas, el uso eficiente del Learning Analytics pasa por dar respuesta a las necesidades de las instituciones educativas partiendo de unas expectativas que no sean demasiado elevadas y a través de un equipo interdisciplinar que requiere un profesional de la psicología de la educación, un informático y un experto en la gestión de la institución. Además, deben usarse las métricas adecuadas para avanzar correctamente con el uso de este método y emplear el tiempo necesario para preparar correctamente los datos. Encontrar el equilibrio para utilizar los datos que sean absolutamente necesarios en la interpretación es otro de los grandes retos a los que se enfrenta esta tendencia a la alza.
