Model@: Conocimiento predictivo en el aula

13 febrero, 2018

(Trobareu la versió en català més avall)

Muy a menudo el conocimiento tangible de los PRA’s (Profesor Responsable de Asignatura) y colaboradores docentes (consultores y tutores) en relación a una asignatura, se adquiere con la experiencia obtenida a lo largo de los años. Por ejemplo, si el alumno no presenta la actividad X difícilmente aprobará la asignatura, o bien, cuando un alumno obtiene la nota Y en la actividad X difícilmente podrá superar la asignatura. Básicamente, el profesor realiza un tipo de predicción basándose en su experiencia personal y proyecta en el futuro unos posibles resultados o rendimientos de la asignatura en concreto.

Podemos decir que la creación de los modelos predictivos es un tema de investigación estudiado desde los años 80, es decir, no es un tema innovador que requiera una gran investigación. A partir de modelos estadísticos o, bien, de técnicas de Machine Learning, se pueden desarrollar modelos predictivos adecuados y totalmente automatizados alimentados por datos almacenados de experiencias previas. En nuestro caso, por ejemplo, se podría predecir si un alumno puede superar una asignatura en función de las actividades que ha realizado a lo largo del curso. La idea principal es crear un modelo predictivo a partir de los datos previos de alumnos que han cursado aquella misma asignatura. Adicionalmente, cada modelo predictivo se puede personalizar basándose en particularidades que se pueden encontrar en el diseño de cada una de las asignaturas que configuran un determinado curso (por ejemplo, número de actividades a desarrollar o recursos consultados).

Fuente: https://www.linkedin.com/pulse/future-according-my-crystal-ball-mocheche-mabuza

Por lo tanto, ¿qué nos puede ofrecer un modelo predictivo? Es un salto cualitativo sobre datos analíticos. Los datos analíticos nos dicen qué va a pasar en un determinado momento o cómo está la situación en el momento actual. Lo que hace un modelo predictivo es analizar dichos datos analíticos y generar una predicción para el futuro.

En consecuencia, ¿qué ventajas nos puede ofrecer un modelo predictivo? Principalmente, se podría decir que tienes muchas ventajas potenciales y, lo más importante, el hecho de poder anticiparnos a algunos eventos antes de que sucedan. Dicho de otra manera, el hecho de que podamos tener un modelo predictivo sobre la superación o abandono de una asignatura por parte del alumnado puede permitir que en determinados casos donde es posible un abandono o una no superación, tengamos tiempo o margen de error para poder aplicar acciones a nivel de tutoría o consultoría de tal manera que esta predicción no se cumpla.

El modelo predictivo diseñado se basa en técnicas de Machine Learning para generar un modelo que aprende a partir de hechos o acciones que ya han sucedido. Actualmente, existen herramientas que permiten automatizar la generación de estos modelos, reduciendo el problema a seleccionar los eventos o acciones que se deben de tener en cuenta para generar el modelo.

Los modelos predictivos en la educación se han aplicado en diversos ámbitos, sobre todo en la investigación de qué actividades o recursos docentes tienen impacto real en la superación de una asignatura. No obstante, en este trabajo consideramos que un modelo predictivo se puede utilizar como un servicio adicional para la docencia. Proporcionar este tipo de información a un docente puede ayudarle a reconducir la docencia en cualquier punto del curso, tanto a nivel grupal como individual, ya que no necesita esperar al final para ver qué ha pasado, perdiendo, así, la oportunidad de rectificar para intentar recuperar a posibles alumnos desmotivados y con la intención de abandonar la asignatura. Por otro lado, al alumno, un modelo predictivo le dará información y transparencia sobre su progresión dentro de la asignatura en todo momento, con la intención de motivarlo.

Este tipo de servicio predictivo puede dar un valor añadido y diferencial a nuestro modelo educativo, en comparación con las universidades presenciales u otras virtuales. Hemos de tener en cuenta que la relación con nuestros estudiantes es virtual y cualquier información complementaria se hace necesaria y vital para la continua mejora de nuestro proceso de aprendizaje.

David Bañeres es doctor en Informática por la Universidad Politécnica de Cataluña (UPC) e Ingeniero Superior en Informática por la misma universidad. Es profesor de los Estudios de Informática, Multimedia y Telecomunicación de la UOC y director del Máster Oficial en Software Libre de la UOC. Pertenece al grupo de investigación SOM. Su trabajo de investigación se centra en nuevas metodologías de aprendizaje y herramientas de e-learning.

Montse Serra es doctora en Informática por la Universidad Autónoma de Barcelona (UAB), Ingeniera en Informática y Máster en Combinatoria y Comunicación Digital por la misma universidad. Es profesora de los Estudios de Informática, Multimedia y Telecomunicación de la UOC y directora del Máster Universitario de Seguridad de las TIC de la UOC. Pertenece al grupo de investigación INVENTA. Su trabajo de investigación se centra en el compromiso social de la tecnología.

Model@: Coneixement predictiu a l’aula

Molt sovint el coneixement tangible dels PRAs (Professor Responsable d’Assignatura) i col·laboradors docents (consultors i tutors) en relació a una assignatura s’adquireix amb l’experiència obtinguda al llarg dels anys. Per exemple, si l’alumne no presenta l’activitat X difícilment aprovarà l’assignatura, o bé, quan un alumne obté la nota Y en l’activitat X difícilment podrà superar l’assignatura. Bàsicament el professor fa una mena de predicció basant‐se en la seva experiència personal i projecta en el futur uns possibles resultats o rendiments de l’assignatura en concret.

Val a dir que la creació de models predictius és un tema de recerca estudiat des dels anys 80, és a dir, no és un tema innovador que requereixi una gran investigació. A partir de models estadístics o bé de tècniques de Machine Learning es poden desenvolupar models predictius acurats i totalment automatitzats alimentats per dades emmagatzemades d’experiències prèvies. En el nostre cas, per exemple, es podria predir si un alumne pot superar una assignatura en funció de les activitats que ha realitzat al llarg del curs. La idea principal és crear un model predictiu a partir de les dades prèvies d’alumnes que han cursat aquella mateixa assignatura. Addicionalment, cada model predictiu es pot personalitzar basant‐se en les particularitats que es poden trobar en el disseny de cadascuna de les assignatures que configuren un determinat curs (per exemple, nombre d’activitats a desenvolupar o recursos consultats).

Fuente: https://www.linkedin.com/pulse/future-according-my-crystal-ball-mocheche-mabuza

Per tant, què ens pot oferir un model predictiu? És un salt qualitatiu sobre dades analítiques. Les dades analítiques ens diuen què va passar en un determinat moment o com està la situació en el moment actual. El que fa un model predictiu és analitzar aquestes dades analítiques i generar una predicció pel futur.

Conseqüentment, quins avantatges ens pot oferir un model predictiu? Principalment, es podria dir que té molts avantatges potencials i, el més important, el fet de poder anticipar‐nos a alguns esdeveniments abans que succeeixin. Dit d’una altra manera, el fet que puguem tenir un model predictiu sobre la superació i l’abandonament d’una assignatura per part de l’alumnat pot permetre que en determinats casos, en els quals podria donar-se un abandonament o una no superació, tinguem temps o marge d’error per poder aplicar accions a nivell de tutoria o consultoria de tal manera que aquesta predicció no s’acompleixi.

El model predictiu dissenyat es basa en tècniques de Machine Learning per generar un model que aprèn a partir de fets o accions que ja han succeït. Actualment existeixen eines que permeten automatitzar la generació d’aquests models, reduint el problema a seleccionar els esdeveniments o accions que s’han de tenir en compte per generar el model.

Els models predictius en l’educació s’han aplicat en diversos àmbits, sobretot en la investigació de quines activitats o recursos docents tenen impacte real en la superació d’una assignatura. No obstant, en aquest projecte considerem que un model predictiu es pot utilitzar com un servei addicional per a la docència. Donar aquest tipus d’informació a un docent pot ajudar-lo a reconduir la docència en qualsevol punt del curs, tant a nivell grupal com individual, sense necessitat d’haver d’esperar al final per veure què ha passat i perdent, així, l’oportunitat de rectificar per tal de recuperar possibles alumnes desmotivats i amb la intenció d’abandonar l’assignatura. D’altra banda, a l’alumne, un model predictiu li donarà informació i transparència sobre la seva progressió dins l’assignatura en tot moment, amb la intenció d’engrescar‐lo.

Aquest tipus de servei predictiu pot donar un valor afegit i diferencial al nostre model educatiu en comparació a altres universitats presencials o virtuals. Hem de tenir en compte que la relació amb els nostres estudiants és virtual i qualsevol informació complementària es fa necessària i vital per a la contínua millora del nostre procés d’aprenentatge.

David Bañeres és doctor en Informàtica per la Universitat Politècnica de Catalunya (UPC) i Enginyer Superior en Informàtica per la mateixa universitat. És professor dels Estudis d’Informàtica, Multimèdia i Telecomunicació de la UOC i director del Màster Oficial en Software Lliure de la UOC. Pertany al grup de recerca SOM. El seu treball de recerca se centra en les noves metodologies d’aprenentatge i eines d’e-learning.

Montse Serra és doctora en Informàtica per la Universitat Autònoma de Catalunya (UAB), Enginyera Superior en Informàtica i Màster en Combinatòria i Comunicació Digital per la mateixa universitat. És professora dels Estudis d’Informàtica, Multimèdia i Telecomunicació de la UOC i directora del Màster Universitari de Seguretat de les TIC de la UOC. Pertany al grup de recerca INVENTA. El seu treball de recerca se centra en el compromís social de la tecnologia.

(Visited 25 times, 1 visits today)
Autor / Autora
Comentarios
Deja un comentario