Las Analíticas del Aprendizaje en Moodle 3.4: Una Caja Transparente

0
452

This story in English.

Moodle 3.4 un predictor que, con el tiempo, se supone que va a ser mejor en predecir el futuro. Hoy en día, el pronóstico es binario: el estudiante completará el curso o se retirará antes de que termine. A diferencia de otros sistemas, no es una caja negra. El modelo de predicciones es completamente abierto. Cualquier persona puede poner a prueba el funcionamiento y la eficacia de la caja.

No obstante, la oscuridad de la caja es subjetiva. La caja es, de hecho, transparente. Contiene algoritmos que toman datos y los procesan, a veces incluso tomando los datos procesados y conectándolos de nuevo. Estos algoritmos a veces se etiquetan como “aprendizaje automático”, “redes neuronales” o “TensorFlow“, que en la mayoría de los casos explican la oscuridad de la caja. Pero siempre se puede aprender más acerca de sus mecanismos internos, para iluminar la caja cada vez mejor.

Una actualización en moodle.com explica “Moodle Learning Analytics“, el proyecto al interior de Moodle Pty Ltd a cargo del motor de análisis que todos los usuarios disfrutarán tan pronto instalen Moodle desde la versión 3.4. La importancia de los datos se está reconociendo universalmente. Moodle y otros sistemas abiertos están empezando a proporcionar a los usuarios herramientas para capitalizar su propia información y extraer valor de ella sin intermediarios.

Una nueva sección de análisis en la página de administración de Moodle da acceso a la configuración general de herramientas de analítica, así como los modelos empleados para el análisis. En la actualidad, el único ajuste disponible es la elección del código base del motor: PHP, que viene como predeterminado, o Python, que se considera más potente y proporciona resultados gráficos, pero requiere el lenguaje Python instalado en el servidor.

La opción “modelos” es el entorno donde usuarios autorizados pueden jugar con los muchos atributos de éstos, en particular insumos e indicadores. Como Moodle registra prácticamente todas las transacciones de los usuarios, esta información puede ser conectada al modelo para generar la predicción.

Por supuesto, el motor utiliza estos datos para crear otros indicadores antes de que los administradores puedan acceder a ellos. Existen dos tipos de indicadores que los modelos construyen:

  • Social: Interacciones que se relacionan con la capacidad de fomentar las relaciones y las habilidades de comunicación que incrementen las oportunidades de aprendizaje.
  • Cognitivo: Acciones que conducen a un aumento en las habilidades y participación activa en una materia determinada.

Los modelos generan una lista de estudiantes con riesgo de abandonar. Un poco oculto entre los menús, está la confianza del modelo, un indicador de su calidad expresado en porcentaje. Antes de que el modelo tenga información previa sobre la cual aprender, su predicción será tan válida como lanzar una moneda. Pero a lo largo de las generaciones, identificará las tendencias y ofrecerá un mejor ajuste para casos concretos.

El proyecto Moodle Learning Analytics, previamente llamado Project Inspire, continua en curso, con más predictores y herramientas disponibles en las próximas versiones de Moodle. Pero desde este momento, todos los algoritmos pueden ser examinados y modificados. Analistas pueden incluso ejecutar varios modelos a la vez, cada uno con pocas diferencias entre ellos, para refinar y comparar las predicciones.

Finalmente, una página de “estudiantes en riesgo de abandonar” en Moodle 3.4 muestra una lista de estudiantes y permite a los maestros enviarles mensajes directos y revisar su comportamiento.

Lee la actualización en moodle.com (en inglés).

Aprende más sobre Moodle Learning Analytics en moodle.org.