ACTIVIDAD 4: 2) DISEÑO DE INVESTIGACIÓN

• INTRODUCCIÓN

El curso que se pretende analizar denominado "learning analytics essentials" es un curso de tipo en abierto, masivo y virtual en el que se utilizan y vinculan diferentes plataformas y redes con el fin de conseguir un mayor alcance y diferentes vías para el aprendizaje de los contenidos propuestos en el mismo. En este sentido pues, dado que se pretende conectar con diferentes espacios virtuales y plataformas, es necesario conocer la posibilidades y limitaciones de dichas plataformas no solo para su uso en sí mismo, sino también en relación con los datos que des ellas podemos recabar para analizar la consecución y el desarrollo del propio curso. Con todo esto se propone una investigación con tal de interpretar la realidad del desarrollo del curso en cuestión de la manera más objetiva posible, cuantificando e interpretando los diversos tipos de datos que de estas y de la actividad de los estudiantes que las utilizan en este curso podemos obtener mediante las diferentes técnicas de investigación. Dado que el simple uso de los datos recopilados e interpretarlos no aporta nada más allá de la explicación de aquello que observamos en unos datos; por ello el análisis de aprendizaje debe ir un paso más allá.A lo largo de este curso veremos como el learning analytics es un tipo de análisis que que tiene mucha más fuerza como estrategia y ayuda a mejorar y avanzar en la educación empresarial de forma directa en los usuarios del curso.

• OBJETIVOS

Para mejorar la utilidad de la analítica del aprendizaje,se proponen estos tres objetivos:

1. Medir qué competencias adquieren los estudiantes al final del curso.
2. Medir cómo evoluciona la adquisición de esas competencias durante el ciclo del curso;
3. Conocer las causas que explican la adquisición de las competencias por parte de los estudiantes. 

• METODOLOGÍA

Si nos ceñimos al significado del análisis de datos para el aprendizaje conectado partimos de una metodología de la investigación de corte cuantitativo; que se nutre de los datos e información obtenida y recabada mediante minería de datos de las diversas plataformas de las que se derivan. Sin embargo, dado que análisis o la investigación de los datos en sí mismo no adquieren una mayor profundidad del tema a analizar (2014, Reich, J.) se requiere de un análisis o interpretación con mayor detalle y profundidad de que correlacione dichos datos en función de la consecución de los propios objetivos de la investigación. Por lo que tanto el diseño como las técnicas a utilizar deben permitir y establecer momentos y pautas para recolectar todo tipo de información tanto a nivel de opiniones y experiencias personales como de las acciones y actuaciones que de estas ideas y decisiones previas se derivan. Es decir, cabe tener en cuenta que los métodos cualitativos y cuantitativos “no sólo no se excluyen mutuamente, sino que se requieren y complementan” necesariamente (Beltrán, M. 2015, p. 36). En este sentido, y siguiendo la clasificación ampliada de Cook y Campbell (1979) se ha optado por un diseño o estrategia metodológica multimétodo o combinación metodológica de las técnicas y estrategias que surgen de los métodos tanto cualitativos como cuantitativos. En la cual poder partir de los datos cuantitativos obtenidos en base al análisis de las respuestas obtenidas con tal de poder reflejar más objetivamente la realidad del contexto del que parte esta investigación y analizar cualitativamente las ideas, experiencias y expectativas personales que de estos derivan en relación sobre todo a la mesura del nivel competencial adquirido durante el aprendizaje del alumnado en los diversos espacios virtuales propuestos.

Por lo que estamos hablando por un lado de una Metodología de investigación basada en el diseño más teórico a partir de lo que se denomina Metodología de investigación para el análisis predictivo, ya que nuestro fin es ayudar a mejorar la analítica del aprendizaje con los resultados obtenidos, basándonos en las variables predictivas, similares a las variables independientes en el análisis estadístico tradicional (2014, Baker, R.S.J.d, & Siemens, G. ). Y por otro lado, en un diseño que hace referencia directa a las técnicas utilizadas para dicha investigación, y que se refiere a la metodología por agrupación a partir del análisis factorial, análisis de redes sociales, (2014, Baker, R.S.J.d, & Siemens, G. ) haciendo minerías de datos de las diferentes plataformas y redes de aprendizaje y correlacionando todo para obtener los mejores y más útiles resultados

Con todo esto, y dado que nuestro objetivo principal es la recopilación de datos, la metodología del curso se hará de forma estructurada y dividida en diferentes bloques. Cada uno de esos bloques hará foco en las características de las diferentes plataformas y podremos ver que tipo de información se puede extraer en cada una, cómo se recaba dicha información y qué impedimentos podemos encontrar.

Por otro lado, además de recabar los datos de las diferentes plataformas, otro de los bloques en esta metodología, hace referencia al aprendizaje que podemos extraer de la interpretación de los datos obtenidos. Para que los datos sean estadísticamente y sociológicamente útiles, debemos de mostrar, explicar y enseñar a interpretar dichos datos de una forma correcta para que el análisis de estos sea un producto eficiente, necesario y valioso.

Por último, de todos los datos recabados en los diferentes canales y formatos que aportamos a los usuarios del curso, como son los cuestionarios, test de evaluación al final de cada bloque, etc obtendremos una base de datos de información obtenida durante todo el aprendizaje y la obtención de los conocimientos adquiridos durante el curso.

• INSTRUMENTOS DE OBTENCIÓN DE DATOS E INTERPRETACIÓN

A continuación, se presenta una lista de los distintos datos métricos a recabar en las distintas plataformas utilizadas para el desarrollo del curso en abierto: "learning analytics essentials".

Plataforma/Canal	Datos/indicadores
YouTube	- Subscriptores y tasa de crecimiento - Zonas o regiones geográficas con mayor tasa de suscriptores - Número de visualizaciones de cada contenido. - Duración media de las visualizaciones y tiempo total de visualización - Cantidad comparativa o contrastada de “me gusta”, “no me gusta” en base al total - Número de comentarios e interacciones al respecto. - Cantidad de impresiones de los vídeos. - Enlaces o listas de reproducción en las que se ubica o comparte el contenido
Blog	- Cantidad de visitas al blog. - Audiencia: Ubicación geográfica de los visitantes y franjas horarias con más tráfico de visites. - Gráfico de visites según las etiquetas. - Número de veces visto o visitado. - Duración del tiempo de permanencia de los visitantes. - Cantidad de comentarios en cada entrada del blog. - Menciones y enlaces en redes sociales u otras páginas/blogs.
Twitter	- Cantidad de seguidores. - Impacto de cada tweet. - Cantidad de seguidores - Visitas al perfil. - Número de tweets y retweets. - Tweets destacados - Hastags utilizados - contenido multimedia - Cantidad de menciones.
TinyLetter	- Cantidad de suscriptores. - Tasa de crecimiento. - Tasa de clics sobre un enlace - Cantidad de respuestas y reenvios enviados y recibidos - Número de veces de apertura en un determinado periodo de tiempo.
Plataforma del curso	- Gráfico para establecer los momentos diarios y numero de veces que se accede a ella, teniendo en cuenta la franja horaria o región de los usuarios. - Duración media de permanencia en la plataforma. - Cantidad de clics en los distintos apartados y contenidos ofrecidos. - Nivel de participación: porcentaje de consultas, interacciones y aportaciones realizadas. - Tiempo dedicado a cada módulo antes de realizar el cuestionario. - Puntuación test final de tema. - Tiempo empleado en cada test.

Como se puede deducir a partir de los diferentes datos a recabar en cada una de las plataformas antes citadas, cada una tiene sus características y peculiaridades que cabe tener en cuenta y así conocer bien su funcionamiento. Con el fin de partir de sus posibilidades y limitaciones para ajustar mejor el diseño y la metodología a seguir en la investigación durante el proceso de recabación de datos, los instrumentos a utilizar y las interpretaciones que de ellos se derivan en función de los objetivos y la metodología propuesta. Ya que, teniendo en cuenta que dentro de los datos de métrica existen diversos tipos de datos o información extraída de los mismos que resultan la base para el análisis de datos, es necesario recabar cuales son los más importantes en los distintos espacios en los que se desarrolla el curso atendiendo a aspectos como:

• Datos personales
• Datos de interacción
• Datos de navegación
• Datos relacionales
• Datos de contexto
• Datos textuales

Ademas de todos estos datos subyacentes del uso de las plataformas en cuestión, también se utilizaran como instrumento de recogida de datos los resultados de los propios test a realizar al finalizar las unidades o tareas propuestas, así como los cuestionarios propuestos en los diferentes momentos del curso, especialmente antes y después. Puesto que esto nos permitirá obtener información relevante de la situación de los estudiantes en los diversos momentos del proceso de aprendizaje propuesto, pudiendo medir mediante el análisis comparativo la evolución de la adquisición de las competencias del alumnado.

En referencia a la interpretación que podemos hacer de los datos, a los conocimientos obtenidos por todo el gran volumen de información recopilada durante el curso, es el punto álgido del proceso de learning analytics. A través de la interpretación de los datos y las grandes cantidades de datos e información recopilados, debemos transformarlo todo en materiales con los que podamos trabajar y que tengan un valor analítico a través de un proceso detallado.

Dicho proceso de interpretación, es un proceso de desarrollo general, el cual debe de haber sido meticulosamente pensado y concebido desde el inicio y donde cada una de las fases debe ser transversal con respecto al resto, cruzando los datos más pertinentes que permitan establecer relaciones correlacionales que nos ayuden a identificar los distintos itinerarios seguidos por el alumnado en el proceso de aprendizaje abierto, los recursos y materiales más útiles y eficaces, etc.; con el fin último de poder alcanzar los objetivos propuestos.

• ANEXO: GARANTÍAS ÉTICAS Y CONSENTIMIENTO INFORMADO

Además cabe destacar, la importancia de conocer qué datos de los antes citados vamos a utilizar y con qué fines, ya que estos distintos tipos de datos están sujetos a diferentes niveles de protección y privacidad o por contra son de una mayor apertura. Lo que deberemos tener en cuenta a la hora de garantizar la protección del uso de datos personales, así cómo las normas de uso y privacidad de dichos datos en la propia investigación y desarrollo del curso en abierto.

Por lo que a continuación se enumeran los aspectos éticos y legales que se deben tomar en consideración en este caso, partiendo como referencia del texto de Domínguez, D. (2018): Big Data, analítica del aprendizaje y educación basada en datos [1].

• Se debe asegurar que los datos usados son exclusivamente para mejorar la enseñanza y el aprendizaje, además hay que impedir que dichos datos sean usados para dañar al individuo excluyéndolo o segregándolo por cualquier motivo. La información y los datos deben ser utilizados de tal manera que siempre tengan el objetivo de ayudar a los estudiantes con necesidades de cualquier tipo, y nunca para que se les discrimine de una manera predictiva.

• De la misma manera debemos asegurar la privacidad de los alumnos cuando se incluyan datos a terceros. Nuestro servicio permite hacer interrelaciones entre datos de diferentes alumnos, por lo que podemos identificar los aspectos que afectan a terceras personas y analizar la información que ello implique, por lo que es necesario que la privacidad sea absoluta y en todo tipo de casuísticas. 

• Será obligatorio facilitar documentos que den el consentimiento informado para que el usuario tenga conciencia del uso que se va a llevar a cabo de los datos durante todo el curso.
• Se proporcionará un servicio de privacidad total en el que se asegura un espacio privado para los datos de cada usuario, este espacio privado estará altamente protegido asegurando llegar a los niveles de seguridad exigidos por la entidad que imparte el curso.

• Dentro del servicio se incluye una explicación detallada sobre todos los procedimientos que llevamos a cabo para asegurar la privacidad de sus datos, ya que creemos muy importante el que nuestros clientes tengan un total conocimiento de cómo se asegura la privacidad de los datos y que sean conscientes de las empresas que ofrecen protección de datos gratuita pero en realidad usan dicha información para su propio beneficio.

BIBLIOGRAFIA 

• 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
• Connedted learning anlaytics, https://connectedlearning.uci.edu/social-learning-analytics/
• Data & Society (2018). Enabling Connected Learning. Retrieved from https://datasociety.net/initiatives/enabling-connected-learning/
• Ferrando, M. (2015). El análisis de la realidad social : métodos y técnicas de investigación. Madrid: Alianza Editorial.
• Gephi graphic of the people i follow on twitter, http://youtu.be/tFE2-mVj9i8
• Hoffman, K.M., Subramaniam, M., Kawas, S., Scaff, L., & Davis, K. (2016). Connected libraries: Surveying the current landscape and charting a path to the future. College Park, MD; Seattle, WA: The ConnectedLib Project. Retrieved from https://ssrn.com/abstract=2982532
• Livingstone, S. (2013). 2013 Danielson Lecture with Sonia Livingstone: Digital Connections and Disconnections [Video file]. http://vimeo.com/80082000
• Mapping Twitter Topic Networks: From Polarized Crowds to Community Clusters http://pewrsr.ch/1oWq6Am
• Papers from the 2014 Learning@Scale conference: http://learningatscale.acm.org/las2014/papers.html (for Harvard Access, search for ACM Digital Library in Hollis, then search for Learning@Scale)Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369
• Reich, J. (2014). Big data MOOC research breakthrough: Learning activities lead to achievement. Education Week: EdTech Researcher. http://blogs.edweek.org/edweek/edtechresearcher/2014/03/big_data_mooc_research_breakthrough_learning_activities_lead_to_achievement.html
• The Berkman Klein Center for Internet & Society. (2014). Justin Reich on MOOCs and the Science of Learning [Video file]. Retrieved from https://youtu.be/cXrrysTwvMA