Analíticas Del Aprendizaje y La Educación PDF

Monográfico Volumen 80, Número 1
MONOGRÁFICO / MONOGRÁFICO
maio - agosto 2019

Analítica del aprendizaje y la educación (Learning Analytics and education)
Analítica da aprendizagem e da educação (Learning Analytics and Education)
80
Coordinadora / Coordenadora: Mª Covadonga de la Iglesia Villasol
Analítica del aprendizaje y la educación

SUMARIO / SUMÁRIO
Presentación / Apresentação
Gabriela Sabulsky, Analíticas de aprendizaje para mejorar la enseñanza y el
mayo - agosto
seguimiento a través de entornos virtuales
Arturo Corona Ferreira y otros, Analítica del aprendizaje y las neurociencias
educativas: nuevos retos en la integración tecnológica
Mª Covadonga de la Iglesia Villasol, Learning Analytics para una visión
tipificada del aprendizaje de los estudiantes. Un estudio de caso
Ismene Ithaí Bras Ruiz, Learning Analytics como cultura digital de las
universidades: Diagnóstico de su aplicación en el sistema de
educación a distancia de la UNAM basado en una escala compleja
Maurício Vieira Dias Júnior e Luís Paulo Leopoldo Mercado, Ações docentes
nos Ambientes Virtuais de Aprendizagem proporcionadas pelas
ferramentas de Learning Analytics
Shamaly Alhelí Niño Carrasco, Juan Carlos Castellanos Ramírez y Esperanza
Viloria Hernández,, Una propuesta piloto de herramienta analítica del
80
aprendizaje para la mejora de procesos colaborativos en la plataforma
Blackboard
Analítica da aprendizagem e da educação

Iñigo Arriaran Olalde y Nagore Ipiña Larrañaga, Indicadores necesarios
para diseñar un dashboard desde la perspectiva de los profesores: un
estudio cualitativo
Gláucia Mirian de Oliveira Souza Barbosa, João Batista Carvalho Nunes y Analítica del aprendizaje y la educación
João Bosco Chaves, Ação dos tutores e sua relação com o desempenho
dos estudantes em curso de Licenciatura em Química sob a
(Learning Analytics and education)
perspectiva da analítica da aprendizagem clasificación, descripción y predicción
Julio Barroso Osuna, Vissy Yanet Matos Alcántara y Sonia Aguilar Gavira, del aprendizaje de los estudiantes
Análisis de los recursos, usos y competencias tecnológicas del
profesorado universitario para comprender y mejorar
el proceso de aprendizaje del alumnado

(Learning Analytics and Education)
classificação, descrição e previsão
da aprendizagem do aluno
© OEI, 2019
Analítica da aprendizagem e a educação (Learning Analytics and Education)
Revista Iberoamericana de Educación / Revista Ibero-americana de Educação
Vol. 80. Núm. 1
Mayo-Agosto / Maio-Agosto
Madrid, OEI, 2019
218 páginas
Revista cuatrimestral / Revista quadrimestral
EDITA
Educación Superior, Ciencia y EFTP
Organización de Estados Iberoamericanos para la Educación, la Ciencia y la Cultura (OEI)
Bravo Murillo, 38. 28015 - Madrid, España / Tel.: (34) 91 594 43 82
[email protected]
www.rieoei.org
ISSN: 1022-6508 - ISSNe: 1681-5653
Depósito Legal: BI-1094-1993
TEMAS / TEMAS
analítica del aprendizaje; big data; Learning analytics; minería de datos
analítica da aprendizagem; big data; Learning analytics; mineração de dados
La REVISTA IBEROAMERICANA DE EDUCACIÓN A REVISTA IBERO-AMERICANA DE EDUCAÇÃO

puede adquirirse en formato digital, mediante pode adquirir-se em formato digital, mediante
suscripción a través de nuestra página web assinatura através de nosso site
https://mailing.oei.es/subscription/MsYPy5VL6 https://mailing.oei.es/subscription/MsYPy5VL6
La REVISTA es una publicación indizada en: / A REVISTA é uma publicação indexada em:
REDIB: www.redib.org/
LATINDEX: www.latindex.unam.mx
IRESIE: www.iisue.unam.mx/iresie
Dialnet: https://dialnet.unirioja.es/
DOAJ: https://doaj.org/
ABES SUDOC: www.sudoc.abes.fr
Biblioteca Digital: www.oei.es/bibliotecadigital.php
Qualis - CAPES: http://qualis.capes.gov.br/webqualis
Portal periodicos. Capes: http://www.periodicos.capes.gov.br/
La Revista selecciona los trabajos mediante el A Revista seleciona os trabalhos mediante o
sistema de arbitraje «ciego por pares» a través sistema de arbitragem «cego por pares» através
de especialistas externos a la Redacción. de especialistas externos à Redação.
Todos los números MONOGRÁFICOS pueden ser consultados Todos os números TEMÁTICOS podem ser consultados nos formatos
en los formatos html y pdf en la web de la revista. Además en html e pdf no site da revista. Além disso, rie apresenta números es-
la web se editan números especiales no temáticos dedicados peciais não temáticos com espaços abertos à recepção de «Inves-
a recoger «Investigaciones y estudios» de los lectores, tigações e estudos» dos leitores, «Debates» sobre temas propostos
«Experiencias e innovaciones», artículos de «Opinión», entre pela comunidade acadêmica, «Experiências e inovações», artigos
otras secciones, que puedan servir de referencia u objeto de de «Opinião», entre outras seções que possam servir de referência
estudio para quienes trabajan o investigan en el campo de la ou objeto de estudo para quem trabalha ou pesquisa no campo da
educación en Iberoamérica. educação na comunidade Ibero-americana.
La OEI no se responsabiliza de las opiniones expresadas en A OEI não se responsabiliza pelas opiniões expressas nos
los artículos firmados ni comparte necesariamente las ideas artigos assinados nem compartilha necessariamente as ideias
manifestadas en los mismos. Igualmente, no mantiene corres- manifestadas nos mesmos. Igualmente, não mantém corres-
pondencia con los autores de trabajos no solicitados. pondência com os autores de trabalhos não solicitados.
Consejo de Redacción / Conselho de Redação
Director / Diretor: Alejandro Tiana
Educación Superior, Ciencia y EFTP: Ana Capilla
Equipo de redacción / Equipe de redação: Juan Carlos Toscano, Bárbara García, Paula Sánchez-Carretero, Andrés Viseras
Traducción (portugués) / Tradução (português): Elaine C. Vernek Troster
Coordinadora de este número / Coordenadora deste número

Mª Covadonga de la Iglesia Villasol, Facultad de Cs. Económicas y Empresariales, Universidad Complutense de Madrid (UCM), España.
Consejo Asesor / Conselho Assessor

Joaquim Azevedo, Universidade Católica Portuguesa (Portugal)
Daniel Filmus, ex ministro de Educación, Ciencia y Tecnología (Argentina)
Andoni Garritz, Universidad Nacional Autónoma de México, director de la Revista Educación Química
Daniel Gil, Universidad de Valencia (España)
Miquel Martínez y Martín, Universidad de Barcelona (España)
Sylvia Schmelkes, Centro de Investigaciones y Estudios Avanzados, CINVESTAD (México)
Paulo Speller, ex Secretario General de la OEI
Flavia Terigi, Universidad de Buenos Aires (Argentina)
Comité Científico / Comitê Científico

António Manuel Águas Borralho, Universidade de Évora, Portugal.
Teresita Alzate Yepes, Universidad de Antioquia, Colombia.
María José Bautista-Cerro Ruiz, Universidad Nacional de Educación a Distancia (UNED), España.
Jorge Bonito, Universidade de Évora, Portugal.
Elsa Piedad Cabrera Murcia, Facultad de Educación, Pontificia Universidad de Chile.
María Clemente Linuesa, Universidad de Salamanca, España.
María Inmaculada Egido Gálvez, Universidad Autónoma de Madrid, España.
Isabel Patricia Espiro Barrera, Universidad Santo Tomás, Chile.
Manuel Ferraz Lorenzo, Universidad de La Laguna, España.
Rafael Guimarães Botelho, Instituto Federal de Educação, Ciência e Tecnologia do Rio de Janeiro (ifrj), Brasil.
Eduardo Lautaro Galak, Universidad Nacional de La Plata, Argentina.
Isabel María Gallardo Fernández, Universidad de Valencia, España.
María Teresa Gómez del Castillo, Universidad de Sevilla, España.
María Ángeles González Galán, Universidad Nacional de Educación a Distancia (UNED), España.
Agustín de la Herrán Gascón, Universidad Autónoma de Madrid, España.
Gregorio Jiménez Valverde, Universidad de Barcelona, España.
Juan José Leiva Olivencia, Universidad de Málaga, España.
Márcia Lopes Reis, Universidade Estadual Paulista - UNESP, Brasil.
María del Carmen Lorenzatti, Universidad Nacional de Córdoba, Argentina.
Valentín Martínez-Otero Pérez, Universidad Complutense de Madrid, España.
Wiliam Moreno Gómez, Universidad de Antioquia, Colombia.
Juan Vicente Ortiz Franco, Fundación Universitaria Los Libertadores, Colombia.
Ondina Pena Pereira, Universidade Católica de Brasilia, Brasil.
Rafael Pérez Flores, Universidad Autónoma Metropolitana, México.
Carmen Nieves Pérez Sánchez, Universidad de La Laguna, España.
Maria Eveline Pinheiro Villar de Queiroz, Ministério da Educação, Brasil.
José Quintanal Díaz, Universidad Nacional de Educación a Distancia, España.
Francisco Ramos Calvo, Loyola Marymount University, EE.UU.
Marta Ruiz Corbella, Universidad Nacional de Educación a Distancia (UNED), España.
José Armando Salazar Ascencio, Universidad de La Frontera, Chile.
Ángel San Martín Alonso, Universidad de Valencia, España.
Marco Silva, Universidade do Estado do Rio de Janeiro (UERJ), Brasil.
Liliana Soares Ferreira, Universidade Federal de Santa Maria, Brasil.
Joan Andrés Traver Martí, Universidad Jaime I, España.
Rosa Vázquez Recio, Universidad de Cádiz, España
María Jesús Vitón de Antonio, Universidad Autónoma de Madrid, España.
Cleci Werner da Rosa, Universidade de Passo Fundo, Brasil.
REVISTA IBEROAMERICANA DE EDUCACIÓN
REVISTA IBERO-AMERICANA DE EDUCAÇÃO
Volumen 80. Número 1
Mayo-Agosto / Maio-Agosto 2019
MONOGRÁFICO / MONOGRÁFICO
Analítica da aprendizajem e da educação (Learning Analytics and education)
Coordinadora / Coordenadora: Mª Covadonga de la Iglesia Villasol
SUMARIO / SUMÁRIO
Mª Covadonga de la Iglesia Villasol, Presentación/Apresentação................9

Gabriela Sabulsky, Analíticas de aprendizaje para mejorar la ense-
ñanza y el seguimiento a través de entornos virtuales...................13
Arturo Corona Ferreira y otros, Analítica del aprendizaje y las neu-
rociencias educativas: nuevos retos en la integración tecnológica..31
Mª Covadonga de la Iglesia Villasol, Learning Analytics para una
visión tipificada del aprendizaje de los estudiantes. Un estu-
dio de caso..............................................................................55
Ismene Ithaí Bras Ruiz, Learning Analytics como cultura digital de
las universidades: Diagnóstico de su aplicación en el siste-
ma de educación a distancia de la UNAM basado en una
escala compleja.......................................................................89
Maurício Vieira Dias Júnior e Luís Paulo Leopoldo Mercado, Ações
docentes nos Ambientes Virtuais de Aprendizagem propor-
cionadas pelas ferramentas de Learning Analytics ....................117
Shamaly Alhelí Niño Carrasco, Juan Carlos Castellanos Ramírez y
Esperanza Viloria Hernández,, Una propuesta piloto de he-
rramienta analítica del aprendizaje para la mejora de proce-
sos colaborativos en la plataforma Blackboard...........................139
Sumario / Sumário
Iñigo Arriaran Olalde y Nagore Ipiña Larrañaga, Indicadores nece-

sarios para diseñar un dashboard desde la perspectiva de los
profesores: un estudio cualitativo.............................................157
Gláucia Mirian de Oliveira Souza Barbosa, João Batista Carvalho
Nunes y João Bosco Chaves, Ação dos tutores e sua relação
com o desempenho dos estudantes em curso de Licenciatu-
ra em Química sob a perspectiva da analítica da aprendizagem...167
Julio Barroso Osuna, Vissy Yanet Matos Alcántara y Sonia Aguilar Ga-
vira, Análisis de los recursos, usos y competencias tecnológi-
cas del profesorado universitario para comprender y mejorar
el proceso de aprendizaje del alumnado...................................193
M O N O G R Á F I C O
Analítica del aprendizaje y la educación


Monográfico / Monográfico
Presentación. Learning Analytics and Education: clasificación, descripción

y predicción del aprendizaje de los estudiantes
Apresentação. Learning Analytics and Education: classificação, descrição
e previsão da aprendizagem dos estudantes
Presentation. Learning Analytics and Education: classification, description
and prediction of student learning
Mª Covadonga de la Iglesia Villasol

Universidad Complutense de Madrid (UCM), España.
En la era digital el docente e investigador Na era digital o professor pesquisador

asume muy diversos roles, que pasan por assume diversos papéis, que vão desde
ser orientador, generador y evaluador de o de orientador, gerador e avaliador de
contenidos multimedia y multiformato, conteúdos multimídia e multiformato até
o ser analista de datos, encaminado a o de analista de dados, visando a gestão
la gestión y el análisis de la información e a análise das informações obtidas, a fim
obtenida con objeto de conocer mejor su de conhecer melhor a sua própria atividade
propia acción docente, la tipología de docente, a tipologia de seus alunos e seus
sus estudiantes y sus resultados, o las resultados, ou as atitudes e o compromisso
actitudes y el compromiso que con el pro- adquiridos com o programa de formação.
grama formativo adquieren. Penetrar en Penetrar o nevoeiro instalado, ao qual Long 9
la niebla instalada, a la que se refieren e Siemens (2011) se referem, leva a afirmar
Long y Siemens (2011), lleva a afirmar claramente que a análise dos dados terá (já
sin fisuras que el análisis de los datos va tem) um papel significativo no futuro da
a tener (tiene ya) un papel significativo Educação para todos os agentes envolvidos, 9
en el futuro de la Educación, para todos os professores e educadores, os próprios
los agentes implicados, los profesores y estudantes e os gestores ou responsáveis
educadores, los propios estudiantes y los pelas instituições de ensino, uma vez que
gestores o responsables de los centros, permite conhecer a eficiência dos recur-
por cuanto permite conocer la eficiencia sos utilizados, a existência de nichos de
de los recursos empleados, la existencia vantagens competitivas, que representam
de nichos de ventajas competitivas, me- melhorias da qualidade e do desempenho
joras en la calidad y rendimientos de la da experiência de aprendizagem.
experiencia de aprendizaje. Na última década, o extraordinário cresci-
La extraordinaria proliferación, en la últi- mento da pesquisa empírica neste campo,
ma década, de investigación empírica en identificado em diferentes comunidades
este ámbito agrupada en comunidades de de aprendizagem, organiza e sintetiza a
aprendizaje distintas, ordena y sintetiza utilização do elevado volume de informação
los usos del ingente volumen de informados estudantes, que é observada em diver-
ción de los estudiantes que queda registra- sos recursos digitais (uso de fóruns, blogs,
da en los diversos senderos digitales (uso campus virtuais, intranet, etc.). Tais recursos
de foros, blogs, campus virtuales, intranet, são validados tanto para definir perfis a partir
etc), validados tanto para definir perfiles, a de dados estáticos (aspectos demográficos,
partir de datos estáticos (aspectos demo- sociais, familiares ou do passado acadêmi-
gráficos, sociales, familiares, o del pasado co) e/ou de dados dinâmicos (referentes ao
Revista Iberoamericana de Educaión [(2019), vol. 80 núm 1, pp. 9-11] - OEI/CAEU

recibido / recebido: 09/05/2019; aceptado / aceite: 10/05/2019
https://doi.org/10.35362/rie8013487
académico) y/o datos dinámicos (referidos processo de aprendizagem: compromisso

al proceso de aprendizaje: compromiso con com o processo, comportamento, desem-
el proceso, comportamiento, rendimiento, penho, satisfação, avaliações, etc.) quanto
satisfacción, valoraciones, etc.), como para para obter indicadores que explorem a
disponer de indicadores que profundizan aplicação de métodos e ferramentas em
en la aplicación de métodos y herramientas análises descritivas, preditivas e/ou pres-
en análisis descriptivos, predictivos y/o critivas, com recomendações a partir da
prescriptivos con recomendaciones desde perspectiva da Analítica da Aprendizagem
la óptica de la Analítica del Aprendiza- (Learning Analytics), que são demonstrados
je (Learnig Analytics), justificados en aras a fim de facilitar e melhorar a aprendizagem
de facilitar y mejorar el aprendizaje en su como um todo, não apenas transformando
conjunto, no solo convirtiendo los datos os dados em conhecimento, mas também
en conocimiento, sino también filtrándolo realizando uma filtragem para a tomada
para la toma de decisiones. de decisão.
Siguiendo la literatura empírica cabe De acordo com a literatura empírica, cabe
establecer una clasificación de los usos estabelecer uma classificação da utilização
los datos en la Analítica del aprendizaje, dos dados na Analítica da Aprendizagem,
por ejemplo, referidos a la predicción del por exemplo, em relação à previsão do
rendimiento del alumno, proporcionar desempenho do aluno, fornecer feedback
retroalimentación para los instructores, aos instrutores, agrupar os alunos por perfis
agrupación de estudiantes por perfiles de de aprendizagem, identificar comporta-
aprendizajes, detectar conductas atípicas mentos atípicos ou ritmos diferenciados,
o ritmos diferenciados, análisis de usos en analisar o uso em redes sociais, analisar
10 redes sociales, análisis del desarrollo de o desenvolvimento de competências, rea-
lizar o planejamento e a programação de
competencias, planificación y programa-
ción de cursos, etc, por lo que el campo cursos, etc. Portanto, o campo de pesquisa
de la investigación empírica está abonada empírica oferece diversas oportunidades
para las generaciones de docentes. para gerações de professores.
Percibir el alcance futuro de la Analítica A percepção da futura dimensão da Ana-
del Aprendizaje, puede hacerse a partir de lítica da Aprendizagem pode ser feita a
la revisión de las implementaciones que ya partir da análise das implementações que
son una realidad en diversos Centros Edu- já são uma realidade em muitas escolas
cativos y Universidades, tanto por registros e universidades, tanto pela existência de
de planes formativos formales (reglados) planos de formação formais (regulados) ou
o informales, con casos de adaptación de informais quanto pelos casos de adaptação
tecnologías, innovaciones educativas, o de tecnologias, inovações educacionais
buenas prácticas a imitar, que coleccionan ou boas práticas a serem reproduzidas,
diversos enfoques multidisciplinares, dada que apresentam diversas abordagens
la porosidad en los márgenes entre las multidisciplinares, dada a porosidade
investigaciones de las distintas disciplinas nas margens entre as investigações das
más instrumentales como la estadística, distintas disciplinas mais instrumentais,
la inteligencia artificial, la ciencia compu- tais como a estatística, a inteligência ar-
tacional, o genéricas como la educación tificial, a ciência da computação, ou mais
y los estilos de aprendizaje o específicas genéricas, como a educação e os estilos
como el diseño de perfiles psicológicos, de aprendizagem ou específicas, tais
conductuales y cognitivos. como a concepção de perfis psicológicos,
comportamentais e cognitivos.
Revista Ibero-americana de Educação, vol. 80 núm. 1 [(2019), pp. 9-11]

La definición oficial de Learning Analytics A definição oficial de Learning Analytics é

se fecha en la convocatoria de la First datada na convocação da First Internatio-
International Conference on Learning nal Conference on Learning Analytics and
Analytics and Knowledge (LAK 2011), y Knowledge (LAK 2011) e foi adotada pela
ha sido adoptada por la Society for Society for Learning Analytics Research
Learning Analytics Research (SoLAR), (SoLAR) como a medição, coleta, análise
como la medición, recopilación, análisis e geração de relatórios de dados sobre os
e informe de datos sobre los alumnos y alunos e seus contextos, a fim de com-
sus contextos, con el fin de comprender preender e otimizar a aprendizagem e os
y optimizar el aprendizaje y los entornos ambientes em que ela ocorre. É a partir
en los que se produce. Es a partir de esta desta definição e das considerações ante-
definición y las consideraciones previas, riores que os temas demarcados abordados
que las temáticas acotadas sobre las que nesta edição monográfica são: 1) Pesquisa
versa este número monográfico son: 1) e estudos relativos ao uso de big data no
Investigaciones y estudios relacionados con ambiente educacional e suas implicações;
el uso de big data en el entorno educativo 2) Pesquisas e estudos que fornecem es-
y sus implicaciones; 2) Investigaciones tudos de caso sobre o desenvolvimento de
y estudios que aportan estudios de caso iniciativas de Learning Analytics para o es-
del desarrollo de iniciativas de Learning tudo do desenvolvimento de competências;
Analytics para el estudio de desarrollo 3) Pesquisas e estudos que analisam ou
de competencias; 3) Investigaciones y avaliam as boas práticas nacionais versus
estudios que analizan o evalúan buenas internacionais; 4) Trabalhos inovadores na
prácticas nacionales vs internacionales; concepção, avaliação e implementação
4) Trabajos innovadores sobre el diseño, de programas de formação baseados em 11
evaluación e implementación de programas estudos de Learning Analytics e 5) Desa-
formativos basados en estudios del Lear- fios e oportunidades para um ensino de
ning Analytic, y 5) Retos y oportunidades qualidade que disponha de ferramentas
para una docencia de calidad de disponer para a análise de informação massiva,
de herramientas de análisis de masiva por exemplo.
información, por ejemplo. A seleção dos trabalhos publicados
La selección realizada de los trabajos responde a diversos critérios, especialmente
publicados responde a diversos criterios, o de proporcionar uma visão radial e
especialmente dar una visión radial y panorâmica dos temas que estão alinhados
panorámica de las temáticas alineadas com linhas preestabelecidas, nas quais
con las líneas prefijadas en las que se as pesquisas mais recentes podem ser
pueden agrupar las investigaciones más agrupadas. Agradecemos a todos os autores
recientes. Se agradece a todos los autores que se interessaram em publicar suas
que se han interesado por publicar en este contribuições nesta monografia e pela
monográfico sus aportaciones y la calidad qualidade de suas propostas, aceitando o
en sus propuestas, recogiendo el reto de desafio de entrar neste campo de pesquisa
adentrarse en este campo de investigación que promete ser muito frutífero.
que promete ser muy fructífero.
Referencia bibliográfica
Long, Ph. y Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education.
EDUCAUSE Review, 46(5), 30-40.
Revista Iberoamericana de Educación [(2019), vol. 80, núm. 1, pp. 9-11]

Analíticas de aprendizaje para mejorar la enseñanza

y el seguimiento a través de entornos virtuales
Gabriela Sabulsky 1
1
Universidad Nacional de Córdoba (UNC), Argentina
Resumen. El presente artículo de revisión bibliográfica sobre el tema analíticas de

aprendizaje es una recopilación de las principales ideas que sostienen algunos de
sus impulsores. Las analíticas de aprendizaje son dispositivos tecnológicos que se
incorporan a entornos virtuales de interacción, con el fin de registrar las huellas di-
gitales que dejan quienes participan en ellos, creando grandes bases de datos. Nos
proponemos identificar autores referentes en el campo, explicar qué son las analíticas
de aprendizaje, reconocer su aplicación en entornos educativos cerrados y abiertos
(redes y aplicaciones web) y concluir con una reflexión que pretende imaginar las
analíticas al servicio del aprendizaje.
Palabras clave: Analítica de aprendizaje; sistemas de gestión del aprendizaje; redes
sociales; metacognición.
Analíticas de Aprendizagem para melhorar o ensino e o monitoramento por meio
de ambientes virtuais
Resumo. O presente artigo de revisão bibliográfica sobre o tema Analíticas de Apren-
dizagem é uma compilação das principais ideias que sustentam alguns de seus
impulsores. As Analíticas de Aprendizagem são dispositivos tecnológicos que são
incorporados a ambientes virtuais de interação, a fim de registrar as marcas digitais
deixadas por aqueles que participam do processo, criando grandes bancos de dados.
A nossa proposta é identificar os principais autores no campo, explicar quais são as
Analíticas de Aprendizagem, reconhecer sua aplicação em ambientes educacionais
fechados e abertos (redes e aplicativos web) e concluir com uma reflexão que visa 13
imaginar as Analíticas a serviço da aprendizagem.
Palavras-chave: Analítica da Aprendizagem; sistemas de gestão de aprendizagem;
redes sociais; metacognição.
Learning Analytics to improve teaching and monitoring through virtual environments 13
The present text is the result of a bibliographical review on the topic Analytics of Lear-
ning. Learning Analytics are technological devices that are incorporated into virtual
environments of interaction, in order to register the fingerprints that leave participating
in them, creating large databases. We aim to identify relevant authors in the field, to
explain what the Learning Analyzes are, to recognize their application in closed and
open educational environments (networks and web applications) and to conclude with
a reflection that pretends to imagine the Analytics in the service of learning.
Keywords: Learning analytics; learning management systems; social networks; me-
tacognition.
1. Presentación
El presente artículo es fruto de una revisión bibliográfica sobre el tema
analíticas de aprendizaje, que pretende sistematizar algunos aportes teóricos
y visualizar su potencialidad para la mejora de los procesos educativos. Las
analíticas de aprendizaje son dispositivos tecnológicos1 que se incorporan a
1
Del latín disposĭus (“dispuesto”, un dispositivo es un aparato o mecanismo
que desarrolla determinadas acciones. Su nombre está vinculado a que dicho artificio está
dispuesto para cumplir con su objetivo.
Revista Iberoamericana de Educación [(2019), vol. 80 núm. 1, pp. 13-30] - OEI/CAEU

Analíticas de Aprendizaje para mejorar la enseñanza y el seguimiento a través de entornos virtuales
las plataformas educativas o redes sociales con el fin de registrar la actividad

de los estudiantes, creando grandes bases de datos. La Society for Learning
Analytics Research lo define como un campo de estudio y lo describe como
“la medición, recolección, análisis y presentación de datos sobre los alumnos
y sus contextos, con el propósito de comprender y optimizar el aprendizaje y
los entornos en los que se produce” (Long y Siemens, 2011, p. 34). Suthers
y Verbert (2013), por su parte, lo definen como un campo que se sitúa a
medio camino entre las ciencias del aprendizaje, la investigación educativa
y el uso de técnicas computacionales para capturar y analizar datos.
Este tema ha sido poco desarrollado en nuestro contexto acadé-

mico por desconocimiento de los dispositivos técnicos para su aplicación,
por presuponer que se desprende de una concepción mercantilista de la
educación y porque la mayor parte de la producción teórica se encuentra
en idioma inglés. Haciendo un esfuerzo por despejar ideas, nos interesa, a
priori, identificar autores clave sobre el tema; explicar qué son las analíticas
de aprendizaje; reconocer su aplicación en entornos cerrados, como son por
ejemplo las plataformas educativas; y, en entornos abiertos de aprendizaje,
como son los medios sociales, por mencionar algunas de sus aplicaciones;
para cerrar con una reflexión que pretende imaginar la analítica al servicio
del aprendizaje.
14
La metodología seguida para el presente artículo asumió el formato
de revisión bibliográfica, en tanto pretendía conformar los antecedentes de
un marco teórico para desarrollar posteriormente un trabajo de indagación.
Por tanto, fue necesario, en primera instancia, definir el problema que
delimitó la búsqueda. En tal sentido, nos propusimos rastrear los orígenes
del concepto, sus principales impulsores y los significados que ellos pro-
ponen. Como criterio de búsqueda se estableció el nombre completo en
inglés Learning Analytics. La búsqueda inicial se realizó a través de Google
Scholar. Sin embargo, de la información obtenida, se seleccionaron sólo
artículos incluidos en el Journal of Learning Analytics, por entender que
se trata de una publicación clave, que desde el año 2014 se ha convertido
en un referente en el tema. En una segunda fase, la búsqueda se reali-
zó a través de autores relevantes: Shum Buckingham, George Siemens,
Francisco-José García-Peñalvo y Erik Duval; la definición de estos nombres
se realizó consultando a una especialista en el tema, quien además validó
la selección realizada. La pregunta principal (a modo de hipótesis) que
orientó la búsqueda fue: ¿cómo se definen las analíticas de aprendizaje
desde el pensamiento de quienes introducen el concepto en el mundo
académico? Recuperar el sentido original, más allá de sus interpretaciones
y usos posteriores, nos permitió acercarnos a la potencialidad de la idea.
Nos interesó analizar una temática poco explorada y encontrarle un sentido
Revista Ibero-americana de Educação, vol. 80 núm 1 [(2019), pp. 13-30]

G. Sabulsky
propio a nuestro contexto y prácticas de enseñanza en entornos virtuales,

pensando estas herramientas como una oportunidad para transparentar los
procesos que genera la relación entre aprendizaje y tecnologías.
2. Relaciones de fuerza entre sujetos y tecnologías
El impacto de las transformaciones macrosociales encuentra

respuestas singulares en la educación superior; por ejemplo, la adopción
explosiva de las tecnologías (Levine, 2006). Desde una perspectiva optimista
sobre la incorporación de la tecnología en la educación, la UNESCO (1998)
define líneas de acción a corto, mediano y largo plazo considerando la in-
clusión de tecnologías como un aspecto clave para pensar en una mejora y
transformación de la educación superior. Sólo un par de años después de la
aparición formalizada del proyecto Sociedad de la Información, concebido
entre 1991 y 1994 (Becerra, 2010), la UNESCO propuso la inclusión de
las nuevas tecnologías en la educación superior en los siguientes términos:
Los rápidos progresos de las nuevas tecnologías de la información y la

comunicación seguirán modificando la forma de elaboración, adquisición
y transmisión de los conocimientos. También es importante señalar que las
nuevas tecnologías brindan posibilidades de renovar el contenido de los 15
cursos y los métodos pedagógicos, y de ampliar el acceso a la educación
superior. No hay que olvidar, sin embargo, que la nueva tecnología de la
información no hace que los docentes dejen de ser indispensables, sino
que modifica su papel en relación con el proceso de aprendizaje, y que
el diálogo permanente que transforma la información en conocimiento y
comprensión pasa a ser fundamental… (UNESCO, 1998).
Sin embargo, sería un reduccionismo analizar las transformaciones

socioculturales sólo a partir del surgimiento de los desarrollos tecnológicos,
por el contrario es conveniente vincular la emergencia y la consiguiente ex-
pansión de las tecnologías a un cierto número de procesos socioculturales,
que contribuyen al arraigo y la transformación de la sociedad (Miege, 2010):
Entre determinaciones técnicas y los procesos de arraigo social de las

herramientas y los servicios asociados, se establecen relaciones de de-
pendencia y determinación entrelazadas... (p.23).
Estamos analizando en este punto la relación entre tecnología y

transformaciones sociales para desarmar la idea del impacto tecnológico,
metáfora que según Lévy (2007) ha sido mal utilizada. ¿Vienen las técnicas
de otro planeta? ¿Es la tecnología un actor autónomo, separado de la so-
ciedad y la cultura, una entidad pasiva y percutida por un agente exterior?,
se pregunta este autor. Nos interesa señalar sobre este aspecto la relación
Revista Iberoamericana de Educación [(2019), vol. 80 núm. 1, pp. 13-30]

dialógica entre lo técnico, lo social y lo cultural. Si una tecnología cobra im-

portancia en el seno de una sociedad es porque sus miembros se apropian de
ella, a la vez que la transforman y se transforman en un juego bidireccional
(Burbules y Callister, 2001). Las prácticas sociales habilitan ciertos usos de
tecnologías, a la vez que las tecnologías modifican esas mismas prácticas
culturales que le dieron vida.
Sin embargo, este movimiento bidireccional no es neutral, según

Lévy (2007) “las técnicas son portadoras de proyectos, de esquemas ima-
ginarios, de implicaciones sociales y culturales muy variadas. Su presencia
y su uso en tal lugar y en tal época cristalizan en unas relaciones de fuerza
cada vez diferentes entre seres humanos” (p. 7).
Nos interesa resaltar esta cuestión, considerando que en la base

del diseño y creación de todo dispositivo tecnológico; por ejemplo, en nuestro
caso las analíticas de aprendizaje, hay ideas, proyectos, que cristalizan una
relación de fuerzas tanto de quienes los diseñan como de quienes los usan.
Según Doueihi (2010) la tecnología se diseña con una intencionalidad, posee
una agenda de acciones y los usuarios nos movemos dentro de esos límites,
siendo pocos los manipuladores en términos que pueden traspasar la frontera
y modificar la propia tecnología.
16
Aparece entonces una suerte de determinismo tecnológico, que nos
hace dependientes de lo que la tecnología nos ofrece, sin tener competencias
para intervenir. Esto sucede, en parte, por la disociación entre los productores
y consumidores/usuarios de la tecnología y de la dificultad asociada a ello
para entender el lenguaje de las ciencias de la computación o programación.
Según Lévy (2007) la fluidez y la mutación constante del lenguaje digital,
explicaría, en parte, la sensación de impacto, de exterioridad y de extrañeza
que invade a las personas cuando entran en relación con un artefacto nue-
vo, el cual modifica sus prácticas sociales y profesionales. Se trata, según
Lévy, de un devenir colectivo complejo que se cristaliza alrededor de objetos
materiales, de programas informáticos y de dispositivos de comunicación.
A decir verdad, cada uno de nosotros se encuentra poco o mucho en este

estado de desposesión. La aceleración es tan fuerte y tan general que incluso
los que se consideran estar más ‘a la última’ están, en diversos grados,
desbordados por el cambio, pues nadie puede participar activamente en la
creación de transformaciones del conjunto de las especificidades técnicas,
ni siquiera seguirlas de cerca. (Lévy, 2007, p.12)

G. Sabulsky
Según Tobeña (2011), en una sociedad globalizada, profundamente

fragmentada y desigual, regida por lógicas mercantilistas, la tecnología asu-
me cada vez más poder sobre la existencia humana. Siguiendo este planteo,
Sadin (2013) nos lleva a pensar un poco más allá:
esa “familiaridad carnal” (con la tecnología) viene acompañada por una

distancia creciente, por una forma de invisibilidad del proceso en curso.
Esto es muy emblemático en lo que atañe a los Data Centers que contribu-
yen a modelar las formas de nuestro mundo y escapan a toda visibilidad.
Es una necesidad técnica. Sin embargo, esa tensión señala lo que se está
jugando en nuestro medio ambiente digital contemporáneo: por un lado,
una impregnación continua de los sistemas electrónicos, y, por el otro,
una forma de opacidad sobre los mecanismos que la componen (párr. 15).
Por tanto, si esto es así, podemos imaginar que la relación de fuer-

zas entre las tecnologías y los sujetos es desigual, que existe un progresivo
control de la tecnología sobre los actos de los usuarios; cuestión, que se
irá incrementando con el paso del tiempo. Así lo dice el autor, llevándonos
a plantear una delegación progresiva de los actos humanos a los sistemas
inteligentes:
Esta dimensión en curso se amplificará en los próximos años. Además,

nuestras vidas individuales y colectivas están cada vez más reorientadas por
sistemas que nos conocen con mucha precisión, que nos sugieren ofertas
17
hiper individualizadas, que nos aconsejan este u otro comportamiento.
Por medio del uso de nuestros protocolos de interconexión se opera una
cuantificación continua de los gestos, la cual autoriza un “asistente robo-
tizado” expansivo de las existencias (Sadin, 2013, párr. 7).
Si esto es cierto, parafraseando a Sadin (2013), nos preguntamos

entonces ¿qué margen tenemos para transformarnos en manipuladores con
la tecnología?, ¿podemos acercarnos a las funcionalidades técnicas, revelar
sus intenciones y hacer un uso inteligente de la técnica?
Los dispositivos tecnológicos son -desde esta perspectiva que es-

tamos planteando en nuestro trabajo- coercitivos y productivos: limitan las
clases de actividades que pueden llevarse a cabo, pero también instituyen
nuevas prácticas. Nos interesa entonces -como punto de partida- en el próximo
apartado, definir qué son las analíticas de aprendizaje para empezar a pensar
en este dispositivo, el cual nos imaginamos como coercitivo y productivo en
las prácticas educativas de los entornos virtuales.

3. Acerca de las analíticas de aprendizaje
Las analíticas de aprendizaje son definidas por Suthers y Verbert

(2013) como un campo de investigación, con su consecuente herramental
técnico para la recolección de datos. En el que se pretende, como campo
de indagación, recolectar y analizar datos sobre las acciones que realizan
los estudiantes en un entorno virtual de aprendizaje, con el fin de mejorar y
adaptar las propuestas educativas virtuales. El Informe Horizon del The New
Media Consortium y la Universitat Oberta de Catalunya plantean su implan-
tación de cuatro a cinco años, y define que:
Las analíticas de aprendizaje consisten en la interpretación de un amplio

rango de datos producidos y recogidos acerca de los estudiantes para
orientar su progresión académica, predecir actuaciones futuras e identificar
elementos problemáticos. El objetivo de la recolección, registro, análisis
y presentación de estos datos es posibilitar que los profesores puedan
adaptar de manera rápida y eficaz las estrategias educativas al nivel de
necesidad y capacidad de cada alumno. Aun, en sus primeras etapas
de desarrollo, las analíticas de aprendizaje responden a la necesidad de
llevar a cabo el seguimiento y control de la actividad en el campus para
la toma de decisiones estratégicas. Por otro lado, pretenden aprovechar
la gran cantidad de datos producidos por los estudiantes en actividades
académicas (Durall et al., 2012, p.13)
18
Al parecer este pronóstico de implantación se ha cumplido en al-
gunas partes del mundo, siendo los países europeos y anglosajones los que
cuentan con mayor experiencia sobre esta temática. En nuestro contexto
educativo latinoamericano no es un tema del todo instalado, siendo aún pocas
las experiencias que aprovechan la integración de analíticas de aprendizaje
como estrategia de seguimiento y mejora.
Tratando de entender qué son las analíticas de aprendizaje recurrimos

al Journal of Learning Analytics2, identificando algunos artículos de referentes
teóricos, entre ellos se destacan: Buckingham (2012); Buckingham y Deakin
(2016); Buckingham y Ferguson (2012); Siemens (2013); Gómez-Aguilar,
García-Peñalvo y Therón (2014); García-Holgado y García-Peñalvo (2017).
Estos autores coinciden en señalar lo fértil del campo aún en pleno desarrollo
y la necesidad de migrar hacia una mirada más cualitativa de la información/
datos recogidos. En especial, la revisión de Simon Buckingham Shum del
Knowledge Media Institute, así como de Rebecca Ferguson del Institute of
Educational Technology de la Open University y de George Siemens del Te-
chnology Enhanced Knowledge Research Institute, Universidad de Athabasca
(los tres del ámbito anglosajón), nos permiten reconstruir históricamente el
2
Disponible en http://epress.lib.uts.edu.au/journals/index.php/JLA/issue/archive

G. Sabulsky
campo y entender cuáles son sus preocupaciones actuales. También García-

Peñalvo de la Universidad de Salamanca, como director del grupo de inves-
tigación Grial (Grupo de investigación en Interacción y e-learning), se suma
a la perspectiva de los tres primeros autores mencionados.
De hecho, según estos autores, un hito clave en la conformación

de un campo de investigación y producción, fue la realización de la 1ª Con-
ferencia Internacional sobre Aprendizaje Analytics & Knowledge, llevada a
cabo en 2011, la cual logró formalizar a la comunidad académica sobre el
tema. En ella se define la analítica de aprendizaje como:
la medición, recopilación, análisis y reporte de datos sobre los alumnos y

sus contextos, con el propósito de comprender y optimizar el aprendizaje y
los entornos en los que se produce (Buckingham y Ferguson, 2012 p. 4).
O bien como:
uso de estos datos y de cualquier otra observación adicional de la que se

pueda obtener información, para tener un impacto directo sobre los estu-
diantes, los profesores y el proceso de aprendizaje (Long y Siemens, 2011).
Es interesante recuperar el foco puesto en el estudiante como

beneficiario directo de la implementación de las analíticas de aprendizaje, 19
esto es algo coincidente en todas las definiciones que encontramos de los
autores citados.
Las analíticas de aprendizaje surgen en el ámbito de las organizaciones

empresariales con la intención de conocer el comportamiento del consumidor
externo. Este origen empresarial es uno de los factores que ha generado mayor
resistencia, siendo el ámbito educativo uno de los más rezagados en tomarlo
para fines propios. Según Buckingham y Ferguson (2012) las analíticas de
aprendizaje tiene sus raíces en dos esfuerzos informáticos claves:
•• La inteligencia de negocios, centrada en herramientas compu-

tacionales para mejorar la toma de decisiones organizativas,
mediante la fusión eficaz de datos recopilados a través de
diversos sistemas. La primera mención del término «análisis
del aprendizaje» que hemos encontrado se relaciona con la in-
teligencia de negocios sobre productos y servicios de e-learning
(Mitchell y Costello, 2000).
•• La minería de datos, también llamada Knowledge Discovery
in Databases (KDD), es el campo que se ocupa de emplear
grandes cantidades de datos para apoyar el descubrimiento de
información nueva y potencialmente útil (Piatetsky-Shapiro,

1995). Este campo reúne muchas corrientes de investigación en

computación, incluyendo redes neuronales artificiales, aprendi-
zaje bayesiano, construcción de árboles de decisión, aprendizaje
basado en instancias, programación lógica, inducción de reglas
y algoritmos estadísticos (Romero y Ventura, 2007, p. 3 y 4)
Otro antecedente importante mencionado por Buckingham y Fer-
guson (2012) es el proyecto Signals de la Universidad de Purdue realizado
durante el año 2010:
un ejemplo estrella del campo de la aplicación exitosa de la analítica

académica, reportando niveles significativamente más altos y tasas de
retención que las observadas en los grupos control (Arnold, 2010; Pistilli
y Arnold, 2012). El proyecto extrae datos de un VLE y combina esto con
el modelado predictivo para proporcionar un semáforo rojo / ámbar / verde
en tiempo real a los estudiantes y educadores, ayudando al personal a
intervenir de manera oportuna donde sea más beneficioso, y dando a los
estudiantes un sentido de su progreso (p. 4)
Siguiendo al mismo autor, nos muestra cómo desde la minería de

datos se trata de vincular las analíticas de aprendizaje al ámbito educativo.
Buckingham y Ferguson (2012) citan a Baker y Yacef (2009), al definir la
Minería de Datos Educativos (EDM) como:
20
una disciplina emergente, relacionada con el desarrollo de métodos para
explorar los tipos únicos de datos que provienen de los entornos educati-
vos, y el uso de estos métodos para entender mejor a los estudiantes y los
entornos en que aprenden. Las primeras publicaciones de EDM se pueden
encontrar desde 1995, pero una visión general del campo muestra que
los proyectos de investigación se multiplicaron después de la adopción
generalizada de entornos virtuales de aprendizaje (VLEs) a principios del
siglo XXI. (Romero y Ventura, 2007 citado en Buckingham, 2012).
Según Gómez-Aguilar et al. (2014) citando a Siemens (2011-2012)

destacan la relación entre las comunidades de las analíticas de aprendizaje
y EDM en tanto ambas comunidades:
creen firmemente en la realización de investigaciones y aplicaciones

que beneficien a los estudiantes, así como la mejora de las ciencias del
aprendizaje. El mismo Siemens (2013) aclara que “mientras la LA está
más preocupada por la toma de conciencia y la acción, la minería de datos
educativos (EDM) se centra más en el desarrollo de métodos para “explorar
los tipos únicos de datos que provienen de entornos educativos (Gómez-
Aguilar et al., 2014, p. 238)

G. Sabulsky
En base a este avance, Buckingham y Ferguson (2012) dicen:
Evidentemente, esto encapsula las líneas de todos los campos anteriores,

reflejando la convergencia interdisciplinaria del tema; pero, en contraste
con la investigación más teórica o la experimentación artificial que podría
publicarse en algunos de los campos anteriores, se hace hincapié en el
impacto del aprendizaje auténtico en el contexto del mundo real, a través
del uso de herramientas prácticas (Long y Siemens, 2011). (Citado por
Buckingham, 2012, p. 5).
Siemens (2013), por su parte, señala que las analíticas de apren-

dizaje se han desarrollado lo suficiente, a través de conferencias, revistas,
institutos de verano y laboratorios de investigación, para considerarlo como
un campo de investigación emergente.
Para avanzar un poco más en la comprensión de qué son y qué

aportan las analíticas, la clasificación de Buckingham y Ferguson (2012),
propuesta en Learning Analytics, informe publicado por UNESCO, permite
distinguir capas o niveles de análisis. El autor distingue tres niveles: micro
(a nivel del aula), meso (a nivel institucional) también definidas como analí-
ticas académicas (Gómez-Aguilar et al., 2014) y macro (cuando remiten a un
Estado, región, provincia). El nivel micro posibilita según el autor identificar
a los estudiantes en riesgo y posibilitar intervenciones oportunas y propor- 21
cionar a los estudiantes una visión de sus propios hábitos de aprendizaje y
recomendaciones para mejorar.
Entendemos que el nivel micro permitiría reconstruir, a manera de

una fotografía, las huellas digitales que dejan grabadas los estudiantes en los
entornos virtuales de aprendizaje; por ejemplo, identificando con qué recur-
sos interactúan más, su ingreso a los foros, si escriben en ellos o sólo leen,
si consultan el calendario, si ven videos, si bajan los materiales de estudio,
si ingresan frecuentemente al aula virtual o sólo de forma esporádica, etc.
A través del uso de dispositivos móviles, sistemas de gestión del aprendi-

zaje (LMS) y medios sociales, una mayor parte del proceso de aprendizaje
genera senderos digitales. Un estudiante que inicia sesión en un LMS deja
miles de puntos de datos, incluyendo patrones de navegación, pausas,
hábitos de lectura y hábitos de escritura. Estos datos pueden ser puntos
ambiguos y requieren exploración adicional para entender lo que significa
una prolongada pausa de lectura (quizás el estudiante esté distraído o
comprometido en otras tareas, o tal vez el estudiante está luchando con un
concepto desafiante en el texto), pero para los investigadores, las ciencias
del aprendizaje y la educación en general, los senderos de datos ofrecen
una oportunidad para explorar el aprendizaje desde nuevos y múltiples
ángulos” (Siemens 2013, p. 2).

4. Las analíticas de aprendizaje integradas a los sistemas de gestión

del aprendizaje y medios sociales
Un sistema de gestión de aprendizaje (LMS) es un software que per-

mite organizar una propuesta educativa a distancia, permitiendo la interacción
sincrónica y asincrónica entre profesores y estudiantes, y estudiantes entre
sí. Entre sus funciones encontramos: la gestión de usuarios, distribución de
recursos, materiales y actividades de aprendizaje, el seguimiento del proceso
de aprendizaje, la evaluación y el proponer espacios de comunicación como
foros, chats, videoconferencias, generar informes, entre otros.
Algunos ejemplos de sistemas de gestión del aprendizaje (o en-

tornos virtuales de aprendizaje) son Moodle, Carolain, Sakai o Blackboard.
Estos dispositivos tecnológicos disponen de un conjunto de herramientas
que permiten el registro de senderos digitales en términos de lo que plantea
Siemens, es decir de registro de datos a nivel micro. Sin embargo, para am-
pliar la base de registro se suelen agregar componentes extras, entre ellos
podemos mencionar algunos módulos:
•• Google analytics es un sistema de análisis y estadísticas gratuito

que sirve para analizar diferentes aspectos del funcionamiento
22 de una página o sitio web.
•• Smartklass, es un plug-in para plataformas de aprendizaje online
como Moodle, Sakai o Blackboard, que convierte los complejos
datos estadísticos, en completos y a la vez sencillos informes
que hacen un análisis del proceso de aprendizaje que se está
produciendo en el entorno virtual.
•• GISMO es una herramienta de monitorización gráfica interactiva
que proporciona al profesorado una visualización útil de las
actividades de los estudiantes en los cursos en línea.
•• Por último, es posible cruzar datos de base y generar información
significativa junto a la que provee la propia plataforma Moodle
a través de: https://moodle.org/plugins/local_analytics
En esta línea, los dispositivos tecnológicos posibilitan registrar cada

vez con más detalle las actividades realizadas por los estudiantes. De hecho,
en la actualidad se acumulan grandes cantidades de datos, que apenas están
explorados por los mismos estudiantes, por sus profesores o por los gestores
pedagógicos. Es difícil encontrar experiencias educativas que tomen estos
registros como parte del seguimiento de alumnos o que los apliquen a pro-
cesos de retroalimentación del estudiante.

G. Sabulsky
Ahora bien, hasta aquí estamos planteando recuperar la huella de

un estudiante en términos solitarios, en su interacción con el LMS (como
sinónimo de aulas virtuales), este entorno más bien cerrado es un espacio que
reproduce en parte las características de las aulas físicas de cuatro paredes,
se dispone en ellas de información y actividades para favorecer el aprendi-
zaje. Sin embargo, se observa una tendencia creciente a vincular las aulas
virtuales con entornos virtuales abiertos, como es el caso de redes sociales
o aplicaciones colaborativas tipo google drive, por mencionar un ejemplo.
Esta vinculación, entre dispositivos tecnológicos cerrados (aulas virtuales)
y abiertos (redes y aplicaciones web), refuerzan la condición indiscutible
del carácter social del aprendizaje y nos plantea la necesidad de reconocer
las huellas digitales de los estudiantes en ambos contextos, justamente por
entender que es en la relación entre ambos contextos donde se produce el
aprendizaje.
Se abre un terreno aún más inexplorado, aquel que se vincula a la

necesidad de reconstruir las huellas digitales de los senderos colaborativos.
Revisamos a partir de ahora las analíticas de aprendizaje social que centran
la atención en los elementos de aprendizaje, que entran a ser relevantes
cuando se aprende en una cultura participativa en línea.
En particular, el enfoque de SLA se centra en los procesos en los que 23

los alumnos no son solitarios y no necesariamente realizan trabajo para
ser identificados, sino que participan en la actividad social, ya sea inte-
ractuando directamente con otros (por ejemplo) o utilizando plataformas
en las que sus rastros de actividad serán experimentados por otros (por
ejemplo, publicación, búsqueda, etiquetado o calificación) (Buckingham
y Ferguson, 2012, p. 5)
¿Con quién se aprende en los entornos virtuales?, ¿cómo entender

la interacción social en ciertas condiciones pedagógicas?, ¿cómo se da la
experiencia distribuida, la colaboración de los estudiantes en ámbitos vir-
tuales? Al parecer, las analíticas de aprendizaje social nos permiten registrar
las huellas del proceso social y colectivo que supone el aprendizaje. Los
sistemas de gestión del aprendizaje (LMS), Moodle por ejemplo, ofrecen
entornos de trabajo colaborativo a en foros y wikis a partir de los cuales se
pueden reconocer conexiones (fuertes o débiles) entre un estudiante y su
grupo de compañeros, entre estudiantes y tutores, y entre las comunidades
de aprendizaje y los recursos de aprendizaje (Jones y Steeples, 2003 citado
por Buckingham y Ferguson, 2012). Además podemos mencionar SNAPP
(Social Networks Advancing Pedagogical Practice) que es un programa ba-
sado en el aprendizaje universitario, que analiza las redes sociales formadas
dentro de los sistemas de gestión de aprendizaje.

Según Buckingham y Ferguson (2012):
Los múltiples usos del análisis de redes sociales aplicables al aprendizaje

social, incluyen la detección de comunidades dentro de las redes (Clauset,
Newman y Moore, 2004; Fortunato, 2010); identificación de tipos de
subconjuntos dentro de una red donde existe un nivel de cohesión y de-
pende de propiedades tales como proximidad, frecuencia y afinidad u otras
propiedades (Reffay y Chanier, 2003); investigación de la densidad de las
redes sociales (Borgatti, Mehra, Brass y Labianca, 2009); y la exploración
de la centralidad de los individuos dentro de una red (Wasserman y Faust,
1994) (Buckingham y Ferguson, 2012).
Si tomamos la interacción de los alumnos en un LMS como parte

de una comunidad, puesto que son estudiantes con objetivos e intereses
comunes, que construyen vínculos de pertenencia con esa comunidad, sos-
tenida a partir de una red de interacciones virtuales, es de nuestro interés
acercarnos a explorar la centralidad de cada estudiante dentro de la red que
lo contiene. Buckingham y Ferguson proponen diferentes niveles o escalas:
o miramos desde la red o miramos desde el individuo; es decir, dos perspec-
tivas: egocéntrica y toda la red.
Las redes egocéntricas se describen desde el punto de vista del

24 individuo, que se sitúa en el centro de una serie de relaciones formalmente
e informalmente conectadas con el aprendizaje.
Estudiar las redes de esta manera puede ayudar a identificar a las perso-
nas de las cuales un individuo aprende, donde pueden surgir conflictos
de comprensión y qué factores contextuales influyen en el aprendizaje.
Una visión de toda la red, por otro lado, considera la distribución de la
información y el desarrollo del aprendizaje a través de un conjunto de
personas. En este caso, el análisis puede caracterizar la red en términos
de su carácter, intereses y prácticas. Esta visión de toda la red es capaz
de tomar “los resultados de las conexiones de pares para describir lo que
mantiene unida a la red (Haythornthwaite y De Laat, 2010, p.189) (citado
por Buckingham y Ferguson 2012 p. 5).
Además del análisis de las redes que se van configurando, según

los autores que usamos como referencia, se puede combinar el análisis de
redes con el análisis de contenido, registrando no sólo quién está hablando
con quién, sino de qué están hablando y por qué están hablando de esta
manera (De Laat, Lally, Lipponen y Simons, 2006; Hirst, 2011). Buckingham
y Ferguson (2012) mencionan dos líneas de indagación a través de analíti-
cas de aprendizaje social, a la primera la definen como de “disposición de
aprendizaje” y a una segunda como “análisis de contenido”, cada una con sus
dispositivos tecnológicas que permiten producir datos. Al revisar la primera
línea de investigación, sobre disposiciones, encontramos una serie de herra-

G. Sabulsky
mientas aplicadas en investigaciones de carácter internacional (ELLIment),

que intentan dar cuenta de disposiciones contextualizadas, algunas de ellas
son: curiosidad crítica, creación de significado, dependencia y fragilidad, crea-
tividad, relaciones / interdependencia y conciencia estratégica (Buckingham
y Deakin, 2012). Su carácter personal y situado limita a poder tomar estas
disposiciones como generales.
Por otro lado, el análisis de contenidos desde una perspectiva más

técnica, pretende examinar, indexar y filtrar activos multimedia en línea, con
la intención de guiar a los estudiantes a través del océano de los recursos
potenciales disponibles para ellos. Esta línea tiene actualmente un gran de-
sarrollo. Nos interesa revisar con más detenimiento una línea de trabajo que
intenta vincular el análisis de contenido con elementos más cualitativos, que
permitan reconocer las formas de apropiación del contenido en los contex-
tos sociales de aprendizaje, por ejemplo un foro. Hay antecedentes en esta
dirección según Buckingham y Ferguson (2012).
5. Imaginar las analíticas al servicio del aprendizaje
Coll, Engel y Niño (2017) explican que mientras algunos estudios 25

han puesto el foco en el diseño de algoritmos, que automatizan la minería
de datos (Romero et al., 2007) y en la elaboración de propuestas visuales
para presentar los resultados de los análisis (Mazza y Dimitrova, 2007; De
la Fuente-Valentín y Burgos, 2015); otros estudios se han dirigido a analizar,
cómo una analítica del aprendizaje puede proporcionar a los profesores una
visión profunda del proceso de aprendizaje (Fidalgo-Blanco et al., 2015;
Rodríguez-Triana et al., 2015). Centrados en esta última perspectiva, Kruse
y Pongsajapan (2016) consideran que las analíticas de aprendizaje tienen
actualmente dos grandes dificultades:
Hay, sin embargo, dos problemas potenciales con el matrimonio de los

LMS y la analítica de aprendizaje. Primero es la suposición que tales sis-
temas se utilizan como sitios de aprendizaje significativo. Muchos LMS
son ampliamente utilizados por los estudiantes, pero la profundidad de
la interacción puede ser bastante superficial-limitada a la verificación de
los resultados del examen o descargar el material para el curso. Además,
hay una suposición de que los LMS son espacios para el aprendizaje au-
tónomo. El enfoque para el aprendizaje analítico en LMS generalmente
ignora la actividad fuera de estos sistemas, con el resultado de que sólo
una pequeña porción del aprendizaje del estudiante y el compromiso se
está captando. (p. 3)

Dando por cierta esta afirmación, vale la pena reconocer que el

escenario virtual de aprendizaje no podrá nuevamente encerrarse en un aula,
aunque ahora sea virtual. En tal sentido, las analíticas de aprendizaje tienen
el desafío de recoger datos que muestren la articulación entre los espacios
cerrados (aula virtual) y abiertos (medios sociales), entendiendo que el apren-
dizaje se produce a partir del complemento de ambos entornos.
En segundo lugar, tales sistemas tienden a privilegiar al administrador

más que al estudiante -o incluso al docente. El enfoque de la analítica
de aprendizaje parece fijarse en una escala institucional más que en una
escala humana. Queda por ver si los estudiantes y profesores serán vistos
como participantes plenos en los mecanismos de análisis de aprendizaje
de estos sistemas o como generadores involuntarios de datos para los
administradores y las compañías detrás de estos LMS. (p. 4)
Esta preocupación lleva a estos autores a proponer la analítica al

servicio del aprendizaje, al transformarla en una práctica caracterizada por
un espíritu de cuestionamiento e indagación, lo que supone al estudiante
como co-intérprete de sus propios datos y, tal vez, incluso como participante
en la identificación y recolección de esos datos. “En este escenario, el estu-
diante toma conciencia de sus propias acciones en el sistema y utiliza esos
datos para reflexionar y potencialmente cambiar su comportamiento” (Kruse
26 y Pongsajapan, 2016, p. 4). Un ejemplo es la investigación de Coll et al.
(2017) quienes diseñan una analítica de aprendizaje basada en el enfoque
de la Influencia Educativa Distribuida, los resultados indican que, en general,
la información proporcionada a los participantes sobre su actividad tiene un
impacto en el proceso colaborativo. Este ejemplo, de reciente publicación,
abre un camino de indagación, dado que muestra cómo la analítica puede
ponerse al servicio del aprendizaje.
Hemos mostrado a través de nuestro recorrido un estado de situa-

ción donde se cruzan preocupaciones sobre la mejora (personalización) de
los procesos de aprendizaje con dispositivos tecnológicos, que permiten su
registro y análisis. La investigación de Coll et al. (2017) señalada en el últi-
mo ejemplo, considera que las analíticas de aprendizaje se pueden construir
sobre la base de teorías, que los indicadores que se utilicen para evaluar la
actividad se definen por quienes participan en la indagación, y que la infor-
mación obtenida puede ser un insumo para los mismos estudiantes, quienes
además pueden participar en todo el proceso de recogida y análisis de datos.

G. Sabulsky
Por tanto, entendemos que este es un camino a profundizar. En

principio será necesario diseñar propuestas educativas que den cabida a los
procesos de metacognición como estrategias de enseñanza, luego adecuar los
dispositivos tecnológicos a esas necesidades educativas, y posteriormente será
preciso habilitar al estudiante con los datos que el mismo sistema produce.
De esta manera el peso de la tecnología sobre las propuestas

educativas, quedaría sujeta a la intervención crítica de quienes la usamos y
consumimos, para transformarnos en productores inteligentes a través de ella.
6. Conclusiones
A través de la revisión bibliográfica se logró identificar algunas

contribuciones claves para conocer el aporte que las analíticas de aprendizaje
pueden realizar al campo educativo, advirtiendo acerca de la no neutralidad
de la técnica.
Al describir los niveles de análisis de las analíticas, se sugiere el

nivel micro para identificar las actividades dentro de las aulas virtuales y
también la necesidad de incluir el registro de los espacios abiertos; es decir, 27
las acciones que los mismos estudiantes realizan en sus redes sociales. En
ese sentido, la potencialidad de las analíticas parece indiscutible: los dispo-
sitivos técnicos producen información más que necesaria a la hora de diseñar
y evaluar las propuestas educativas. Ahora bien, como se plantea en el último
apartado, esos datos deben ser analizados en base a teorías que ayuden a
comprender los complejos procesos de aprendizaje. Cerramos este artículo
con dos nuevas preguntas: ¿las analíticas al servicio de qué tipo de apren-
dizaje?, ¿pueden las analíticas contribuir hacia el aprendizaje significativo?
Referencias bibliográficas
Arnold, K.E. (2010). Signals: Applying academic analytics. Educause Quarterly, 33(1), 10.
Baker, R. S. J. D., & Yacef, K. (2009). The state of educational data mining in 2009: A review
and future visions. Journal of Educational Data Mining, 1(1), 3-17
Becerra, M. (2010). Mutaciones en la superficie y cambios estructurales. América Latina en

el Parnaso informacional. Dénis De Moraes (comp.), Mutaciones de lo invisible.
Comunicación y procesos culturales en la era digital, Buenos Aires, Paidós, 81-113.
Borgatti, S. P., Mehra, A., Brass, D. J., & Labianca, G. (2009). Network analysis in the social
sciences. Science, 323(5916), 892-895.

Buckingham, S. (2012). Learning Analitics. Policy Brief, UNESCO Instituto para las Tecnologías
de la Información en Educación. Recuperado de https://bit.ly/2TXK1rh.
Buckingham, S, & Deakin, R. (2016). Learning analytics for 21st century competencies. Journal
of Learning Analytics, 3(2), 6-21. Recuperado de https://bit.ly/2W581FB.
Buckingham, S, & Deakin, R. (2012). Learning dispositions and transferable competencies:

pedagogy, modelling and learning analytics. In Proceedings of the 2nd international
conference on learning analytics and knowledge (pp. 92-101). ACM. Recuperado
de https://bit.ly/2ZssaaN.
Buckingham, S., & Ferguson, R. (2012). Social Learning Analytics. Educational Technology &
Society, 15(3), 3-26. Recuperado de https://bit.ly/2UBlweH.
Burburles, N.C., y Callister, T. A. (2001). Educación: riesgos y promesas de las nuevas tecnologías
de la información. Barcelona: Granica.
Clauset, A., Newman, M. E. J., & Moore, C. (2004). Finding community structure in very large
networks. Physical Review E, 70(6).
Coll, C., Engel, A., Niño, S. (2017). La actividad de los participantes como fuente de información
para promover la colaboración. Una analítica del aprendizaje basada en el modelo
de Influencia Educativa Distribuida. RED. Revista de Educación a Distancia, 53.
DOI: http://dx.doi.org/10.6018/red/53/2 Recuperado de http://www.um.es/ead/
red/53/coll_et_al.pdf.
De-la-Fuente-Valentín, L., y Burgos, D. (2015). A4Aprendizaje: Un enfoque metodológico iterativo

para apoyar mejor el aprendizaje y la enseñanza. IEEE Latin America Transactions,
28 13(2), 483-489.
De Laat, M., Lally, V., Lipponen, L., & Simons, R.-J. (2006). Analysing student engagement with
learning and tutoring activities in networked learning communities: A multi-method
approach. International Journal of Web Based Communities, 2(4), 394-412.
Doueihi, M. (2010). La gran conversión digital. Buenos Aires: Fondo de Cultura Económica.
Durall, E., Gros, B., Maina, M., Johnson, L. & Adams, S. (2012). Perspectivas tecnológicas:
educación superior en Iberoamérica 2012-2017. Austin, Texas: The New Media
Consortium. Recuperado de https://bit.ly/1jfsDrm
Fidalgo-Blanco, Á., Sein-Echaluce, M. L., García-Peñalvo, F. J., & Conde, M. Á. (2015). Using
Learning Analytics to improve teamwork assessment. Computers in Human Behavior,
47, 149-156.
Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3-5), 75-174.
García-Holgado, A., & García-Peñalvo, F. J. (2017). A metamodel proposal for developing

learning ecosystems. In P. Zaphiris & A. Ioannou (Eds.), Learning and Collaboration
Technologies. Technology in Education. 4th International onference, LCT 2017.
Held as Part of HCI International 2017, Vancouver, BC, Canada, July 9–14, 2017.
Proceedings, Part I (pp. 100-109). Switzerland: Springer International Publishing.
doi: 10.1007/978-3-319-58509-3_10
Gómez-Aguilar, D.A., García-Peñalvo, F.J., y Therón, R. (2014). Analítica visual en e-learning.

El profesional de la información, 23(3). Recuperado de https://bit.ly/2IUu9yP.
Haythornthwaite, C., & de Laat, M. (2010). Social networks and learning networks: Using social
network perspectives to understand social learning. Paper presented at the 7th
International Conference on Networked Learning, Aalborg, Denmark.

G. Sabulsky
Hirst, A. J. (2011). Social networks on delicious. https://bit.ly/2EmFpRr
Jones, C., & Steeples, C. (2003). Perspectives and issues in networked learning. In C. Steeples
& C. Jones (Eds.), Networked Learning: Perspectives and Issues. Lancaster: Centre
for Studies in Advanced Learning Technology
Kruse, A., y Pongsajapan, R. (2016). Student-Centered Learning Analytics. CNaLS. Thought

Papers. Recuperado de https://bit.ly/2GEmFi3.
Levine, A. (2006) Educación Superior: Una Revolución Interna y Otra Externa. In Serbin Pittinsky,
Matthew. La Universidad conectada (pp.25-42). Málaga: El Aljibe.
Lévy, P. (2007). Cibercultura. La cultura de la sociedad digital. Barcelona: Anthropos.
Long, P, & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education,
Educause Review, 46(5), 31-40. Recuperado de https://bit.ly/2UvNXuA.
Mazza, R., & Dimitrova, V. (2007). CourseVis: A graphical student monitoring tool for supporting
instructors in web-based distance courses. International Journal of Human-Computer
Studies, 65(2), 125-139.
Mitchell, J., & Costello, S. (2000). International e-VET market research report: A report on
international market research for Australian VET online products and services.
Sydney, Australia: John Mitchell & Associates and Education Image.
Miege, B. (2010) La cuestión de las TIC: hacia nuevos planteamientos. In D. de Moraes (org.)
Mutaciones de lo visible. Comunicación y procesos culturales en la era digital, (pp.
15-44). Bs.As: Paidós.
Piatetsky-Shapiro, G. (1995). Guest editor’s introduction: Knowledge discovery in databases –

29
from research to applications. Journal of Intelligent Information Systems, 4(1), 5-6
Pistilli, M., & Arnold, K. (2012). Course signals at Purdue: Using learning analytics to increase
student success. Paper presented at the 2nd International Conference on Learning
Analytics and Knowledge, Vancouver, Canada.
Reffay, C., & Chanier, T. (2003). How social network analysis can help to measure cohesion in
collaborative distance-learning. International Conference on Computer Supported
Collaborative Learning (pp. 243-352). Bergen: Kluwer Academic Publishers.
Rodríguez-Triana, M.J., Martínez-Monés, A., Asensio-Pérez, J.I., y Dimitriadis, Y. (2015). Las

secuencias de comandos y la supervisión se encuentran entre sí: alineando el
análisis de aprendizaje y el diseño de aprendizaje para apoyar a los maestros en la
organización de situaciones CSCL. Revista británica de tecnología educativa, 46
(2), 330-343.
Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005.
Expert Systems with Applications, 33(1), 135-146.
Sadin, E. (2013). Las tecnologías digitales debilitan la capacidad de decidir. Diario Página 12.
Recuperado de https://bit.ly/2PzQROh.
Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline, American Behavioral

Scientist, 57(10), 1380-1400, SAGE Publications. Recuperado de https://bit.
ly/2Puq7P8.
Siemens, G., Gasevic, D., Haythornthwaite, C., Dawson, S., Buckingham, S., Ferguson, R., Duval,
E., Verbert, K., Baker, R, S.J.d . (2011). Open learning analytics: an integrated &
modularized platform. Proposal to design, implement and evaluate an open platform

to integrate heterogeneous learning analytics techniques. Recuperado de https://

bit.ly/2PoQw0H.
Siemens, G., Baker, R. S.J.d. (2012). “Learning analytics and educational data mining: towards
communication and collaboration”. En: Proceedings of the 2nd International
Conference on Learning Analytics and Knowledge (Vancouver, Canada), pp. 252-254.
Suthers, D., & Verbert, K. (2013, April). Learning analytics as a middle space. In Proceedings
of the Third International Conference on Learning Analytics and Knowledge (pp.
1-4). ACM. Recuperado de https://bit.ly/2UCEYHY.
Tobeña, V. (2011). La escuela en el mundo contemporáneo. Notas sobre el cambio cultural. In

G. Tiramonti (org.). Variaciones sobre la forma escolar. Límites y posibilidades de
la escuela media. Bs.As.: Homosapiens.
UNESCO (1998). Conferencia Mundial sobre la Educación Superior. La educación superior en

el siglo XXI: Visión y acción. 9 de octubre de 1998. Recuperado de https://bit.
ly/1blr26L.
Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications (Structural
analysis in the social sciences). Cambridge: Cambridge University Press
30

Analítica del aprendizaje y las neurociencias educativas:

nuevos retos en la integración tecnológica
Arturo Corona Ferreira 1
Mijael Altamirano 2
María de los Ángeles López Ortega 1
Oscar Alberto González González 1
1
Universidad Virtual del Estado de Michoacán (UNIVIM), México; 2 Instituto Politécnico Nacional (IPN), Mexico.
Resumen. La analítica del aprendizaje (LA) tiene como objetivo comprender y optimizar
el aprendizaje y los entornos en los que se produce. Dada la compleja naturaleza de
los procesos de aprendizaje, se ha hecho necesario usar herramientas de diversos
campos de investigación que permitan obtener, describir, analizar e interpretar datos
sobre los alumnos, durante sus procesos de aprendizaje y en sus contextos. Más que
tomar métodos o técnicas aisladas para el estudio de este proceso, la analítica del
aprendizaje está comenzando a integrar las perspectivas de otros campos para lograr
una investigación del aprendizaje con una visión transdisciplinaria. Uno de estos
campos es el de la neurociencia, específicamente la relacionada con el aprendizaje
o neurociencia educativa. El objetivo de esta investigación es explorar las implicacio-
nes y retos del uso de las tecnologías por medio de los electroencefalogramas (EEG)
-tradicionalmente empleados en estudios neurológicos- en conjunto con las analíticas
del aprendizaje para el estudio de los procesos de aprendizaje en los estudiantes.
Palabras clave: analíticas del aprendizaje; neurociencias; retos educativos.
Analítica da aprendizagem e a neurociência educacional: novos desafios na inte-
gração tecnológica
Resumo. A Analítica da Aprendizagem (LA) tem como objetivo compreender e otimizar
a aprendizagem e os ambientes nos quais ela ocorre. Dada a complexa natureza do 31
processo de aprendizagem, tornou-se necessário o uso de ferramentas de diversos
campos de pesquisa para a obtenção, descrição, análise e interpretação de dados
sobre os alunos durante seus processos de aprendizagem e em seus contextos. Ao
invés de usar métodos ou técnicas isoladas para o estudo deste processo, a Analítica 31
da Aprendizagem está começando a integrar as perspectivas de outros campos para
alcançar uma pesquisa de aprendizagem com uma visão transdisciplinar. Um destes
campos é o da neurociência, especificamente aquela relativa à aprendizagem ou
neurociência educacional. O objetivo desta pesquisa é explorar as implicações e os
desafios do uso das tecnologias por meio do eletroencefalograma (EEG), tradicionalmente
aplicado em estudos neurológicos, em conjunto com as Analíticas de Aprendizagem
para o estudo dos processos de aprendizagem nos estudantes.
Palavras-chave: Analítica de aprendizagem; neurociência; desafios educacionais.
Analytics of Learning and Educational Neurosciences: challenges in technological
integration
Abstract. The aim of learning analytics (LA) is to understand and optimize learning
and the environments in which it occurs. Given the complex nature of learning, it has
become necessary to use tools from various fields of research to obtain, describe, analyze
and interpret data about students, their learning processes and contexts. Rather than
taking isolated methods or techniques for the study of this process, learning analytics is
beginning to integrate the perspectives of other fields to achieve a research of learning
with a transdisciplinary vision. One of these fields is neurosciences, specifically those
related to learning or educational neurosciences. The objective of this research is to
explore the implications and challenges of the use of EEG technologies (traditionally
used in neurological studies) in conjunction with learning analytics for the study of
students learning processes and their context.
Keywords: learning analytics; neuroscience; educational challenges.

Analítica del aprendizaje y las neurociencias educativas: nuevos retos en la integración tecnológica
1. Introducción
El concepto de analítica del aprendizaje o LA (por sus siglas del

inglés, Learning Analytics) es relativamente nuevo y, a grandes rasgos, se
refiere al conjunto de procesos asociados con el análisis de datos relativos
al aprendizaje.
Para comprender los conceptos propios de LA, y utilizarlos para la

formulación de propuestas para el mejoramiento docente y aprendizaje, es
necesario identificar y comprender de donde surge y como se contrasta con
otras áreas de conocimiento como la ciencia de datos y las ciencias educa-
tivas (Reimann, 2016).
Según la Society for Learning Analytics Research (SoLAR), la

analítica del aprendizaje se define concretamente como “la medición, reco-
pilación, análisis e informe de datos sobre los alumnos y sus contextos, con
el fin de comprender y optimizar el aprendizaje y los entornos en los que se
produce” (SoLAR, s.f.).
De acuerdo con esta definición, la analítica del aprendizaje puede

hacer uso de cualquier herramienta o campo que le permita obtener, describir,
32 analizar e interpretar datos sobre los alumnos y sus procesos de aprendizaje;
de esta manera, las analíticas del aprendizaje permiten crear conocimiento
que contribuya a mejorar el proceso de aprendizaje y su entorno.
Otros autores definen las analíticas del aprendizaje en términos

similares; entre ellos, vale la pena destacar a Siemens (2013), quien indica
que las analíticas del aprendizaje involucran la recopilación, medida, análisis
y reporte de datos sobre los estudiantes y sus contextos.
Adicionalmente, Stewart (2017) señala que, como campo de in-

vestigación, el concepto de LA se deriva de las actividades de las ciencias de
datos (CD), cuyos campos de acción son: la minería de datos, la inteligencia
artificial, la analítica web, así como la inteligencia comercial.
En este sentido, las analíticas del aprendizaje implican la integra-

ción de datos -de múltiples fuentes-, para informar la acción del uso de los
sistemas de gestión educativa como los Learning Management System (LMS)
(Stewart, 2017).
Por su parte, Baker y Siemens, Baker y Yacef, y Greller y Drachsler

en Reimann (2016) presentan a LA como un campo de investigación joven
impulsado, en especial, por la disponibilidad de datos relacionados con el

A. Corona y otros
aprendizaje en estudiantes; la disponibilidad de grandes conjuntos de datos

ha generado interés en su análisis con el fin de mejorar la experiencia del
aprendizaje.
Similarmente, Baker y Siemens en Banihashem et al. (2018) se-

ñalan que la creciente cantidad de datos educativos analizables es uno de
los factores que condujeron a la aparición de LA. En efecto, recientemente
se han publicado artículos con datos de decenas de miles de estudiantes;
el tamaño y la disponibilidad de estos conjuntos de datos es el principal
incentivo en favor del desarrollo de los estudios sobre LA.
En este sentido, Ferguson y Clow (2017) indicaron en la primera

conferencia de Learning Analytics and Knowledge del año 2011, que los
artículos recibidos incluían contenido, en los que predominaba la medición,
la recopilación, el análisis e informes de datos sobre los estudiantes y sus
contextos, y en las exposiciones de los resultados se identificaba que dichos
trabajos buscaban demostrar como mediante analíticas lograban comprender
y optimizar el aprendizaje.
En ese mismo evento, Banihashem et al. (2018) indican que se

recibieron aportaciones de analíticas de datos sobre la medición, recopi-
lación, análisis e informes de datos sobre los estudiantes y sus contextos. 33
Contribuciones que fueron presentadas con el fin de comprender y optimizar
el aprendizaje.
La recopilación de datos de los alumnos, cuando están en un

contexto de aprendizaje, abren la puerta a nuevas interpretaciones acerca
de lo que sucede durante la ejecución de los procesos de aprendizaje. Así lo
demuestra Stewart (2017), al enfocarse en realizar LA, con el fin de emplear
una técnica para modelar y generar perfiles de alumnos, así como la de abrir
el medio para formular un aprendizaje personalizado y adaptable.
Banihashem et al. (2018) describen que, normalmente para los

procesos de LA, los datos provienen de las interacciones con los sistemas,
permitiendo arrojar datos durante el tiempo en que el alumno participa e,
inclusive, cuando el alumno deja de usar contenidos. En dicha investigación
los autores señalan, que el principal argumento de valor de LA es el tamaño de
los datos, en referencia no solo a la cantidad de estudiantes analizados, sino
a la cantidad y variedad de datos puntuales producidos por los estudiantes
al interactuar con sistemas.

Estos grandes conjuntos de datos, conocidos también como huellas

digitales, se generan por los alumnos al hacer uso de mediaciones durante su
aprendizaje. Esas huellas permiten formular las analíticas de los aprendizajes,
proporcionando nuevas perspectivas para la mejora del aprendizaje y de la
enseñanza a través de recursos tecnológicos (Tseng et al., 2014).
Banihashem et al. (2018), en base al National Research Council

(2013), proponen que existen tres razones adicionales por las cuales el tamaño
y la variedad de datos son la base de la verdadera analítica del aprendizaje.
La primera de ellas es, que cuanto mayor sea el número de estudiantes,
se podrá proponer una forma verdadera de generalización de hallazgos. La
segunda razón, es referente a la variedad de datos, ya que cuanto más di-
verso sea el origen de los datos, aumenta exponencialmente el número de
variables incluidas en el análisis y esto lleva a un mayor número de posibles
relaciones entre ellas. Finalmente, en tercer lugar, los grandes conjuntos de
datos dan pie a identificar eventos anómalos, ya que estos se alejan de los
comportamientos regulares, los cuales se dan solo de forma esporádica o en
pequeñas muestras de estudiantes.
Ahora bien, existe la ilusión de que la recopilación de grandes con-

juntos de datos llevará finalmente a interpretaciones concluyentes sobre el
34 aprendizaje, siendo en realidad las interpretaciones el desafío que el campo
de LA debe abordar. Las grandes cantidades de datos son importantes, pero
también requieren de atención los pequeños datos sobre individuos y tareas
de aprendizaje particulares, ya que en los modelos de LA toda la información
sobre los procesos de aprendizaje puede y debe ser considerada de manera
integral (Lodge y Corrin 2017).
De acuerdo con Amo y Santiago (2017) en la analítica del aprendizaje

se interpretan datos educativos mediante aproximaciones cuantitativas, susten-
tadas por los datos extraídos. Por lo tanto, la analítica del aprendizaje sirve para
estudiar el pasado, el presente y el futuro del comportamiento de los alumnos.
Es necesario destacar que las analíticas del aprendizaje no tratan

de cuantificar el aprendizaje, sino que tratan de entender el contexto en el
que convive el alumno, con el propósito de descifrar, explicar y predecir el
comportamiento de estos, ante la presencia de los contenidos, actividades y
recursos, con el fin de identificar como mejorar todo el proceso de enseñanza
y elevarlos en sus posibilidades (Amo y Santiago, 2017).
Todas estas definiciones contemplan la necesidad de estudiar, no

solo los datos derivados de los procesos de aprendizaje en el sentido estricto,
sino también los datos relacionados a los entornos o contextos de aprendizaje.

A. Corona y otros
A su vez, estas definiciones plantean de manera indirecta la necesi-

dad de contar con herramientas provenientes de diversos campos de estudio
para poder comprender los procesos de aprendizaje.
De acuerdo con Lodge y Corrin (2017) la analítica del aprendizaje

tiene el potencial para cerrar algunas brechas en el campo de la educación, la
psicología e incluso en la neurociencia aplicada a la educación, con el fin de
tener un entendimiento más profundo del comportamiento de los estudiantes
a medida que ellos aprenden en entornos educativos reales.
Sin embargo, para que los datos resultantes de la analítica del

aprendizaje sean útiles y contribuyan a comprender los comportamientos
del aprendizaje y los procesos de aprendizajes en los alumnos, es necesario
determinar previamente los objetivos de la analítica del aprendizaje ¿qué se
desea saber?, ¿qué es lo que ya se sabe? y ¿cómo se relaciona esto con el
diseño del aprendizaje?
Solo cuando se determinan estos factores, es posible identificar qué

datos se necesitan para lograr un correcto análisis de aprendizaje, con el fin
de alcanzar los objetivos deseados, ya sea para diagnosticar desafíos en el
aprendizaje, para identificar patrones de comportamiento o para descubrir
procesos de aprendizaje (Lodge y Corrin, 2017). 35
En este sentido, Corrin et al. (2018) señalan que:
A medida que el campo de la analítica del aprendizaje madura, estamos

empezando a ver un cambio en la forma en que los investigadores y las
instituciones están hablando sobre la analítica del aprendizaje en el con-
texto del aprendizaje y la enseñanza. Desde sus raíces en el uso de datos
de estudiantes para abordar la retención, el campo se está expandiendo y
se está convirtiendo en verdaderamente transdisciplinario, recurriendo a
metodologías y técnicas de análisis de múltiples disciplinas. (p.1)
Todo este proceso se encuentra enmarcado en un contexto edu-

cativo de rápida evolución y de cambios, profundamente influenciado por
la tecnología. Es necesario aclarar que, para los fines de esta investigación,
la tecnología impacta en el aprendizaje de dos maneras; en primer lugar,
transformando los medios a través de los cuales se accede a la educación
y modificando los contextos de aprendizaje. Por otro lado, hoy es posible
emplear nuevos recursos tecnológicos, que nos permiten diseñar distintos
acercamientos para hacer el seguimiento de los alumnos.

Aún más, el auge de la tecnología, la simplificación de ésta y su

implementación en estudios de analíticas del aprendizaje, permite no solo la
integración de otros campos de investigación, sino desarrollar un verdadero
enfoque transdisciplinario de las analíticas del aprendizaje, donde la recopila-
ción, el análisis y la interpretación de datos, puede verse desde la perspectiva
de otro campo de investigación sin dejar de lado los objetivos de las LA.
De acuerdo con Knight y Buckingham en Logde et al. (2018) el

objetivo que persiguen las neurociencias y las analíticas del aprendizaje son
las de tratar de comprender el aprendizaje a través de una lente específica
basada en datos. En el campo de las neurociencias, la perspectiva de la
analítica es biológica, mientras que dentro de la perspectiva de la analítica
del aprendizaje es conductual.
A pesar de la diferencia entre ambas perspectivas, el problema

subyacente en ambos campos es el mismo: la educación es un fenómeno
complejo, multidimensional, contextual y social; por lo tanto, intentar com-
prender cómo se produce únicamente a través de una única perspectiva es
insuficiente, e incluso problemático (Lodge et al., 2018).
36
2. Analíticas del aprendizaje y las neurociencias educativas
Durante la última década ha habido investigaciones importantes

enfocadas a comprender y a entender el aprendizaje mediante estudios contro-
lados, que están sentando las bases para una nueva ciencia del aprendizaje.
En contraste, los grandes datos, a menudo generados en entornos tecnológicos,
presentan a los investigadores datos más confusos de lo que es común. Sin
embargo, LA ofrece una visión tentadora de los aspectos sociales, afectivos
y metacognitivos del aprendizaje, como sucede en el trabajo auténtico y en
los entornos escolares (Siemens, 2016).
Desde la investigación básica en ciencias cognitivas y neurociencia,

incluida la investigación sobre el aprendizaje de animales, hasta los estudios
experimentales y correlacionales en psicología educativa, y la investigación
educativa sobre prácticas y pedagogías en el aula, se identifica al aprendizaje
como una expresión que tiene lugar en múltiples niveles al mismo tiempo,
los cuales se pueden identificar como eventos de aprendizaje producidos
desde un estrato biológico con procesos neurofisiológicos, por medio de un
estrato cognitivo que atiende al pensamiento racional y de conocimiento;
y, un estrato sociocultural donde las herramientas junto con sus prácticas
producen experiencias de aprendizaje (Reimann, 2016).

A. Corona y otros
Por su parte, Lodge et al. (2018) señalan que existen claros paralelos
entre las analíticas del aprendizaje y la neurociencia educativa:
en ambos casos, se están produciendo grandes volúmenes de datos, los

cuales son de utilidad para que los investigadores, estadísticos, maestros
y otros que buscan inferir en el aprendizaje de estos conjuntos de datos.
Por lo que es necesario la disponibilidad de abundantes datos, sobre
cómo se produce el aprendizaje en el cerebro. Si bien, este esfuerzo ha
brindado grandes conocimientos sobre el aprendizaje a nivel biológico, la
extracción de significado de estos datos para la práctica educativa ha sido
una tarea difícil” (p.14).
La disponibilidad de estos conjuntos de datos ha influido, según

Logde et al. (2018), en el incremento de la investigación de estos temas,
siendo el primer objetivo de los investigadores determinar cómo se produce
el aprendizaje en el cerebro y cómo se correlaciona el aprendizaje a nivel ce-
rebral y neuronal. Estas investigaciones han generado grandes avances desde
la perspectiva biológica, mientras que desde el punto de vista educativo los
avances han sido menores.
Uno de los grandes retos que presenta el estudio del aprendizaje,

desde una perspectiva neurológica, es que no es posible inferir directamente
de un estudio de imágenes cerebrales, lo que sucede en una persona en su 37
totalidad; como tampoco es posible inferir datos puramente conductuales en
un contexto sociocultural como el aula (Lodge et al., 2018).
Por si sola, la observación en el aula ya no es la herramienta de-

finitiva para comprender los nuevos procesos de aprendizaje, esto es espe-
cialmente cierto en el caso de los entornos virtuales de aprendizaje, donde
la observación es casi imposible.
Es así como LA se convierte en un recurso clave actual para anali-

zar, visualizar, entender y mejorar los procesos de aprendizaje. La diferencia
entre el seguimiento de un docente y las analíticas del aprendizaje es que
estas últimas dotan de capacidad para observar y dar soporte a nivel global
en una clase. En cambio, la capacidad observar del profesor solo le permite
centrarse en un alumno a la vez (Amo y Santiago, 2017).
En este sentido, Ninaus et al. (2014) señalan que la analítica

del aprendizaje es un campo muy prometedor para mejorar la educación, la
enseñanza y el aprendizaje mediante la recopilación de datos de usuarios,
especialmente aquellos datos de origen fisiológico.

Pese a la relevancia que pudieran tener estos datos en el desarrollo

de nuevos conocimientos en el área de las analíticas del aprendizaje, exis-
ten pocas investigaciones sobre el uso de rastros fisiológicos aplicados a las
analíticas del aprendizaje.
De acuerdo con Zadina (2015) la neurociencia juega un papel

relevante en la educación. En especial, en la neurociencia educativa, donde
cobra una relevancia fundamental para la reforma del currículo y para el
desarrollo profesional de los docentes.
3. Aprendizaje y neurociencias: análisis de datos multimodales
Comprender los mecanismos cerebrales necesarios para el procesa-

miento cognitivo y el aprendizaje, es importante para adaptar las metodologías
de aprendizaje, a fin de atender temas específicos de los procesos de apren-
dizaje o crear intervenciones para estudiantes con necesidades específicas
(Blikstein y Worsley, 2016).
Además, conocer los estados cerebrales asociados con el apren-

38 dizaje, puede contribuir a mejorar nuestra comprensión de los procesos de
aprendizaje y, en consecuencia, puede mejorar el aprendizaje en si mismo.
De aquí, que las neurociencias sean de tanta importancia en el estudio de
los procesos de aprendizaje.
En este sentido, Ninaus et al. (2014) plantean que los resultados

de las LA, basados en rastros neurofisiológicos, podrían ser útiles en el apren-
dizaje para evaluar, y optimizarlo a través del uso de un algoritmo basado
en neurometrías de señales neurofisiológicas, que permita identificar si un
usuario aún está aprendiendo o terminó de aprender una información dada.
El algoritmo, al estar basado en un marco de análisis de señales neurofi-
siológicas de aprendizaje, podría identificar diferentes procesos cognitivos
durante el aprendizaje.
Por otro lado, para estudiar los procesos cognitivos asociados con
el aprendizaje, se requiere un estudio más específico dentro de la extensión
de las neurociencias, término acuñado como neurociencia cognitiva desde
finales de 1970, con el fin de explorar realmente los procesos de aprendizaje
desde la perspectiva de la naturaleza humana a través de la neurociencia
(Immordino-Yang y Damasion, 2008).

A. Corona y otros
La relación existente entre la ciencia del aprendizaje y el LA, for-

mulan un papel relevante de corresponsabilidad, al también informar desde
su campo de investigación cómo evoluciona LA a lo largo del tiempo. Los
laboratorios, por lo general, sirven para realizar estudios que ayudan a verificar
los patrones vistos en entornos de la vida real, exponiéndolos a condiciones
controladas, por tal motivo la ciencia del aprendizaje puede informar el
desarrollo de la analítica del aprendizaje a través de la provisión de teorías
y metodologías, que ayudarán a avanzar en ambos campos. Las LA pueden
ayudar a cerrar la brecha entre la neurociencia, la psicología y la educación
al proporcionar una forma de observar el comportamiento de los estudiantes
mientras aprenden. La combinación de LA y la ciencia del aprendizaje, por lo
tanto, tiene el potencial de proporcionar formas más poderosas para monitorear
y apoyar a los estudiantes a medida que aprenden (Lodge y Corrin, 2017).
En la actualidad, la analítica del aprendizaje requiere una com-

binación de datos provenientes de múltiples fuentes para la creación de
conocimiento, esto ha provocado un mayor interés en la multimodalidad y, en
consecuencia, en el análisis de datos multimodales (Di Mitri et al., 2018).
Etimológicamente, el prefijo “multi” se refiere a “más de uno”,

mientras que el término “modal” significa tanto “modalidad” como “modo”.
En otras palabras, la multimodalidad hace referencia a múltiples modalidades. 39
Aún más, de acuerdo con Nigay y Coutaz (1993) la modalidad se refiere al tipo
de canal de comunicación utilizado por dos agentes para transmitir y adquirir
información, lo que define el intercambio de datos. De esta manera, el modo
es el estado que determina el contexto en el que se interpreta la información.
La información contextual que caracteriza a los datos multimodales

resulta muy útil para las analíticas del aprendizaje. Además, es necesario
acotar que recientemente es posible recopilar y procesar estos datos en tiempo
real a una escala sin precedentes, haciendo uso de sensores con los cuales
es posible capturar eventos observables durante el proceso de aprendizaje,
como el comportamiento del alumno y su contexto (Reimann, 2016).
Por su parte, Di Mitri et al. (2018) señalan que los recientes desa-
rrollos tecnológicos, como la internet de las cosas (interconexión digital de
objetos), los sensores portátiles, el almacenamiento de datos en la nube y el
aumento del poder de cómputo para procesar y analizar grandes conjuntos de
datos, han facilitado la recopilación y análisis de datos.
En el caso de los sensores, su uso en las analíticas del aprendizaje

es fundamental para recopilar mediciones de alta frecuencia y micro-eventos
conductuales; como por ejemplo: movimientos, habla, lenguaje corporal o
respuestas fisiológicas (Di Mitri et al., 2018).

Se hace necesario considerar que, en el proceso de aprendizaje,

los eventos conductuales (medibles) coexisten con atributos latentes (no
medibles), como las cogniciones o las emociones del aprendiz. Estos últimos
no son observables ni cuantificables para los sensores, sino que deben ser
estudiados e interpretados por los investigadores (Reimann 2016).
De acuerdo con Immordino-Yang y Damasion (2008), quienes indi-

can, que al analizar los procesos fisiológicos, producidos por el pensamiento
emocional de un alumno dentro de un salón de clase, es posible describir lo
que realmente sucede en el sujeto alumno desde el punto de vista emocional,
estos resultados proporcionan una nueva base para la innovación en el diseño
de entornos de aprendizaje, ya sean presencial o virtual.
Precisamente, este aspecto de los datos multimodales puede ser

interpretado por la neurociencia, mediante la conversión de datos biológicos,
producidos por la actividad cognitiva de los alumnos durante el aprendizaje
en datos digitales almacenables y organizados en conjuntos fáciles de utilizar
(Reimann, 2016).
En consecuencia, al examinar todas estas modalidades de detección

y evaluación aplicadas en las analíticas del aprendizaje multimodal, es posible
40 identificar tres áreas de conocimiento relacionadas entre sí: (1) la evaluación
del conocimiento de los estudiantes; (2) la evaluación de las emociones; y,
(3) la medición fisiológica de los estudiantes (Blikstein y Worsley, 2016).
Figura 1. Áreas del conocimiento de las analíticas del aprendizaje multimodal. CE:
caracterización del estudiante. Gráfica creada a partir de las interpretaciones de
Blikstein y Worsley, 2016. Fuente: Elaboración propia.

A. Corona y otros
Stevens, Galloway y Berka en Blikstein y Worsley (2016) estudiaron

estas relaciones con electroencefalogramas (EEG). En concreto, estudiaron las
relaciones entre respuesta cognitiva, la distracción y el compromiso (respuesta
emocional), descubriendo que a medida que aumentaba el nivel de habilidad
de un estudiante, la carga de trabajo seguía siendo la misma.
En el centro de estas formas de evaluación se formula la caracte-

rización de los estudiantes (CE) (ver figura 1), mientras que las relaciones
subyacentes permiten generar modelos útiles a partir de grandes conjuntos
de datos cuantitativos (Blikstein y Worsley, 2016).
Es necesario destacar que, en las diferentes formas de evaluación

de los estudiantes, lo que varía es la fuente de los datos en bruto y cómo esos
datos se traducen en datos computables. Una vez que se ha completado la
traducción, los datos se pueden procesar utilizando algoritmos de aprendizaje
automático (Blikstein y Worsley, 2016).
4. Aplicaciones de datos EEG en la analítica del aprendizaje
Hasta ahora la adopción de técnicas de EEG en educación ha sido

41
marginal. Una de las razones, como señalaron Ansari, Coch y de Smedt (2011),
es la brecha entre la investigación básica y la investigación aplicada, que
complica la comunicación e intercambio de conocimiento entre educación
y neurociencia cognitiva.
Sin embargo, la creciente disponibilidad de dispositivos de bajo

costo, como el EEG, ha renovado el interés en la posibilidad de que la
neurociencia cognitiva informe sobre la enseñanza y el aprendizaje (Durall,
Leinonen, Gros y Rodriguez-Kaarto, 2017).
Antes se empleaban dispositivos EEG de grado médico, que

representaban altos costos económicos y requerían de un entrenamiento
médico para su uso. En la actualidad, existen en el mercado dispositivos
EEG inalámbricos de bajo costo, que abren la posibilidad a toda la comuni-
dad de investigación, para procesar y adquirir datos de la actividad cerebral
con recursos accesibles (Das et al., 2014). Por ejemplo, los EEG portátiles
con tecnología inalámbrica, se pueden usar para monitorear la lectura de la
actividad cerebral en un aula. Su portabilidad hace más fácil la medición
del sujeto; y, además, nos permite medir en un entorno real, en el que se
procesa el aprendizaje.

De acuerdo con Rogers (2016) en un estudio de validez, se ha

demostrado que los datos derivados de un sistema inalámbrico de un solo
canal de la marca NeuroSky ThinkGear, son comparables al EEG registrado
en equipos convencionales de laboratorio. Adicionalmente, en su investiga-
ción se evaluó la confiabilidad de este equipo, resultando ser confiable en su
sensor para la lectura de las bandas de frecuencia delta, theta, alfa y beta.
El dispositivo de hardware EEG Mindwave de la marca Neurosky

está integrado por un solo sensor, que permite crear conjuntos de datos a
partir de la lectura de la actividad cerebral. Este dispositivo funciona usan-
do un hardware con un sensor para el lóbulo frontal, con el que se leen los
datos de la actividad cerebral en un solo canal. Para el manejo de los datos
adquiridos se emplea un software de enlace de datos, que opera por comuni-
cación inalámbrica bluetooth, denominado Thinkgear. Para la estructuración
de estos datos se emplea el software Neuroexperiementer que los almacena
y los grafica (Mellender, 2015).
Una de las ventajas de esta herramienta es que permite representar

en tableros los datos de las señales alfa, beta, delta y teta en sus niveles altos
y bajos, además de los niveles de atención y meditación de una sesión. Los
datos que se adquieren y organizan con el software el Neuroexperimenter pro-
42 vienen de las señales fisiológicas que se producen en el cerebro, y el hardware
Neurosky las entrega al software de forma de datos EEG cuantificados, más
conocidos como qEEG. Los datos se entregan al software escalados en un
rango de 0 a 100 unidades, lo que permite una operatividad más eficiente.
La solución del Neurosky junto con el Neuroexperimenter, permite recopilar
las mediciones para el análisis e informe, la cual atiende precisamente a los
atributos del LA (Mellender, 2015).
Los informes provenientes de las señales de la actividad cerebral,

dentro del software Neuroexperimenter, se representan por líneas de ten-
dencia, para poder realizar una inspección visual de las señales alfa, beta,
teta y delta. Una de las ventajas de la herramienta Neurosky es que incluye
algoritmos para construir las representaciones de las ondas cerebrales, que
representan los niveles de atención y meditación de cada sujeto. El conjun-
to de datos representados en el tablero del software, son suficientes para
analizar los procesos de aprendizaje de alumnos dentro de un salón de clase
(Mellender, 2015).

A. Corona y otros
5. Cerrando la brecha: LA y las neurociencias
Se ha comprobado la importancia de las mediciones fisiológicas y

cognitivas para el estudio caracterización del estudiante y de sus procesos
de aprendizaje. Sin embargo, poco se menciona la importancia de estudiar
las emociones y su relación con el aprendizaje.
Las emociones son procesos innatos que poseen todos los seres
humanos desde su nacimiento. De acuerdo con Salas, en Linarez (2016),
las emociones son uno de los elementos clave para comprender los procesos
de aprendizaje de un individuo.
Todo esto acentúa la relevancia de poder leer las ondas electromag-

néticas producidas por los rastros fisiológicos, como fundamento para realizar
procesos de adquisición de datos de la actividad cerebral de los alumnos,
mientras asisten a un curso tradicional.
Es precisamente en el campo de las neurociencias donde existe

un reducido número de trabajos de investigación; por ejemplo, solo unos
pocos estudios han examinado la carga cognitiva durante el aprendizaje con
tecnología educativa. Esta omisión puede atribuirse hasta ahora por la falta
de acceso de recursos, tales como los electroencefalogramas (EEG), debi- 43
do al costo de estas tecnologías, así como a la naturaleza intrusiva de los
electrodos, además del requerimiento de docenas de electrodos húmedos.
Este sustento respalda la posibilidad de incluir a las neurociencias

en los procesos de LA, donde se puede buscar crear conjuntos de datos me-
dibles para identificar y cuantificar las señales fisiológicas, producto de las
emociones, para que a partir de ahí se construyan LA de fuentes externas a
los sistemas empleados tradicionalmente como LMS, CMS o MOOC’s.
De esta manera, las LA pueden ayudar a cerrar la brecha existente

entre la neurociencia, la psicología y la educación al proporcionar una forma
de observar el comportamiento de los estudiantes, mientras aprenden fuera
del laboratorio. La combinación de análisis de aprendizaje y la ciencia del
aprendizaje, por lo tanto, tiene el potencial de proporcionar formas más po-
derosas para monitorear y apoyar a los estudiantes a medida que aprenden
(Lodge y Corrin, 2017).
Los desarrollos tecnológicos recientes han mejorado el EEG en tres

formas clave: el costo se ha reducido; se puede usar un número menor de
electrodos; y, los electrodos son secos, siendo hoy en día tan efectivos como
los húmedos (Mills et al., 2017).

Estos atributos permiten llevar equipos EEG dentro de un salón de

clase real sin alteración alguna. Los avances de portabilidad, que plantean
las nuevas tecnologías, permiten que los nuevos dispositivos EEG abran la
posibilidad de almacenar información biológica de las lecturas de la actividad
cerebral en grandes conjuntos de datos, que pueden ser analizados como
estructuras para LA (Mills et al., 2017).
Sería de gran beneficio si estos datos se pudieran poner a dispo-

sición de los investigadores y su adquisición fuera planificada en coordi-
nación con los proyectos de investigación basados en LA. En este sentido,
Reimann (2016) declara que los métodos para la minería de procesos
son particularmente relevantes en el contexto de las neurociencias. Esto
no solo ayudaría en la realización de proyectos específicos, que estudien
el aprendizaje a largo plazo, sino que también cambiaría la forma en que
pensamos acerca de la naturaleza de los proyectos en la investigación del
aprendizaje (Mandinach, 2012).
6. Metodología
44 Esta investigación se dividió en tres etapas: (1) selección del grupo

de estudio y preparación logística del estudio; (2) instalación, pruebas de
calibración y chequeo de los equipos y del software; y, (3) resultados e in-
terpretación de los mismos.
6.1 Selección del grupo de estudio y preparación logística

En la primera fase se seleccionó un grupo de estudio, en este caso
fue un curso tradicional de programación de base de datos, integrado por
10 alumnos de la licenciatura en sistemas computacionales. La selección de
un grupo presencial se debe a lo planteado por Alberca y Borrueco (2018),
quienes sustentan que los procesos de aprendizaje comienzan por la per-
cepción de estímulos ambientales, así como la interacción con el entorno,
ya que algunos de estos elementos llamarán la atención de los alumnos y
acapararán gran parte de los recursos neuronales disponibles; como señalan,
serán los estímulos los que se procesarán, integrados con otras memorias y
almacenados a largo plazo para su posterior recuperación en el caso de que
fuera necesario.
Cada aula es un escenario en el que interactúan una serie de varia-

bles didácticas, que hacen de la enseñanza y el aprendizaje un acto complejo.
Los docentes se relacionan con los estudiantes, los objetivos, los métodos,

A. Corona y otros
las actividades, los materiales, la evaluación y el contexto; para comprender

mejor el proceso de enseñanza-aprendizaje, es preciso indagar tanto lo que
sucede en las clases, como en las fuerzas que operan en profundidad bajo las
actuaciones visibles de los docentes (Díaz, Martínez, Roa y Sanhueza, 2010).
En este ejercicio de investigación, las neurociencias permiten, me-

diante sus técnicas, abrir una ventana hacia el interior de cada alumno, a fin
de hacer visible a los docentes y gestores de la educación, detalles sobre los
procesos que suceden a nivel fisiológico en los estudiantes, para convertir la
actividad cerebral en información relevante, dando un nuevo sustento a estos
procesos y una nueva concepción sobre lo que sucede en un aula tradicional.
Continuando con la idea de Alberca y Borrueco (2018) el aprendi-

zaje es, en definitiva, un proceso individual, dependiente de la experiencia
y sumamente adaptativo, por tal motivo se realizó la lectura de la actividad
cerebral de cada alumno en una sola sesión de clase, con el fin de mantener
lo más próximo posible todas las condiciones del entorno, como los estados
de ánimo, contenidos y recursos de apoyo para la clase; donde los estados
anímicos serán uno de los recursos a considerar más influyentes en los re-
sultados de cada lectura de actividad cerebral.
Gildardo, en Falconi y otros (2017), plantea que, con el apoyo de 45

las neurociencias, se puede llegar a entender el origen del deseo por apren-
der, en la medida en que se logren determinar las causas que motivan al
alumno darle la significancia al aprendizaje; es por esto, que en este estudio,
se pretende realizar la medición de la actividad cerebral mediante el uso de
técnicas de EEG dentro de un salón de clase, donde los alumnos estarán en
condiciones completamente reales sin alteración a las actividades propias de
una clase presencial. Siempre, tomando como base, que todos los alumnos
que participan en el estudio se encuentran completamente sanos.
Lo más importante para un educador es entender a las neurociencias

como una forma de conocer de manera más amplia al cerebro; el cómo es,
cómo aprende, cómo procesa, registra, conserva y evoca una información,
entre otras cosas, para que a partir de este conocimiento pueda mejorar las
propuestas y experiencias de aprendizaje que se dan en el aula (Gildardo en
Falconi y otros, 2017).
Para lograr la adquisición de los datos, se procedió a solicitar la

autorización de los alumnos para leerles su actividad cerebral, reseñar que
todos accedieron voluntariamente a participar en el estudio. De la totalidad
de los estudiantes del curso, se seleccionaron 6 estudiantes al azar como
muestra para realizar las pruebas (3 hombres y 3 mujeres).

6.2 instalación, pruebas de calibración y chequeo de los equipos

y del software
La segunda etapa consistió en instalar dentro del salón de clase
un equipo de cómputo con el software Neuroexperimenter, el cual permite la
recepción de datos provenientes de un dispositivo Brain Computer Interface
(BCI) con aspecto de diadema, modelo MindWave de la marca Neurosky. Se
realizaron las pruebas de comunicación para validar que funcionaba correcta-
mente la comunicación vía bluetooth, y que los datos eran registrados tanto
por el equipo como por el software. Es importante remarcar que la diadema
de lectura de las señales fisiológicas producidas de la actividad cerebral es un
EEG seco, el cual se ubica en la frente por encima de las cejas, a esta zona se
le conoce como ubicación FP1 del sistema internacional 10-20 de colocación
de electrodos extracraneales, que representa la posición 1 del lóbulo frontal.
Alberca y Borrueco (2018) plantean que el lóbulo frontal es la región

cerebral que nos distingue como humanos y se relaciona con la organización
y orquestación de los distintos procesos cognitivos; e implica, entre otras
funciones ejecutivas, la capacidad de planificación de la conducta, controlar
la atención, inhibir conductas inapropiadas, mantener información, mani-
pularla y comportarse en función de ésta. Por otro lado, las mismas autoras
proponen, que en el lóbulo frontal se ubica el sistema de alerta, encargado de
46 mantener un estado óptimo de vigilia, para recibir los estímulos del entorno,
los cuales principalmente vendrán de las didácticas que aplique el docente
durante su sesión; los estímulos propuestos por el profesor deberán generar
respuestas adecuadas, De acuerdo con Henríquez (2014) las ondas gamma
y beta están asociadas con la representación de la atención, la percepción
y la cognición; dichas señales en su conjunto son reacciones fisiológicas en
niveles de atención, este tipo de actividad cerebral se asocia a actividades
humanas como escuchar, leer y hablar, que son las más comunes realizadas
por un alumno dentro de un salón de clase.
El primer autor que definió a la atención fue Williams James, quien

la describió como la capacidad del ser humano para orientar su estado de
conciencia hacia un determinado estímulo. En la actualidad, se propone que
la atención es una función neuropsicológica básica para llevar a cabo toda
actividad de tipo comportamental o cognitiva, que actúa como un filtro que
permite seleccionar, priorizar, procesar y supervisar la información que recibe
un humano (Ramos-Galarza y otros, 2017).
De acuerdo con Ramos-Galarza y otros (2017). La atención ha sido

estudiada en diversos contextos, como en el déficit de atención en el campo
educativo infantil, en el daño cerebral adquirido en adultos, en estudios
longitudinales de su proceso evolutivo y mecanismos cerebrales, en interven-
ciones de entrenamiento en niños con trastorno por déficit de atención con

A. Corona y otros
hiperactividad, en el papel de la atención sostenida en el rendimiento de

deportistas, etc. Pero, el estudio de los niveles de atención en estudiantes
universitarios, mediante el empleo de técnicas EEG, dentro de un salón de
clase, es un contexto que todavía se encuentra en desarrollo teórico y en estado
de construcción como evidencia empírica; por tal motivo, las propuestas del
estudio de los procesos de atención en estudiantes universitarios aportan un
grado de relevancia. Las evidencias reflejadas -encontradas por este autor-
denotan hasta ahora, que en este entorno se ha dado mayor importancia al
estudio de la atención en la población infantil escolar.
Esta área de oportunidad de trabajar estudios de investigación con

alumnos sanos en sus actividades de clase, permite crear una propuesta para
cerrar las brechas entre LA y las neurociencias, ya planteado con anterioridad
por Salas en Linarez (2016), las emociones son uno de los elementos clave
para comprender los procesos de aprendizaje de un individuo, ya que son
el reflejo de la fisiología del cerebro, y mediante el empleo de técnicas de
neurociencias se pueden construir modelos de LA para un entendimiento
más claro de lo que sucede en el aula tradicional.
En LA es indispensable contar con datos cuantitativos para poder

proceder. Por tanto, para lograr almacenar los datos de las señales fisiológicas
se emplea el software Neuroexperimenter, que almacena 11 datos relevan- 47
tes, alfa1, alfa2 beta1, beta2, gamma1, gamma2, delta, teta, meditación y
atención, todos leídos con el BCI Mindwave.
Los datos obtenidos se almacenan en formato CSV (Comma-Se-

parated Values), por medio del software Neuroexperimenter. Se recopilaron
los datos correspondientes a los 6 alumnos seleccionados como muestra.
Los datos que se almacenan de cada alumno representan 5 minutos de su
asistencia y participación en clase, los cuales conjuntan 300 datos de cada
uno de los 11 tipos planteados, lo cual representan 3300 datos generados
por cada alumno, representando el total de la sesión 19800 datos. Adicional
a la toma de datos de las señales fisiológicas de cada alumno, se hicieron
anotaciones complementarias para presentar las observaciones con los resul-
tados de la señal fisiológica. Dichas anotaciones se sincronizaron en tiempo,
junto con los 11 grupos de datos, dando un total de 12 grupos de datos que
conformaron el dataset completo.
La interpretación y las analíticas de este reporte se enfoca principal-

mente a realizar bajo las métricas de atención y meditación proporcionadas
por la misma tecnología de Neurosky, que son almacenadas y graficadas
por el mismo software Neuroexperimenter, estos datos provenientes de las
métricas se entregan en una base cuantificada en escala de 0 a 100, que
brinda la posibilidad de facilitar su interpretación.

7. Resultados
En el estudio se generaron conjuntos de 300 datos de las señales

de atención y meditación, que representaron cantidades de 0 a 100; bajo
esta estructura, de manera general, se obtuvieron los niveles de atención y
meditación.
Con el fin de enfocarnos en los valores de las lecturas de aten-

ción y meditación, para que realmente reflejaran impacto, se consideraron
los valores superiores a 50 unidades como criterio destacado o como valor
sobresaliente, descartándose los valores menores a 50 unidades, al conside-
rarse valores débiles en su significado para la relevancia del estudio. Como
resultado, se identificó que las mujeres tuvieron un balance representativo
entre los niveles de atención y meditación con un valor superior a 50, como
se muestra en la tabla 1:
Tabla 1. Valores promedio de forma individual y grupal entre hombre y mujeres

evaluados en un curso tradicional
Hombres Mujeres
Estudiante Atención Meditación Atención Meditación
1 45 49 38 54
48 2 21 65 28 54
3 36 23 65 53
Valor promedio 34 46 44 54
Fuente: Elaboración propia.
Luego se realizó la construcción de series de tiempo, haciendo un

seguimiento a los niveles de atención y meditación, en correlación con los
eventos representativos que realizaba el profesor de forma directa o indirecta
a cada alumno. Los datos mostrados en las series de tiempo representan una
duración de 5 minutos de lectura de señales cerebrales, dentro del salón de
clase, sin interferir entre las relaciones del profesor con sus alumnos.
En cada lectura se identifica y se marca en la serie de tiempo las

actividades del profesor como se muestran en las figuras 2 y 3, las cuales
fueron organizadas con base a las observaciones y se sincronizó en tiempo
por el inicio y término de cada actividad del profesor o actividad relevante
del alumno, elegida en base a la acción que representase un refuerzo de co-
nexión de interacción profesor-alumno, o bien la actividad que representase
una desconexión de relación profesor-alumno.

A. Corona y otros
El profesor camina El alumno El profesor asiste y El alumno regresa a El alumno empieza a programar
entre los alumnos y explica realiza lectura explica al alumno 1 realizar la lectura y el profesor sigue explicando
El profesor da su clase desde el frente El profesor actualiza El alumno interactúa El alumno empieza a programar
el pizarrón directo con el profesor y el profesor sigue explicando
Recibe asistencia Mantine contacto visual con su El alumno busca El profesor cierra la El alumno empieza
del profesor computadora mientras sigue la clase archivos en su computadora clase de ese día a programar
49
Figura 2. Lectura de señales cerebrales de la muestra de hombres durante la clase.

Las actividades que más conllevaron a los alumnos perder inten-

sidad de atención, fueron las lecturas de los documentos PDF, así como las
actividades discursivas por parte del profesor frente al grupo. Sin embargo,
cuando la actividad discursiva se realizaba entre los alumnos, era menor la
pérdida de niveles de atención.
En la figura 2, se agrupa las series de tiempo de los alumnos de sexo

masculino, se identifica al alumno 2, el cual presenta ausencia de atención
cuando el profesor habla al frente. Mientras que cuando el profesor camina
entre los alumnos, el alumno 1 demuestra nivel balanceado de atención y
meditación.

El profesor da su clase El alumno deja de ver al frente El alumno busca El profesor atiende El alumno empieza
desde el frente voltea con su compañero y conversa al profesor visualmente a un alumno cercano a programar
El alumno toma nota El alumno se enfoca la compañera de al lado Interactúa con el profesor El alumno se enfoca
y usa su computadora en programar le pide ayuda y la asiste en programar
50
El alumno refleja Opera la computadora bajo las instrucciones Atiende al frente al profesor. Lee un PDF, minetras el
cansancio físico del profesor Mantiene contacto visual con el profesor profesor explica la clase
Figura 3. Lectura de señales cerebrales de la muestra de mujeres durante la clase.

8. Discusión
Romero y otros (2018) declaran que la atención no constituye un

proceso cerebral único, sino que existen diferentes redes atencionales donde
intervienen diferentes regiones cerebrales; adicional a ello, en cada sujeto
existen mecanismos inconscientes que ayudan a mantener la atención, que
puede visualizarse mediante este tipo de ejercicios, ya que se puede identificar
qué alumnos realmente tienen buenos hábitos de atención durante la clase

A. Corona y otros
y cuáles no. Esto puede llegar a ser un buen referente para que los docentes
adecuen sus actividades dentro del salón de clase tanto en lo particular de
cada alumno como en lo general de todo el grupo, ya que podremos entender
a las nuevas generaciones de manera más precisa.
Los eventos identificados en ambos sexos que causaron un de-

terioro de la atención, se produjeron cuando el profesor tuvo una lejanía
física, esto es, cuando se ubicaba al frente para llevar a cabo su práctica
discursiva de los contenidos del curso, así como al comentar sobre ciertos
casos específicos. Cuando el profesor atendía dudas de alumnos, los niveles
de atención se vieron afectados a pesar de no ser el alumno el que hizo la
pregunta. Esto puede ser debido al contacto físico que lograba el docente
en una zona específica del grupo.
En general, los alumnos estuvieron realizando actividades en pa-

ralelo a lo que proponía el profesor, algunas en atención, a indicaciones del
propio docente y otras ajenas a lo que solicitaba el profesor, como el caso de
los alumnos 1 y 3, tanto del sexo masculino como del sexo femenino, como
se demostró durante la toma de datos. Cabe recalcar que las actividades de
lecturas de documentos PDF dentro del salón de clase fueron detonantes
para que los alumnos perdieran atención e iniciaran procesos de letargo,
reflejando altos niveles de meditación y llevando a un decremento sostenido 51
en los valores de atención.
De igual manera se identificó, que los alumnos que estuvieron en

mejores condiciones en los procesos de aprendizaje, presentaban una cerca-
nía en los valores de meditación y atención; en especial, cuando realizaban
tareas específicas como preguntar, responder, programar, así como atender
a información nueva en el pizarrón.
Ahora bien, las interrupciones de compañeros se reflejaron con

cambios de ritmo en las lecturas de atención y un incremento en los niveles
de meditación.
9. Conclusiones
La analítica del aprendizaje tiene como objetivo principal comprender

y mejorar el aprendizaje y los entornos en los que se produce. Sin embargo, el
aprendizaje es un proceso complejo en el cual intervienen múltiples factores;
por tal motivo, se hace necesario usar herramientas, técnicas y métodos de
diversos campos de investigación para estudiarla.

Así, las analíticas del aprendizaje vienen a nutrirse de múltiples

campos, haciendo uso de los conceptos y métodos que permiten obtener,
describir, analizar e interpretar datos sobre los alumnos, sus procesos de
aprendizaje y sus contextos.
Para las analíticas del aprendizaje el contexto es de suma impor-

tancia. En este sentido los datos que se obtienen del estudio del aprendizaje
tienen un carácter multimodal caracterizado por poseer información contextual.
En la actualidad, estos datos se recopilan y procesan en tiempo

real a una escala sin precedentes, haciendo uso de nuevas tecnologías como
sensores y el internet de las cosas, con los que es posible extraer datos de
eventos observables durante el proceso de aprendizaje (como las respuestas
fisiológicas del alumno y su contexto).
Al analizar las respuestas fisiológicas en un alumno, en especial

con EEG; es posible describir, desde el punto de vista emocional, lo que
realmente sucede en el sujeto alumno. Estos resultados proporcionan una
nueva base para la innovación en el diseño de entornos de aprendizaje, ya
sean presenciales o virtuales.
52 En esta investigación se utilizó un dispositivo portátil EEG para el

estudio de estudiantes en el aula. Con base a los resultados de estos datos,
identificamos que los alumnos estuvieron en mejores condiciones para los pro-
cesos de aprendizaje, cuando se realizaron tareas específicas como preguntar,
responder, programar, así como atender a información nueva en el pizarrón.
Es necesario comprender los mecanismos cerebrales usados por los

estudiantes durante estas actividades para el procesamiento cognitivo y el
aprendizaje, de manera que se puedan adaptar las metodologías de aprendizaje.
El avance tecnológico actual ha permitido que los costos de los

equipos y recursos se estén reduciendo de manera sustancial, a medida que
los métodos de LA encuentran su lugar en las escuelas y en las universidades.
Con todas estas herramientas a la mano, las LA pueden ayudar a

cerrar la brecha existente entre la neurociencia, la psicología y la educación,
al proporcionar una forma de observar el comportamiento de los estudiantes,
mientras aprenden fuera del laboratorio.

A. Corona y otros
Alberca, E. y Borrueco, M, (2018). Aprendizaje: el cerebro en el aula. Ciencia e innovación docente
en el aprendizaje de lenguas extranjeras. Ediciones Egregius.
Amo, D. y Santiago, R. (2017) Learning Analytics. La narración del aprendizaje a través de los
datos. Barcelona: Editorial UOC.
Ansari, D. , Coch, D. y De Smedt, B. (2011). Conexión entre la educación y la neurociencia

cognitiva: ¿hacia dónde nos llevará el viaje? Filosofía y teoría educativa 43(1), 37-42.
https://doi.org/10.1111/j.1469-5812.2010.00705.x
Banihashem S. K., Aliabadi, K., Pourroostae, S., Delaver A, Nili Ahmadabadi, M. (2018). Learning
Analytics: A Systematic Literature Review, Interdisciplinary Journal of Virtual Learning
in Medical Science. 9(2). https://doi.org/10.5812/ijvlms.63024.
Blikstein, P. y Worsley, M. (2016). Multimodal Learning Analytics and Education Data Mining:
Using Computational Technologies to Measure Complex Learning Tasks. Journal of
Learning Analytics, 3(2), 220-238. https://doi.org/10.18608/jla.2016.32.11
Corrin, L., Alhadad, S., Jones, H. y Colvin, C. (2018). Where is the field of learning analytics
heading? Reflections from the Learning Analytics & Knowledge Conference. Recuperado
de: https://bit.ly/2V3pkKR.
Das, R., Chatterjee, D., Sinharay, A. y Sinha, A. (2014). Cognitive Load Measurement - A
Methodology to Compare Low Cost Commercial EEG Devices. Advances in Computing,
Communications and Informatics, ICACCI International Conference. IEEE pp.1188–
1194.
Di Mitri, D., Schneider, J., Specht, M., y Drachsler, H. (2018). From signals to knowledge: A 53
conceptual model for multimodal learning analytics. Journal of Computer Assisted
Learning, 34(4), 338-349. https://doi.org/10.1111/jcal.12288
Díaz, C., Martínez, P., Roa, I y Sanhueza, M.G. (2010). Los docentes en la sociedad actual: sus
creencias y cogniciones pedagógicas respecto al proceso didáctico, Polis. Revista
Latinoamericana, 25.
Durall, E., Leinonen, T., Gros, B., y Rodriguez-Kaarto, T. (2017). Reflection in Learning through
a Self-monitoring Device: Design Research on EEG Self-Monitoring during a Study
Session. Designs for Learning, 9(1), 10–20. https://doi.org/10.16993/dfl.75
Falconi, A., Alajo, A., Cueva, M., Mendoza, R. Ramírez, S. y Palma, E. (2017). Las neurociencias.
Una visión de su aplicación en la educación. Revista Órbita Pedagógica 4(1), 61-74
Ferguson, R. y Clow, D. (2017). Where is the evidence? A call to action for learning analytics. In:
LAK ’17 Proceedings of the Seventh International Learning Analytics & Knowledge
Conference, ACM International Conference Proceeding Series, pp. 56-65. New York,
USA.
Henríquez, C (2014). Memoria de Trabajo de Fin de Máster Estudio de Técnicas de análisis

y clasificación de señales EEG en el contexto de Sistemas BCI (Brain Computer
Interface). Master Universitario en Investigación e Innovación en TIC. Universidad
Autónoma de Madrid. Escuela Politécnica Superior. Departamento de Ingeniería
Informática, pp 17-19.
Immordino-Yang, M. H. y Damasio, A. (2008). We Feel, Therefore We Learn: The Relevance of

Affective and Social Neuroscience to Education. Mind, Brain, and Education, 1(1),
3-10. https://doi.org/10.1111/j.1751-228x.2007.00004.x

Linarez, G. (2016). Aprendizaje significativo y neurociencia: la conexión del siglo XXI. Revista
Iberoamericana de Producción Académica y Gestión Educativa, 4. 116-141
Lodge, J. M., y Corrin, L. (2017). What data and analytics can and do say about effective learning. Npj
Science of Learning, 2(1). https://doi.org/10.1038/s41539-017-0006-5
Lodge, J., Hoovarth, J. y Corrin, L. (ed.) (2018) Learning Analytics in the Classroom: Translating
Learning Analytics Research for Teachers. (1st Edition). London: Taylor and Francis.
https://doi.org/10.4324/9781351113038
Mandinach, E.B. ( 2012 ). Un momento perfecto para el uso de datos: usar la toma de decisiones
basada en datos para informar la práctica . Psicólogo de la educación , 47 (2), 71 - 85
Mellender, F. (2015). NeuroExperimenter. Fred Mellender’s Home Page. Recuperado de https://

bit.ly/2CuC9li
Mills, C., Fridman, I., Soussou, W., Waghray, D., Olney, A., y D’Mello, S.K. (2017). Put your thinking
cap on: detecting cognitive load using EEG during learning. LAK. 80-89
Nigay, L., y Coutaz, J. (1993). A design space for multimodal systems: Concurrent processing and
data fusion. Proceedings of the SIGCHI Conference on Human Factors in Computing
Systems –CHI 93, (January 1993), 172–178. http://doi.org/10.1145/169059.169143
Ninaus, M., Kober, S. E., Friedrich, E. V., Neuper, C. y Wood, G. (2014). The Potential Use of
Neurophysiological Signals for Learning Analytics. 2014 6th International Conference
on Games and Virtual Worlds for Serious Applications (VS-GAMES). Valleta: Malta.
https://doi.org/10.1109/vs-games.2014.7012169
Ramos-Galarza, C., Paredes, L., Andrade, S., Santillán, W. y González,L (2017). Sistemas de
Atención Focalizada, Sostenida y Selectiva en Universitarios de Quito-Ecuador. Revista
54 Ecuatoriana de Neurologia 25(1-3):34-38
Reimann, P. (2016). Connecting learning analytics with learning research: the role of design-based
research. Learning: Research and Practice, 2:2, 130-142. https://doi.org/10.1080/
23735082.2016.1210198
Rogers, J. M., Johnstone, S. J., Aminov, A., Donnelly, J. y Wilson, P. H. (2016). Test-retest reliability
of a single-channel, wireless EEG system. International Journal of Psychophysiology,
106, 87-96.
Romero, C., Luna, J.M., Bogarín, A., Luque, M., y Gonzalez. P. (2018) Análisis del nivel de atención
de los alumnos en clase utilizando Neurosky’s mindwave mobile. Revista de Innovación
y Buenas Prácticas Docentes. 5, 57-62 Recuperado de: https://bit.ly/2Wckc3r
Siemens, G. (2013). Learning analytics: The emergences of a discipline. American Behavior

Scientist. 57(10) 1380-140.
Siemens, G. (04, marzo, 2016) Neuroscience and Learning Analytics: a historic leap in understanding
learning. [audio en Podcast]. Recuperado de: https://bit.ly/2IQAHiY
Society for Learning Analytics Research (SoLAR). (s.f.) Recuperado de https://bit.ly/2DDFtMc
Stewart, C. (2017). Learning Analytics: Shifting from theory to practice. Journal on Empowering

Teaching Excellence, 1(1), 95-105. https://doi.org/10.15142/T3G63W
Tseng, S., Yu, L. y Wu, H. (2014). Measuring Engagement: Student Profiling and the Effects of
Remedial Learning Counseling. International Workshop on Learning Analytics and
Educational Data Mining (LAEDM 2016) In conjunction with CRIWG/CollabTech, 14-17.
Zadina, J. (2015) The emerging role of educational neuroscience in education reform. Psicología
Educativa, 21, 71-77. Recuperado de https://bit.ly/2PC9DUY

Learning Analytics para una visión tipificada del aprendizaje

de los estudiantes. Un estudio de caso
Mª Covadonga de la Iglesia Villasol
Universidad Complutense de Madrid (UCM), España.
Resumen. Los nuevos métodos de enseñanza-aprendizaje, con apoyo de los entornos

virtuales, como extensión asincrónica de las aulas, han determinado que el docente
asuma nuevos roles, algunos de los cuales pasan por aumentar su capacidad de
observación y convertirse en analista del proceso de aprendizaje de los estudiantes,
del uso que hacen de las plataformas digitales, su interrelación con ellas y entre sí, y
de cómo adquieren conocimientos y desarrollan algunas competencias. Desde ésta
óptica, el trabajo aborda una primera explotación de los usos y registros estadísticos,
que a modo de huella digital, dejan los estudiantes en cursos presenciales en los
espacios virtuales, y que definen tipologías y patrones diferenciados de aprendizaje
según ritmos, aspecto éste que puede conllevar a una reflexión y reorientación del
proceso de enseñanza-aprendizaje futuro. En concreto, el estudio de caso recoge
resultados descriptivos de la interacción del uso que los estudiantes realizan de los
recursos digitales con la evaluación continua y las calificaciones en la asignatura de
Análisis Microeconómico Avanzado, del grado en Economía (GECO), UCM en el curso
2018-19, aportando un perfil de uso aún muy tradicional y polarizado, vinculada con
mínimos desfases al cronograma de las actividades propuestas por el profesor.
Palabras clave: registros de usos; estudiantes; aprendizaje, gamificación; competen-
cias; learning analytics.
Learning Analytics para uma visão tipificada da aprendizagem dos estudantes. Um
estudo de caso
Resumo. Os novos métodos de ensino-aprendizagem, com o apoio dos ambientes vir- 55
tuais como extensão assíncrona da sala de aula, determinaram que o professor assuma
novos papéis, alguns dos quais vão desde aumentar a sua capacidade de observação
até o de atuar como um analista do processo de aprendizagem dos estudantes, do uso
de plataformas digitais e sua inter-relação com elas e entre elas, e de como adquirem
conhecimento e desenvolvem algumas competências. A partir desta perspectiva, o 55
trabalho aborda uma primeira exploração de usos e registros estatísticos, que, no
tocante à marca digital, deixam os estudantes de cursos presenciais nos espaços
virtuais e que definem tipologias e padrões diferenciados de aprendizagem de acordo
com os ritmos, um aspecto que pode levar a uma reflexão e reorientação do futuro
processo de ensino-aprendizagem. Especificamente, o estudo de caso inclui resultados
descritivos da interação do uso de recursos digitais por estudantes com a avaliação
contínua e o resultado obtidos na disciplina de Análise Microeconômica Avançada do
curso de graduação em Economia (GECO), de 2018-19 da UCM, contribuindo com
um perfil de uso ainda muito tradicional e polarizado, vinculado a defasagens mínimas
no cronograma de atividades proposto pelo professor.
Keywords: registros de usos; estudantes; aprendizagem; gamificação; competências;
learning analytics.
Learning Analytics for a typified vision of student learning. A case study
Abstract. The new methods of teaching and learning, based on virtual environments,
which are an asynchronous extension of the classrooms, has determined that the teacher
has had to assume new roles, some of which go through to increase their observation
capacity and become an analyst of the learning process that the students follow, about
the uses they make of digital platforms, how they interrelate with them and with others
students, and how they acquire knowledge and develop skills and competences. From
this point of view, the work deals with the description of statistical uses and registers,
which, as a fingerprint, leave students in face-to-face courses in the virtual platforms,
and which can define typologies and patterns differentiated learning, aspect that can
lead to a reflection and reorientation of the future teaching-learning process. Specifi-

Learning Analytics para una visión tipificada del aprendizaje de los estudiantes. Un estudio de caso
cally, the case study includes descriptive results of the interaction of students’ use of
digital resources with continuous assessment and grades in the course of Advanced
Microeconomic Analysis, of the degree in Economics (GECO), at the UCM in the 2018-
19 academic year, providing a profile of use that is still very traditional and polarized,
linked to minimum lags in the timetable of the proposed activities by the teacher.
Keywords: records of uses, students, learning, gamifying, skills, learning analytics.
1. Introducción y justificación
El Espacio Europeo de Educación Superior (EEES) reorientó el foco

de atención del sistema educativo español hacia la implantación del aprendi-
zaje centrado en el estudiante, facilitando que sea activo, autónomo, crítico
y reflexivo (Herrero, 2014), para lo cual han sido múltiples los entornos de
aprendizaje instaurados y que coexisten con total naturalidad, con el objetivo
final de que los estudiantes adquieran necesariamente los conocimientos
específicos de su titulación, y desarrollen un corpus competencial requerido
en el entorno profesional.
Este trabajo recoge el análisis cualitativo de la explotación de las

huellas, registros o rastros que los estudiantes dejan, sin que pueda ser de
otra forma, tanto en el uso del aula virtual como de otras plataformas digitales
56 en abierto1, disponibles como un complemento indispensable e integrado
de forma armónica con la enseñanza presencial, a los que los estudiantes
acceden con ritmos distintos y picos en fechas puntuales (previas a pruebas
de evaluación, o de forma continuada y secuencial con el progreso del curso).
Como a los estudiantes universitarios se les presupone un desarrollo de com-
petencias digitales2, deben ser en cierto grado autónomos para seleccionar
y gestionar la información más útil para su progreso en el aprendizaje, así
como para prefijar sus ritmos de trabajo fuera del aula, con independencia
de las recomendaciones y el calendario prefijado por el profesor.
El docente que complementa el aula presencial con entornos virtuales

y busca fomentar ese aprendizaje activo, según la naturaleza de la materia
a impartir, las actividades y las dinámicas de aprendizaje realizadas, puede
segmentar al grupo en subgrupos formados por estudiantes con personali-
1
Algunos materiales han sido elaborados para diversos proyectos de innovación
y mejora de la calidad docente, la UCM.
2
El Real Decreto 1105/2014, de 26 de diciembre, vigente en el curso 20018-
19, establece el currículo básico de la Educación Secundaria Obligatoria y del Bachillerato
(BOE Núm. 3, 3 de enero de 2015 Sec. I. Pág. 169 y ss), e indica como competencias
del currículo la Comunicación lingüística (lengua materna y extranjeras); la Competencia
matemática y competencias básicas en ciencia y tecnología; la Competencia digital; Aprender
a aprender; Competencias sociales y cívicas; Sentido de iniciativa y espíritu emprendedor;
y la Conciencia y expresiones culturales.

M. C. de la Iglesia
dades, tipos de inteligencias, formas y ritmos de aprendizaje diversos, a los

que suele observar durante el curso y preevaluar. Pero sería diferenciador
disponer de prediseños anticipados, ex ante, hoy por hoy casi impensable3,
sobre cómo aprenden los estudiantes que sirvieran de guía al profesor en el
diseño de un desarrollo con tintes autónomos, y que suelen ser sustituidos
por el uso de ciertos marcadores secuenciales del mismo (Cano, 2009). Así,
el docente observa con continuidad el progreso (ritmos) de los estudiantes
en la adquisición de conocimientos, el avance en los usos de los recursos
tecnológicos, así como las huellas que dejan en su interrelación con los en-
tornos digitales al transitar por las tareas individuales y/o colectivas, y ésta
es la información de la que se alimenta el estudio de caso.
El rastro que queda al acceder a las herramientas, carpetas, acti-

vidades, links, wikis, foros, etc. de las plataformas digitales, es un banco de
datos que está siendo objeto de explotación en la mayor parte de los Centros
Educativos y Universidades y que en menos de dos décadas ha generado una
creciente y fructífera literatura empírica, Learning Analytics4 (LA, analítica
del aprendizaje), con numerosos usos y aplicaciones, entre los que destacan
la posibilidad de que el docente conozca cómo asincrónicamente trabajan
los estudiantes, ritmos, frecuencias, franjas horarias, repetición de accesos,
tiempos de usos, opciones fallidas, etc. (Vela-Pérez, Hernández-Estrada,
Tirado y otros, 2017) y en su caso, si pudiera conocerlos a tiempo, tener la 57
opción de reorientarles para una mayor eficiencia o reelaborar una estrategia
de aprendizaje diferenciada o personalizada. Más limitados son los trabajos
en los que la analítica de los registros de datos persigue la observación y
estudio particularizado al desarrollo de ciertas competencias, como pueda
ser el trabajo en grupo (Guitert, Romeu y Pérez, 2007), o el estudio cola-
borativo (Martínez, Arteaga y Pérez, 2017) o la gestión eficaz del tiempo o
el desarrollo de técnicas de negociación, por ejemplo, siendo compleja su
evaluación y análisis descriptivo, al requerir de marcadores o indicadores
óptimos y validados en diversas dimensiones, no siempre disponibles, defi-
nidos parcialmente o con deficiencias.
3
La información, en general, se analiza a posteriori y no en tiempo real, lo
cual requeriría algoritmos de aplicación secuencial.
4
La definición oficial de Learning Analytics se realiza en la First international
Conference on Learning Analytics and Knowledge (LAK 2011), adoptada por la Society
for Learning Analytics Research (SoLAR), como la medición, recopilación, análisis e
informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar
el aprendizaje y los entornos en los que se produce.

2. Algunos elementos del estado de la cuestión
Dos aspectos del marco teórico concentran el interés que contextua-

liza el trabajo, como son los nuevos roles que el docente tiene que adquirir en
la era digital y cómo gestionar la masiva información registrada a partir de los
usos que los estudiantes realizan en las plataformas de aprendizaje digitales,
así como definir instrumentos cuantitativos para dicho fin. Obviamente la
revisión de la literatura planeará sobre ambos elementos, que si bien pueden
ser apasionantes en sí mismos, no va a ser exhaustiva, por cuanto hacerlo
excede los objetivos de este trabajo empírico.
El docente en la era digital ha asumido como roles (Iglesia, 2006

y 2018), ser un diseñador de nuevos entornos de aprendizaje, que combina
diversos recursos y técnicas educativas, convertido en un generador y eva-
luador de recursos útiles para el autoaprendizaje, con el doble objetivo de
transmitir conocimiento técnico, especializado y favorecer en ese aprendizaje
el desarrollo de competencias requeridas en el entorno profesional, sin dejar
de ser orientador, tutor, motivador, a la vez que un co-aprendiz de su profe-
sión, y por tanto, un acompañante en el proceso formativo. Así, si la figura
del docente adopta nuevos roles y adquiere una nueva perspectiva, el alumno
ha dejado de ser un mero receptor pasivo de contenidos, convirtiéndose en
58 el actor principal de su aprendizaje (Díaz-Barriga, 2011).
Con esta visión radial, Harrison y Killion (2007), indican que será
un facilitador del éxito en el aprendizaje de los estudiantes, especialista cu-
rricular, un proveedor de recursos, instructor, facilitador de apoyo en el aula
y del aprendizaje, mentor de sus estudiantes, analista de datos, catalizador
del cambio, líder de equipos y aprendiz. Prensky (2013) señaliza el rol de
competente digital5, y su incidencia en tres grandes rúbricas como son el de
entrenador (por la observación individual y motivación al estudiante), guía
(ayuda a conseguir los objetivos) y de experto en la instrucción (a través del
conocimiento y la creatividad), con el objetivo de conseguir un efectivo, moti-
vador y atractivo aprendizaje, para lo cual utiliza la tecnología disponible para
mejorar la metodología del proceso de enseñanza-aprendizaje (Bates, 2015).
Para Viñals y Cuenca (2016), los nuevos roles pasan por convertirse en un
organizador, guía, generador, acompañante, coacher, gestor de aprendizaje,
5
El informe A Framework for Developing and Understanding Digital Competence
in Europe (Ferrari, 2013), indica que se es competente digital si se cubren las dimensiones
referidas a la búsqueda y gestión de la información digital; comunicar e interactuar; crear
contenido multiformato y multimedia; identificar y resolver problemas, y gestionar la
protección y seguridad digital de la información. https://bit.ly/23osQI7

M. C. de la Iglesia
orientador, facilitador, tutor, dinamizador o asesor, y señalan que cambian

la transmisión unidireccional del conocimiento por el intercambio horizontal
de información.
Consecuentemente, el espacio físico en el que se desarrolla el

proceso de enseñanza aprendizaje adquiere relevancia, por cuanto que el
aula física deja de ser el único escenario de aprendizaje, complementado
por espacios reales y virtuales, escogidos o diseñados para una multiplicidad
asincrónica. Este multiespacio de aprendizaje se vincula a un trabajo activo
y colaborativo entre los alumnos y de éstos con el profesor, aprovechando
las herramientas tecnológicas y las metodologías innovadoras (Gutiérrez,
Palacios y Torrego, 2010).
Con ésta descripción de roles, el profesor como observador directo

del aprendizaje de sus estudiantes, empieza a adoptar entre sus tareas la
gestión y el análisis de la información, que genera su actividad y la de sus
estudiantes (convertido en el analista de datos a que se refiere Harrison y
Killion (2007), que le permite conocer mejor su propia acción docente, la
tipología de sus estudiantes y los resultados, así como las actitudes y com-
promiso que adquieren con el programa formativo.
Penetrando, por tanto, en la niebla instalada, a la que con gran 59

acierto se refieren Long y Siemens (2011), al afirmar sin fisuras que el
análisis de los datos extraídos de la acción docente (LA) va a tener un papel
significativo en el futuro de la Educación Superior, cabe señalar la incidencia
tanto para: i) los profesores/educadores, que puedan conocer a tiempo real
el comportamiento y rendimiento de los estudiantes e identificar a quienes
muestren ritmos de aprendizaje más lentos, quienes estén en riesgo de
abandonar el curso y/o necesiten ayuda para avanzar en el aprendizaje; ii)
los estudiantes, por cuanto pueden recibir información particularizada de
su progreso, siendo un elemento que les motive e incentive a seguir mejo-
rando; y, iii) para los gestores o responsables, a quienes permite conocer
la eficiencia de los recursos empleados, la existencia de nichos de ventajas
competitivas, mejoras en la calidad y rendimientos de la experiencia de
aprendizaje. Buckingham y Ferguson (2012) fijan como raíces del LA en dos
hitos como son el desarrollo de la inteligencia de negocios sobre productos
y servicios de e-learning y la minería de datos (también llamada Knowledge
Discovery in Databases, KDD) y que se extiende a áreas de investigación en
computación, aprendizaje bayesiano, redes neuronales artificiales, árboles de
decisión, programación lógica, inducción de reglas, algoritmos estadísticos,
etc. (Romero y Ventura, 2007).

La extraordinaria proliferación de investigación de la última década,

agrupada en comunidades de aprendizaje distintas, Minería de datos edu-
cativos (EDM) y Learning Analytics (LA) and Knowledge (LAK), ha llevado a
Siemens y Baker (2012) a abogar por una mayor y formal comunicación y
colaboración entre ellas, que si bien muestran diferencias en los descubrimien-
tos, la adaptación y personalización, son perfectamente salvables y llevan a
compartir investigaciones, técnicas, métodos y herramientas en la extracción
y análisis de los datos, habiendo de facto entre ellas más intersección que
espacios diferenciados. Stewart (2017) apunta que las investigaciones de LA
abordan actividades en campos concretos de acción como la minería de datos,
la inteligencia artificial, la analítica de registros web, así como la analítica
de la inteligencia comercial, e implican la integración de datos de múltiples
fuentes para informar sobre el uso de sistemas de gestión educativa como
el Learning Management System (LMS), al que se refieren acertadamente
Leah y Dawson (2010).
Adentrados en éste área de investigación, Romero y Ventura (2007)

constituyen una guía y referencia imprescindible6 para afrontar la aplicación de
la minería de datos en sistemas de e-learning en su ciclo iterativo, por cuanto
ingresa al sistema educativo y guía, facilita y mejora el aprendizaje, tanto de
forma genérica, generando conocimiento para los docentes y los propios estu-
60 diantes, como de forma particular para la toma de decisiones. Ferguson (2012)
incide en los factores que explican el crecimiento exponencial del learning
analytics en la última década, poniendo el foco en tres retos: la generación
automática de grandes matrices de datos (big data), cuyo desafío técnico ya
está superado por las metodologías de tratamiento de datos para extraer valor
sobre el proceso del aprendizaje; el reto de optimizar las oportunidades del
aprendizaje masivo en línea (online learning), y los intereses o inquietudes
políticos (political concerns) y económicos por ofrecer mejores indicadores
y resultados de aprendizaje, a nivel nacional e internacional. Dichos retos
apuntan a tres colectivos cuyos intereses se superponen en diferentes escalas
y con distintos grados de profundidad, profesores, instituciones educativas y
6
A partir de numerosas referencias que aportan, sistematizan y clasifican en
un catálogo estandarizado por tipo de datos, técnicas utilizadas y aspectos educativos que
abordan, como son: Educación tradicional; Educación basada en la web y e-learning; Sistemas
de gestión de aprendizaje; Sistemas Inteligentes de Tutoría; Sistemas Educativos Adaptativos;
Pruebas y Cuestionarios; Textos y Contenido, y otros, y establecen una clasificación de los
usos de la minería de datos en la analítica educativa: Análisis y visualización de datos;
Predicción del rendimiento del alumno; Proporcionar retroalimentación para los instructores;
Agrupación de estudiantes; Detectar conductas estudiantiles atípicas; Recomendaciones
para estudiantes; Análisis de redes sociales; Modelado de estudiantes; Planificación y
programación; Desarrollo de mapas conceptuales; Construcción de cursos.

M. C. de la Iglesia
gobiernos, aspecto que se traduce en la importancia de elegir los problemas

que los investigadores abordan e investigan y su traslación al público objetivo
y sus intereses más directos.
Recogiendo la estela de autores previos, sin dejar de ser una re-

ferencia relevante, Sampson (2017) particulariza y clasifica los usos de los
registros en líneas de investigación para i) definir perfiles, a partir de datos
estáticos (aspectos demográficos, sociales, familiares, académicos) y/o da-
tos dinámicos (referidas al proceso de aprendizaje como son el compromiso
con el proceso, comportamiento, y rendimiento); y, ii) aplicar analítica del
aprendizaje (LA), según un catálogo de métodos y herramientas base de los
análisis descriptivos, predictivos y/o prescriptivos de recomendaciones.
Autores como Ferguson y Clow (2017) o Banihashem y otros (2018)

se refieren a que desde la primera conferencia de LAK de 2011, la investiga-
ción parece centrarse principalmente en la medición, recopilación, análisis
e informe de datos sobre los estudiantes, sus contextos e interactuaciones
con los sistemas o herramientas, para justificar la mejor comprensión y la
optimización del aprendizaje, modelar y generar perfiles de alumnos, así
como formular un aprendizaje personalizado y adaptable (Stewart, 2017).
Son numerosos los autores que visualizan un futuro aprendizaje 61

personalizado, sustentado en los beneficios de disponer evidencia empírica y
parametrizar la información/datos de los estudiantes, referidos a su compor-
tamiento, rendimiento y compromiso. Así, algunos autores evalúan la validez
de herramientas o algoritmos de clasificación en la minería de datos7 para
identificar a los estudiantes que tienen, por ejemplo, un ritmo más lento de
aprendizaje, lo que proporciona una base adicional para diseñar programas
específicos de ayuda temprana (Kaura, Singhb y Josanc, 2015).
Percibir el alcance de la fructífera investigación en Learning Analytics

lleva a revisar las múltiples implementaciones que ya son una realidad en
diversos Centros Educativos y Universidades, tanto a través de registros de
planes formativos formales (reglados) o informales, como muestran Ferguson,
Brasher, Clow y otros (2016), quienes relacionan un catálogo exhaustivo de
investigaciones analíticas a partir de casos de adaptación de tecnologías y
juegos digitales de aprendizaje, así como buenas prácticas a imitar. Estas
aplicaciones y posteriores analíticas tienen enfoques multidisciplinares, y se
diseñan desde disciplinas con áreas de intersección como la estadística, la
inteligencia artificial, la ciencia computacional, o desde el diseño de perfiles
psicológicos y de aprendizaje, según apuntan Siemens, Dawson y Linch (2013).
7
Como el Multi Layer Perception (MLP).

3. Metodología del estudio de caso
Es frecuente encontrar estudios de caso de LA o empíricos con

datos que provienen de las interacciones de los estudiantes con los sistemas
o herramientas digitales, generados durante el tiempo de participación o uso,
incidiendo en la importancia del tamaño y variedad de los datos para extraer
información sobre el proceso de aprendizaje, con tintes de generalización y
extrapolación, descripción de constructos explicativos más complejos e identi-
ficación de eventos o comportamientos anómalos (Banihashem y otros, 2018).
Siguiendo algunos de los elementos previamente expuestos, en este apartado
se describe el estudio de caso que corresponde al primer cuatrimestre del curso
2018-198 (de septiembre a enero) en la asignatura de Análisis Microeconómico
Avanzado (AMA), de 4º curso del Grado en Economía (GECO), en el itinerario
de Análisis Económico (AE), y se dispone de un total de 25588 registros de
uso digital, para 69 estudiantes inscritos. La investigación empírica se realiza
a partir de diversas fuentes primarias de información recopilada, como son la
información institucional del curso, los registros de usos en las plataformas
digitales, controles de asistencia y calificaciones de evaluación continua y final.
Se conjuga por tanto bases de datos de gran tamaño de actuaciones y tareas
de aprendizaje, con datos que caracterizan a los individuos, ya que toda la
información sobre los procesos de aprendizaje puede y debe ser considerada
62 de manera integral (Lodge y Corrin, 2017).
3.1 Registros de datos

En la línea de lo expuesto por Sampson (2017), se han recupera-
do diversos instrumentos de información primaria, que aportan información
complementaria:
•• Los registros de los usos de las herramientas del campus virtual

Moodle y del blog9 de la asignatura (en abierto y gestionado por
el profesor), para lo cual se ha seguido el trabajo empírico de
Vela-Pérez y otros (2017) como guía para la extracción, la des-
cripción y el análisis de los datos, al estar referido a la misma
plataforma Moodle.
•• Las calificaciones según la reseña de evaluación explicitada en
la guía docente, a partir de tres elementos diferenciados: 1) la
8
En el curso 2017-18 se realizó un análisis parcial de los registros, a modo
de prueba, con el único objetivo de aprender sobre los mismos, y planificar con antelación
los elementos a trabajar para que la actual investigación, referida al curso 2018-19, no
fuera fallida por falta de previsión.
9
Blog o campus virtual en abierto.

M. C. de la Iglesia
evaluación continua (EV) con un peso del 10% de la califica-

ción final, correspondientes a seminarios grupales en el aula
y su continuación como práctica, individual o grupal, y que
se despliega en una estructura gamificada con asignación de
tres insignias según ranking de desempeños en los seminarios
grupales; 2) las pruebas de evaluación parcial (PEP) con un
peso del 40% en conjunto, consistente en dos pruebas corres-
pondientes a los bloques temáticos del curso, y 3) la prueba de
evaluación final (PEF) del curso, que completa el 50% restante
de la calificación del estudiante.
Así, el cuadro 1 muestra en detalle el cronograma de actividades,
pruebas y gamificación, en las 15 semanas efectivas (con carga docente
presencial) del curso, que se corresponden con el patrón de uso de los es-
tudiantes del aula virtual.
Cuadro 1. Cronograma según actividades de evaluación

Seminarios (SEM)
Grupales Gamificacion: Pruebas
Evaluación Insignias, parciales Prueba final
Semana continua (EVC) privilegios (PEP) (PEF)
1
2 SEM 1+ PRÁCTICA 63
3
4 SEM 2 + PRÁCTICA
5
6 SEM 3 + PRACTICA
7
8 SEM 4 + PRÁCTICA INSIGNIA AMARILLA
9 REPASO
10 PEP 1
11
12 SEM 5 + PRÁCTICA INSIGNIA ROJA
13
14 PEP 2
15 SEM 6 + PRÁCTICA INSIGNIA VERDE PREPARACIÓN
Es necesario explicitar que i) los estudiantes han sido informados

y tienen la oportunidad de solicitar que sus registros no sean incluidos en
el análisis, son conocedores de la naturaleza de los datos que la plataforma
registra, y por tanto consienten o no el seguimiento de su huella o rastro en el
aprendizaje, así como el cruce con informaciones de otras fuentes, como son
los datos institucionales de identificados y convocatoria, ii) se garantiza que
a los estudiantes al consentir la observación de sus registros no les suponga
ningún compromiso, obligación, disponibilidad y dedicación adicional, y iii)

la extracción y cruce de la información se realiza bajo un algoritmo estadístico

que, tras la recodificación de los ítems de identificación personal, automá-
ticamente hace anónima la información del estudiante10, cumpliendo con
la normativa vigente de protección de datos de los usuarios o estudiantes.
Cabe reconocer que la existencia de poderosas herramientas de

gestión de datos, con un alcance cada vez mayor, está planteado entre los
diversos colectivos (usuarios y responsables) la preocupación sobre aspectos
muy pertinentes referidos a cuestiones éticas, de privacidad y protección,
abordados por ejemplo en Campbell (200711), aspectos que se respetan en ésta
investigación dado que toda la información ha sido anonimizada previamente.
Respecto a las herramientas, si bien en la literatura empírica de

última década se referencian una gran cantidad de herramientas, tanto gene-
rales como específicas de minería de datos, que van desde programas comer-
ciales estandarizados (DBMiner, SPSS DB2 Intelligent Miner), a numerosas
aplicaciones de uso público desarrolladas por colectivos de investigadores
(algunas disponibles en abierto y de uso libre (por ejemplo GISMO, Google
analytics, Smartklass), en ésta primera explotación la gestión de los datos se
realiza con herramientas básicas del paquete estadístico SPSS, siendo una
referencia el trabajo de Romero, Ventura y García (2008).
64
3.2 Población de análisis y ficha técnica
Describir brevemente las características de la población objeto
del estudio contextualiza el análisis posterior, para lo cual a modo de ficha
técnica en la tabla 1 se aportan varios indicadores como la nacionalidad y
el género del estudiante, junto con la convocatoria en curso y el porcentaje
registrado de asistencia en la asignatura de referencia.
Así, según la identificación oficial, el 65,22% del total de estu-

diantes tienen DNI de nacionalidad española, y el resto, 34,78%, extranjera,
por cuanto que su documentación es NIE, entre los que cabe distinguir dos
tipologías: aquellos identificados con doble nacionalidad (por segunda ge-
neración, o con tarjeta de residencia), y los que tienen nacionalidad China,
que representan el 24,63% del total de estudiantes y el 78,83% de los
identificados con NIE de extranjero.
10
Conciliar la investigación y las normas europeas de protección de datos
(Europe’s General Data Protection Regulation, GDPR, de 2016) es necesario y está
generando cambios en el uso futuro del Learning Analytics, por cuanto las instituciones
tienen responsabilidad y obligaciones en dicha protección.
11
Examina más de 70.000 registros para determinar los indicadores más sólidos
(factores robustos) del éxito de los estudiantes, a partir de modelos de regresión estadística.

M. C. de la Iglesia
Tabla 1. Distribución de estudiantes AMA según información institucional.

Identificador Nacionalidad Género Varones 1ª Asistencia
(%) Convocatoria (%)
DNI español N1=45 (65,22% N) 31 (44,93% de N) 35 (50,72% N) 71,5%
[75,61% de N1] (77,77% de N1)
NIE extranjero* N2=24 (34,78% N) 10 (14,493% de N) 20 (28,99% N) 64,9%
[41,67% de N2] (83,33% de N2) (83,84 % no
chino)
NIE origen China N 21=17 (24,63% 5 (7,55% N) 13 (18,84% N) 57,1%
N) [29,41% de N21] (76,40% N21)
[70,83% sobre N2]
Total N=69 41 (59,42% N) 55 (79,71% N) 69,2%
28 mujeres
* Según letra del identificador, DNI, de los estudiantes que no son de nacionalidad china, 3 se
corresponden con estudiantes Erasmus in, y el resto son estudiantes con doble nacionalidad o residentes.
El 59,42% de los estudiantes del curso AMA son varones, lo cual

muestra una ligera diferencia en la selección de la especialidad de Análisis, res-
pecto del 64,0% de varones de la titulación. Segmentando, el 44,93% del total
de estudiantes tienen DNI de nacionalidad española y son varones (el 75,61%
de los que presentan DNI nacional son varones), mientras que los que tienen
NIE y varones son el 14,61% (el 41,67% de los que tienen NIE son varones,
mientras que entre los estudiantes de nacionalidad china solo el 29,41% son 65
varones). Por lo que respecta a la convocatoria que cursan, el 79,71% están
inscritos en la primera, y por segmentaciones, el 50,72% tienen DNI y están
en la primera convocatoria, mientras que el 28,99% tienen NIE y están en la
primera convocatoria. El 77,77% de los que tienen DNI están en la primera
convocatoria, y el 83,33% de los que tienen NIE, y por género se distribuyen
de forma que el 61,81% de los que están en primera convocatoria son varones
frente al 38,18% que son mujeres, y complementariamente, el 82,93% de los
varones están en la primera convocatoria y el 75% de las mujeres.
En cuanto al porcentaje de asistencia a las clases presenciales,

la asistencia media en más de 14 registros semanales aporta una media de
69,2%, con diferencial según nacionalidad, por cuanto quienes tienen DNI
asisten en media el 71,5%, y los que tienen NIE asisten el 64,9%, si bien
con comportamientos polarizados, con un 83,8% los que no tienen nacio-
nalidad China (incluyéndose a los estudiantes Erasmus) y 57,1% los que sí
lo tienen, siendo estos estudiantes los más absentistas12. Estos resultados
no están completamente alineados con los datos institucionales (Facultad
de CCEE, UCM), según los cuales identifican con el 65,2% de participación
media en 4º grado de ECO, y un 55,5% en el área de estudio.
12
El problema del absentismo entre la comunidad de estudiantes chinos se
hace crónica con las limitaciones del uso del idioma, que siguen programas de estudio
no reglados con preparadores de origen chino.

Según el cronograma semanal, en la semana 10 del curso (trans-

currido el 66,6% del mismo), el 8,7% de los estudiantes (6) había cuasi-
abandonado la evaluación continua en el aula, uno de ellos la segunda semana
del curso. En el desarrollo metodológico del curso, los estudiantes participan
en seminarios grupales de trabajo (3 o 4 estudiantes), que en general se
autoseleccionan, por conocimiento y empatía, sólo en algunas ocasiones lo
son por la observación previa de su complementariedad competencial, siendo
relevante la supervisión que el docente hace del proceso de adscripción en
grupos, por cuanto puede hacer que el aprendizaje sea o no más motivador y
cognitivamente enriquecedor (Calzadilla, 2002), evitando que existan polari-
zaciones grupales que estrangulen el rendimiento medio, así como favorecer
una mayor integración entre los colectivos por nacionalidad.
Cabe señalar dos aspectos adicionales: 1) No se dispone información

directa sobre la edad de los estudiantes, pero la convocatoria en la que están
es una aproximación de los años que llevan en la Universidad, dado que al ser
una asignatura de 4º curso, los estudiantes en primera convocatoria (casi sin
error) están en el cuarto año de permanencia; 2) No es significativo13 realizar
un análisis de diferencias entre los diversos subgrupos por edad, nacionali-
dad, experiencia y género, dada la reducida adscripción de estudiantes a los
mismos, si bien la percepción subjetiva revela un grado de madurez personal,
66 experiencial y laboral diverso.
4. Resultados del seguimiento y registro de usos
Se presentan algunos de los resultados de la asignatura AMA en

el curso 2018-19, tanto desde la descripción del rastreo o huella que los
estudiantes dejan en su uso activo del campus virtual y el blog, como la
interacción con las calificaciones de los diversos elementos evaluables.
4.1 Registro de usos en las plataformas virtuales por estudiante.

El total de estudiantes, tabla 2, contabiliza 25588 registros válidos
(recuperados a posteriori, finalizado el periodo lectivo del curso, el 22 de
diciembre de 2018) de las platafomas digitales activas en el curso. Como
indica Siemens (2013), el uso de dispositivos móviles, herramientas virtuales
y medios sociales en el proceso de aprendizaje genera huellas en senderos
13
El test de diferencias no es significativo dada la limitación de las submuestras.

M. C. de la Iglesia
digitales, incluyendo patrones de navegación, pausas, hábitos de lectura y

hábitos de escritura, que para el docente/investigador ofrecen una oportunidad
para observar el aprendizaje desde múltiples ángulos.
Una visión sintética del porcentaje de registros por estudiantes en

media semanal respecto del total acumulado, muestra la elevada dispersión,
en los usos de las plataformas digitales (véase gráfico 1 y 2). Los 10 estu-
diantes más activos registran en media porcentajes entre el 4,19 y el 2,61%
del total, con accesos semanales respectivos de 71,53 a 44,60, mientras que
los 10 menos activos están entre el 0,51 y el 0,00% del total, con accesos
semanales de 8,67 a 0, siendo la media del total de estudiantes de 24,37
accesos semanales a las distintas páginas, representando el 1,43% del total
de registros, con una desviación en promedio de 180,73.
Tabla 2. Estadísticos total registros y brecha de uso semanal

II
III IV
I Dife-
10 más Brecha Brecha
N registros % del total Media rencial
activos respecto de respecto el
semanal respecto
la media % A12
media %
A12 1073 4,19 71,53 47,16 193,50 0,00
A51 1018 3,98 67,87 43,5 178,46 5,13
A69 976 3,81 65,07 40,7 166,97 9,04 67
A8 755 2,95 50,33 25,96 106,52 29,64
A2 714 2,79 47,60 23,23 95,30 33,46
A17 713 2,79 47,53 23,16 95,03 33,55
A20 694 2,71 46,27 21,9 89,83 35,32
A55 681 2,66 45,40 21,03 86,28 36,53
A16 679 2,65 45,27 20,90 85,73 36,72
A29 669 2,61 44,60 20,23 82,99 37,65
Dife-
Brecha
10 menos Media rencial Brecha uso
registros % del total respecto de
activos semanal respecto semanal
la media %
media %
A33 130 0,51 8,67 -15,7 -64,44 87,88
A59 76 0,30 5,07 -19,3 -79,21 92,92
A44 76 0,30 5,07 -19,3 -79,21 92,92
A41 68 0,27 4,53 -19,84 -81,40 93,66
A62 51 0,20 3,40 -20,97 -86,05 95,25
A7 36 0,14 2,40 -21,97 -90,15 96,64
A24 34 0,13 2,27 -22,1 -90,70 96,83
A61 9 0,04 0,60 -23,77 -97,54 99,16
A0 4 0,02 0,27 -24,1 -98,91 99,63
A54 0 0,00 0,00 -24,37 -100,00 100,00
Todos, Media 25588 1,43 24,37 - - 65,63

Gráfico 1. Registros ordenados de mayor a menor, total de estudiantes
68 Gráfico 2. Dispersión de registros por alumno
Como puede observarse, los alumnos exhiben muy diversa frecuencia,

presencia y actividad en las diversas herramientas electrónicas que se disponen,
cuyo ritmo difiere por semanas e incluso por días, según la actividad docente
programada. Estos diferenciales de uso determinan el cálculo del indicador
de “brecha de uso digital”, que facilita una visión más completa del patrón
de uso el curso (total de registros en el Anexo) a partir de una clasificación
y tipología básica de los estudiantes en varias categorías y que se muestra
en los gráficos 3 y 4 adjuntos. Así, si el indicador se calcula referenciado al
estudiante más activo, el A12, (columna V tabla 1), lógicamente hace que
el peso de la mayoría de los estudiantes caiga hacia el extremo de poca o
escasa actividad registrada dando una visión con fuerte asimetría:
a) proactivos: si registran una brecha <20%, en la que sólo entran 3 alumnos:

A12, A51 y A69, y con media de 4,721.
b) sobreactivos: brecha entre 20 y 40%, que incluye a 8 alumnos, y con
media de 35,31.
c) medio activos: una brecha entre 40 y el 60%, a la que se adscriben sólo
11 alumnos con media de 53,30.
d) subactivos: con brecha entre 60 y 80%, que incluye a 30 alumnos con
una media de 70,45.
e) inactivos o descolgados: si la brecha está entre el 80 y 100%, que agrupa
a 18 alumnos cuya media es 89,91.

M. C. de la Iglesia
Por el contrario, si el cálculo del indicador de la brecha digital se

realiza sobre el valor medio de la distribución (columna IV tabla 1), el alumno
más centrado sería el A27 (brecha de 2,58), y la clasificación obtenida aporta
una visión más dulce de los usos registrados:
a) proactivos: si registran una brecha positiva de >75%, en la que se incluyen

11 alumnos, con media de 118,06.
b) sobreactivos, con una brecha positiva entre 75 a 25%, en la que se incluyen
7 alumnos, con media de 49,24.
c) medio activos, con una brecha entre +25 y -25%, en la que se incluyen
23 alumnos, que registran media de 1.91
d) subactivos, con brechas negativas entre el 25 y 75%, que aglutina a 2º
estudiantes.
e) inactivos o descolgados, con brechas negativas superiores al 75%, con 9
estudiantes.
Dado este perfil de usos, sea cual sea el cálculo del indicador
hecho para identificar la brecha digital, como criterio de mejora para cursos
posteriores se deben supervisar los registros de forma casi automática en
períodos diversos, que permita un seguimiento continuado para recuperar
a ritmos óptimos a aquellos estudiantes que evidencian signos de subacti-
vidad o descolgamiento del curso, especialmente tras la primera prueba de
evaluación como medida preventiva.
69
Gráfico 3. Brecha porcentual registros respecto del alumno más activo A12 (en positivo)
Gráfico 4. Brecha porcentual registros respecto de la media semanal

4.2 Temporalidad de la distribución de registros

En cuanto a la temporalidad de los accesos, según se observa en
la tabla 3, existen diferencias notables en la distribución semanal, con una
media ajustada de 1265 registros semanal por alumno, con picos de actividad
del 17,16% del total en la semana 10 y del 12,75% en la semana 14, que
se corresponden con las pruebas parciales de evaluación (si bien los accesos
se concentran en un 65% los días antes y el resto los días posteriores, para
la comprobación de soluciones y calificaciones). En el arco opuesto, es muy
reducida la actividad en torno al 1,40% en las semanas 9 y 18, registrándose
la mínima actividad, con el 0,77% del total en la semana 17, de tránsito,
exhibiendo una desviación respecto del promedio muy alta, de 14,60, y
superior al promedio de registros por estudiante y semana, en las semanas
1, 2, 5, 9 y 18. De forma acumulativa, las cuatro primeras semanas (de 1 a
4) computan el 20,31% del total de registros, las siguientes 4 (de 5 a 8) el
12,79% y las semanas 9 a 12 agrupan el 27,19% de los registros.
Tabla 3. Total registros por semanas y tipología, en porcentaje

Media Desviación
R_1 R_2 R_3 R_4 R_5 R_6 R_7 registros respecto
semanal media
Sem 1 54,18 0,00 0,56 2,23 42,48 0,00 0,00 10,30 11,79
70 Sem 2 47,12 0,76 4,34 0,53 47,07 0,00 0,18 24,34 25,21
Sem 3 50,35 2,19 0,35 0,15 45,92 0,50 0,55 28,74 23,24
Sem 4 52,23 4,45 0,00 0,00 42,28 0,00 1,05 10,91 8,57
Sem 5 53,32 0,77 0,00 1,15 44,64 0,00 0,13 5,46 7,00
Sem 6 50,13 1,64 1,04 0,09 46,42 0,00 0,69 16,56 13,83
Sem 7 53,94 1,27 0,00 0,00 43,77 0,00 0,76 5,6 4,57
Sem 8 56,75 0,32 0,00 0,32 40,69 0,86 1,07 13,34 11,20
Sem 9 51,79 3,58 0,28 2,75 41,60 0,00 0,00 5,19 9,58
Sem 10 52,81 1,94 0,61 0,39 43,73 0,00 0,52 62,73 41,93
Sem 11 48,35 6,58 0,62 0,62 43,72 0,00 0,10 13,89 12,41
Sem 12 51,67 2,12 0,16 0,98 44,18 0,73 0,16 17,56 12,91
Sem 13 53,34 1,81 0,57 0,79 42,58 0,79 0,11 12,61 9,88
Sem 14 51,16 1,72 0,37 1,96 44,14 0,21 0,43 46,60 35,99
Sem 15 51,50 2,81 0,19 1,44 43,94 0,00 0,13 22,80 16,34
Sem 16 46,51 1,72 1,15 4,02 44,40 2,11 0,10 14,93 13,83
Sem 17 51,53 0,51 0,00 0,00 44,39 0,00 3,57 2,80 2,69
Sem 18 43,73 0,28 0,00 0,28 55,43 0,00 0,28 5,13 6,85
Media por 51,13 1,92 0,57 0,98 44,52 0,29 0,55 17,75 14,88
registro

M. C. de la Iglesia
Más aún, mientras que los días con docencia han sido lunes y
martes, los días de la semana que registran un porcentaje mayor de acce-
sos es el jueves y el domingo, con el 26,85% y 20,81% respectivamente,
mientras que los días más inactivos son el sábado y el miércoles, con el
5,58% y el 6,28%, temporalidad condicionado a la entrega de prácticas
o ejercicios.
Es decir, los estudiantes conectados o no, realizan accesos a las

plataformas virtuales a un ritmo condicionado, con ciertos desfases dentro
de la misma semana, al cronograma de actividades planificadas durante el
curso, y cuyo diferencial se observa en el gráfico 5 adjunto, con dispersiones
muy altas entre sí, según tanto su tipología de uso como el avance temporal
del curso. Reducir ésta dispersión puede ser un objetivo plausible para cursos
venideros, acondicionando mejor los ritmos de los usos y sus registros a la
dinámica de aprendizaje diseñada en el curso.
71
Gráfico 5. Perfil diferencial semanal respecto media
Los gráficos siguientes, abordan la distribución semanal de los

registros, aspecto que refuerza la visión ya señalada de patrones diferencia-
dos, por estudiante, semana y tipología de registro. Así, el gráfico 6 muestra
el acumulado en los registros semanales de los estudiantes, cuyo perfil se
corresponde, necesariamente con el del gráfico 2.
Gráfico 6. Perfil semanal acumulado por estudiantes

Mirada aparte requiere la distribución de los estudiantes por se-

manas, y así el gráfico 7 muestra paralelamente las 4 primeras y últimas
semanas del curso, por alumnos, con indicadores de dispersión. No son los
mismos estudiantes y en las mismas semanas las que aportan valores extre-
mos, como puede verse en la selección de semanas, quizás condicionado al
tipo de trabajo grupal que se proyecta y que asigna ciertas responsabilidades
de gestión intergrupal.
Primeras cuatro semanas, por estudiantes
Cuatro últimas semanas, por estudiantes
72
Gráfico 7. Dispersión registros semanal porcentual, por estudiantes.
Por lo que respecta a la naturaleza de los recursos, para su tabu-

lación se han recodificado determinando la tipología que muestra la tabla
4. Así, para los estudiantes y en media, en torno a la mitad de los accesos
que se realizan (51,13%) son de carácter ordinario, a correos, información,
noticias, nuevos temas o revisión, en torno al 44,5% de los accesos que re-
gistran los hacen tanto a los epígrafes de tareas evaluables como de recursos
disponibles para su estudio y preparación, de forma que el resto del 4,37%
de sus registros se concentran en las tareas evaluables (1,92%), y el resto
se reparte en porcentajes mínimos, siendo la participación más minoritaria
en el foro interno del campus virtual, con sólo el 0,29%. Esta información se
muestra complementariamente en los gráficos 8, 10 y 11, y permite afirmar
que el estudiante conectado sigue siendo tradicional en los usos que hace de
las plataformas, polarizado en su actividad continuada, al estar básicamente
pendiente tanto de consultar puntualmente la información y novedades que

M. C. de la Iglesia
aporta el profesor en las plataformas virtuales y en el correo interno, como del

acceso y la visualización de los materiales complementarios que le permiten
estudiar y preparar las actividades evaluables en el curso.
Gráfico 8. Distribución porcentual de registros
Esa visión estrangulada del uso polarizado del estudiante contrasta

parcialmente si se compara con la distribución de la actividad registrada del
profesor del curso, observándose un diferencial significativo en los usos no
siempre acompasados por el alumno, que dibujan un perfil del profesor y
estudiante muy diverso (gráfico 9 y tabla 4), lo que muestra que el profesor
realiza un uso más diverso y radial de las diversas herramientas virtuales
73
disponibles, tratando en muchos casos de dinamizar al grupo de estudiantes,
si bien ellos no siempre siguen la estela.
Por tanto, el perfil de usos por alumno y profesor difiere tanto en el

cómputo de registros como en la distribución de los mismos, lo cual se explica
parcialmente por los roles internos que adquieren los estudiantes en las activi-
dades grupales y el menor interés por determinadas actividades no evaluables.
Esta polaridad es causa, de la recodificación en la tipología de

recursos extraídos, según naturaleza, que sin duda podría haberse hecho de
otra forma, si bien su visión aportaría igualmente un uso tradicional de las
herramientas, principalmente del campus virtual.
Gráfico 9. Distribución porcentual registros según tipología, por profesor y alumno.

Tabla 4. Tipología y total de registros curso.

Alumnos (A) Profesor (P) Diferencial
Tipología Registro Media estudiante Media / % Alumnos
internet % % y profesor
/semana semana
General y sistema=1: R_ 1 9,55 51,13 29,75 44,40 6,73
Tareas evaluables=2: R_2 0,37 1,92 10,35 15,45 -13,93
Filiación e identificación=3: 0,14 0,57 9,3 13,88 -13,31

R_3
Informes agrupados=4: R_4 0,17 0,98 8,6 12,84 -11,89
Recursos disponibles=5: R_5 8,19 44,52 13,75 20,52 24,01
Foros y chats=6: R_6 0,05 0,29 4,65 6,94 -6,65
Archivos compartidos e Infor- 0,08 0,55 5,6 8,36 -7,81

mes evaluadores =7: R_7
Total 18,54 100 67 100 -
74
Gráfico 10. Distribución porcentual según tipología, por semana.
Gráfico 11. Distribución acumulada de registros por tipología y alumno.

M. C. de la Iglesia
4.3 Análisis de la evaluación continua y la calificación del curso AMA

Como se ha indicado, los elementos que entran dentro de la califi-
cación final de los estudiantes son: EVC; PEP y PEF, con pesos relativos del
10%, 40% y 50% respectivamente. En cuanto a la asistencia a las actividades
de EVC, la media se sitúa entre el 74% y el 85,3% cuando son grupales
en el aula, y entre el 78% y el 87% para aquellas a realizar fuera del aula,
mientras que en los controles de asistencia no programados la variabilidad
es muy amplia, entre el 91,2% hasta una cota inferior14 de 52%.
Desde la semana 7 del curso, la evaluación continua se gamifica15

(o ludofica), tal como se muestra en el cronograma, con insignias al alto
desempeño, asociadas a las actividades grupales de evaluación y que se
materializan en puntuación adicional o excepciones. Así, el 43,3% de los
estudiantes del curso que realizan la actividad gamificada alcanzan la insignia
amarilla, que responde a las calificaciones de 8,5 o más, y que responden a
una prueba de dificultad baja. Sin embargo, la insignia roja, con una grado de
dificultad ligeramente mayor, es obtenida por el 28,8% de los estudiantes que
realizaron la tarea y obtienen una calificación superior a 7, siendo la insignia
verde alcanzada por el 37% de los estudiantes. Véase Imagen 1 del Anexo.
La fluctuación en notas entre los diversos componentes (prácticas 75

fuera del aula, seminarios en el aula, pruebas de evaluación) para el total
de estudiantes tal como se observa en la tabla 5 y el gráfico 12 y en detalle
en el gráfico 13, es reducida.
Indicar que el 22,1% de los estudiantes liberan la materia sin

necesidad de realizar examen final (condicionado a obtener calificaciones en
ambas pruebas parciales PEP de 6 o más y tener una evaluación continua
de 7 o más), y que se han materializado en medias de 7,613 y 8,15 respec-
tivamente, si bien la primera prueba la liberan el 39,7% de los estudiantes
y la segunda el 30,8%. Así, en media, los estudiantes objeto del estudio
registran una calificación de 6,89 en la Evaluación continua, 5,62 y 5,07
en los pruebas parciales de evaluación (PEP1 Y PEP2 respectivamente) y
aquellos que deben realizar prueba final, en media obtienen una calificación
de 5,43, siendo de 5,92 la media de la calificación del curso para el total
de estudiantes. Al respecto del diferencial en las calificaciones individuales
y medias entre pruebas parciales, cabe aportar una reflexión sobre el efecto
que aspectos como pueden ser el diseño del sistema de evaluación y tempo-
14
A pesar de la coordinación en el cronograma de actividades evaluables para
todas las materias, disponible desde principio de curso, la cota inferior de asistencia se
registrada el día que existe examen parcial liberatorio de otra materia.
15
Las insignias son comodines para las pruebas de evaluación parciales o
finales, que permiten responder un test sin que penalice en caso de error.

ralización del mismo, o la propia organización académica, especialmente la

concentración y el orden de las pruebas de evaluación o exámenes, pueden
tener en el rendimiento académico de los estudiantes, tal como evidencian
Martín y otros (200316), quienes en opinión de los estudiantes encuentran
como causas del fracaso escolar el excesivo número de asignaturas simultáneas
y la concentración de exámenes. En esta línea argumental, Florido, Jiménez
y Navarro (2019)17, con un panel de estudiantes universitarios, contrastan
que el orden del examen dentro de la convocatoria afecta negativamente al
porcentaje de presentados, si bien disponer de al menos un día libre antes
del examen no aumenta el porcentaje de alumnos que se presentan.
Al segmentar la población analizada, cabe hacer varias anotaciones:

i) los estudiantes varones respectivamente obtienen 6,84 en la EVC, 5,62 en
PEP1, 5,43 en PEP2 y 5,79 como calificación final, mientras que las mujeres
muestran mejores calificaciones excepto en la EP2, siendo respectivamente
6,96, 5,63, 4,56 y 6,11, si bien los dos rendimientos del curso se corresponden
con varones; ii) en cuanto a la nacionalidad, los inscritos con DNI presentan
7,06 en la EVC, 5,74 en PEP1, 5,18 en PEP2 y 5,99 de calificación final,
mientras que los que se inscriben con NIE obtienen respectivamente 6,60,
5,40, 4,89 y 6,00, que muestra un diferencial especialmente en la menor
evaluación continua (EVC) y en las pruebas parciales de evaluación (PEP), a
76 pesar de las muchas deficiencias en la comprensión idiomática que muestra
el grupo compacto de nacionalidad china.
Tabla 5. Medias elementos de las calificaciones y correlaciones.

Calificación
EVC PEP1 PEP2 final
MEDIA 6,89 5,62 5,07 5,92
VARONES (MUJERES) 6,84 (6,96) 5,62 (5,63) 5,43 (4,56) 5,79 (6,11)
DNI (NIE) 7,06 (6,60) 5,74 (5,40) 5,18 (4,89) 5,99 (6,00)
Coef. EVC 0,4980 0,4979 0,4804
Correlación PEP1 0,596 0,648
Pearson PEP2 0,649
La composición de las calificaciones se refleja en las correlaciones

entre los componentes de la calificación final, dado que si bien los seminarios
y prácticas son grupales y de ellas se retroalimentan las pruebas parciales
de evaluación realizadas individualmente, complementadas con la prueba
Citado en Florido, Jiménez, y Navarro (2019).

16
Resultados académicos de todas las asignaturas en las titulaciones de la

17
Facultad de Economía, Empresa y Turismo de la ULPGC, durante nueve cursos académicos

(de 2007–08 a 2015–16), con objeto de controlar los efectos de los cambios normativos
y la planificación académica de los exámenes sobre el rendimiento.

M. C. de la Iglesia
final para aquellos que quieren mejorar su calificación, no liberan materia,

por tener menos de 6 en una o las dos pruebas, o las han suspendido. Así,
dada las ponderaciones definidas en la calificación final, la correlación (Cf.
Pearson) entre la EVC y la calificación final y (10% del total) es de 0,480,
y necesariamente mayor entre de las PEP (20% de cada prueba) y la nota
final es de 0,648-9 y menor entre los contenidos de la EVC y las pruebas
parciales, PEP1 y PEP2, con una correlación uniforme de 0,498.
Gráfico 12. Componentes de la calificación final, por alumnos.
77
Gráfico 13. Componentes de la calificación final, por segmentaciones.
4.4 Relación entre calificaciones en AMA con las notas medias

del expediente ex ante
La información personal de la nota media del expediente con la
que inician el curso, ex-ante, es de 6,435 para el grupo (información solo
disponible para el 73,91%), si bien hay claras diferencias por género, siendo
de 6,585 para los estudiantes varones y de 6,267 para las mujeres, y que
representan un diferencial de 4,823% más en media favor de los primeros,
si bien segmentando el grupo por nacionalidad, las diferencias son mayores,
dado que en media la nota media del expediente es 6,691 para los que se
inscriben con DNI y 6,005 para quienes se matriculan con NIE, con un
diferencial del 11,424% a favor de los primeros. Sin embargo, observando

el diferencial y la correlación entre la nota media del expediente al inicio

del curso y la calificación de la asignatura objeto del estudio de caso, AMA,
las mujeres en la asignatura AMA se han mostrado más uniformes con su
expediente que los varones, con 11 puntos porcentuales de diferencia entre
sus medias, y de igual forma los estudiantes extranjeros que reproducen casi
al 100% en la asignatura la media de su expediente. Esta información se
muestra en la tabla 6 y en los gráficos 14 y 15.
Tabla 6. Comparativa nota del expediente y la calificación en el curso AMA.

Diferencial
Nota Calificación
expediente curso AMA Expediente respecto Correlación
curso AMA %
VARONES 6,585 5,79 13,73 0,6419
SEXO
MUJERES 6,267 6,11 2,57 0,2289
DNI 6,691 5,99 11,70 0,4999
Nacionalidad
NIE 6,005 6,00 0,08 0,5300
TOTAL 6,435 5,92 8,70 0,5028
78
Gráfico 14. Comparativa media nota del expediente y la calificación en el curso AMA, totales.
Gráfico 15. Comparativa media nota del expediente y la calificación en el curso AMA, por alumnos

M. C. de la Iglesia
La relación entre la actividad registrada de los usos de las herra-

mientas y la nota de expediente y la nota del curso AMA y aporta una última
visión del comportamiento del grupo objeto del estudio de caso, que parece
no ser dependiente, dado que el coeficiente de correlación entre la brecha
digital y la nota del curso es baja, 0,331, y con la nota del expediente úni-
camente de 0,093. Parece, por tanto, que la intensidad en el uso de las
herramientas digitales disponibles para seguir el curso no es intrínseca al
rendimiento del estudiante, ni en su expediente ni en el curso de referencia.
Si bien el objetivo de éste estudio de caso es otro, y no permite

llevar a cabo un contrastación empírica, sí es oportuno recoger la reflexión
final sobre la dependencia de las calificaciones actuales de la nota de expe-
diente, o del rendimiento en materias previas, así como variables inherentes
a la organización académica del curso, como ya se ha señalado. Así, la
literatura sobre determinantes del rendimiento académico es muy prolija y
se ha fijado en indicadores tanto de carácter socio-económico, familiares y
afectivas (Tejedor y García-Varcárcel, 2007); de género, estudios previos y
sus calificaciones, tipo de acceso a la Universidad, así como las asignaturas
aprobadas en el primer curso universitario (por ejemplo en Ibarra y Micha-
lus, 2010), así como la tipología de las pruebas, el estilo y estrategias para
afrontar el estrés, (Ávila-Toscano y otros, 2011); ó en variables específicas de
la organización académica (Garbanzo, 2007; Lundberg, 2003; entre otros). 79
Disponer de información significativa en una muestra más amplia

y con un seguimiento continuado de los mismos estudiantes ofrecería una
radiografía más clara sobre cómo aspectos socio-personales, de capacidad, de
desempeño, de ritmos de trabajo o de estilo, etc. inciden en el rendimiento
de los estudiantes.
5. Discusión de algunos resultados y conclusiones.
Disponer de la información de los registros de usos, enlazada con

las calificaciones de los estudiantes, su comportamiento y su rendimiento
previo, así como su valoración sobre la adaptación a los diversos métodos de
aprendizaje, permitiría en cursos o intervalos tempranos, definir estrategias
de aprendizaje ajustadas a la tipología, que podrían mejorar su rendimiento
y compromiso con el programa educativo. Este hecho, si bien hoy parece
impensable, será posible muy a corto plazo, en un paso más para ajustar el
conocimiento del proceso de enseñanza-aprendizaje a la era digital, dado
que las investigaciones de LA interpretan datos educativos mediante aproxi-
maciones cuantitativas sustentadas del comportamiento de los alumnos,
pasado, presente o futuro (Amo y Santiago, 2017).

Lodge y Corrin (2017) inciden en que la analítica del aprendizaje

puede aportar información para acometer acciones para reducir ciertas brechas
en los rendimientos de la educación, e incluso aplicaciones de la psicología y
neurociencia a la educación, con el fin de tener un conocimiento más profundo
del comportamiento de los estudiantes en su aprendizaje en entornos edu-
cativos reales vs virtuales. Es obvio que no todos los estudiantes interactúan
igual con los recursos docentes, ni tienen el mismo patrón y ritmo de usos
digitales, como tampoco tienen el mismo estilo de aprendizaje, inteligencia,
ni han desarrollado de igual forma el corpus competencial (dependiente tanto
de la formación recibida, como del entorno social, familiar y vivencial, así
como de las experiencias previas), por lo que afrontar investigaciones que
incorporan la explotación de datos de sus registros es ineludible para diseñar
(y aplicar) estrategias de aprendizaje adaptables a sus perfiles.
Como conclusiones más directas del estudio de caso, se observa

que el perfil de usos de los estudiantes, que dibuja una fuerte brecha digital
entre los estudiantes proactivos y los inactivos, debe ser analizado perió-
dicamente y acompasado con el avance del curso, a modo de intervención
periódica para recuperar a aquellos estudiantes que evidencian signos de
subactividad o descolgamiento del curso, especialmente tras las primeras
pruebas de evaluación como medida preventiva.
80
La dinámica lectiva, reflejada en el cronograma de actividades
planificadas durante el curso sigue condicionando el ritmo de accesos y usos
virtuales que los estudiantes hacen de las herramientas didácticas, con cier-
tos desfases dentro de la misma semana, con dispersiones muy altas según
tipología, exhibiendo un comportamiento aún tradicional y polarizado su
actividad continuada, en contraste con el uso más diversificado del profesor.
Justificar tales divergencias en los roles internos que adquieren los

estudiantes en las actividades grupales y el menor interés por determinadas
actividades no evaluables, es sólo una visión parcial.
Para la asignatura de referencia, los diferenciales en las califi-

caciones entre las pruebas parciales y las calificaciones finales, pueden
ser explicadas tanto por el grado de dificultad entre las mismas, como por
aspectos de desmotivación, o la temporalización del sistema de evaluación
continua condicionada a la organización académica, especialmente por la
concentración y el orden de las pruebas de evaluación con respecto a otras
materias. Más ambicioso sería poder relacionar la información personal de
la nota media del expediente, vinculado a la tipología de estudiante según el
perfil de uso en registros, así como la segmentación por sexo, o nacionalidad,

M. C. de la Iglesia
como determinantes del rendimiento del estudiante en el curso, investigación

que exigiría disponer de información significativa, que excede los objetivos
del trabajo actual.
Estas conclusiones orientan hacia futuras áreas de investigación,

y que responden a la líneas que detallan Ferguson, Brasher, Clow y otros
(2016), concernientes a los hábitos de los estudiantes durante el proceso de
aprendizaje, los desequilibrios en el desarrollo de competencias y habilidades,
la interacción en el trabajo en equipo y colaborativo, entre otros.
No cabe dudad de que, recuperando el trabajo de Long y Siemens

(2011), el análisis del aprendizaje está permitiendo ver, entre la niebla de
la incertidumbre, a las instituciones no sólo cómo asignar eficientemente los
recursos y desarrollar ventajas competitivas, sino también disponer de herra-
mientas para mejorar la calidad y el valor de la experiencia de aprendizaje,
tanto para el docente como los estudiantes, que abre nuevas oportunidades
formativas y áreas de investigación.
81
Amo, D. y Santiago, R. (2017) Learning Analytics. La narración del aprendizaje a través de los
datos. Barcelona: Editorial UOC.
Avila-Toscano, J. H., Hoyos, S. L., González, D. P., y Cabrales, A. (2011). Relación entre ansiedad
ante los exámenes, tipos de pruebas y rendimiento académico en estudiantes
universitarios. Psicogente, 14, 255–268.
Banihashem S. K., Aliabadi, K., Pourroostae, S., Delaver A, Nili Ahmadabadi, M. (2018).
Learning Analytics: A Systematic Literature Review, Interdisciplinary Journal of
Virtual Learning in Medical Science, 9(2). https://doi.org/10.5812/ijvlms.63024.
Bates, A.W. (T) (2015). Teaching in a Digital Age: Guidelines for designing teaching and learning
for a digital age. University of British Columbia. Recuperado de https://bit.ly/2roovdc
Buckingham S., Ferguson, R. (2012). Social Learning Analytics. Educational Technology &
Society, 15(3), 3–26. Recuperado de https://bit.ly/2Vja1NB.
Calzadilla, M. E. (2002). Aprendizaje colaborativo y tecnologías de la información y la

comunicación. Revista Iberoamericana de Educación, 29(1), 1-10. Recuperado
de https://bit.ly/2OmLjW1
Campbell, J. P. (2007). Utilizing Student Data within the Course Management System to
Determine Undergraduate Student Academic Success: An Exploratory Study, PhD,
Purdue University.
Cano, R. (2009). Tutoría universitaria y aprendizaje por competencias ¿Cómo lograrlo? Revista
Electrónica Interuniversitaria de Formación del Profesorado, 12(1), 181-204.
Recuperado de https://bit.ly/2YfvTHy

Díaz-Barriga, Á. (2011). Competencias en educación. Corrientes de pensamiento e implicaciones

para el currículo y el trabajo en el aula. Revista Iberoamericana de Educación
Superior, II(5), 3-24.
Ferrari, A. (2013) A Framework for Developing and Understanding Digital Competence in Europe.
Institute for Prospective Technological Studies. Recuperado de https://bit.ly/23osQI7
Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International

Journal of Technology Enhanced Learning, 4(5/6), 304–317.
Ferguson, R., Brasher A., Clow, D. y otros (2016). Research Evidence on the Use of Learning
Analytics - Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.).
Joint Research Centre Science for Policy Report; EUR 28294 EN; https://doi.
org/10.2791/955210.
Ferguson, R. y Clow, D. (2017). Where is the evidence? A call to action for learning analytics. In:
LAK ’17. Proceedings of the Seventh International Learning Analytics & Knowledge
Conference, ACM International Conference Proceeding Series, pp. 56-65. New
York, USA.
Florido, C., Jiménez, J. L., y Navarro, Y. (2019). Normas de permanencia y calendario de

exámenes: ¿afectan al rendimiento académico universitario?, Cultura y Educación.
https://doi.org/10.1080/11356405.2018.1564571
Garbanzo, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios,

una reflexión desde la calidad de la educación superior pública. Revista Educación,
31(1), 43-63.
Guitert, M., Romeu, T. y Pérez, M. (2007). Competencias TIC y trabajo en equipo en entornos
82 virtuales. RUSC. Universities and Knowledge Society Journal, 4(1). Recuperado de
https://bit.ly/2H9OQFJ
Gutiérrez, A., Palacios, A. y Torrego, L. (2010). Tribus digitales en las aulas universitarias.
Comunicar, 17(34), 173-181.
Harrison, C. y Killion, J. (2007). Ten roles for teachers leaders. Educational Leadership, 65(1),
74-77. Recuperado de https://bit.ly/2CbujQD
Herrero, R. (2014). El papel de las TIC en el aula universitaria para la formación en competencias
del alumnado. Pixel-Bit. Revista de Medios y Educación, 45, 173-188. Recuperado
de https://bit.ly/2vLp1oV
Ibarra, M. C., y Michalus, J. C. (2010). Análisis del rendimiento académico mediante un modelo
logit. Ingeniería Industrial, 9(2), 47–56.
Iglesia, M. C. (2018). Aprendizaje Basado en un Proyecto Docente: Aprendizaje, creatividad,

innovación y nuevos roles en la formación de profesorado en la era digital. Revista
Complutense de Educación, 29(4), 1253-1278.
Iglesia, M. C. (2006). Varios retos y un único destino en la adaptación de los contenidos de la

Teoría Económica al nuevo contexto de enseñanza aprendizaje. El campus virtual como
herramienta de apoyo docente. Aplicaciones prácticas de la convergencia europea.
Actas Jornadas nacionales de intercambio de experiencias piloto de implantación
de metodologías ECTS.
Kaura, P., Singhb, M. y Josanc, G.S. (2015). Classification and prediction based data mining
algorithms to predict slow learners in education sector. 3rd International Conference
on Recent Trends in Computing (ICRTC-2015).
Leah P. M. y Dawson S., (2010). Mining LMS Data to Develop an ‘Early Warning System’ for
Educators: A Proof of Concept, Computers & Education, 54(2), 588–599.

M. C. de la Iglesia
Lodge, J. M., y Corrin, L. (2017). What data and analytics can and do say about effective
learning. Npj Science of Learning, 2(1).https://doi.org/10.1038/s41539-017-0006-5
Long, Ph. y Siemens, G. (2011). “Penetrating the Fog: Analytics in Learning and Education”.
EDUCAUSE Review, 46(5), 30-40.
Lundberg,C. (2003). The influence oftime-limitations, faculty and peer relationships on adult
student learning: A causal model. The Journal of Higher Education, 74, 665-688.
Martínez M. E., Arteaga B. y Pérez M. (2017). Description of an experience in university

classroom teaching-learning: can the learning of statistics be improved through
virtual forums? Conference: ICERI2017, 10th annual International Conference of
Education, Research and Innovation. Recuperado de https://bit.ly/2VkUP36
Martín, M. A., Arranz, G., González, M. A., Páramo, R., Alarcia, E., Fernandoz, M. L., y González,
M. L. (2003). Análisis del fracaso escolar y desarrollo de acciones de mejora.
XI Congreso Universitario de Innovación Educativa en las Enseñanzas Técnicas,
Barcelona.
Prensky, M. (2013). Enseñar a nativos digitales (1a. ed). México: SM Ediciones.
Romero, C., y Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert
Systems with Applications, 33(1), 135-146.
Romero, C., Ventura S., y García, E. (2008). Data mining in course management systems: Moodle
case study and tutorial. Computers and Education, 51(1), 368-384.
Sampson, D. (2017). Teaching and learning analytics to support teacher inquiry. In 2017
IEEE Global Engineering Education Conference (EDUCON 2017), Apr 25, 2017,
Athens, Greece.
83
Stewart, C. (2017). Learning Analytics: Shifting from theory to practice. Journal on Empowering
Teaching Excellence, 1(1), 95-105. https://doi.org/10.15142/T3G63W.
Siemens G. (2013). Learning Analytics: The Emergence of a Discipline, American Behavioral

Scientist. Vol 57(10), p.1380-1400, SAGE Publications. Recuperado de https://
bit.ly/2Puq7P8
Siemens, G. y Baker, R. S. J. (2012). Learning analytics and educational data mining:

towards communication and collaboration. In Proceedings of the 2nd International
Conference on Learning Analytics and Knowledge (LAK ‘12), Buckingham,
Gasevic, and Ferguson (Eds.). ACM, New York, NY, USA, 252-254. https://doi.
org/10.1145/2330601.2330661
Siemens, G., Dawson S., y Lynch G. (2013). Improving the Quality of Productivity of the Higher
Education Sector: Policy and Strategy for Systems-Level Deployment of Learning
Analytics, SoLAR. Recuperadode http://bit.ly/1KNZ9HH
Tejedor, F., y García-Valcárcel, A. (2007). Causas del bajo rendimiento del estudiante universitario
(en opinión de los profesores y alumnos). Propuestas de mejora en el marco de
EEES. Revista de Educación, 342, 443–473.
Vela-Pérez, M., Hernández-Estrada, A., Tirado-Domínguez, G. y otros (2017). Learning Analytics

to classify students according to their activity in moodle. EDULEARN17 Proceedings,
pp. 1166-1172. Barcelona.
Viñals, A. y Cuenca, J. (2016). El rol del docente en la era digital. Revista Interuniversitaria
de Formación del Profesorado, 86(30.2), 103-114. Recuperado de https://bit.
ly/2rq7wKK

Anexos
Imagen 1. Evaluación continua y entrega de insignia Amarilla: Reto 1: baja dificultad.
Tabla A1. Total registros alumnos AMA 2018_19, y brecha digital.

Total Porcentaje / Brecha respecto Brecha respecto
84 Identificador
alumno Registros Total A12 media
A12 1073 4,19 0,00 193,50
A51 1018 3,98 5,13 178,46
A69 976 3,81 9,04 166,97
A8 755 2,95 29,64 106,52
2A 714 2,79 33,46 95,30
A17 713 2,79 33,55 95,03
A20 694 2,71 35,32 89,83
A55 681 2,66 36,53 86,28
A16 679 2,65 36,72 85,73
A29 669 2,61 37,65 82,99
A60 648 2,53 39,61 77,25
A28 627 2,45 41,57 71,51
A68 613 2,40 42,87 67,68
A39 541 2,11 49,58 47,98
A56 498 1,95 53,59 36,22
A14 490 1,91 54,33 34,03
A19 476 1,86 55,64 30,20
A18 472 1,84 56,01 29,11
A67 455 1,78 57,60 24,46
A42 450 1,76 58,06 23,09
A45 449 1,75 58,15 22,82
A63 441 1,72 58,90 20,63
A11 405 1,58 62,26 10,78
A36 405 1,58 62,26 10,78

M. C. de la Iglesia
Identificador Total Porcentaje / Brecha respecto Brecha respecto

alumno Registros Total A12 media
A13 404 1,58 62,35 10,51
A6 403 1,57 62,44 10,23
A58 396 1,55 63,09 8,32
A52 393 1,54 63,37 7,50
A23 380 1,48 64,59 3,94
A27 375 1,47 65,05 2,58
A26 355 1,39 66,92 -2,90
A40 352 1,38 67,19 -3,72
A53 352 1,38 67,19 -3,72
A10 350 1,37 67,38 -4,26
A5 348 1,36 67,57 -4,81
A15 328 1,28 69,43 -10,28
A66 328 1,28 69,43 -10,28
A47 313 1,22 70,83 -14,38
A3 309 1,21 71,20 -15,48
A64 295 1,15 72,51 -19,31
A38 283 1,11 73,63 -22,59
A30 272 1,06 74,65 -25,60
A43 271 1,06 74,74 -25,87
A1 258 1,01 75,96 -29,43
A9 257 1,00 76,05 -29,70
A37 252 0,98 76,51 -31,07 85
A49 251 0,98 76,61 -31,34
A50 246 0,96 77,07 -32,71
A57 244 0,95 77,26 -33,26
A46 236 0,92 78,01 -35,45
A31 231 0,90 78,47 -36,81
A34 220 0,86 79,50 -39,82
A22 214 0,84 80,06 -41,46
A4 210 0,82 80,43 -42,56
A48 210 0,82 80,43 -42,56
A21 208 0,81 80,62 -43,10
A35 182 0,71 83,04 -50,22
A25 152 0,59 85,83 -58,42
A65 152 0,59 85,83 -58,42
A32 135 0,53 87,42 -63,07
A33 130 0,51 87,88 -64,44
A44 76 0,30 92,92 -79,21
A59 76 0,30 92,92 -79,21
A41 68 0,27 93,66 -81,40
A62 51 0,20 95,25 -86,05
A7 36 0,14 96,64 -90,15
A24 34 0,13 96,83 -90,70
A61 9 0,04 99,16 -97,54
A0 4 0,02 99,63 -98,91
A54 0 0,00 100,00 -100,00

Tabla A2. Porcentaje de registros por alumnos y semanas, AMA 2018_19.

Selección 4 semanas iniciales de curso y 4 finales.
Identifica- Sem Sem Sem Sem Sem
Sem 2 Sem 3 Sem 4
dor 1 15 16 17 18
0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,06
1 1,11 1,00 0,45 0,39 5,10 0,56 1,08 0,49
2 1,25 0,82 2,29 1,70 2,55 1,67 1,80 4,93
3 1,39 0,47 0,55 0,52 0,51 0,28 3,77 1,29
4 0,00 0,18 0,55 1,05 3,57 1,67 6,46 1,23
5 0,00 0,00 1,19 4,84 1,02 0,00 0,00 4,80
6 0,00 1,53 0,94 1,05 0,00 0,00 0,54 0,80
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,18
8 11,00 0,00 1,99 1,83 1,53 0,56 1,80 2,65
9 0,00 0,12 0,40 1,31 4,08 0,28 1,26 5,23
10 0,00 0,76 0,84 2,62 3,06 0,28 1,26 2,03
11 1,81 0,65 2,34 1,57 2,04 0,00 0,54 3,08
12 3,48 5,40 1,74 4,58 1,02 0,56 9,87 7,94
13 11,98 2,41 1,34 0,52 1,02 0,56 0,00 0,43
14 0,70 0,06 0,50 2,09 1,53 14,21 1,80 0,68
15 0,00 0,65 0,94 1,44 2,55 0,00 1,44 4,13
16 0,97 7,57 7,31 1,31 0,00 0,00 1,80 4,56
17 1,67 0,88 2,88 3,93 7,65 2,51 0,54 1,60
86 18 3,48 4,40 0,40 0,00 0,00 0,00 2,33 1,72
19 0,00 0,82 1,39 1,05 3,57 2,23 2,15 0,43
20 0,70 2,58 2,04 6,81 1,53 0,28 0,36 1,11
21 0,00 0,06 1,54 0,79 1,02 13,93 0,00 1,48
22 0,00 0,23 0,15 0,65 0,00 0,00 0,18 1,79
23 0,84 0,65 0,50 0,92 1,02 0,00 0,18 7,08
24 0,14 0,41 0,15 0,00 0,00 0,00 0,18 0,00
25 0,00 3,58 0,30 0,79 0,51 0,00 0,36 0,99
26 1,39 8,04 0,20 0,52 0,51 0,00 3,05 0,99
27 0,00 2,05 6,01 1,18 0,51 0,00 5,75 5,67
28 12,12 1,17 1,09 1,05 5,61 1,11 3,05 0,80
29 1,25 0,23 2,73 1,44 4,59 1,95 1,26 1,72
30 0,00 0,41 0,94 0,00 0,00 0,00 1,80 2,28
31 0,00 0,06 1,14 1,18 0,00 0,28 0,90 0,62
32 0,00 0,18 0,60 1,05 3,57 0,00 1,26 0,18
33 0,00 0,29 0,89 0,00 0,00 1,67 0,00 0,74
34 0,56 0,00 0,84 3,40 0,51 0,28 0,00 0,49
35 0,00 2,58 0,50 3,66 0,51 0,00 1,62 0,18
36 2,23 2,41 0,99 1,05 0,00 0,00 0,36 1,91
37 0,00 0,59 0,20 0,00 0,00 0,28 0,18 0,18
38 0,00 1,88 2,24 2,09 0,51 0,00 0,00 2,03
39 0,70 0,12 0,55 1,31 1,02 14,21 0,18 1,35
40 0,00 1,00 0,50 1,70 0,51 0,00 0,36 7,20
41 0,84 0,12 0,05 0,13 0,00 0,00 1,08 1,42

M. C. de la Iglesia
Identifica- Sem Sem Sem Sem Sem

Sem 2 Sem 3 Sem 4
dor 1 15 16 17 18
42 1,53 7,45 4,03 0,65 0,51 0,00 4,49 1,23
43 0,00 0,65 2,34 0,52 5,10 0,56 4,85 4,68
44 1,11 0,00 0,80 0,00 0,00 0,00 0,00 0,49
45 0,00 0,70 0,70 1,44 1,02 0,00 0,18 1,23
46 11,00 0,00 1,39 0,39 2,04 0,56 1,80 0,25
47 1,25 0,00 0,15 0,00 0,00 1,67 0,00 0,37
48 0,00 0,06 0,40 0,00 2,04 0,28 1,97 1,17
49 0,00 0,18 0,89 1,31 2,55 0,28 1,62 0,49
50 0,00 0,41 1,34 1,05 3,57 1,67 0,18 2,16
51 0,56 1,53 3,78 9,16 1,02 0,28 2,69 3,76
52 2,23 3,99 0,35 1,31 0,00 0,00 0,00 1,48
53 0,00 0,59 0,15 0,00 0,00 0,28 0,72 3,76
54 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
55 2,09 2,99 1,89 4,19 1,53 7,80 5,21 2,83
56 0,00 0,59 1,54 1,31 1,53 7,80 3,95 7,57
57 0,97 2,00 0,30 0,13 0,00 0,00 0,72 3,20
58 6,41 5,46 4,42 0,52 0,51 0,56 0,00 0,37
59 5,01 0,00 1,34 0,00 0,00 0,00 0,54 0,12
60 1,95 0,88 3,08 1,31 7,14 0,56 3,59 2,22
61 0,00 0,00 0,00 0,13 0,00 0,00 0,00 0,00
62 0,00 0,00 0,10 0,52 0,51 0,00 0,00 0,06 87
63 1,25 0,41 1,54 0,26 2,04 1,67 0,18 2,59
64 0,00 0,35 0,89 0,79 0,00 0,00 1,26 0,92
65 0,00 0,06 0,25 3,40 0,51 0,28 1,08 0,49
66 0,56 2,76 0,55 1,31 3,57 1,95 2,15 0,18
67 2,23 2,88 0,89 3,80 0,51 0,00 0,54 1,72
68 0,70 1,88 1,79 3,14 0,51 10,58 0,00 0,43
69 0,97 7,86 12,92 1,83 1,02 3,90 1,80 7,14
Total 100 100 100 100 100 100 100 100

Learning Analytics como cultura digital de las universidades:

Diagnóstico de su aplicación en el sistema de educación
a distancia de la UNAM basado en una escala compleja
Ismene Ithaí Bras Ruiz 1

1
Universidad Nacional Autónoma de México
Resumen. El texto examina los resultados del estudio sobre la implementación de Lear-
ning Analytics dentro de ocho divisiones del Sistema Universidad Abierta y Educación
a Distancia de la UNAM, como forma de analizar la cultura digital y praxis digital. Para
ello, se diseñó un instrumento con un enfoque en sistemas complejos (interacciones,
conexiones e integración de agentes) que permitiera valorar el estado de la analítica
a partir de una escala de cinco niveles, basada en los campos de conocimiento pro-
puestos por Chatti, Dyckhoff, Schroeder y Thüs (2012). Las universidades tradicio-
nalmente cubren básicamente el manejo de datos con fines informativos internos a la
gestión; sin embargo, dentro de los agentes educativos, los tomadores de decisiones
han comenzado a asignar un sentido más amplio e integral al uso de los datos con
el fin de conocer a su población y resolver problemas más complejos. La conclusión
del texto se centra en mostrar que las divisiones analizadas, tienen la posibilidad de
mejorar las metodologías de extracción de datos dada su experiencia e, incluso, en
algunos casos podría darse ensayos para generar sistemas de recomendación con
base a perfiles y patrones detectados.
Palabras clave: Learning Analytics; sistemas complejos; cultura digital; educación
superior; gestión de datos académicos.
Learning Analytics como cultura digital das universidades: Diagnóstico de sua apli-
cação no sistema de educação a distância da UNAM a partir de uma escala complexa 89
Resumo. O texto examina os resultados do estudo sobre a implementação do Learning
Analytics em oito divisões do Sistema de Universidade Aberta e Educação a Distância
da UNAM, como forma de analisar a cultura digital e a práxis digital. Para tanto, foi
elaborado um instrumento com foco em sistemas complexos (interações, conexões
e integração de agentes) que permitisse avaliar o estado da análise a partir de uma 89
escala de cinco níveis, com base nos campos de conhecimento propostos por Chatti,
Dyckhoff., Schroeder e Thüs (2012). As universidades, de forma tradicional, realizam
basicamente o tratamento de dados para fins informativos internos de gestão; no
entanto, dentro dos agentes educacionais, os tomadores de decisão começaram a
atribuir um sentido mais amplo e abrangente ao uso dos dados, a fim de conhecer a
sua população e resolver problemas mais complexos. A conclusão do texto concentra-
se em mostrar que as divisões que foram analisadas são capazes de melhorar as
metodologias de extração de dados, dada a sua experiência e, até mesmo em alguns
casos, poderiam dar origem a estudos para gerar sistemas de recomendação baseados
em perfis e padrões detectados.
Palavras-chave: Learning Analytics; sistemas complexos; cultura digital; educação
superior; gestão de dados acadêmicos.
Learning Analytics as digital culture of universities: Diagnosis of its application in
the education system distance from the UNAM based on a complex scale
Abstract. The article examines the results of the study about the implementation of
Learning Analytics within eight divisions of the Open University and Distance Educa-
tion System of the UNAM, as a way to analyze digital culture as digital praxis. For this
purpose, an instrument was designed with a focus on complex systems (interactions,
connections and, agents integration) that would allow the assessment of the state of
the analytics from a scale of five levels based on the fields of knowledge proposed by
Chatti, Dyckhoff, Schroeder and Thüs, H. (2012). It is proposed initially that universities
have traditionally covered the basic level that is the management of data for internal
informational purposes; However, educational stakeholders have begun to assign
a broader and more comprehensive sense to the use of data in order to know their

Learning Analytics como cultura digital de las universidades...
population and solve more complex problems. The conclusion of the text focuses on
showing that the divisions that were analyzed are in the possibility of improving data
extraction methodologies given their experience and that in some cases there could be
trials to generate recommendation systems based on profiles and patterns detected.
Key words: Learning Analytics; complex systems; digital culture; higher education;
academic data management.
1. Introducción
El uso de Learning Analytics (analítica para el aprendizaje) en los

últimos años se ha destacado en la educación superior por permitir generar
referentes para la toma de decisiones en distintos niveles, que van desde la
administración escolar y la planeación hasta la promoción de nuevos mo-
delos educativos más personalizados. Las posibilidades de su aplicación se
relaciona con la importancia de la información educativa en relación con la
profundidad de su uso. Chatti et al. (2012) han elaborado una propuesta que
establece campos específicos que se ha desarrollado en Learning Analytics
que se vinculan tanto con los objetivos de los departamentos educativos
como con su áreas de aplicación. Es decir, existen niveles en el uso de esta
analítica que son meramente informativos del contexto y situación interna
de un programa educativo, hasta llegar a otros en los que se busca encontrar
90 patrones de aprendizaje que permitan a los directivos implementar nuevos
modelos, incluyendo los ambientes personalizados de aprendizaje. Justa-
mente estos últimos no serían posibles de diseñar y construir, sino se tiene
un conocimiento y manejo de datos que permitan comprender los caminos
administrativos y pedagógicos por donde se pueden ejecutar.
No obstante, aunque las posibilidades son muy amplias, y pese a

que los trabajos en la aplicación de esta analítica en la educación superior,
Learning Analytics se ha convertido una tendencia, por lo que resulta im-
portante valorar qué tanto han avanzado las instituciones educativas en su
adopción, ya sea en un nivel básico o si existe la intención de llevarlo a un
nivel superior. Esta praxis se asienta sobre la cultura digital de las universi-
dades y de cualquier otra institución educativa en la que se manejen datos
Cuando se sugiere que el Learning Analytics posibilita entender las

prácticas digitales de las entidades educativas como una cultura digital, es
porque, como señala Bustamante (2011), permite que exista una relación de
tipo dialéctico entre innovación tecnológica y transformación social, que es lo
que se podría determinar como asimilación de un saber hacer, es decir, una
técnica. Dado que las universidades y otras entidades de educación superior
se encuentran en el marco de la sociedad digital, las prácticas digitales, ya
sean procesos establecidos o se busque innovar, se relacionan con la trans-
formación de los sistemas, praxis, entornos y medios culturales digitales en

I. I. Bras
términos de Lévy (2007). Por tanto, el análisis de la implementación de

Learning Analytics dentro de las interrelaciones de los agentes educativos de
un sistema de este tipo nos exige analizar lo que sucede en la organización
como un agente central de los intercambios interactivos, entre humanos y
los sistemas digitales y entre ellos mismos, como señala Snyder (2008).
Además, la apropiación de una cultura digital para las universidades

no solo se da dentro de los márgenes de la tecnología educativa que está de
“moda”, sino de la transformación y la mejora de las trayectorias formativas
para cada uno de los estudiantes. De ahí, que la implementación de esta
analítica también nos permite dar cuenta de una mayor cantidad de elementos,
agentes e interconexiones, de la complejidad del fenómeno educativo para
cada entidad académica: la forma en cómo se emplean los datos nos puede
dar luz sobre cómo se gesta la cultura digital de las universidades. En otras
palabras, los datos digitales están permitiendo que se facilite el trabajo de
gobernanza de las instituciones de educación (Williamson, 2016).
Sobre este aspecto, Ferguson (2012) establece unos retos para las
entidades educativas en materia de analítica para los próximos años, que no
se limiten solo al tema de extracción de datos. Por ejemplo, en la minería
de datos la reflexión debería situarse sobre qué tipos de datos de la huella
digital que dejan los alumnos o de los registros escolares son útiles para 91
las organizaciones educativas para un micro uso o para comprender nuevas
realidades; la ética organizacional para manejar tales datos (Prinsloo y Slade,
2018); los procesos y las metodologías. La analítica del aprendizaje debería
poder mejorar los modelos educativos y, no sólo en el corto plazo, la interven-
ción sobre los procesos de enseñanza-aprendizaje. Incluso, la investigación
educativa, debería permitir mejorar la gobernanza de las universidades, así
como un mejor conocimiento de los estudiantes desde aspectos sociales y
emocionales, hasta políticos y culturales.
En consecuencia, el texto que se presenta examina como caso de

estudio la implementación de Learning Analytics dentro de las divisiones del
Sistema Universidad Abierta y Educación a Distancia de la UNAM, como una
forma de analizar la cultura digital como praxis digital. Para ello, se diseñó un
instrumento con un enfoque en sistemas complejos (interacciones, conexiones
e integración de agentes) que permitiera valorar la operación de la analítica
para el aprendizaje, a partir de una escala de cinco niveles basada en los
campos de conocimiento propuestos por Chatti et al. (2012). Se propone
inicialmente que las universidades tradicionalmente ya han cubierto el nivel
básico, que es el manejo de datos con fines informativos y de gestión; sin
embargo, dentro de los agentes educativos, los tomadores de decisiones han
comenzado a valorar la importancia de dar un sentido más amplio e integral
al uso de los datos, con el fin de conocer a la población educativa y resolver

problemas de la complejidad educativa. La conclusión del texto se centra

en mostrar que las divisiones analizadas tienen la posibilidad de mejorar
las metodologías de extracción de datos, dada su experiencia; y, en algunos
casos, podrían darse ensayos para generar sistemas de recomendación con
base a los perfiles y patrones detectados.
2. Learning Analytics como nueva área de investigación educativa
Dentro de los procesos digitales que las instituciones educativas

han comenzado a adoptar, se destaca el uso y manejo de herramientas infor-
máticas con el fin de apoyar los procesos de enseñanza y aprendizaje; esta
nueva visión, en buena medida, obedece a tendencias así como a necesidades
de encauzar la cultura digital en el campo educativo, que permita la mejora
operativa y de experiencia de todos los agentes educativos. Dentro de la di-
versidad de desarrollos destaca la analítica para el aprendizaje como parte del
ethos digital, que permite obtener y tratar datos con la finalidad de que las
universidades tengan información confiable sobre sus propios procesos, pero
también para construir modelos explicativos que permitan generar análisis y
toma de decisiones sobre la praxis educativa. Hablamos de un ethos y una
92 praxis digital educativa cuando una tecnología informática es adoptada en las
operaciones del día a día de una organización educativa, esto tiene implica-
ciones profundas en virtud de que la frecuencia y estandarización de su uso
se normalicen, o mejor dicho, se dé un proceso de “rutinización” (Zubieta,
Bautista y Quijano, 2012); así pues, la cultura digital de las universidades
tiene que ver más con una apropiación, uso, creación de metodologías y
generación de modelos sobre herramientas tecnológico-informáticas que con
el plano declarativo de los planes de desarrollo institucionales.
En última instancia, como advierte Ferguson (2012), el uso de los

diversos instrumentos que proporciona Learning Analytics se relacionan con
la claridad que tienen las instituciones educativas sobre sus procesos y su
gobernanza, porque se trata de un tema que en el fondo es de tipo técnico.
La idea que subyace al uso de datos y empleo de sistemas de información
se relaciona con la búsqueda de calidad del sistema educativo (Bogarin y
Morales, 2015).
Si bien Learning Analytics tiene varias aplicaciones en otros entornos

de la existencia humana, en el caso de la educación no es posible pensarla
si no es en términos de la investigación educativa, pero con un fuerte énfasis
en los sistemas complejos, dado que se vale de técnicas y herramientas que
comparten distintas disciplinas; así como de un enfoque que busca dar res-

I. I. Bras
puesta en diferentes niveles de interrelación de los agentes educativos. La

complejidad de la dinámica educativa asociada a herramientas más refinadas
como recuperación de información, inteligencia artificial, machine learning,
modelado de agentes, construcción de redes, dinámica de sistemas, etc.; y
a la integración de disciplinas como pedagogía, psicología educativa, socio-
logía de la educación, filosofía, entre otros (Johnson, Smith, Willis, Levine y
Haywood, 2011), nos debe permitir en los próximos años bases sólidas para
generar flujos de información, intervención e innovación.
En cuanto a la definición de Learning Analytics, aplicadas a la

educación, los trabajos de Chatti et al. (2012) nos permiten entender que las
definiciones van desde aquellas que se centran en las herramientas, métodos
y técnicas informáticas, computacionales y estadísticas, hasta aquellas que
se asociación con los objetivos educativos de manera más profunda. Elias
(2011), por ejemplo, la caracteriza como un campo emergente en el que se
usan herramientas sofisticadas para mejorar el aprendizaje y la educación.
Sin embargo, en la Conference on Learning Analytic and Knowledge se la
definió como “la medición, recolección, análisis y reporte de datos sobre
los alumnos y sus contextos con el propósito de entender y optimizar el
aprendizaje y los ambientes en los que ocurre”. Frente a ello, Johnson et al.
(2011) amplían la función de la analítica para la educación, en tanto que lo
sustancial debe ser la “interpretación” de los datos de los agentes educativos, 93
especialmente los estudiantes, que permitan establecer parámetros de su
progreso y detectar otros posibles problemas. En esta misma línea Siemens
(2014) resalta la necesidad de que los estudios establecidos sobre la base de
Learning Analytics se sitúen en el descubrimiento de información asociada
a conexiones sociales para apoyar problemáticas sociales y predecir posi-
bles comportamientos. Romero y Ventura (2013) incluso ven la necesidad
de integrar otras disciplinas a la minería de datos, como la pedagogía. Ello
implica, en conexión con los estudios de la complejidad, que la analítica
para el aprendizaje tiene niveles de mayor interconexión, considerando los
objetivos del uso de este enfoque. De ahí que los campos de estudio de esta
área del conocimiento nos permita ubicar la rutinización y la adopción de la
analítica con fines que van desde lo meramente informativo hasta los que
buscan modelar nuevas experiencias educativas. Una analítica más innovadora
debería permitir a los agentes educativos tomar mejores decisiones en pos
de mejores experiencias de aprendizaje (Chatti, Muslim y Schroeder, 2017).
Pero, incluso, la invitación desde un enfoque más complejo e integral es la
de no limitar el análisis analítico a la toma de decisiones, sino a desentra-
ñar diversos problemas sociales que pueden derivar más allá del algoritmo
(Perrota y Williamson, 2018).

3. Los campos de estudio de Learning Analytics y su niveles

de complejidad
Los diversos usos que se han hecho tanto de las herramientas,

técnicas, datos y objetivos de Learning Analytics han permitido establecer
tendencias que, con el paso de tiempo y de los estudios de diversos autores,
se han establecido como campos de estudio. La clasificación que se presen-
ta, se elaboró en base a los trabajos que analizaron Chatti et al. (2012). Se
divide en cinco campos, a los que para este estudio -dado que se hace desde
sistemas complejos- se añadieron: las temáticas que aborda, los niveles de
integración de los agentes educativos, los tipos de productos que se generan
y los principales autores (Tabla 1).
Tabla 1. Campos de estudio de Learning Analytics

Nivel de
Campo Área de trabajo integración Productos Autores
de agentes
1. Academic Se centra en la re- Bajo Reportes Golstein y
Analytics colección de datos Katz, 2005;
de los alumnos y su Elias, 2011;
Coordinadores
tratamiento esta- Norris et al.,
de los progra-
dístico con el fin de 2008;
mas acadé-
94 generar reportes.
No se consideran
micos Campbell
y Oblinger
aspectos cognitivos
(2007);
o de trayectoria; se
Campbell et
centra la informa-
al. 2007.
ción institucional
útil para tomar
decisiones princi-
palmente adminis-
trativas.
2. Action research Se recolectan datos Bajo interme- Estudios e Altrichter et
académicos, pero dio informes diri- al., 1996;
con un fin principal- gidos a profe- McNiff y Whi-
mente de análisis sores tehead, 2006;
Profesores
de los procesos de Hinchey,
enseñanza en una 2008.
institución. Los
datos no son sólo de
alumnos sino tam-
bién de profesores.
Existe un panorama
más holístico y con
diferentes periodi-
cidades. El objetivo
es dotar a los pro-
fesores de informa-
ción para mejorar su
actividad docente.

I. I. Bras
3. Educational Explora metodolo- Intermedio Análisis cua- Romero y Ven-

Data Mining gías de recolección litativos con tura, 2007,
de datos para metodologías 2010; Baker y
Coordinadores
analizar diversos de minería Yacef, 2009;
de programas
fenómenos acadé- de datos, sin Barnes et al.,
micos específicos. Profesores interpretación 2009; Rome-
La selección y pedagógica. ro, Ventura,
extracción de datos Pechenizkiy y
permite contar con Baker (2010).
información cuan-
titativa sustancial
pero no necesa-
riamente tiene un
apoyo pedagógico.
4. Recommender Además de la reco- Alto Estudios Adomavicius
Systems lección y manejo de cuantitativos y Tuzhilin,
datos tradicionales avanzados y 2005.
Coordinadores
de los alumnos, cualitativos
de programas
se recupera in- para tomar
formación sobre Profesores acciones ins-
comportamientos Grupos educa- titucionales
y preferencias de tivos interdis- encaminadas
los usuarios para ciplinarios a mejorar los
generar patrones y procesos de
clasificaciones. Con enseñanza.
base en ello, grupos
interdisciplinarios 95
pueden generar
recomendaciones de
aprendizaje para los
estudiantes.
5. Personalized Se recolecta infor- Muy alto Programas Burgos, 2007;
adaptative lear- mación principal- y algoritmos Chiatti, 2010;
ning mente a nivel indivi- para perso-
Se integran
dual del estudiante nalizar los
todos los
con contextos espe- ambientes de
agentes con
cíficos, con el fin de aprendizaje
el mismo fin:
generar trayectorias, y no sólo de
alumnos, pro-
ambientes y mate- enseñanza.
fesores, grupos
riales personaliza- En este nivel
educativos
dos. Se integra la se puede
interdisciplina-
adaptabilidad y lo integrar mode-
rios, programa-
adaptativo según los los educativos
dores, coordi-
propios patrones, personalizados
nadores.
objetivos, gustos a través de
y necesidades del Inteligencia
alumno. Artificial.

La figura 1 muestra de manera sintetizada el objetivo de cada nivel,

su aplicación a partir de los datos extraídos y las herramientas empleadas.
Objetivo Aplicación Herramientas
Academic Diagnóstico Académico- Estadística

analytics general administrativo cuantitativa
Action Mejora de la Estadística

enseñanza Académica cuantitativa y
research inmediata cualitativa
Educational Mejora en la
Académico-
obtención de Minería de datos
Data Mining datos académicos computacional
Recommender Búsqueda de
patrones para dar Académica Patrones, redes
Systems recomendaciones
Personalized Mejorar el
ambiente de Aprendizaje Inteligencia
adaptative aprendizaje de personalizado artificial
96 learning cada alumno
Figura 1. Objetivo, aplicación y herramientas de los cinco campos de conocimiento

Learning Analytics
4. Contexto del estudio
En base a este marco se presentan los resultados de un estudio

realizado en la Universidad Nacional Autónoma de México (UNAM), la más
grande de este país y una de las más reconocidas en el contexto iberoame-
ricano, sobre la situación del uso de Learning Analytics en el sistema de
universidad a distancia. Este sistema fue concebido en 1972 primero en una
versión de educación abierta como una alternativa a los cursos presenciales
regulares y tradicionales, pero posteriormente también se adoptaron los cursos
a distancia para los diferentes programas que ofrece la UNAM en educación
superior. Actualmente el Sistema Universidad Abierta y Educación a Distancia
(SUAYED) tiene 32,315 alumnos que estudian en 31 programas académicos
en doce facultades, de estos 19,079 estudian en modalidad abierta y 13,353
a distancia (UNAM, 2018). La peculiaridad del caso de estudio, a diferencia
de otras universidades, es que cada facultad tiene una división de estudios
profesionales presenciales (universidad tradicional) y otra a distancia. Estas
divisiones de educación abierta y a distancia tienen un jefe, al que se le asigna

I. I. Bras
las funciones de coordinar los diversos programas académicos, con el apoyo

de un secretario administrativo. Por lo que las políticas, objetivos, metas y
planeación de tales divisiones quedan a cargo de los jefes del SUAYED y el
secretario académico. Además, otra de las áreas de apoyo son los adminis-
tradores de las plataformas LMS, que en el caso de la educación a distancia
en la UNAM tiene implantado el uso de Moodle, por lo que la mayor parte
de los datos están administrados por estos.
El estudio se centró la construcción de tres instrumentos que se

aplicaron a cada uno de estos perfiles, con el fin de medir y conocer el ni-
vel de manejo de Learning Analytics y establecer su nivel, en relación a la
planeación que establecieron las divisiones para sí mismas. Se obtuvieron
30 respuestas de 9 facultades, aunque hay que señalar que la UNAM sólo
oferta programas en educación superior en ciencias sociales y humanidades,
se integró a la Facultad de Medicina, porque ha comenzado a ofertar algunas
asignaturas a distancia.
5. Preguntas de la investigación
Cómo hilo conductor para este estudio se formuló la siguiente 97

pregunta: ¿Las instituciones de educación superior están preparadas en la
práctica para implementar procesos de aplicación de Learning Analytics?
De manera específica respecto al caso:
1. ¿Los líderes de las divisiones SUAYED tienen claridad sobre la

relación entre sus objetivos y metas académicas apoyados en
la analítica para el aprendizaje?
2. ¿El uso de un nivel informativo de datos escolares puede ser
considerado un nivel básico de uso de Learning Analytics?
3. ¿Qué factores afectan el uso de técnicas y campos de estudio de
Learning Analytics por parte de los jefes de división en la UNAM?
Los resultados reportados se enfocan directamente sobre el manejo

de datos, para encontrar diversos escenarios de intervención por parte de los
jefes de división sobre aspectos académicos, que repercuten en la adminis-
traciones de los programas académicos.

6. Instrumentos y propuesta de escala
Para realizar el estudio se diseñó un instrumento que integró los

cinco campos que ya se han referido, a manera de niveles que van de menor
a mayor complejidad en la implementación de adopción de la analítica para
el aprendizaje. Como se muestra en la figura 2, se consideró que nivel inicial
implica un uso básico de estrategias de manejo de datos, menor interacción
de los agentes educativos así como un objetivo dentro del contexto educativo
limitado; por el contrario, el último nivel implica la interconexión de varios
agentes, objetivos más amplios y profundos, así como técnicas de procesa-
miento de datos más refinadas. De lo anterior se desprende que a partir del
segundo nivel hasta llegar al quinto, cada nivel implica al anterior dado que
aumenta la complejidad.
98
Figura 2. Escala de niveles por grado de complejidad de implementación de Learning Analytics
El instrumento tuvo como objetivo el ser aplicado directamente

sobre los encargados de los programas académicos; así como por, al menos,
un miembro del personal que administra la plataforma Moodle, en la que
trabajan los alumnos a distancia. En este sentido el diseño se centró en in-
tegrar preguntas progresivas con los aspectos mínimos que deben cubrir los
cinco niveles adaptados para los perfiles objetivo. El cuestionario se integró
de la siguiente manera (ver tabla 2):

I. I. Bras
Tabla 2. Integración del instrumento para diagnóstico de implementación de Lear-

ning Analytics
Nivel Número de Temáticas/ problemáticas
reactivos asociadas
Academic Analytics 5 Reportes elaborados por las diferentes
áreas de las divisiones.
1 Las áreas comparten información
2 Desarrollo de metodología propia para la
elaboración de reportes
4 El manejo de los datos permite tomar
decisiones a los encargados del progra-
ma
2 Tratamiento de los datos
Total de reactivos del nivel: 14
Action Research 2 Detectar problemáticas en los procesos
de enseñanza-aprendizaje individuales y
colectivas propios de la división.
3 Acceso por parte de los profesores a
los reportes sobre la trayectoria de sus
grupos con escalas, interpretación y
recomendaciones.
3 Creación de estrategias a partir de de-
tección de problemáticas y/o perfiles de
estudiantes.
99
Educational Data Mi- 3 Políticas propias de la división para la
ning recolección de datos y su empleo. 3
5 Programas o plugins para recabar infor-
mación y su uso en el manejo de datos.
1 Reporte de comportamiento de los pro-
gramas y su aplicación.
Recommender Systems 2 Detección de patrones de comporta-
miento individuales y/o colectivos.
1 Creación de un sistema de recomenda-
ciones personalizado para el proceso de
enseñanza-aprendizaje.
3 Sistemas de recomendación de mate-
riales, estrategias y recursos personali-
zados.
1 Posibilidad de crear en el futuro un
sistema de recomendación personaliza-
do con base en datos obtenidos de cada
alumno.

Nivel Número de Temáticas/ problemáticas

reactivos asociadas
Personalized Adaptative 2 Se cuenta con recursos educativos para
Learning cada perfil de los estudiantes de la
división.
1 Sugerencia estrategias a cada alumno
con base en su perfil
1 Los alumnos pueden adaptar y persona-
lizar sus cursos de acuerdo con su perfil
2 Se proporcionan a los alumnos repor-
tes de su perfil, debilidades y áreas de
oportunidad para apoyarlo decidiendo su
trayectoria.
Extra: Técnicas usadas 2 Técnicas de manejo de datos que se
para la recolección de usan actualmente en la división.
datos 1 Interés por trabajar en el futuro con
nuevas herramientas de extracción y
tratamiento de datos.
Total de reactivos del manejo de datos: 3
Es importante señalar para el tercer nivel que es el de minería de

datos académicos, así como para las “Técnicas usadas para la recolección
100
100 de datos”, dentro de los reactivos se usaron las principales herramientas
y técnicas que Li, Lam y Lam (2015) detectaron en su estudio sobre los
artículos más citados, en los que se usa Learning Analytics así como los
espacios digitales de donde se extraen. Esto confirma aún más la necesidad
de pensar la analítica para el aprendizaje desde la cultura-praxis digital. La
tabla 3 sintetiza las tendencias encontradas.
Tabla 3. Tendencias entre los principales artículos citados de estudios de Learning

Analytics según Li, Lam y Lam (2015).
Objetivo de los estudios Origen de los datos Principales datos
por agentes
Reflexión (29.4%), resultados de Redes sociales, computo para el Profesores (29.2%)
monitoreo y análisis de alumnos aprendizaje colaborativo, sistemas y alumnos (23.6%)
(19.6%) y Casos adaptación basado en la web (wikis, LMS, foros,
(17.6%). portales académicos, repositorios) y
cursos masivos (MOOC) 54.9%
Principales técnicas y software que apoyan a los estudios de Learning Analytics
1. No estadístico 28.6% 6. Estadístico 4.8% 11. Etnografía 1.6%
2.Encuestas/ Cuestionarios 14.3% 7. Machine learning 4.8%
3. Visualización de datos 14.3% 8. Análisis de contenido 4.8%
4. Minería de datos 12.7% 9. Procesamiento de lenguaje
natural 1.6%
5. Análisis de redes sociales 9.5% 10. Patrones de información 1.6%

I. I. Bras
Como ya se mencionó, el supuesto del estudio consideró que los

tomadores de decisión de los programas académicos implementan técni-
cas muy básicas de Learning Analytics, y que los últimos niveles, salvo el
intermedio -Educational Data Mining-, son más bien escenarios futuros de
desarrollo. Con base en esto los reactivos que se diseñaron se centraron en
los dos primeros niveles para establecer acciones específicas en las que se
usa el manejo de datos. Mientras que para los sistemas de recomendación y
aprendizaje adaptativo se manejaron como posibles escenarios.
7. Método y datos
Se recopilaron 30 respuestas de las divisiones de educación

abierta y a distancia de nueve facultades, que tienen puestos para la toma
de decisiones académicas y administrativas (nueve jefes de división, nueve
secretarios académicos y doce administradores de Moodle). En este marco
los jefes de división son los encargados de todos los programas académicos,
cuyos objetivos y políticas las establecen ellos mismos, mientras que los
secretarios académicos son quienes ejecutan y coordinan tales políticas.
Finalmente, los administradores de Moodle son quienes tienen a su cargo,
no sólo el mantenimiento de la plataforma, sino que además recopilan los 101
datos de los alumnos a distancia, así que en sus manos se encuentran las
metodologías para la recopilación de datos, así como el uso de nuevos plugins
encaminados a conocer la situación de alumnos y profesores.
A partir del instrumento diseñado se crearon tres cuestionarios

diagnósticos. Para formar cada cuestionario se tomaron las preguntas que se
consideraron, que cada perfil estaba en posición de contestar. Es importante
destacar que en el caso de los administradores Moodle, los reactivos se cen-
traron en las metodologías y en el procesamiento de datos, en la generación
de informes, en la posibilidad de integrar plugins específicos, tanto para los
niveles básicos como para la posibilidad de avanzar a fases más profundas,
y se agregaron preguntas específicas sobre las herramientas que se manejan,
así como las deseables en otros posibles escenarios.
La base de datos final permitió medir las áreas de mayor o menor

conocimiento en relación a la siguiente escala de integración de agentes
y uso complejo de datos (figura 3), que mide la integración y complejidad
de los campos de estudio de Learning Analytics, en relación a objetivos y
políticas establecidas desde los tomadores de decisiones de los programas
académicos. De este modo, se pudo observar qué divisiones tenían un ma-
nejo de datos únicamente con fines educativos o cuáles buscaban incidir en
otras problemáticas como la mejora de materiales o el reconocimiento de

patrones de estudio. A mayor complejidad, mayor integración de los agentes

del sistema educativo y empleo de los datos con fines más amplios; que en
un nivel básico, en el que se manejan con fines informativos.
Alta integración de los agentes/

Generación de sistemas basados en modelos
Integración intermedia de los agentes/

Personalized Extracción de datos y generación de metodologías
adaptative
learning
Educational Baja integración de agentes/
Data Mining
Uso de datos básicos
Recommender Academic Analytics

Systems Action research
102
102 Figura 3. Escala de integración de agentes y uso complejo de datos académicos
8. Resultados
Los resultados del estudio, para ser congruentes con el enfoque

de los sistemas complejos y de la cultura digital, se establecieron de una
manera integral acorde a las preguntas de investigación. En cada aspecto
que se estudió, se analizaron las ocho respuestas de los dos perfiles admi-
nistrativos y doce de los técnicos. A continuación se presentan en el orden
establecido. Los resultados que se presentan no fueron considerados a partir
de los perfiles de los participantes, sino como una unidad de respuestas por
división, puesto que se consideró un sólo instrumento.
De manera inicial, se puede establecer que la mayoría de los

encargados de los programas educativos del sistema SUAYED de la UNAM,
tienen una clara visión de la importancia del uso de los datos usados con
fines informativos; y, en segundo lugar para detectar de manera cuantitativa
problemáticas internas (ver gráfica 1). Es decir, que la información vertida
en reportes se maneja de manera interna para la toma de decisiones para el
mejoramiento de las divisiones.

I. I. Bras
a) Servicios académicos 7 (77,8%)
b) Procesos internos de la División 7 (77,8%)
c) Evaluación de metas
y objetivos a corto plazo 7 (77,8%)
d) Deserción 5 (55,6%)
e) Reprobación 6 (66,7%)
f) Titulación 5 (55,6%)
g) Proyecciones 3 (33,3%)
h) Necesidades del profesorado 6 (66,7%)
0 2 4 6 8
Gráfica 1. Tipos de problemáticas a partir de las cuales se recolectan datos.
Se encontró que la transmisión de la información es significativa

para el funcionamiento de cada división, y en este sentido se han podido
establecer, que el manejo de datos en las nueve divisiones tiene un uso a
corto plazo (100%), con lo cual se constata que las metodologías que se
han desarrollado en el manejo de datos estarían en el primer nivel de la
103
escala que se construyó (Academic Analytics); el análisis de la información
digital es principalmente para la gestión académica. Lo que sí es importante
mencionar, es que si existe una intencionalidad de hacer uso de los datos
con el fin de validar las metas y los objetivos de las divisiones (gráfica 2).
a) Completamente
30% b) Estamos en proceso, pero

es el objetivo
c) No, pero ese sería el

objetivo a largo plazo
70%
Gráfica 2. Relación entre objetivos y metas de la división y el uso de datos para validarlos.

No obstante esto, las divisiones del estudio ya han establecido una

serie de procesos claros sobre los datos recabados de los alumnos a partir de
su interacción en la plataforma Moodle; las principales acciones se encaminan
a clasificar los datos de acuerdo a los objetivos del programa y a cruzarlos
con problemáticas detectadas (gráfica 3).
a)Clasificarlos de acuerdo a los

objetivos del SUAYED 7 (77,8%)
b) Cruzarlos de acuerdo a
6 (66,7%)
problemáticas detectadas
c)Agruparlos de acuerdo a
patrones de enseñanza y 0 (0%)
aprendizaje
d) Agruparlos para localizar
patrones de comportamiento 0 (0%)
en el ambiente educativo
e) Ninguno de los anteriores 1 (11,1%)
0 1 2 3 4 5 6 7 8
104
104 Gráfica 3. Procesos que se realizan con los datos académicos una vez extraídos (uso).
Esto le ha permitido a la mayoría de las divisiones de los progra-

mas académicos presentar reportes semestrales con elementos estadísticos
básicos (gráfica 4), basados sobre las prácticas digitales de los alumnos, es
decir el uso de Moodle, recursos educativos o patrones de comportamiento
digital (gráfica 5); sin embargo, esto es justamente lo que le ha permitido
generar, a la mayor parte de las divisiones, un esquema de relación entre
la información netamente académica, que sirve con propósitos informativos
y el siguiente nivel que es comprender qué es lo que pasa en los procesos
de enseñanza-aprendizaje para establecer medidas de intervención (Action
Research, nivel 2).

I. I. Bras
a) Estadístico básico 9 (81,8%)
b) Cualitativo 3 (27,3%)
c) Estadístico descriptivo 2 (18,2%)
d) Se generan indicadores que expliquen un

fenómeno o proceso 1 (9,1%)
e) Se genera un modelo explicativo 0 (0%)
0 1 2 3 4 5 6 7 8 9 10
Gráfica 4.Tipos de reportes que se generan.
a) El uso de plataformas educativas 3 (33,3%)

105
b) El uso de recursos educativos 3 (33,3%)
c) Patrones de comportamiento de cada 2 (22,2%)

estudiante en plataformas
d) Preferencias de usos de recursos

educativos 3 (33,3%)
e) Tipos de aprendizaje 0 (0,0%)
f) Ninguno de los anteriores 4 (44,4%)
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Gráfica 5. Tipos de patrones que se han encontrado a partir de datos extraídos.

Gracias a un constante trabajo que correlaciona los objetivos ins-

titucionales de las divisiones con el mejoramiento de las trayectorias de sus
estudiantes, le ha permitido a más del 50% de las divisiones del estudio,
establecer instrumentos y/o estrategias para mejorar el aprendizaje de acuerdo
con su perfil (gráfica 6).
5
5
4
Número de registros
2 2
2
0
Sí No Tal vez
106
106 Gráfica 6. ¿Se han podido establecer instrumentos o estrategias para mejorar el aprendizaje
de los alumnos acorde a su perfil?
No obstante, cuando se cuestionó si existe la posibilidad de que las

divisiones estén en condiciones de generar sistemas de recomendación para
alumnos (nivel 4) con base en perfiles, considerando que ya han establecido
acciones de monitoreo sobre comportamientos, patrones y preferencias, se
encontró que las entidades educativas aún no se ven así mismas en esta
dinámica (gráfica 7), pese a que ya cuentan con elementos para lograrlo.
Aunado a ello, se encontró que las divisiones aún no cuentan de

manera específica, con metodologías más refinadas para la recolección de
datos y su posterior tratamiento (nivel 3). Respecto al uso de software especia-
lizado para extracción de datos o la acción sistemática de cruzar información
de Moodle de un semestre a otro (menos del 30%), aún se encuentra en una
fase muy temprana (gráficas 8 y 9).

I. I. Bras
a) Sí, hemos iniciado pero de

10% manera muy sencilla
b) Sí, pero lo hacemos por

medio de recomendaciones
a los profesores para con sus
alumnos
c) No, no es nuestro objetivo
90% d) No, pero nos gustaría

llegar a ello
Gráfica 7. Consideración sobre la posibilidad de crear un sistema de recomendaciones

personalizado para cada estudiante.
a) Para generar bases de

datos 3 (27,3%) 107
b) Para analizar resultados
3 (27,3%)
de exámenes o…
c) Para análisis de textos
1 (9,1%)
subidos por los estudiantes
d) Grado de cumplimiento
de una actividad de… 3 (27,3%)
e) Detección de plagio 1 (9,1%)
f) Para analizar los mensajes

0 (0%)
en los foros
g) Ninguno 6 (54,5%)
0 1 2 3 4 5 6 7
Gráfica 8. Tipos de plugins que se han integrado en Moodle en los tres últimos años.

23,70%
Sí No
72,70%
Gráfica 9. ¿Se ha cruzado información de Moodle de un semestre respecto a uno previo?
Por otra parte, el manejo de datos académicos desde una visión

compleja e integral de la cultura digital de las instituciones educativas, im-
plica integrar a la mayor cantidad de agentes, tanto para informar como para
108
108 tomar decisiones. En el estudio se observó que, aunque en el primer nivel
los agentes que atienden a las divisiones si llegan a compartir información
mediante reportes conjuntos, los profesores no se encuentran plenamente
integrados al trabajo analítico (gráficas 10 y 11).
5
5
4
4
0
No Sí
Gráfica 10. Acceso de los profesores a reportes sobre el comportamiento de sus grupos
durante y al final del curso.

I. I. Bras
5
5
4
4
0
No Sí
Gráfica 11. Acceso de los profesores que muestren áreas de oportunidad y habilidades
de sus alumnos.
Justo en este punto, sobre el tema de integrar a varios agentes en

la toma de decisiones, se observó que aún no se tiene considerada la posibi-
lidad no sólo de personalizar los ambientes y trayectorias de aprendizaje de
cada alumno, sino que aún no se ha avanzado en la posibilidad de generar 109
contenidos y materiales de estudio con base en preferencias según perfiles,
que puedan ser sistematizados en ambientes digitales (gráficas 12 y 13).
10
9
9
7
0
No
Gráfica 12. Posibilidad de que el alumno adapte su curso a sus preferencias y necesidades.

5
5
4
4
0
No Sí
Gráfica 13. Creación de contenidos y materiales para los alumnos acorde a preferencias.
Finalmente, pensando en escenarios futuros, el estudio reveló que

las divisiones del SUAYED de la UNAM son más abiertas a la posibilidad de
integrar diversas técnicas y herramientas en el análisis de datos. Si bien,
110
110 la gráfica 14 muestra que la mayor parte de las divisiones se verían en el
futuro procesando datos con estadísticas, entre la mitad y más de la mitad
mostraron interés por integrar nuevas opciones como machine learning, data
visualization, minería de datos o etnografía.
a) Cuestionarios y encuestas 5 (50%)

b)Visualización de datos 6 (60%)
c) Minería de de datos 6 (60%)
d) Entrevistas 3 (30%)
e) Análisis de redes 4 (40%)
f) Estadística 9 (90%)
g) Análisis de contenidos 4 (40%)
h) Análisis de discurso 4 (40%)
i) Patrones de discurso 5 (50%)
j) Etnografía 5 (50%)
k) Machine learling 4 (40%)
0 1 2 3 4 5 6 7 8 9 10
Gráfica 14. Tipos de herramientas y técnicas con las que las divisiones quisieran trabajar
en un futuro.

I. I. Bras
En base a los resultados expuestos, se determinó que de manera

general el SUAYED se encuentra en un segundo nivel de la escala establecida
más que encontrarse en el nivel inicial. A continuación se discuten las razones.
9. Discusión
Siguiendo el orden de las preguntas que guiaron la investigación,

así como el los resultados, se pueden determinar los siguientes aspectos:
9.1 Claridad sobre la relación entre objetivos y metas académicas

apoyados en la analítica para el aprendizaje.
El estudio dejó en claro que los líderes de las divisiones del Sistema
SUAYED consideran el manejo de la información como sustancial para la
gestión de los distintos programas académicos; en este sentido se encontró
que existe un compromiso para extraer datos y dar tratamiento con el fin de
conocer la situación de las divisiones, mediante técnicas estadísticas básicas.
Si bien, los reportes que se generan tienen una periodicidad constante, aún
no hay una visión a largo plazo de tratamiento de datos mediante distintas
111
técnicas de Learning Analytics para proveer información que permita generar
rutas para el futuro.
Las divisiones del Sistema SUAYED que formaron parte del estudio
han desarrollado metodologías propias para establecer los datos que requie-
ren para la toma de decisiones; aunque la mayor parte de éstas son para el
manejo de los programas académicos, se trata de datos de manejo regular
asociados a índices de reprobación, servicios académicos, deserción, etc. En
este sentido, se encontró que las nueve divisiones cubren el nivel inicial de
la escala que se construyó para este estudio. La información recabada les
permite tener una visión para establecer una conexión entre los objetivos y
metas, respecto a los fenómenos que se dan en cada división. No obstante,
en este nivel no se pudo encontrar que los datos de tipo informativo para
la gestión hayan sido usados para encontrar fenómenos nuevos respecto a
la gestión. En buena medida, esto se entiende porque en la práctica las
instituciones educativas tienen problemas para compartir información no
sólo en términos políticos sino técnicos: las bases de datos no siempre
tienen los mismos componentes o referentes. En el caso de las divisiones
de SUAYED dependen de una tercera entidad que es la administración
central, que gestiona los datos escolares de toda la universidad (Dirección
General de Administración Escolar, DGAE), en las diversas modalidades y
los distintos niveles. Por lo tanto, las divisiones muchas veces se ven en la

necesidad de: 1) esperar a que la DGAE le transfiera los datos, pero no con
la prontitud deseada, o 2) que establezca sus propios estudios para obtener
datos sin necesidad de solicitarlos a un tercero. Esta situación es regular en
varias instituciones de educación superior, por lo que hasta cierto punto se
entiende el por qué las divisiones que entraron al estudio no tienen mucho
margen de maniobra respecto a los otros niveles de la escala.
9.2 El uso básico de información académica asociado a Learning Analytics

Como se pudo observar en los resultados, algunas de las divisiones,
pese a que estarían colocadas en el primer nivel, han establecido acciones que
las colocan en el segundo, que es el uso de técnicas de Learning Analytics
enfocada a comprender procesos de enseñanza-aprendizaje (Action Research).
Poco más de la mitad han establecido líneas de análisis sobre los procesos
propios a cada división, que implica entender de manera más profunda y,
por lo tanto más compleja, qué es lo que pasa con aquellos datos que en el
primer nivel sólo brindan información.
A diferencia de lo que pasa en el nivel de Academic Analytics, Ac-

tion Research involucra analizar los datos con fines de intervención, de modo
que la toma de decisiones tiene implicaciones que son más directas sobre
112
112
el estudiante, que la gestión de los programas educativos. El estudio mostró
que el interés por encontrar patrones de comportamiento o preferencias, tiene
una relación con las trayectorias, pero también con la definición de perfiles
y por lo tanto de encontrar materiales, recursos o actividades acordes a las
necesidades propias de cada división.
Respecto de lo que sucede con el acceso a la información de la que

hacen uso, en especial, las divisiones que dependen de una tercera entidad,
en el segundo nivel, dado que son elementos de análisis relacionados con
el proceso de enseñanza-aprendizaje, se trata de una extracción de datos de
diferente corte. Considerando que los estudiantes a distancia probablemente
sean quienes dejan una mayor huella digital, los registros que dejan en Moo-
dle, permiten entender otros tipo de comportamientos. Sobre estos datos las
diferentes divisiones SUAYED tienen mayor control: ingresos a la plataforma,
tiempo de permanencia, horarios de acceso, contenido de trabajos, contenidos
de retroalimentaciones, etc., en otras palabras: patrones de comportamiento,
y a su vez mayores márgenes de análisis de datos, y, por tanto, de generar
proyectos de intervenciones.

I. I. Bras
Probablemente de manera muy incipiente, los resultados del estudio

muestran que algunas divisiones han comenzado a generar algunos sistemas
de recomendación muy tempranos y sencillos, en términos de proponer re-
cursos digitales, por ejemplo, con base en perfiles de alumnos.
9.3 Factores que afectan el uso de técnicas y campos de estudio

de Learning Analytics
Sería muy limitado decir que la visión sobre la aplicación de Lear-
ning Analytics pasa solo por la perspectiva de los tomadores de decisión,
que en este caso serían los jefes SUAYED. En realidad, su aplicación pasa
por distintos aspectos que van desde poder contar con registros, acceso a
bases de datos, contar con personal especializado, tener conocimiento de
en qué casos se puede aplicar, y evidentemente el sentido de mejorar a los
programas académicos.
La aplicación de técnicas y herramientas de Learning Analytics

también tiene un carácter transdisciplinario. No se limita sólo a la ciencia
de datos sino a la integración de la pedagogía, la didáctica, la psicología
educativa, la filosofía, etc. Se ha señalado que la pertinencia de la escala
que se construyó para este estudio tiene que ver con la necesidad de am- 113
pliar en términos reales la adopción y visión de Learning Analytics, ello
implica que se integren no sólo un mayor y más refinada extracción de datos
académicos, sino la posibilidad de también incorporar a más agentes edu-
cativos. Como se vio en los resultados del estudio, las divisiones SUAYED
en términos generales comparten información a nivel de varias áreas de
gestión, en algunos casos pueden proveer de reportes a los profesores, pero
no se les considera para establecer rutas de trabajo con los alumnos. Y ni
qué decir de la posibilidad de que los estudiantes tengan conocimiento de
sus trayectorias y puedan ser apoyados para tomar decisiones.
Finalmente, y aunque ya se hizo alusión al problema de la forma

en cómo las divisiones obtienen datos por terceras partes, habría que reto-
mar el problema que tienen varias instituciones sobre la centralización de
la información, pero también respecto a los indicadores, tipos de archivos,
software con los que se les da tratamiento, protocolos de extracción y ma-
nejo, incluso la regulación institucional, protección de datos y la ética de
su uso, por poner algunos ejemplos, que dan cuenta que también existe en
la práctica problemas de tipo técnico y de gobernanza respectos a los datos
académicos.

10. Conclusión
La mayor parte de las divisiones analizadas se encuentran en un
punto intermedio entre los niveles 2 y 3, evidentemente todas han rebasado
el primer nivel, por lo que algunas se encuentran ya en posibilidad de avan-
zar sobre el tratamiento de los datos, generar metodologías propias, mejorar
el modo en cómo se obtienen datos, analizar incluso micro-fenómenos de
manera más profunda, mejorar el uso de software para tratamiento de datos,
con el fin de mejorar los procesos de enseñanza-aprendizaje. Sin embargo,
llama la atención particularmente los casos, aproximadamente seis, en los
que ya ha habido un avance significativo y que si bien no han madurado sus
procesos de minería de datos educativos (nivel 3), los tomadores de decisión
son conscientes de la importancia de crear materiales o recomendar materia-
les o estrategias, acordes a diferentes perfiles identificados en cada división;
aunque no se trata de un sistema de recomendación avanzada (nivel 4) basado
primordialmente en sistemas computacionales, se puede considerar que es
importante que haya un esfuerzo inicial por generar opciones más cercanas
a los distintos perfiles de estudiantes.
Respecto al nivel de integración de los agentes, se puede concluir

que las divisiones estudiadas no presentan variaciones sustanciales más allá
de las que encontramos en otras instituciones educativas. En el fondo se
114
114
podría decir que el reto de integrar a una mayor cantidad de agentes, tiene
que ver con los propios modelos educativos que por sí mismos no integran
una mayor actividad de docentes y alumnos, y no los ven como tomadores de
decisiones directas. Son pocas las instituciones que presentan a los alumnos
la oportunidad de generar sus propias rutas de aprendizaje con base en sus
perfiles, retos personales o preferencias. Evidentemente, aún faltan muchas
condiciones, no sólo voluntad, para establecer sistemas personalizados de
aprendizaje; es un camino que aún se está explorando que requiere la in-
corporación de una perspectiva transdisciplinaria más amplia y con modelos
innovadores, que puedan integrar Learning Analytics a su trabajo cotidiano
y no sólo en casos extraordinarios o sólo informativos.
Todo lo anterior es lo que se encuentra a la base de una analítica

educativa compleja que pueda responder a las nuevas problemáticas edu-
cativas, más comprometida con mejorar las trayectorias formativas de sus
estudiantes y apoyar a los profesores para enriquecer y desarrollar nuevas
estrategias. En este sentido, recuperar las “prácticas” digitales de gestiones
educativas, no sólo nos presenta un panorama sobre cómo se operan y se da
la gobernanza educativa, sino que en términos de la cultura digital de las
instituciones educativas, nos permite entender cómo responden a la realidad
compleja y cómo lo harán respecto a las tendencias. Es decir, la praxis digital
(en tanto que cultura) evidencia cuáles son las condiciones efectivas para
que las instituciones se modernicen.

I. I. Bras
Bogarin, A., Morales, C. R., y Menéndez, R. C. (2015). Aplicando minería de datos para descubrir
rutas de aprendizaje frecuentes en Moodle. EDMETIC, 5(1), 73-92. Recuperado
de https://bit.ly/2ZeMZ9C
Bustamante, E. (2011). Cultura digital: la “nueva cultura clásica, Telos. Cuadernos de

Comunicación e Innovación, 88, 59-64. Recuperado de https://bit.ly/2GhNwip
Chatti, M. A., Dyckhoff, A. L., Schroeder, U. y Thüs, H. (2012). A reference model for learning
analytics. International Journal of Technology Enhanced Learning, 4(5-6), 318-331.
Recuperado de https://bit.ly/2UnEDsF
Chatti M.A., Muslim A., y Schroeder U. (2017). Toward an Open Learning Analytics Ecosystem.
En Big Data and Learning Analytics in Higher Education, Kei Daniel B. (editor).
Springer. Recuperado de https://bit.ly/2vhsKup
Elias, T. (2011). Learning analytics: Definitions, processes and potencial, Universidad de

Athabasca. Recuperado de https://bit.ly/2ZdpCxj
Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. In International

Journal of Technology Enhanced Learning, 4(5-6), 304-317. Recuperado de https://
bit.ly/2ZjPJTo
Johnson, L., R. Smith, R., Willis, H., Levine, A., y Haywood,K. (2011) The Horizon Report:
2011. Austin, Texas: The New Media Consortium.
Lévy, P. (2007). Cibercultura: Informe al Consejo de Europa (No. 16). Anthropos Editorial.
115
Li, K. C., Lam, H. K., y Lam, S. S. (2015, July). A Review of Learning Analytics in Educational
Research, en International Conference on Technology in Education (pp. 173-184).
Springer, Berlin, Heidelberg. Recuperado de https://bit.ly/2ZeOzIA
Perrotta, C. y Williamson, B. (2018). The social life of Learning Analytics: cluster analysis and
the ‘performance’ of algorithmic education. Learning, Media and Technology, 43(1),
3-16, Recuperado de https://bit.ly/2VLESzm
Prinsloo, P., & Slade, S. (2018). Mapping responsible learning analytics: a critical proposal.
Responsible Analytics & Data Mining in Education: Global Perspectives on Quality,
Support, and Decision-Making (Khan, Badrul H.; Corbeil, Joseph Rene and Corbeil,
Maria Elena eds.). Routledge. Recuperado de https://bit.ly/2Imre2o
Romero, C., y Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews:
Data Mining and Knowledge Discovery, 3(1), 12-27. Recuperado de https://bit.
ly/2KNb0kU
Siemens, G. (2014). The” Journal of Learning Analytics”: Supporting and Promoting Learning
Analytics Research. In Journal of Learning Analytics, 1(3-5). Recuperado de https://
bit.ly/2DkdEII
Snyder, K. (2008). “The digital culture and communication: More than just classroom learning”.
13th International Conference on Thinking Norrköping; Sweden June 17-21; 2007
(No. 021) Universidad de Linköping Prensa Electrónica. Recuperado de https://
bit.ly/2Gs0ZFK
UNAM (2018). Dirección General de Planeación, Agenda estadística, Recuperado de https://

bit.ly/2SXsnyp

Williamson, B. (2016). Digital education governance: data visualization, predictive analytics,

and ‘real-time’ policy instruments. In Journal of Education Policy, 31(2), 123-141.
Recuperado de https://bit.ly/2UEpybb
Zubieta, J., Bautista, T., y Quijano, Á. (2012). Aceptación de las TIC en la docencia. México:
UNAM. Recuperado de https://bit.ly/2v7Y3Yn
116
116

Ações docentes nos Ambientes Virtuais de Aprendizagem

proporcionadas pelas ferramentas de Learning Analytics
Maurício Vieira Dias Júnior1
Luís Paulo Leopoldo Mercado1
1
Universidade Federal de Alagoas (UFAL), Brasil
Resumo. Percebe-se que há uma relevante adoção dos ambientes virtuais de apren-
dizagem (AVA) na educação superior, em especial na modalidade a distância. Estes
ambientes, com o apoio do Big Data, podem proporcionar ações para a prática avaliativa
docente a partir de ferramentas que contemplem os objetivos da learning analytics
(LA), segundo modelos e ciclos de vida já definidos na literatura. Neste estudo foi
desenvolvida a consolidação de dez possíveis ações docentes a partir destas ferra-
mentas, modelos e ciclos de vida, tendo como objetivo a confrontação destas ações
com docentes envolvidos oriundos de instituições de ensino superior (IES) que atuam
na educação a distância (EaD), evidenciando-as através de um experimento onde
utilizaram seis destas ferramentas de perfil docente em suas respectivas disciplinas
no AVA Moodle. Para coleta, foram utilizados dois questionários semi-estruturados
(pré e pós-experimento). Ficou caracterizado como resultados deste estudo que as
ferramentas que tiveram maior destaque para ações de LA foram: Completion Progress
(18,5%), Course Dedication (18,1%) e Level Up! (17,8%), já as ações de LA com
maiores graus de destaque foram: “monitoramento” (17,4%), seguido por “avaliação/
feedback” (13,0%) e “intervenção” (12,0%), havendo assim, compatibilidade com
o propósito de atingir a prática avaliativa dentro dos AVA a partir destas ferramentas.
Palavras-chave: learning analytics, ambientes virtuais de aprendizagem, educação a
distância, educação superior, big data.
Acciones docentes en los entornos virtuales de aprendizaje proporcionados por las 117
herramientas de Learning Analytics
Resumen. Empieza a percibirse una relevante adopción de los entornos virtuales de
aprendizaje (EVA) en la educación superior, en especial en la modalidad a distancia.
Estos ambientes, con el apoyo del big data, pueden proporcionar acciones para la
117
práctica de evaluación del docente a partir de herramientas contempladas en los
objetivos del Learning Analytics (LA), según modelos y ciclos de vida definidos en
la literatura. En este estudio se desarrolló la consolidación de diez posibles acciones
docentes a partir de estas herramientas, modelos y ciclos de vida. El objetivo fue la
confrontación de estas acciones con un grupo de docentes involucrados, adscritos a
instituciones de enseñanza superior (IES), que ejercen en la educación a distancia
(EaD), evidenciándolas a través de un experimento, en el que se utilizaron seis de estas
herramientas de perfil docente en sus respectivas disciplinas en el EVA Moodle. Para la
recolección, se utilizaron dos cuestionarios semiestructurados (pre y post-experimento).
Se evidenció en los resultados de este estudio que las herramientas que tuvieron más
relevancia para acciones de LA fueron: Completion Progress (18,5%), Course Dedication
(18,1%) y Level Up! (17,8%); las acciones de LA con mayor grado de destaque fueron:
“monitoreo” (17,4%), seguido por “evaluación / feedback” (13,0%) e “intervención”
(12,0%), comprobándose así, que existe compatibilidad en el propósito de alcanzar
la práctica de evaluación dentro de los EVA a partir de estas herramientas.
Palabras clave: learning analytics, entornos virtuales de aprendizaje, educación a
distancia, educación universitaria, big data.
Teacher actions in Virtual Learning Environments provided by Learning Analytics tools
Abstract. It is noticed that there is a relevant adoption of virtual learning environments
(VLE) in higher education, especially in the distance modality. These environments, with
the support of Big Data, can provide actions for teaching evaluation practice based on
tools that meet the objectives of learning analytics (LA), according to models and life
cycles already defined in the literature. The purpose of this study was to consolidate
ten possible teaching actions based on these tools, models and life cycles, with the
objective of confronting these actions with teachers involved from higher education

Ações docentes nos Ambientes Virtuais de Aprendizagem proporcionadas pelas ferramentas de Learning Analytics
institutions that work in distance education evidencing them through an experiment

where they used six of these tools of teaching profile in their respective disciplines in VLE
Moodle. For collection, two semi-structured questionnaires (pre and post-experiment)
were used. It was characterized as results of this study that the tools that had the most
highlight for LA actions were: Completion Progress (18.5%), Course Dedication (18.1%)
and Level Up! (17.8%), followed by “evaluation / feedback” (13.0%) and “intervention”
(12.0%) %), thus being compatible with the purpose of reaching the evaluative practice
within VLE from these tools.
Keywords: learning analytics, virtual learning environments, distance learning, college
education, big data.
1. Introdução
Surgidos na década de 90, concomitantemente com os primeiros

navegadores da web, a partir de distintas mídias e linguagens de programação,
os AVA representam uma grande contribuição para a história da educação
(Silva, 2013), sendo instrumentos para proporcionar, por exemplo, atividades
mais ricas de cunho colaborativo e interativo, baseado na web e considerado
uma plataforma que se constrói e entrega módulo e cursos.
É percebido que há uma forte adoção desses AVA no mundo. Estes

são utilizados extensivamente pelas IES (Ekuase-Anwansedo et al., 2018) a
118
118 exemplo do Moodle que além de ser fácil de usar, de gerar conteúdo, engajar
discente e sem necessidade de adquirir licenças, tem sido constantemente
melhorado por especialistas técnicos (Dodun et al., 2015), sendo o mais
adequado pelos quesitos de modularidade, popularidade, disponibilidade de
plugins e por contar com uma forte comunidade de desenvolvedores (Medio
et al., 2017).
Nota-se esta expansão no Brasil, não só pelo fator econômico, já que

as IES podem adquiri-lo de forma gratuita, através da versão com software
livre, mas também porque os conteúdos dos cursos a distância são melhores
gerenciados e a maioria é customizada pela própria instituição segundo a
sua demanda, sem a necessidade de ônus (ABED, 2017).
Porém o que se vê, conforme Silva et al. (2009) é que, no geral,

os cursos oferecidos na modalidade de EaD que utilizam esses AVA, adotam
abordagens tradicionais de avaliação, tendo maior peso nas provas finais
presenciais, influenciadas pelo tecnicismo. Mesmo sendo autodenominados
construtivistas, ficando assim com dificuldades em promover uma avaliação
reflexiva, crítica e emancipatória. Em um processo de ensino passivo e re-
petitivo, essas atitudes são incompatíveis com a navegação nos AVA, sendo
formal ou não.

M. Dias Júnior, L. P. Mercado
Também é notório que os métodos avaliativos em EaD sejam sempre

revistos e aperfeiçoados, sendo uma preocupação constante em inúmeros
estudos sobre esta temática (Polak, 2009). De acordo com Bitencourt et
al. (2013) é preciso pensar formas mais concernentes de avaliação para
este contexto online, pois se trata de uma forma peculiar de educação, a se
comparar com as avaliações presenciais.
O Learning Analytics (LA), tendo big data como apoio fundamental,

segundo Daniel (2015), representa novas oportunidades para a educação
superior, podendo influenciar positivamente nas tomadas de decisões ba-
seadas em evidências mais eficazes, possibilitando a realização de análises
e avaliações em tempo real sobre as atividades educacionais.
O LA tem alcançado uma robusta posição entre outras tecnologias

educacionais, sendo colocada como uma área com ganhos substanciais para
potencializar o processo de ensino-aprendizagem (Khalil & Ebner, 2015).
Observa-se por parte dos atores da educação o interesse pela relevância que
a LA tem para o apoio educacional, compartilhando análises para a ação e
o efetivo aprendizado, sendo uma área interdisciplinar (Chatti et al., 2012).
A proposta deste estudo foi evidenciar as ações, apresentadas e

definidas nos modelos (Chatti et al., 2012; Gasevic et al., 2017) e ciclos 119
de vida (Clow, 2012; Khalil & Ebner, 2015) da literatura, provenientes de
ferramentas de LA do tipo plugin, que não são nativas, disponibilizadas,
especificamente, para o AVA-Moodle, sendo estas utilizadas perante alguns
docentes de IES que atuam na EaD.
2. Learning Analytics
A LA vem sendo discutida desde 2009, porém apenas em 2011

quando da ocasião da primeira1 International Conference on Learning Analytics
and Knowledge (LAK), ocorrida no Canadá, foi definido o seu conceito sen-
do “medição, coleta, análise e relatórios de dados sobre aprendizes e seus
contextos, para fins de compreensão e otimização da aprendizagem e dos
ambientes em que ocorre” (Siemens, 2013, p. 1382), tendo como principal
objetivo de melhorar a qualidade do aprendizado e do ensino.
George Siemens, um dos precursores da LA, e um dos organizado-

res do LAK, anunciou que LA não se trata apenas de análise de dados, mas
incorpora também a ação de prever, através de ferramentas, a adaptação,
1
https://tekri.athabascau.ca/analytics/

a personalização e/ou intervenção, para antecipar as possíveis dificuldades

posteriores a fim de melhorar o desempenho, durante o percurso do curso
(Siemens, 2010).
Conforme a figura 1, a LA através da sua principal conferência

internacional LAK2 promovida pela Society for Learning Analytics Research
(SoLAR) , vem ampliando sua representação no quesito de submissões de
artigos científicos ano a ano. Constata-se que no período de oito anos houve
uma triplicação de artigos submetidos, de 38 em 2011 para 115 artigos
submetidos no ano de 2018.
140
Submitted
120 Accepted 116 114 115
Rate
100
80 74
58
60
45% 44
38 39%
36 36 36
120 40 35
120 28% 30% 27%
31% 32% 30%
20
20 17 16
14 13
0
LAK'11 LAK'12 LAK'13 LAK'14 LAK'15 LAK'16 LAK'17 LAK'18
Figura 1. Crescimento das Conferências Internacionais LAK

Fonte: https://dl.acm.org/citation.cfm?id=3027385, acesso em 24 mar. 2019.
Desde o ano de 2014 a SoLAR também oferece uma publicação

periódica oficial denominada Journal of Learning Analytics3. A LA foi men-
cionada pela primeira vez no relatório Horizon da New Media Consortium
(NMC)4 em 2012, que trata-se de uma comunidade internacional composta
por centenas de relevantes universidades, faculdades, museus e centros de
pesquisa, estimulando e promovendo a exploração e uso de novas mídias e
tecnologias para aprendizagem e expressões criativas (Peña-Ayala, 2017).
2
https://solaresearch.org/events/lak/
3
https://learning-analytics.info
4
https://www.nmc.org/nmc-horizon

Na figura 2 é apresentado, inicialmente, um ciclo de vida fun-

damentado, que contempla holisticamente todos os aspectos de uma LA
(Khalil & Ebner, 2015).
Learners
- Learners - Interaction data
- Instructors - Traces
- Researchers - Personal date
- Educational Insti- - Academic Infor-
tutions mation
Learning Big Data
Stakeholders Environment Datasets
Optimize
Learning
Process
Analytics
Act Analytics
Objectives Techniques
- Prediction
- Statistical Analysis
121
- Intervention
- Personalization - Visualization
- Reflection & Inte- - Soxcial Network
ration - Emocional Inteli-
- Bechmarking gence
Interpret Data
Figura 2. Proposta de ciclo de vida da LA.

Fonte: Khalil & Ebner (2015)
No ciclo mostrado na figura 2 consolidado por Khalil e Ebner

(2015), constam quatro tópicos principais que são: 1) os atores (stakehol-
ders), que através de suas interações e produções nos AVA, geram os dados;
2) os conjuntos de dados que representam os Big Data contidos nos AVA,
que armazenam os dados; 3) as diversas técnicas que fazem a análise dos
dados; e 4) os objetivos que representam a ação que será aplicada para a
otimização do desempenho da aprendizagem.
No domínio da educação, a LA torna-se um relevante instrumento

nas mãos dos envolvidos nesta área, pois um vasto número de dados é gerado
a partir da interação dos atores, dos conteúdos e da própria tecnologia nos
AVA, sendo sistematicamente armazenados, os quais, consequentemente,
poderão ser recuperados para descobrir conhecimento, possibilitando a
melhoria na resolução de problemas educacionais.

3. Possíveis Ações com Learning Analytics nos Ambientes Virtuais

de Aprendizagem
Para além dos objetivos de organizar cursos e disciplinas, adminis-

trar conteúdos e monitorar os discentes, os AVA contém uma infraestrutura
tecnológica com recursos suficientes para desempenhar uma abordagem
pedagógica em um determinado curso (Machado et al., 2013).
Cientes da importância do real crescimento de LA, na qual os con-

juntos de dados gerados a partir dos processos de aprendizagem dentro dos
AVA são aproveitados para o aprimoramento educacional, foram construídos
formalizações acerca de um modelo que descrevessem LA, tendo em vista
as diversas conexões que LA tem com outras áreas.
A partir de uma investigação multidisciplinar, Chatti et al. (2012)

desenharam um modelo de referência baseado em quatro dimensões: (1) dados
e ambientes – quê tipo de dado será analisado?; (2) os atores – quem será
o alvo da análise?; (3) os objetivos – porquê o sistema irá analisar os dados
coletados? e; (4) os métodos – como serão analisados os dados coletados?, a
fim de contemplar áreas que abrangem a LA, conforme mostrados na figura 3.
122
122
DataTEL, Indicators,
Big Data Metrics
Why?
“polycontextual”
Fragmentation,
Heterogeneity
Monitoring/Analysis
Openness,
Prediction/Intervention
What?
Profiling
Tutoring/Mentoring
Data
Assessment/Feedback
Environments
Adaptation
Personalization/Recommedation
Reflection
Learning Analytics
Design, Usabililty
Competences
How? Who?
Techniques Stakeholders
(e.g. Statistics, Visualizations, Data/Web (e.g. Learners, Teachers, Tutors, Mentors,
Mining, Social Network Analysis) Institutions, Researchers, System designers)
Integration, Performance, Constraints (Ethics, Pri-

Scalability, Stensibility vacy, Stewardship
Figura 3. Modelo de referência para LA, baseado em quatro dimensões.

Fonte: Chatti et al. (2012, p. 7).

Especificamente, quanto a terceira dimensão porquê?, que se refere

aos objetivos do sistema em analisar os dados coletados, há diversos no qual
pode-se citar (Chatti et al., 2012):
a) monitoramento e análise: que lida com acompanhamento das

atividades desenvolvidas pelos discentes agregadas a relatórios
e possibilitando alterações do design instrucional;
b) predição e intervenção: traçar um possível modelo para tentar
prever a situação de desempenho discente no futuro, a fim de
vislumbrar auxílios adicionais personalizados e eficazes para a
melhoria do rendimento discente;
c) tutoria/mentoria: com a finalidade de controlar os discentes
em algum processo de ensino ou durante todo o processo,
supervisionando-os para o alcance das metas;
d) avaliação e feedback: para o apoio na auto-avaliação, obtendo-
se também feedback inteligentes para os discentes e docentes;
e) adaptação: informar aos discentes os próximos passos, organi-
zando os recursos e forma adaptativa;
f) personalização e recomendação: ajudando os discentes a
decidirem como alcançar seus objetivos, sendo recomendado 123
mudanças de comportamento e conteúdos, para uma aprendi-
zagem auto-dirigida e, por fim, a;
g) reflexão: recurso importante que ajuda os atores a se auto-
refletirem sobre o seu andamento a partir de comparação de
dados anteriores.
Retomando-se aqui e fazendo um elo com o ciclo de vida de LA

definido por Khalil e Ebner (2015), quanto ao tópico 4, que se refere aos
objetivos, correspondentes as ações que o docente pode ter provenientes
das ferramentas de LA, tem-se também: a) predição, b) intervenção, c)
recomendação, d) personalização, e) reflexão e iteração, f) benchmarking.
Conforme afirma Khalil e Ebner (2015), o maior valor de LA advém

da otimização dos objetivos: oriundos da dimensão “Por quê?” de Chatti et al.
(2012), na “intervenção” de Clow (2012) e no “learning design” de Gasevic
et al. (2017) que proporcionam a geração de insights capazes de influenciar
a prática avaliativa docente.

Enquadrando-se na dimensão “Quem?”, referindo aqui apenas ao

docente e na dimensão “Para que?” referindo-se aos objetivos que este ator
pode querer almejar, ambos delineados nos modelos de (Chatti et al., 2012;
Gasevic et al., 2017) e ciclos de vida (Clow, 2012; Khalil & Ebner, 2015)
são consolidadas as seguintes ações:
•• Adaptação (organizar/moldar de forma adaptativa os recursos

de aprendizagem e as atividades);
•• Avaliação/Feedback (fornecer informações interessantes geradas
com base em dados sobre os interesses do discente e o contexto
de aprendizado);
•• Benchmarking (identificar as melhores práticas que produzem
resultados superiores);
•• Intervenção (impedir a evasão, determinar quais discentes podem
estar em risco, aconselhar os discentes que podem precisar de
assistência adicional e melhorar o sucesso dos discentes);
•• Monitoramento (acompanhar as atividades dos alunos e gerar
relatórios);
•• Personalização (apoiar a aprendizagem para todos os alunos, de
124
124 forma individualizada);
•• Predição (explorar um valor desconhecido, como: desempenho,
conhecimento, pontuação ou nota)
•• Recomendação (fazer recomendações de novas atividades);
•• Reflexão/Iteração (autoavaliar o trabalho passado para melhorar
a experiência futura);
•• Tutoria (apoiar os discentes na sua orientação e introdução em
novos módulos de aprendizagem).
Portanto, fica aqui a consolidação de dez ações provenientes de

ferramentas de LA que poderão ser evidenciadas pelo docente em sua prática
avaliativa.

4. Experimento com ferramentas de Learning Analytics

para docentes
A partir da consolidação das possíveis dez ações docentes perante

as ferramentas de LA, foi realizado o experimento com nove docentes de IES
em EaD que utilizaram estas ferramentas em suas disciplinas no AVA Moodle,
que em seguida foram questionados, sobre qual(is) é(são) o(s) objetivo(s)
(ações) evidenciados por cada ferramenta em prol da prática avaliativa docente.
Os dados coletados deste experimento ocorreu durante um curso

de capacitação para docentes de IES que atuam na EaD no AVA Moodle
realizado entre o período de outubro a março de 2019.
Os nove docentes envolvidos tiveram o seguinte perfil por sexo fe-

minino (60%) e masculino (40%); por idade de 31 a 40 anos (60%), 41 a
50 anos (10%) e 51 a 60 anos (30%); e por nível de formação especialista
(20%), mestre (60%) e doutor (20%). Ambos têm experiência com cursos
superiores (sendo licenciatura, bacharelado e/ou tecnólogo) a distância e o
tempo médio de atuação em EAD nas IES foi de 5,7 anos entre todos estes
envolvidos. Também, entre estes, havia os que já utilizaram os seguintes
AVA: Moodle, Teleduc, Aulanet e E-Proinfo.
125
O AVA Moodle contempla recursos em LA, que já vem sendo trabal-
hado em vários aspectos desde as versões mais antigas. Além de incorporar
ferramentas nativas em seu ambiente, permite também o adicionamento de
ferramentas não nativas (plugins) e/ou integração de outros sistemas externos.
Optou-se por ferramentas presentes no site oficial do AVA Moodle

(MOODLE, 2017), pois se atribui credibilidade/confiabilidade perante seus
desenvolvedores, considerando-se também a possível adesão destas ferra-
mentas por parte de qualquer IES em seus respectivos AVA.
Diante da descrição de ferramentas para LA, foram identificadas

as ferramentas que atendeu, inicialmente, ao único critério: “podem ser
utilizadas pelo perfil docente”, sendo apresentado o resultado na Tabela 1:

Tabela 1. Ferramentas com recursos de LA para o perfil de docente no AVA Moodle

Ferramenta Formato de Tipo* Descrição geral
apresentação Nativa/Não Nativa
Feedback Atividade Nativa Ferramenta de pesquisa configu-
rável para coleta de feedback
Survey Atividade Nativa Conjunto de pesquisas educacio-
nais padronizadas
Inspire Ferramenta Nativa LA descritiva e preditiva nativa do
Administrativa Moodle, a partir da versão 3.3
Logs Relatório Nativa Log filtrável de eventos
Activity Relatório Nativa Ver contagem de atividades em
curso
Activity comple- Relatório Nativa Matriz de conclusão de estudan-
tion tes e atividades
Live logs Relatório Nativa Atualizando automaticamente log
de eventos
(Quiz) Statistics Relatório Nativa Relatório de desempenho do quiz
do discente
(Course) Partici- Relatório Nativa Participação de discente único
pation em curso
Events list Relatório Nativa Eventos que podem ser monitora-
dos / pesquisados em logs
(Gradebook) Over- Relatório Nativa Visualização das notas dos dis-
view centes em todas as atividades
Event monitor Relatório Nativa Ferramenta de monitoração proa-
tiva e focada
126
126 Questionnaire Atividade Não Nativa Ferramenta de pesquisa configu-
rável
Engagement Atividade, blo- Não Nativa Relatório de medição de engaja-
Analytics co e relatório mento configurável
Progress Bar Bloco Não Nativa Ferramenta de gerenciamento de
(Completion Pro- tempo para discentes com visão
gress) geral para professores
Configurable Re- Bloco Não Nativa Geração e visualização de rela-
ports tórios
Course Dedication Bloco Não Nativa Tempo estimado online para es-
tudantes
Graph Stats Bloco Não Nativa Visitas diárias ao site ou curso
GISMO Bloco Não Nativa Numerosos gráficos de partici-
pação na atividade estudantil
Level Up! Bloco Não Nativa Medidor de participação de acio-
namento de incentivo
Analytics Graphs Bloco Não Nativa Visualização da participação dos
discentes
Heatmap Bloco Não Nativa Indicação codificada por cores
das visualizações de atividades na
página do curso
Ad-hoc database Relatório Não Nativa Geração e visualização de relató-
queries rios baseados em SQL
Forum Graph Relatório Não Nativa Gráfico de interações do fórum
Grade distribution Relatório Não Nativa Visualiza as notas dos alunos em
um curso
* Nativa: que já vem instalada por padrão no AVA Moodle.
Fonte: Adaptado de Moodle (2017).

Observa-se portanto, que das 31 ferramentas existentes, 25 ferra-

mentas (tabela 1) dispõem do perfil para servir de apoio ao docente. Destas,
12 são “nativas” e 13 são “não nativas”.
Importante destacar também, que no site oficial existem outras

ferramentas com recurso de LA, porém exigindo-se integração externa ao
Moodle, como pode-se citar o Moodle Activity Viewer5, Intelliboard6, Analytika7,
Learning Locker8, SmartKlass9 e o Moodle Analytics Dashboard (Einhardt
et al., 2016) que não se encontra ainda no site, contendo algumas destas
versões pagas. Basicamente, são extensões que precisam serem instaladas
nos navegadores, a exemplo do Chrome10, das máquinas locais.
Para empregar o uso de algumas destas ferramentas, a fim de focar

a prática avaliativa diagnóstica docente, foram selecionadas algumas destas
ferramentas contidas na tabela 1. Como critérios iniciais para exclusão desta
listagem, temos:
•• não exigir a integração externa ao AVA, por entender que estas

iriam de alguma forma sofrer alguma resistência pelos docentes;
•• ser “não nativa”, pois trata-se de ferramentas não existentes
por padrão, que potencialmente os docentes ainda não tinham
127
utilizado;
•• que tenha relação direta com os objetivos de LA;
•• que não tenha similaridade com outras do tipo nativa.
Como resultado destes critérios de exclusão, foram descartadas

todas as ferramentas que exigem a integração externa ao AVA, as ferramentas
“nativas” segundo a tabela 1 e as ferramentas Questionnaire, pois entendeu-
se que não havia relação direta com os objetivos de LA e Ad-hoc database
queries pela sua similaridade com outras nativas.
Seguindo estes critérios preliminares, chegaram-se então as 13

ferramentas, visualizadas na tabela 2:
5
https://damos.world/2013/08/30/the-moodle-activity-viewer-mav-heatmaps-
of-student-activity/
6
https://www.intelliboard.net/
7
https://www.zoola.io/
8
https://www.ht2labs.com/learning-locker-community/overview/
9
https://moodle.org/plugins/local_smart_klass
10
https://developer.chrome.com/extensions

Tabela 2. Ferramentas com recursos de LA para o perfil de docente selecionadas

Ferramenta Número de sites utilizando
(em agosto/2018)
Configurable Reports 6439i
Progress Bar 3626ii
(Completion Progress)
Level Up! 3142iii
Course Dedication 1629iv
Graph Stats 885v
Analytics Graphs 880vi
Heatmap 343vii
GISMO 342viii
Grade Distribution 250ix
Forum Graph 173x
Engagement Analytics 166xi
i https://moodle.org/plugins/stats.php?plugin=block_configurable_reports
ii https://moodle.org/plugins/stats.php?plugin=block_completion_progress
iii https://moodle.org/plugins/stats.php?plugin=block_xp
iv https://moodle.org/plugins/stats.php?plugin=block_dedication
v https://moodle.org/plugins/stats.php?plugin=block_graph_stats
vi https://moodle.org/plugins/stats.php?plugin=block_analytics_graphs
vii https://moodle.org/plugins/stats.php?plugin=block_heatmap
viii https://moodle.org/plugins/stats.php?plugin=block_gismo
ix https://moodle.org/plugins/stats.php?plugin=gradereport_gradedist
128
128 x https://moodle.org/plugins/stats.php?plugin=report_forumgraph
xi https://moodle.org/plugins/stats.php?plugin=block_engagement
Fonte: Elaboração própia.
Como critérios finais de exclusão teve a quantidade de sites com o

AVA Moodle que utiliza a ferramenta (tabela 2), descartando as 4 ferramentas
GISMO, Grade Distribution, Forum Graph e Engagement Analytics e por fim,
a exclusão da ferramenta Configurable Reports, que embora tenha alcançado
o topo de número de sites que a utiliza, demanda um certo manejo técnico
por parte dos docentes para a construção de relatórios personalizados (mesmo
sendo destacado que não é exigido conhecimento sobre SQL), sendo entendido
que desta forma seria mais direcionado aos gestores.
Portanto, as ferramentas selecionadas foram Analytics Graphs,

Course Dedication, Graph Stats, HeatMap, Level Up! e Completion Progress,
conforme observado na figura 4.

Figura 4. Ferramentas (plugins) utilizados pelos docentes.

Após selecionar as ferramentas (plugins) (figura 4) atendendo aos

critérios estabelecidos, estas foram instaladas em um servidor habilitado
contendo o AVA Moodle na versão 3.0.411 (figura 5), onde estavam inseridas
as disciplinas ministradas12 de cada um dos docentes envolvidos.
129
Inicialmente, ainda sem as ferramentas de LA habilitadas, os
docentes responderam um questionário semi-estruturado denominado pré-
experimento13. O objetivo deste questionário foi verificar o seu conhecimento
prévio perante o conceito abordado de LA.
A partir das respostas obtidas deste questionário, observa-se no

gráfico 1 que 70% dos docentes informaram que conseguiram, diante de
uma definição básica colocada no questionário, identificar com clareza os
recursos de LA presentes no AVA Moodle.
11
Optou-se por esta versão, por conta da compatibilidade com as versões dos
AVA-Moodle das IES que os docentes envolvidos atuam.
12
Foi solicitado o arquivo da última disciplina que o docente atuou na IES,
assegurando todos os critérios de privacidade e éticos, conforme comitê de ética, com
consentimento de ambas as partes envolvidas.
13
https://forms.gle/xT4zgRtUspaP9kme8

Figura 5. Disciplinas no servidor do AVA-Moodle dos docentes envolvidos.

130
130
Gráfico 1. Identificação de recursos de LA no AVA-Moodle pelos docentes.


Daqueles que informaram que conseguiram identificar os recursos

de LA, foram instigados a citar exemplos destes recursos no AVA Moodle que
eles atuam. As respostas foram categorizadas sendo evidenciadas na figura 6.
Figura 6. Nuvem de palavras evidenciando os recursos de LA identificados pelos

docentes nos AVA que atuam.
Fonte: Elaboração própia. 131
Observa-se na figura 6 que os recursos identificados foram diver-

gentes quanto ao foco principal da definição básica apresentada: “aprender
sobre o andamento da aprendizagem de seus discentes”, onde se destacam
as métricas, no entanto apareceram as interfaces (“fórum”, “tarefa”, “chat”,
“wiki” e “atividade”) e o “acesso”, excetuando-se de forma coerente as
palavras “relatório”, “notas” e “participação”.
Após este diagnóstico inicial, os docentes foram submetidos a

uma capacitação/treinamento, sendo mostrado o potencial dos seis plugins
selecionados com recursos de LA e habilitaram o uso desses recursos em
suas respectivas disciplinas.
Posteriormente, foram motivados a utilizar todos os conhecimentos

abordados sobre esses recursos de LA em suas respectivas disciplinas. Após
o experimento os docentes responderam outro questionário semi-estruturado
denominado pós-experimento14.
14
https://forms.gle/h3uGZ8HxUVJFrPWVA

Neste questionário os docentes foram perguntados inicialmente, se

já haviam utilizado antes algumas destas ferramentas (Course Dedication,
Analytics Graphs, HeatMap, LevelUp!, Completion Progress e Graph Stats),
todos que responderam informaram que não. Todos também responderam que
acreditam que perante as ferramentas de LA utilizadas é possível se fazer a
avaliação diagnóstica.
5. Resultados do experimento e discussões
Com base nas possíveis dez ações aqui já expostas, originadas a

partir da LA, os docentes informaram diante das seis ferramentas utilizadas,
qual ou quais ações, a partir dos objetivos de LA cada uma proporciona,
conforme apresentado no gráfico 2.
132
132
Adaptação Benchmarking Monitoramento Predição Reflexão/Iteração

Avaliação/Feedback Intervenção Personalização Recomendação Tutoria
Gráfico 2. Ações a partir dos objetivos de LA proporcionados pelas seis ferramentas

utilizadas pelos docentes envolvidos.
Nota-se no gráfico 2, que todos os nove docentes envolvidos, sem

exceção, identificaram as ferramentas “Analytics Graphs” e “Completion
Progress” como ação docente para “monitoramento”.

Gráfico 3. Porcentagem de ações da LA perante as ferramentas.

No gráfico 3, de forma mais sintetizada no tocante as ações, segun-

do os docentes envolvidos, diante da sua utilização perante as ferramentas
disponibilizadas de LA, oferecem ações com maior grau de “monitoramento”
133
(17,4%), seguido por “avaliação/feedback” (13,0%) e “intervenção” (12,0%).
Gráfico 4. Porcentagem correspondente das ferramentas perante as ações de LA.


Já no gráfico 4, no qual o foco são as ferramentas que oferecera

mais ações, as ferramentas que tiveram maiores destaques foram Completion
Progress (18,5%), Course Dedication (18,1%) e Level Up! (17,8%) com mais
ações de LA disponibilizadas, segundo os docentes envolvidos.
Embora Chatti et al. (2012) advertem que esses objetivos de LA

não são facilmente mensurados, necessitando de mais componentes de indi-
cadores e métricas de desempenho, sendo sugerido, por estes autores, uma
definição tripla de objetivo/indicador/métrica, constata-se aqui que segundo
a interpretação holística por parte dos docentes envolvidos as ferramentas
disponibilizadas e utilizadas dão subsídios para as suas prática avaliativas
diagnósticas.
Essa constatação é corroborada pelo resultado obtido pela seguinte

pergunta aos docentes envolvidos: “diante de tudo que você já visualizou no
curso de capacitação, você acredita que LA pode potencializar a sua prática
avaliativa no AVA?”, tendo como resultado 88,9% como sim.
Portanto, de acordo com a consolidação dos objetivos de LA baseando-

se nos modelos (Chatti et al., 2012) (Gasevic et al., 2017) e ciclos de vida
(Clow, 2012; Khalil & Ebner, 2015) apresentados, a LA representa, diante
134
134 das evidências identificadas e apresentadas pelos docentes envolvidos, um
relevante potencial para otimizar as ações pretendidas a fim de melhorar
a eficiência perante o andamento de um determinado processo de ensino-
aprendizagem.
6. Considerações finais
As IES precisam lidar com as tecnologias que incorporam rápidas

mudanças, atingindo principalmente os docentes, que segundo Martínez et
al. (2018) necessitam incorporar em sua prática, inovações nas metodologias
educacionais existentes, em prol da qualidade educacional.
Porém, o uso de uma nova tecnologia não se tem garantia de uma

inovação educacional, fazendo-se necessária à vinculação das tecnologias para
além de metodologias, com práticas e processos de mediação pedagógica
(Saccol et al., 2011). Conforme afirmam Vosgerau et al. (2016, p. 114) “ado-
tar, adaptar e apropriar as tecnologias na educação, em qualquer modalidade,
é uma urgência, que deverá ser planejada por equipes interdisciplinares”.

Silva (2015) destaca que é vantajoso o domínio dos docentes na

interação com as tecnologias atuais, periciando a prática na educação online
a partir dos AVA, embora a falta de capacitação mais robusta, incluindo a
acompanhamento científico de todos os temas relacionados a pedagogia em
prol da educação, elimina o contexto geral proposto por um planejamento
técnico-pedagógico.
O AVA Moodle possibilita a integração de algumas ferramentas,

como plugins e sistemas externos, capazes de promover a integração entre
a LA, que tem sido categorizadas com diferentes níveis de aprofundamento
em suas referidas integrações com os AVA.
Diante da tecnologia, tendo incorporado recursos de LA, o AVA re-

presenta um aliado para o apoio as ações docente. Porém, é preciso analisar
a partir das duras críticas que a área da tecnologia na educação enfrenta
quanto à carência de fundamentação teórica.
A LA nas IES proporciona além dos benefícios de refletir a apren-

dizagem do discente, fornecendo importantes subsídios para os docentes,
também pode trazer cooperação interinstitucional (Leitner et al., 2017).
Fica evidenciado que a LA é vista como um grande aliado para a melhoria
da qualidade da educação. Porém, conforme é percebido por Trigt (2016) é 135
que o tempo dirá se a customização da educação em LA a partir dos dados
dará certo ou não, embora se tenha razões suficientes para acreditar neste
incremento para a educação, em especial a de nível superior.
Referências bibliográficas
ABED (2017). Censo EAD.BR: relatório analítico da aprendizagem a distância no Brasil 2016.
ABED. Curitiba: InterSaberes.
Bitencourt, B. M., Severo, M. B., & Gallon, S. (2013). Avaliação da aprendizagem no ensino
superior: desafios e potencialidades na educação a distância. Revista Eletrônica
de Educação, 7(2), 211-226.
Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thüs, H. (2012). A reference model for learning
analytics. International Journal of technology enhanced learning (IJTEL) - Special
Issue on “State-of-the-art in TEL”, 1-22.
Clow, D. (2012). The learning analytics cycle: closing the loop effectively. Proceedings...LAK
‘12 Proceedings of the 2nd International Conference on Learning Analytics and
Knowledge, 134-138.
Daniel, B. (2015). Big Data and analytics in higher education: Opportunities and challenges.
British Journal of Educational Technology, 46(5), 904-920.

Dodun, O., Panaite, E., Seghedin, N., Nagît, G., Dusa, P., Nestian, G. Slatineanu (2015).
Analysis of an e-learning platform use by means of the axiomatic design. In: 9.
International conference on axiomatic design (ICAD 2015). Proceedings...Florence,
Italy, v. 34, p. 244-249.
Einhardt, L., Tavares, T.A., & Cechinel, C. (2016, October). Moodle analytics dashboard: a
learning analytics tool to visualize users interactions in moodle. In XI Latin American
Conference on Learning Objects and Technology (LACLO) (pp. 1-6). IEEE.
Ekuase-Anwansedo, A., Craig, S. F., & Noguera, J. (2018). How to survive a learning management
system (LMS) implementation? A stakeholder analysis approach. Proceedings...18th
SIGUCCS, p. 165-168.
Gasevic, D., Kovanovic, V., & Joksimovic, S. (2017). Piecing the learning analytics puzzle: a
consolidated model of a field of research and practice. Journal Learning: Research
and Practice, 3, 63-78.
Khalil, M., & Ebner, M. (2015). Learning analytics: principles and constraints. Proceedings of
world conference on educational multimedia, hypermedia and telecommunications,
1326-1336.
Leitner, P., Khalil, M., & Ebner, M. (2017). Learning analytics in higher education: a literature
review. In: A. Peña-Ayala (ed.) Learning analytics: fundaments, applications, and
trends. Springer international publishing, 1-23.
Machado, L. R., Longhi, M. T., & Behar, P. A. (2013). Domínio tecnológico: saberes e fazeres
na educação a distância. In: P. A. Behar, Competências em educação a distância
(pp. 56-80). Porto Alegre: Penso.
136
136
Iglesias, M.J., Lozano, I., & Roldán, I. (2018). La calidad e innovación educativa en la formación
continua docente: un estudio cualitativo en dos centros educativos. Revista
Iberoamericana de Educación, 77(1), 13-34. Disponível em: https://bit.ly/2UXeBRd
Medio, C. de, Gasparetti, F., Limongelli, C., Sciarrone, F., & Temperini, M. (2017). Course-Driven
Teacher Modeling for Learning Objects Recommendation in the Moodle LMS. In:
UMAP’17 Adjunct, Bratislava, Slovakia. Proceedings...Bratislava, p. 141-145.
MOODLE. Learning Analytics. 2017. Disponível em: https://bit.ly/2KxaqHX.
Peña-Ayala, A. (2017). Learning analytics: fundaments, applications, and trends: a view of the
current state of the art to enhance e-learning. Cham: Springer.
Polak, Y.N. (2009). A avaliação do aprendiz em EAD. In: F. M. Litto, & M. Formiga, (orgs.).
Educação a distância: o estado da arte (pp. 153-160). São Paulo: Pearson Education
do Brasil, .
Saccol, A., Schlemmer, E., & Barbosa, J. (2011). M-learning e u-learning: novas perspectivas
das aprendizagens móvel e ubíqua. São Paulo: Pearson Prentice Hall.
Siemens, G. (2010). What are learning analytics? In: Elearnspace: learning, networks, knowledge,
technology, community. Disponível em: https://bit.ly/2PcZKQE.
Siemens, G. (2013). Learning analytics: the emergence of a discipline. Journal American

Behavioral Scientist, 57(10), 1380–1400.
Silva, A.C., Leite, L.S., & Silva, C.M. (2009). Avaliação da aprendizagem em ambientes virtuais:
é possível inovar? Revista Meta: Avaliação, Rio de Janeiro, 1(2), 237-248.
Silva, R.S. (2013). Gestão de EaD: educação a distância na era digital. São Paulo: Novatec.

Silva, R. S. (2015). Ambientes virtuais e multiplataformas online na ead. São Paulo: Novatec.
Trigt, M. V. (2016). How data can improve the quality of higher education. SURFnet.. Disponível
em: https://bit.ly/2GhZ2vn.
Vosgerau, D., Brito, G. S., & Camas, N. (2016). PNE 2014-2024: Tecnologias educacionais e
formação de professores. Revista Formação Docente, 8(14),103-118.
137

Una propuesta piloto de herramienta analítica

del aprendizaje para la mejora de procesos colaborativos
en la plataforma Blackboard
Shamaly Alhelí Niño Carrasco
Juan Carlos Castellanos Ramírez
Esperanza Viloria Hernández
1
Universidad Autónoma de Baja California (UABC), México
Resumen. Se presenta un estudio centrado en un conjunto de indicadores relacio-

nados con el modelo de influencia educativa distribuida, susceptibles de desarrollar
una herramienta analítica del aprendizaje, que ayude a proporcionar feedbacks for-
mativos. Para ello, se explora el efecto que la entrega de información relacionada con
este modelo tiene sobre la mejora de los procesos colaborativos de los participantes
en la plataforma digital Blackboard. Se realizó un estudio cualitativo de casos con 24
estudiantes de licenciatura, que participaron en cinco foros de discusión en línea. Los
resultados muestran que la entrega de información, potencia la mejora de los proce-
sos colaborativos en las etapas iniciales de la tarea. Se concluye, que la información
asociada al modelo teórico tiene un efecto mayor sobre los procesos colaborativos de
los grupos que contaron con esta información; esto refuerza el interés por analizar,
en profundidad, las dinámicas particulares de cada grupo para comprender el efecto
de la información en las mismas.
Palabras clave: aprendizaje colaborativo; aprendizaje virtual; construcción del cono-
cimiento; educación superior; tecnología digital.
Uma proposta piloto de ferramenta analítica de aprendizagem para a melhoria de
processos colaborativos na plataforma Blackboard 139
Resumo. Apresenta-se um estudo centrado em um conjunto de indicadores relativos ao
modelo de influência educacional distribuída e que são capazes de desenvolver uma
ferramenta analítica de aprendizagem, facilitando o fornecimento de feedbacks para
a formação. Portanto, é analisado o efeito que a entrega das informações relacionadas
com este modelo tem sobre a melhoria dos processos colaborativos dos participantes 139
da plataforma digital Blackboard. Um estudo de caso qualitativo foi realizado com 24
estudantes de graduação, que participaram de cinco fóruns de discussão on-line.
Os resultados mostram que a entrega de informação potencializa a melhoria dos
processos colaborativos nos estágios iniciais da tarefa. Conclui-se que as informações
associadas ao modelo teórico têm um efeito maior sobre os processos colaborativos
dos grupos que obtiveram estas informações. Isso reforça o interesse em analisar mais
detalhadamente a dinâmica particular de cada grupo, a fim de compreender o efeito
da informação em cada um deles.
Palavras-chave: aprendizagem colaborativa; aprendizagem virtual; construção do
conhecimento; educação superior; tecnologia digital.
Developing a pilot Learning Analytic tool for the improvement of collaborative
processes in Blackboard platform.
Abstract. This work presents a study focused on a set of indicators related to the model of
distributed educational influence that helps the design of a Learning Analytic to provide
formative feedback. It explores the effect of providing information related to such model
on the collaborative processes of the participants in Blackboard digital environment. A
qualitative case study was conducted with 24 undergraduate students who participated
in five online discussion forums. The results suggest that providing information has
an effect on the improvement of collaborative processes just at the initial phases. It
is concluded that the information related to the theoretical model has a greater effect
on the collaborative processes of the groups that handled this information; the above
idea reinforces the interest to analyze, in depth, the particular dynamics of each group
to understand the effect of the information on the configuration of such dynamics.
Keywords: collaborative learning; digital technology; higter education; knowledge
construction; virtual learning.

Una propuesta piloto de herramienta analítica del aprendizaje para la mejora de procesos colaborativos en...
1. Introducción
El uso de las tecnologías digitales para apoyar y guiar los procesos

colaborativos de los estudiantes es en la actualidad uno de los focos que más
interés despierta en la investigación psicoeducativa (Dillenbourg, Järvelä, y
Fischer, 2009; Kirschner y Erkens, 2013; Jeong y Hmelo-Silver, 2016). En este
ámbito ocupa un lugar destacado el campo de investigación y diseño conocido
como analíticas del aprendizaje (LA, por sus siglas en inglés), definido como
“the measurement, collection, analysis and reporting of data about learners
and their contexts, for purposes of understanding and optimizing learning
and the environments in which it occurs” (Siemens y Long, 2011, p. 34).
Otras propuestas cercanas como las herramientas del análisis de

la interacción (Dimitracopoulou, 2008), de conciencia de grupo (Dehler,
Bodemer, Buder y Hesse, 2011) o la minería de datos educativos (García,
Romero, Ventura, y de Castro, 2011) comparten con las herramientas analí-
ticas el interés en diseñar herramientas para proporcionar información a los
participantes en tiempo real sobre la actividad que desarrollan, con el fin de
ayudarlos a mejorar los procesos de colaboración. Estas líneas de investiga-
ción, más allá de las diferencias de estas propuestas, comparten el desarrollo
de métodos para explotar el enorme caudal de datos sobre la actividad de
140
140 los usuarios, que quedan registradas automáticamente en las plataformas
educativas, con el fin de optimizar los procesos de enseñanza y aprendizaje.
La finalidad última, es que la información brindada a los profe-

sores y estudiantes guíe y oriente sus actuaciones, ayudándoles a mejorar
sus experiencias de enseñanza y aprendizaje en línea. No obstante, algunos
autores (Brown, 2012; Ferguson, 2012) destacan que el desarrollo de una
herramienta analítica que contribuya a mejorar el aprendizaje colaborativo en
línea, requiere fundamentar teóricamente los datos que deben recopilarse,
su procesamiento e, incluso, los formatos de presentación y visualización. En
la misma línea, Durall y Gros (2014) y Gros (2016) señalan la importancia
de que las herramientas analíticas de aprendizaje constituyan una fuente de
apoyo para generar feedbacks formativos, que sean útiles para profesores y
estudiantes.
En este marco, el trabajo que ahora se presenta es una propuesta

piloto de herramienta analítica del aprendizaje, sustentada en un conjunto de
indicadores basados en el modelo de influencia educativa distribuida (IED),
que han sido desarrollados desde el ámbito de la psicología educativa (Coll,
Bustos, y Engel, 2015; Coll, Engel, y Niño 2017). Por lo tanto, el objetivo de
este trabajo es analizar el efecto que tiene proporcionar información basada
en los indicadores de IED sobre los procesos colaborativos de los participantes
en una plataforma digital Blackboard.

S. A. Niño, J. C. Castellanos, E. Viloria .
Para ello se describe el modelo de IED y las dimensiones e indi-

cadores que se han retomado desde este modelo para ser aplicados en la
plataforma digital Blackboard. Después, se presenta el marco metodológico
empleado para recopilar, analizar y entregar a los participantes la información
de su propia actividad. Posteriormente, se presentan los resultados vinculados
con el objetivo de la investigación y, finalmente, se valoran los resultados y
las implicaciones para la mejora de la propuesta.
2. El modelo de influencia educativa distribuida
El concepto de ayuda o influencia educativa (IE) nace de una serie

de trabajos sobre el análisis de las prácticas educativas en contextos presen-
ciales, fundamentados en una aproximación constructivista y sociocultural de
los procesos de enseñanza y aprendizaje (ver, por ejemplo, Coll, Colomina,
Onrubia, y Rochera, 1992; Coll, Onrubia, y Mauri, 2008; Colomina, Onrubia,
y Rochera, 2001). La IE hace referencia a los procesos interpsicológicos
mediante los cuales los profesores, u otros agentes educativos, ayudan a los
estudiantes a construir significados progresivamente más ricos, complejos y
válidos sobre los contenidos de enseñanza y aprendizaje.
141
Sin embargo, no toda ayuda constituye necesariamente una ayuda
eficaz. La condición básica que deben cumplir los procesos de ayuda o IE para
ser eficaces, es la de estar estrechamente vinculados y ajustados al desarrollo
y evolución de los procesos de construcción de significados y de atribución
de sentido que llevan a cabo los estudiantes. Por lo tanto, esta ayuda tiene
necesariamente que ser contingente y variada, en cantidad e intensidad, para
ajustase a los avances y retrocesos que presenten los estudiantes a lo largo
del proceso de aprendizaje (Coll, 2010).
Como se aprecia, en las situaciones de construcción guiada del cono-

cimiento, la fuente principal de ayudas y apoyos al aprendizaje es el profesor.
Sin embargo, en los procesos de construcción colaborativa del conocimiento,
todos los participantes son fuentes potenciales de ayuda educativa para el
resto (Bustos, 2011; Bustos, Coll, y Engel, 2009; Coll, Bustos, Engel, de
Gispert, y Rochera, 2013). Partiendo de lo anterior, el concepto de influencia
educativa distribuida (IED) subraya la idea de que el ejercicio de la IE en
las situaciones colaborativas se distribuye entre todos los participantes, ya
que todos son fuentes potenciales de ayuda y pueden, en mayor o menor
medida, contribuir al desarrollo de procesos de aprendizaje más complejos.

En concreto, en los procesos de aprendizaje colaborativo mediados

por ordenador, la posibilidad de que los participantes sean capaces de ofrecer
y recibir ayudas de manera efectiva depende del cumplimiento de ciertas
exigencias (Coll, Bustos, y Engel, 2011; 2015; Coll, Engel, y Bustos, 2009;
Engel, Coll, y Bustos, 2013). El primer tipo de exigencias, que los autores
refieren, está relacionado con el acceso periódico que los participantes deben
realizar al entorno digital, con realizar contribuciones y leer las publicaciones
del resto de los participantes y, además, con el hecho de establecer relacio-
nes recíprocas y responsivas a través de lo que se escriben y se responden.
El segundo tipo de exigencias remite mucho más al contenido y a la

calidad de las contribuciones de los participantes, por lo que se espera que
entre todos gestionen las tres dimensiones esenciales que, desde el marco
teórico de IED, son esenciales para el desarrollo de los procesos de enseñanza
y aprendizaje: la gestión de la participación social, de la tarea académica y
de los significados. Como Coll, Engel y Niño (2017) comentan, la gestión
de la participación social remite a quién puede hacer o decir qué, cuándo,
cómo, dirigiéndose a quién y con qué medios; la gestión de la tarea académi-
ca versa sobre el qué hay que hacer, cómo y mediante qué procedimientos,
qué tarea académica se debe generar y qué características debe tener; y la
gestión de los significados está relacionada con los contenidos de enseñanza
142
142 y aprendizaje, como son la presentación de información, las peticiones de
aclaraciones, las manifestaciones de acuerdo, las valoraciones críticas sobre
lo que se está construyendo, entre otras.
El modelo de IED (Coll, Engel, y Niño, 2017) contempla dos tipos

de indicadores que, por un lado, informan sobre los aspectos y dimensiones
de la actividad colaborativa e individual de los participantes y, por otro lado,
constituyen una buena base para diseñar una herramienta analítica con las
características que ya se han mencionado. De acuerdo con la tabla 1, en el
primer tipo de indicadores (celdas sombreadas) se encuentran los índices
de carácter estructural relacionados con el primer grupo de exigencias que
se mencionaron (acceso al entorno, escritura y lectura de contribuciones,
establecimiento de relaciones); el segundo grupo de indicadores (celdas sin
sombrear) está basado en el contenido de las contribuciones relacionados
con las tres dimensiones de la gestión de la IED.

Tabla 1. Indicadores de carácter estructural y de contenido asociados al modelo de IED
Indicadores Descripción
Índice individual de acceso Número de días que un participante accede al entorno en línea
(IIA) en el que se desarrolla la actividad sobre el número total de días
de duración de la actividad
Patrón individual de acceso Continuidad del acceso al entorno en línea
(PIA)
Índice individual de lecturas Proporción de contribuciones leídas por un participante con
(IIL) respecto al total de contribuciones hechas por el resto de los
participantes
Índice individual de contri- Proporción de contribuciones escritas por un participante en
buciones (IIC) relación con las requeridas para la realización de la tarea
Patrón individual de contri- Distribución de las contribuciones escritas por un participante a
buciones (PIC) lo largo del desarrollo de la tarea
índice individual de recipro- Proporción de relaciones comunicativas recíprocas que establece
cidad (IIR) un participante con otros participantes sobre el total de relaciones
recíprocas posibles que podría llegar a establecer
Índice grupal de acceso (IGA) Sumatorio de los días que los diferentes participantes acceden
al entorno en línea sobre los días de duración de la actividad por
el número de participantes
Índice grupal de lecturas Total de contribuciones leídas por todos los participantes sobre
(IGL) el número de lecturas posibles de las contribuciones realizadas
por todos los participantes
Índice grupal de contribucio- Total de contribuciones escritas por todos los participantes sobre
nes (IGC) el número esperado de contribuciones según las directrices de 143
desarrollo de la actividad
Índice de densidad de la Proporción de relaciones comunicativas reales que establecen los
red (IDR) participantes con otros participantes sobre el total de relaciones
posibles que podrían llegar a establecer [n(n-1)]
Índice grupal de reciprocidad Proporción de pares de participantes que tienen conexión recí-
(IGR) proca entre sí
índice individual de gestión Contribuciones o fragmentos de contribuciones que el participante
de la participación social (IIP) dedica a gestionar la participación social sobre el total de contri-
buciones o fragmentos de contribuciones del mismo participante
Índice individual de gestión Contribuciones o fragmentos de contribuciones que el participante
de la tarea académica (IIT) dedica a gestionar la tarea académica sobre el total de contribu-
ciones o fragmentos de contribuciones del mismo participante
Índice individual de gestión Contribuciones o fragmentos de contribuciones que el participante
de los significados (IIS) dedica a gestionar los significados sobre el total de contribuciones
o fragmentos de contribuciones del mismo participante
índice grupal de gestión de Contribuciones o fragmentos de contribuciones que el grupo dedica
la participación social (IGP) a gestionar la participación social sobre el total de contribuciones o
fragmentos de contribuciones del conjunto de miembros del grupo
índice grupal de gestión de la Contribuciones o fragmentos de contribuciones que el grupo dedica
tarea académica (IGT) a gestionar la tarea académica sobre el total de contribuciones o
índice grupal de gestión de Contribuciones o fragmentos de contribuciones que el grupo de-
los significados (IGS) dica a gestionar los significados sobre el total de contribuciones o
Nota. Adaptada de Coll, Engel y Niño, 2017, p. 6-8.

Para fines del estudio, del conjunto de índices presentados en la

tabla anterior se han seleccionado únicamente aquellos que permiten un
rápido análisis de la actividad de los participantes y, sobre todo, aquellos
cuyos registros de actividad permitieron un acceso directo a los investigado-
res. Así, de los indicadores de tipo estructural se han seleccionado el IIA, el
PIA, el IIC, el PIC y el IIR; de los indicadores derivados del contenido de las
contribuciones, únicamente se han considerado los índices individuales que
son el IIP, el IIT y el IIS.
Como se muestra, más adelante, el conjunto de valores obtenidos en

estos índices e indicadores permite confeccionar el perfil de cada participante
y clasificarlo en función de su proximidad o lejanía a un perfil teóricamente
idóneo según el modelo de IED.
3. Metodología
El trabajo realizado puede caracterizarse como un estudio de caso

en situación natural (Yin, 2006), aproximación metodológica utilizada habi-
tualmente para analizar y comprender en profundidad procesos de aprendizaje
144
144 colaborativo en línea (Stahl, Koschmann, y Suthers, 2006).
3.1 Contexto y participantes

Participaron 24 estudiantes (20 mujeres y cuatro hombres) que
cursaban una asignatura de carácter obligatorio de una licenciatura en la
Universidad Autónoma de Baja California; los contenidos de enseñanza y
aprendizaje se abordaron a lo largo de dieciséis sesiones presenciales.
De dichos contenidos temáticos, el estudio comprende aquellas

actividades que los estudiantes desarrollaron, paralelamente, en línea. En
concreto, las situaciones de observación del estudio corresponden a los con-
tenidos temáticos desarrollados en cinco semanas: en el periodo comprendido
entre una sesión presencial y la siguiente, los 24 estudiantes del grupo clase
organizados en cuatro grupos, formados al azar por 6 estudiantes cada uno,
debían trabajar de manera colaborativa y asíncrona en la elaboración de un
informe escrito que contemplara los rasgos distintivos del contenido temático
abordado en la sesión presencial. Los estudiantes contaban para elaborar
dicho informe con un foro de comunicación de la plataforma Blackboard.

3.2 Diseño
Para valorar el efecto que la información de la actividad de los
participantes tiene sobre sus propios procesos, al inicio de cada foro de ela-
boración del informe, se les entregó información individual sobre la actividad
del foro que acababan de finalizar; para ello se utilizó el correo electrónico
institucional de los participantes. Por lo tanto, de los cinco foros programa-
dos, los estudiantes recibieron la información correspondiente a la actividad
desarrollada en cuatro foros: la primera entrega de información se realizó
toda vez que concluyó el foro 1 con fines de mejora de la actividad del foro
2, las tres entregas restantes también se realizaron al término de cada foro
y previo al inicio del siguiente.
Cabe señalar que se establecieron cuatro condiciones distintas. Así,

a un grupo de estudiantes –GA– se le proporcionó la información derivada
del análisis estructural de su actividad. El conjunto de indicadores de este
primer tipo de información se calculó con los datos recogidos directamente de
la plataforma Blackboard, ya que al ser una plataforma que opera de manera
institucional, no fue posible acceder a los registros de actividad del curso. La
tabla 2 presenta los indicadores que se retomaron de la propuesta de Coll,
Engel y Niño (2017) y para los que se señaló el valor por encima del cual
se consideraba que el nivel de actividad del participante era teóricamente
145
adecuado para ejercer la IE en el aspecto o dimensión al que remite el índice
en esta actividad en particular (ver tabla 2).
Tabla 2. Información de naturaleza estructural entregada a los participantes del GA

Indicadores individuales Valor idóneo
Índice individual de acceso (IIA) ≥ 0,50; el participante accede, al menos, cuatro
días a la plataforma
Patrón individual de acceso (PIA) Continuo, cuando el participante no presenta
ningún período de más de dos días sin acceso
al foro en línea
Índice individual de contribuciones (IIC) ≥ 1,50; el participante contribuye más de lo
requerido en la actividad
Índice individual de reciprocidad (IIR) ≥ 0,60; el participante se relaciona recíprocamente
con la mayoría de los participantes
A otro grupo de estudiantes –GB– se le entregó información de-

rivada del análisis de contenido de las contribuciones aportadas en el foro
anterior. En este caso, la elaboración de la información se realizó mediante
la codificación de las contribuciones de los participantes en términos de las
tres dimensiones implicadas en el ejercicio de la IED. A diferencia de los

indicadores anteriores, para los indicadores derivados del análisis de contenido

de las contribuciones no se señalaba un nivel de actividad más adecuado
que otro para ejercer la IE (ver la tabla 3).
Tabla 3. Información sobre el contenido de las contribuciones entregada a los

participantes del GB
Dimensiones Indicadores
índice individual de ges- % individual de las categorías de participación social identificadas
tión de la participación en las contribuciones e interpretación sobre cómo se realizó la
social (IIP) gestión de esta dimensión.
índice individual de ges- % individual de las categorías de tarea académica identificadas en
tión de la tarea académica las contribuciones e interpretación sobre cómo se realizó la gestión
(IIT) de esta dimensión.
índice individual de ges- % individual de las categorías de significados identificadas en las
tión de los significados contribuciones e interpretación sobre cómo se realizó la gestión de
(IIS) esta dimensión.
A un tercer grupo de estudiantes –GC– se entregó los dos tipos de

informaciones anteriores. Finalmente, un cuarto grupo de participantes –GD–
recibió únicamente valoraciones generales sobre el cumplimiento de la tarea.
146
146 3.3 Análisis de los datos
Como ya se adelantaba, para el análisis de la actividad de los
participantes se han utilizado los datos registrados directamente de la pla-
taforma Blackboard. El procedimiento seguido ha consistido en seleccionar
el conjunto de indicadores de tipo estructural mencionados en la Tabla 2.
El análisis realizado a través de dichos indicadores ha permitido identificar
perfiles individuales de actividad que pueden ser valorados en función de su
mayor o menor proximidad a un perfil teóricamente idóneo.
En la tabla 4 se presenta el número total de datos recogidos en cada

foro para realizar el cálculo de los indicadores mencionados y la identificación
de los perfiles de actividad.
De manera adicional, para analizar la utilidad que los participantes

otorgan a la información entregada para mejorar su actividad en los foros,
se les administró un cuestionario después de cada entrega. En total, se
administraron cuatro cuestionarios en los que los participantes tuvieron que
valorar el grado de utilidad de las informaciones recibidas, mediante una
escala tipo Likert de cuatro puntos. A efectos de visualizar la evolución de las
valoraciones sobre la información entregada se han sumado las puntuaciones
obtenidas por cada ítem en cada foro.

Tabla 4. Número total de datos recogidos en cada foro

Grupo F1 F2 F3 F4 F5
GA Días diferentes de acceso 4 6 5 5 4
Contribuciones 50 48 54 51 49
Relaciones recíprocas 13 19 14 22 14
GB Días diferentes de acceso 3 4 4 5 4
GC Días diferentes de acceso 3 7 6 5 5
GD Días diferentes de acceso 3 4 4 4 4
4. Resultados 147
En este apartado se presentan, primero, los resultados correspon-

dientes a la evolución de los indicadores relacionados con el ejercicio de la
IE alcanzados por los grupos a lo largo del desarrollo de los distintos foros
y, después, los resultados relativos a las valoraciones que los participantes
hacen sobre la utilidad de la información recibida.
4.1 Evolución de los índices

Como se aprecia en la tabla 5, hay sendas diferencias entre el
número de participantes que alcanzan el valor idóneo de los cuatro indica-
dores en el F1 y el resto de los foros; sin embargo, el cumplimiento de cada
indicador varía entre cada grupo. En detalle, en los cuatro grupos se observa
que el IIA, PIA y el IIC son los tres indicadores cuyo valor idóneo alcanza
el mayor número de participantes y, además, este buen número parece sos-
tenerse con el transcurso de los foros, excepto en GD donde el número de
participantes que alcanzan el valor idóneo del PIA disminuye en el F3 y se
sostiene hasta el F5.

Con respecto al último indicador, el IIR, llama la atención que

únicamente el GB es el grupo en el que al menos cuatro o más participantes
alcanzan siempre el valor idóneo, mientras que en el resto de los grupos este
número fluctúa en cada foro.
Tabla 5. Número de participantes que alcanzan el valor idóneo de los indicadores

en cada foro
Grupo Indicadores F1 F2 F3 F4 F5
GA IIA 5 6 6 6 6
(N=6) PIA 4 6 6 6 5
IIC 6 5 6 6 6
IIR 2 6 3 6 3
GB IIA 6 6 6 6 6
(N=6) PIA 5 6 6 6 6
IIC 6 6 6 5 4
IIR 2 6 4 4 5
GC IIA 3 6 6 6 6
(N=6) PIA 1 5 6 6 6
IIC 6 6 6 6 4
148
148 IIR 0 4 5 4 2
GD IIA 3 5 6 6 6
(N=6) PIA 1 5 4 4 4
IIC 5 6 6 6 6
IIR 0 2 3 1 2
En la tabla 6 se presenta el número de indicadores de IED que los

participantes (P1, P2, P3, P4, P5 y P6 en cada grupo) cumplen en cada
uno de los cinco foros (F1, F2, F3, F4 y F5), así como el número de veces
que obtienen el perfil idóneo de actividad al cumplir con los cuatro indica-
dores de naturaleza estructural analizados. Las celdas sombreadas con gris
corresponden a los foros en los que el participante alcanza el perfil idóneo
para el ejercicio de la IE.

Tabla 6. Número de indicadores de IE que los participantes cumplen en cada foro
Nº foros (F2-F5)
Grupo Foro F1 F2 F3 F4 F5 con todos los
indicadores
Participantes
P1 1 4 3 4 2 2
P2 4 3 4 4 4 3
GA P3 4 4 4 4 3 3
(N=6) P4 3 4 4 4 4 4
P5 2 4 3 4 3 2
P6 3 4 3 4 4 3
Nº de participantes con todos
2 5 3 6 3
los indicadores
P1 2 4 4 3 3 2
P2 3 4 4 4 3 3
GB P3 3 4 3 3 4 2
(N=6) P4 3 4 4 4 4 4
P5 4 4 3 3 3 1
P6 4 4 4 4 4 4
los indicadores
2 6 4 3 3 149
P1 0 2 3 3 4 1
P2 1 3 4 4 3 2
GC P3 2 4 4 4 2 3
(N=6) P4 1 4 4 4 2 3
P5 2 4 4 3 4 3
P6 3 4 4 4 3 3
0 4 5 4 2
los indicadores
P1 3 4 2 3 3 1
P2 1 4 3 2 3 1
GD P3 0 1 2 2 2 0
(N=6) P4 1 3 4 3 4 2
P5 2 3 4 3 2 1
P6 2 3 4 3 4 2
0 2 3 0 2
los indicadores

Como se aprecia en la tabla 6, en términos generales, las mayores

diferencias entre el número de indicadores que cumplen los participantes de
los distintos grupos se sitúan principalmente entre el primer foro, en el que
no reciben ningún tipo de información, y el resto de los foros, donde sí la
reciben. En concreto, en el F1 aparecen dos participantes en los grupos GA
y GB que cumplen con el perfil idóneo de actividad, es decir, que alcanzan el
valor idóneo de los cuatro indicadores de naturaleza estructural; en cambio,
en GC y GD no se observan participantes que cumplan con esta característica.
Después, tras la primera entrega de información, en el F2 la gran mayoría
de los participantes alcanza dicho perfil, excepto en GD en donde solamente
aparecen dos participantes que cumplen con el valor idóneo de los cuatro
indicadores. De manera similar, el número de participantes con perfil idóneo
en el resto de los foros es siempre mayor que en el F1, menos en GD que
presenta un foro (F4) en el que nuevamente ningún participante alcanza el
valor idóneo de los cuatro indicadores.
Al contrastar los grupos, haciendo una lectura horizontal de la tabla

6, se aprecia que en los foros en los que reciben información (F2-F5) el número
de participantes que alcanza el perfil idóneo en tres o más foros es mayor en
GA (cuatro participantes, P2, P3, P4 y P6), en GB (tres participantes, P2,
P4 y P6) y en GC (cuatro participantes, P3, P4, P5 y P6), a diferencia de GD
150
150 en el que no se observan participantes que cumplan con esta característica.
Al hacer una lectura por foros, de manera vertical, también se observa que
globalmente el GD presenta menos participantes con perfil idóneo, ya que
ningún foro presenta más de tres participantes que alcancen el valor idóneo
de los cuatro indicadores; por el contrario, GA, GB y GC se distinguen porque
en cada foro en el que reciben información hay tres o más participantes con
perfil idóneo, exceptuando el F5 del GC en donde únicamente aparecen dos
participantes con esta característica.
4.2 Evolución de las valoraciones sobre la utilidad de la información

Los cuestionarios que cumplimentaron los estudiantes al finalizar
los foros F2 a F5 exploraban dos aspectos concretos: el grado de utilidad de
las informaciones recibidas para mejorar el proceso de colaboración y para
mejorar la propia actividad individual. En la tabla 7 se muestra el total de
puntuaciones de los miembros del grupo otorgadas a cada uno de estos as-
pectos en una escala Likert, donde 1 punto correspondía a muy poco útil y 4
a muy útil. Las celdas sombreadas corresponden a las valoraciones sobre la
utilidad de la información para mejorar el proceso colaborativo; las celdas sin
sombrear corresponden a las valoraciones sobre la utilidad de la información
para mejorar la actividad individual.

Tabla 7. Valoraciones sobre la utilidad de las informaciones para mejorar la partici-

pación en los foros siguientes
F2 F3 F4 F5
27 26 24 22
GA
26 24 24 21
28 26 26 25
GB
25 24 24 25
27 27 26 26
GC
27 26 26 27
En términos generales, en los tres grupos que recibieron información

se observa una disminución progresiva de las puntuaciones dadas por los
participantes a cada uno de los ítems. Como se observa, las puntuaciones
que los participantes conceden a la utilidad de la información son más altas
cuando la reciben por primera vez (al inicio de F2) y en los foros siguientes
estas puntuaciones suelen ser más bajas; este patrón se observa tanto en
las puntuaciones de la utilidad de la información para mejorar el proceso de
colaboración como la propia actividad de los participantes.
En el caso de los grupos GB y GC llama la atención el patrón que

presentan las puntuaciones otorgadas a la utilidad de la información para 151
mejorar la actividad individual (celdas sin sombrear), ya que a pesar de
que estas puntuaciones bajan mínimamente en dos foros subsecuentes a la
primera valoración, en los foros restantes estas puntuaciones son iguales a
la que presenta el primer foro.
5. Discusión y conclusiones
Con el propósito de avanzar en el diseño de herramientas analíticas

más ricas, que consideren la complejidad de los procesos de enseñanza y
aprendizaje (Dawson y Siemens, 2014), en este artículo se ha recogido la
propuesta de métrica de Coll y colaboradores (Coll, Bustos, y Engel, 2015;
Coll, Engel, y Niño 2017) para adaptarla a la plataforma digital Blackboard.
Lo anterior obedece ante el llamado de atención que Brown (2012) y Ferguson
(2012) hacen con respecto a la urgencia de diseñar herramientas analíticas
con un sustento teórico sobre el aprendizaje. Es así, como el modelo de
IED y la métrica propuesta desde dicho modelo teórico, permiten identificar
perfiles diferenciados de la actividad de los participantes en función de su
mayor o menor proximidad a un perfil teóricamente idóneo para el ejercicio
de la IE. Además, cabe mencionar que este estudio se ha realizado en una
situación educativa real y natural desarrollada en el marco de una asignatura

que complementa las actividades presenciales con un trabajo sostenido en

línea, superando las limitaciones que presentan muchos de los trabajos en
este ámbito que se realizan en situaciones artificiales.
Los resultados presentados permiten realizar una serie de conclu-

siones. En primer término, tal parece que la entrega de información asociada
al modelo teórico de IED tiene como efecto que un mayor número de parti-
cipantes de los grupos (GA, GB y GC) que reciben algún tipo de información
alcancen el perfil idóneo de IE frente al grupo (GD) que no recibe información
asociada al modelo de IED.
En segundo término, aunque el efecto es más notable en los tres

grupos tras la primera entrega de información, este efecto va disminuyendo
paulatinamente con el transcurso de los foros. Además, tal parece que el he-
cho de contar con un solo tipo de información, como en el caso de los grupos
GA y GB, contribuye a que la mayoría de los participantes alcance el valor
idóneo de los indicadores asociados el ejercicio de la influencia educativa,
ya que en cada foro se observa que la mitad o más de la mitad de los parti-
cipantes cumple con dicha característica. Cabe hacer notar que, según los
resultados, tal parece que cuando los participantes cuentan con algún tipo de
información asociada al modelo teórico de IED se favorece el establecimiento
152
152 de relaciones recíprocas, especialmente cuando esta información se deriva
del propio contenido de sus contribuciones.
En tercer término, las valoraciones que realizan los estudiantes sobre

la utilidad de la información recibida son la primera vez más altas y, a medida
que se suceden los foros, disminuyen progresivamente. No obstante, conviene
hacer notar que las puntuaciones que permanecen ligeramente más estables
son aquellas que los participantes de los grupos (GB y GC) que recibieron
información derivada del análisis de contenido de sus contribuciones, lo que
podría indicar que la información de naturaleza cualitativa es mejor valorada
por los participantes que la información de naturaleza cuantitativa. De hecho,
según las valoraciones realizadas por los participantes de los mismos grupos
puede decirse que la información resulta mucho más útil para mejorar la ac-
tividad individual que la actividad grupal. En este sentido, también es posible
que el haber entregado únicamente información individual haya influido en
las buenas valoraciones que recibió este aspecto.
Hasta aquí, los resultados obtenidos en este trabajo de carácter

exploratorio, avalan el interés de la propuesta; pero, también ponen de mani-
fiesto la necesidad de ampliar y enriquecer la aproximación utilizada en este
trabajo. Por una parte, se considera especialmente pertinente analizar más
detalladamente las dinámicas particulares que establecen los participantes
en el seno del grupo como posible vía para comprender el efecto de la infor-

mación en las mismas. Para ello, puede ser particularmente útil incorporar un
análisis del contenido de las contribuciones de los participantes, que permita
complementar las informaciones obtenidas a partir del análisis estructural y
definir perfiles más complejos o modalidades distintas de ejercicio de la IE,
que den cuenta de las dinámicas particulares que se instauran en los grupos.
Por otra parte, también se considera necesario profundizar en las

razones por las cuales la información no parece tener un efecto continuado en
la actividad de los participantes. En este sentido, una posible vía de desarro-
llo de futuras investigaciones sería estudiar el efecto que tiene proporcionar
información tanto individual como grupal, cuando los miembros de los grupos
llevan un tiempo colaborando y han establecido unas dinámicas propias de
trabajo conjunto. El retomar la consideración anterior permitiría explorar, en
futuros estudios, la incidencia de la información en la actividad individual y
de grupo y su incidencia en el aprendizaje colaborativo más sistemáticamente.
Brown, M. (2012). Learning Analytics: Moving from concept to practice. Louisville, CO: EDUCAUSE
Learning Initiative, 7. Recuperado de https://bit.ly/2n6vJ2W 153
Bustos, A. (2011). Presencia docente distribuida, influencia educativa y construcción del
conocimiento en entornos de enseñanza y aprendizaje basados en la comunicación
asíncrona escrita. Tesis doctoral. Universidad de Barcelona. Recuperado de https://
bit.ly/2IR7mF2
Bustos, A., Coll, C., y Engel, A. (2009). Presencia docente distribuida en redes asíncronas
de aprendizaje. Definición teórica y perspectiva multimétodo para su estudio. En
F. Díaz Barriga, G. Hernández, y M. Rigo (Eds.), Aprender y enseñar con TIC en
educación superior: contribuciones del socioconstructivismo (pp. 97-128). México:
Publicaciones Universidad Nacional Autónoma de México.
Coll, C. (2010). Enseñar y aprender, construir y compartir: procesos de aprendizaje y ayuda

educativa. En C. Coll (Coord.), Desarrollo, aprendizaje y enseñanza en la Educación
Secundaria (pp. 31-62). Barcelona: Graó
Coll, C., Bustos, A., y Engel, A. (2011). Perﬁles de participación y presencia docente distribuida
en redes asíncronas de aprendizaje: la articulación del análisis estructural y de
contenido. Revista de Educación, 354, 657–688. Recuperado de https://bit.
ly/2US9mOK
Coll, C., Bustos, A. y Engel, A. (2015). La información sobre el ejercicio de la influencia

educativa como medio para favorecer la participación y el aprendizaje en un foro
en línea. Infancia y Aprendizaje, 38, 368-401. https://doi.org/10.1080/021037
02.2015.1016745
Coll, C., Bustos, A., Engel, A., de Gispert, I., y Rochera, M. J. (2013). Distributed Educational
Influence and Computer-Supported Collaborative Learning. Digital Education
Review, 24, 23-42. Recuperado de https://bit.ly/2J4ME3B

Coll, C., Colomina, R., Onrubia, J., y Rochera, M. J. (1992). Actividad conjunta y habla: una
aproximación a los mecanismos de influencia educativa. Infancia y Aprendizaje,
59-60, 189-132. Recuperado de https://bit.ly/2GTAQQo
Coll, C., Engel, A., y Bustos, A. (2009). Distributed Teaching Presence and Participants’
Activity Profiles: a theoretical approach to the structural analysis of Asynchronous
Learning Networks. European Journal of Education, 44(4), 521-538. https://doi.
org/10.1111/j.1465-3435.2009.01406.x
Coll, C., Engel, A., y Niño, S. (2017). La actividad de los participantes como fuente de información
para promover la colaboración. Una analítica del aprendizaje basada en el modelo
de Influencia Educativa Distribuida. RED Revista de Educación a Distancia, 53.
https://doi.org/10.6018/red/53/2
Coll, C., Onrubia, J., y Mauri, T. (2008). Ayudar a aprender en contextos educativos: el ejercicio
de la influencia educativa y el análisis de la enseñanza. Revista de Educación,
346, 33-70. Recuperado de https://bit.ly/2vvqUGe
Colomina, R., Onrubia, J., y Rochera, M. J. (2001). Interactividad, mecanismos de influencia

educativa y construcción del conocimiento en el aula. En C. Coll, J. Palacios, y A.
Marchesi (Comps.). Desarrollo Psicológico y educación. Vol. II. Psicología de la
Educación (pp. 415-435). Madrid: Alianza.
Dawson, S., y Siemens, G. (2014). Analytics to Literacies: The development of a learning analytics
framework for multiliteracies assessment. The International Review of Research in
Open and Distance Learning, 15(4), 284-305. Recuperado de https://bit.ly/2IQX2gi
Dehler, J., Bodemer, D., Buder, J., y Hesse, F. W. (2011). Guiding knowledge communication
154
154 in CSCL via group knowledge awareness. Computers in Human Behavior, 27(3),
1068-1078. https://doi.org/10.1016/j.chb.2010.05.018
Dillenbourg, P., Järvelä, S., y Fischer, F. (2009). The evolution of research on computer-supported
collaborative learning: from design to orchestration. En N. Balacheff, S. Ludvigsen,
T. de Jong, T., A. Lazonder y S. Barnes (Eds.), Technology-Enhanced Learning.
Principles and products (pp. 3-19). Springer, Dordrecht.
Dimitracopoulou, A. (2008). Computer based Interaction Analysis Supporting Self-regulation:

Achievements and Prospects of an Emerging Research Direction. Technology,
Instruction, Cognition and Learning, 6(4), 291-314. Recuperado de https://bit.
ly/2DE547K
Durall, E., y Gros, B. (2014). Learning analytics as a metacognitive tool. In Proceedings of 6th
International Conference on Computer Supported Education (CSEDU) (pp. 380–384).
Recuperado de https://bit.ly/2XPw5ge
Engel, A., Coll, C., y Bustos, A. (2013). Distributed Teaching Presence and communicative
patterns in asynchronous learning: Name versus reply networks. Computers y
Education, 60, 184-196. doi:10.1016/j.compedu.2012.06.011
Ferguson, R. (2012). The State Of Learning Analytics in 2012: A Review and Future Challenges.
Technical Report KMI-12-01, Knowledge Media Institute, The Open University, UK.
Recuperado de https://bit.ly/2WaE8ns
García, E., Romero, C., Ventura, S., y de Castro, C. (2011). A collaborative educational association
rule mining tool. The Internet and Higher Education, 14(2), 77-88. https://doi.
org/10.1016/j.iheduc.2010.07.006

Gros, B. (2016). The design of smart educational environments. Smart Learning Environments,
3(15), 1-11. https://doi.org/10.1186/s40561-016-0039-x
Jeong, H., y Hmelo-Silver, C. E. (2016). Seven affordances of computer-supported collaborative

learning: How to support collaborative learning? How can technologies help?
Educational Psychologist, 51, 247–265. https://doi.org/10.1080/00461520.20
16.1158654
Kirschner, P. A., y Erkens, G. (2013). Toward a Framework for CSCL Research. Educational
Psychologist, 48, 1–8. https://doi.org/10.1080/00461520.2012.750227
Siemens, G. y Long, P. (2011). Penetrating the Fog: Analytics in learning and Education.
EDUCAUSE Review 46(5), 30-40. Recuperado de https://bit.ly/1xlMCED
Stahl, G., Koschmann, T., y Suthers, D. (2006). Computer-supported collaborative learning: An

historical perspective. En R. K. Sawyer (Ed.), Cambridge handbook of the learning
sciences (pp. 409-426). Cambridge, UK: Cambridge University Press. Recuperado
de https://bit.ly/2vvrtzQ
Yin, R. K. (2006). Case Study methods. En J. L. Green, G. Camilli, y P. B. Elmore (Eds.),

Handbook of Complementary Methods in Education Research (pp. 111-122).
Mahwah, NJ: L. Erlbaum.
155

Indicadores necesarios para diseñar un dashboard

desde la perspectiva de los profesores: un estudio cualitativo
Iñigo Arriaran Olalde 1
Nagore Ipiña Larrañaga 1
1
Mondragon Unibertsitatea, España.
Resumen. El número de estudiantes matriculados en cursos online de educación

superior está aumentando, y como resultado, se generan más datos sobre su proce-
so de aprendizaje. Los datos generados pueden ser mostrados en un dashboard y
ayudar a los estudiantes en su proceso de aprendizaje. Sin embargo, la perspectiva
de los profesores debe ser tomada en cuenta a la hora de definir los indicadores del
dashboard, ya que el diseño de los cursos podría tener un impacto en los elementos
incluidos en el mismo. Y ese es precisamente el objetivo de este trabajo: definir los
indicadores necesarios para diseñar un dashboard para los estudiantes en los cursos
online teniendo en cuenta la perspectiva de los profesores. Este estudio se realizó con
10 profesores de la Facultad de Humanidades y Educación de Mondragon Unibert-
sitatea. Se utilizaron cuestionarios online cualitativos para recoger las percepciones
de los participantes. Los resultados muestran que la mayoría de los profesores que
participaron en el estudio de investigación identificaron cuatro indicadores para diseñar
un dashboard para los estudiantes: número de veces que los estudiantes acceden
al foro del curso, cantidad de contribuciones en el foro, número de veces que los
estudiantes consultan la guía de estudiante del curso, y el número de veces que
cada estudiante ha accedido al curso en una semana. Las conclusiones extraídas de
este estudio destacan la importancia de formar a profesores y estudiantes en el uso
pedagógico de la visualización de datos.
Palabras clave: learning analytics; dashboard; diseño del curso; profesor; proceso de 157
aprendizaje del estudiante; autorregulación.
Indicadores necessários para criar um dashboard na perspectiva dos professores:
um estudo qualitativo
Resumo. O número de alunos matriculados em cursos de ensino superior on-line
157
está aumentando e, como resultado, mais dados são gerados sobre seu processo de
aprendizagem. Os dados gerados podem ser exibidos em um dashboard e ajudar os
alunos em seu processo de aprendizagem. No entanto, a perspectiva dos professores
deve ser levada em conta no momento da definição dos indicadores do dashboard,
uma vez que o planejamento dos cursos poderia ter um impacto sobre os elementos
nele incluídos. E este é precisamente o objetivo deste trabalho: definir os indicadores
necessários para criar um dashboard para os estudantes de cursos on-line, conside-
rando a perspectiva dos professores. Este estudo foi realizado com 10 professores
da Faculdade de Humanidades e Educação de Mondragon Unibertsitatea. Foram
utilizados questionários on-line qualitativos para coletar as percepções dos partici-
pantes. Os resultados mostram que a maioria dos professores que participaram da
pesquisa identificou quatro indicadores para criar um dashboard para os alunos:
número de vezes que os alunos acessam o fórum do curso, número de contribuições
no fórum, número de vezes que os alunos consultam o guia do aluno do curso e o
número de vezes que cada aluno acessou o curso em uma semana. As conclusões
deste estudo destacam a importância da formação de professores e alunos no uso
pedagógico da visualização de dados.
Palavras-chave: learning analytics; dashboard; planejamento do curso; professor;
processo de aprendizagem do aluno; autorregulação
Indicators needed to design a student dashboard from teachers’ perspectives: a
qualitative study
Abstract. The number of students’ enrolled in Higher Education online courses is
increasing, and as a result, more data about their learning process is generated. The
data produced can be displayed on a dashboard and help students in their learning
process. However, teachers’ perspective should be taken into account to define the

Indicadores necesarios para diseñar un dashboard desde la perspectiva de los profesores: un estudio cualitativo
indicators of the dashboard as the design of the courses could impact on the elements
included on it. And that is precisely the aim of this paper: to define the indicators
needed to design a student dashboard in online courses taking into account teachers’
perspectives. This study was carried out with 10 teachers from the Faculty of Huma-
nities and Education from Mondragon Unibertsitatea. Online qualitative questionnaires
were used to gather participants’ perceptions. Results show that most of the teachers
participating in the research study identified four indicators to design a student dash-
board: number of times students access the course forum, amount of contributions in
the forum, number of times students consult the information booklet, and number of
times each student has accessed the course in a week time. Conclusions drawn from
this study highlight the importance of training teachers and students on the pedagogical
use of data visualization.
Keywords: learning analytics; dashboard; course design; teacher; student learning
process; self-regulation
1. Introducción
El número de estudiantes en cursos online ha aumentado en la

última década (Ipiña, Basagoiti, Jiménez & Arriaran, 2016). Por lo tanto,
los datos generados en su proceso de aprendizaje dentro de esos espacios
de aprendizaje online también están creciendo (Means, 2014). Learning
Analytics (LA en adelante) surge con el objetivo de utilizar los datos de la
actividad de los estudiantes en los Sistemas de Gestión del Aprendizaje (SGA)
158
158 - en inglés Learning Management Systems - para aumentar la comprensión
de la experiencia de aprendizaje y apoyar mejor a los estudiantes (Dawson,
Gasevic, Siemens, & Joksimovic, 2014). De hecho, LA utiliza técnicas de
modelado predictivo basadas en el uso de diferentes algoritmos para analizar
la actividad digital de los estudiantes con el fin de comprender mejor y opti-
mizar más los procesos de aprendizaje (Pardo, Jovanovic, Dawson, Gasevic,
& Mirriahi, 2017).
La investigación en LA representa una amplia gama de métodos que

se utilizan para derivar acciones de apoyo a los estudiantes (Ferguson, 2012).
Las posibles aplicaciones incluyen: mejorar el éxito de los estudiantes (Arnold,
Hall, Street, Lafayette y Pistilli, 2012), comprender mejor la naturaleza del
aprendizaje social entre los estudiantes universitarios (Buckingham Shum
y Ferguson, 2012), mejorar los enfoques de diseño del aprendizaje (Mor,
Ferguson y Wasson, 2015) y guiar la estrategia de educación universitaria
(Rientes, Boroowa, Cross, Kubiak, Mayles y Murphy, 2016). La información
derivada de estas aplicaciones, se presenta a los profesores o se muestra
directamente a los estudiantes en forma de diferentes cuadros de mando o
dashboard (Verbert, Govaerts, Duval, Santos, Assche, Parra, et al., 2014),
pero la mayoría de las veces con el propósito de apoyar la reflexión de los
estudiantes sobre su proceso de aprendizaje (Krumm, Waddington, Teasley
& Lonn, 2014; Tanes, Arnold, King & Remnet, 2011).

I. Arriaran; N. Ipiña
Sin embargo, investigaciones más recientes en el área de LA,

intentan entender las reacciones de los estudiantes al visualizar los datos y
presentarlos en el dashboard. Por ejemplo, Corrin y de Barba (2015) consi-
deran que los estudiantes no son capaces de interpretar la información pro-
porcionada por los dashboard más comunes y, por lo tanto, los efectos sobre
su aprendizaje son inexistentes y a veces incluso negativos. Por ello, como
señalan algunos investigadores (Gasevic, Dawson, & Siemens, 2015; Wise,
2014), es necesario centrarse más en cómo comprender el significado de los
datos proporcionados por los dashboard, de modo que haya una influencia
positiva en el escenario de aprendizaje del propio estudiante. No obstante,
las investigaciones realizadas sobre el uso pedagógico de la visualización
de datos y su impacto en el proceso de aprendizaje de los estudiantes son
escasas. Y ese es precisamente el objetivo del presente trabajo: analizar la
perspectiva de los profesores sobre los indicadores necesarios para ofrecer
a los estudiantes un dashboard que pueda tener un impacto positivo en su
proceso de aprendizaje.
2. El dashboard en las plataformas LMS
Actualmente se utilizan varios términos como sinónimos de “das- 159

hboard de aprendizaje”; por ejemplo, “dashboard educativo”, “dashboard
para analizar el aprendizaje”, “dashboard de datos” y “web dashboard”
(Schwendimann, Rodriguez-Triana, Vozniuk, Prieto, Shirvani Boroujeni,
Holzer, Gillet & Dillenbourg, 2016). Yoo, Lee, Jo y Park (2015) definen los
dashboard de aprendizaje como “una pantalla que visualiza los resultados
de los datos educativos filtrados de una manera útil” (p. 145), mientras que
Steiner, Kickmeier-Rust y Albert (2014) se refirieren a ellos como “visuali-
zación de las huellas del aprendizaje” (p. 9). Schwendimann et al. (2016)
afirman que un dashboard de aprendizaje “es una única pantalla que agrega
diferentes indicadores sobre el alumno(s), el proceso(s) de aprendizaje y/o
el contexto(s) de aprendizaje en una o varias visualizaciones” (p. 8). El uso
de diferentes términos y definiciones sugiere que todavía no hay consenso
sobre lo que constituye un dashboard de aprendizaje y, por lo tanto, se ne-
cesitan más estudios para acercarse a dicha definición. Sin embargo, el gran
desafío actual es hacer que los datos de las LMS sean procesables, y que
se puedan analizar y presentar de manera que sean significativos para los
diferentes agentes participantes en el proceso de aprendizaje (Sutherland,
Eagle & Joubert, 2012).
Si bien en los últimos años la popularidad de los dashboard de

aprendizaje ha ido en aumento, la cuestión de qué información “correcta” se
muestra y cómo debe presentarse dicha información, sigue en gran medida sin

resolverse. Few (2007) señala que, aunque visualmente atractivos, muchos

dashboard carecen de la capacidad de proporcionar información realmente
útil. Así, para que los dashboard se conviertan en herramientas útiles en el
proceso de aprendizaje de los estudiantes, la información debe mostrarse
de manera oportuna y precisa; es decir, debe ser coherente con el diseño del
aprendizaje (Baker, 2007).
3. Diseño del aprendizaje
El diseño del aprendizaje describe la secuencia de tareas de aprendi-

zaje, recursos y apoyos que un profesor construye para los estudiantes durante
parte o todo el semestre académico (Goodyear, 2015). Por ello, los diseños
del aprendizaje proporcionan un modelo de intenciones en un contexto de
aprendizaje particular, que puede ser utilizado como marco para el diseño
de analíticas, las cuales pueden ayudar a los estudiantes universitarios en su
aprendizaje y a los profesores universitarios en sus decisiones sobre el proceso
de enseñanza (Lockyer, Heathcote & Dawson, 2013). Aunque esto supera
las dificultades de la exactitud de los datos, el desafío de LA es interpretar
los datos resultantes de acuerdo con la intención pedagógica y el contexto
160
160 local para evaluar el éxito o fracaso de una actividad de aprendizaje (Dawson,
Bakharia, Lockyer & Heathcote, 2010).
La interpretación de las visualizaciones también depende en gran

medida de la comprensión del contexto en el que se recogieron los datos y
de los objetivos del profesor con respecto a la clase de interacción (Leony,
Pardo, de la Fuente Valentín, De Castro & Kloos, 2012). Por lo tanto, la in-
terpretación de la analítica requiere una alineación con el contexto original
de enseñanza para ser útil como retroalimentación para constatar que el
diseño del aprendizaje ha logrado su propósito. La interpretación necesita
una comprensión de la relación entre la funcionalidad de la tecnología, los
comportamientos de interacción observados y la teoría educativa (Heathcote,
2006). Es el puente conceptual y la comprensión entre el contexto técnico
y educativo lo que sigue siendo problemático para LA (Dawson, Heathcote
& Poole, 2010).

4. Investigacion
4.1 Objetivo
El objetivo de este trabajo es definir los indicadores necesarios
para diseñar un dashboard para los estudiantes de cursos online teniendo
en cuenta la perspectiva de los profesores.
4.2 Contexto y muestra

El presente estudio se realizó en Mondragon Unibertsitatea (en
adelante MU). El estudio se llevó a cabo en la Facultad de Humanidades y
Educación, donde se imparten el Grado de Educación Primaria y el Grado
de Educación Infantil tanto en modalidad online como presencial. Sin em-
bargo, y dado que los dashboards pueden ser de gran ayuda en los procesos
de enseñanza y aprendizaje en modalidad online, esta investigación se de-
sarrolló con 10 profesores de dicha modalidad. El criterio de selección de
los participantes se basó en el hecho de que los 10 profesores imparten su
docencia en ambos grados, Grado en Educación Primaria y Grado en Educa-
ción Infantil, de manera coordinada.
4.3 Instrumentos y procedimiento seguido 161
En este estudio se utilizaron cuestionarios online para la

recogida de datos cualitativos. El cuestionario de preguntas abiertas fue
diseñado siguiendo el marco propuesto por Pardo et al. (2017) y tiene como
objetivo entender las percepciones de los profesores sobre los indicadores
más adecuados para ser incluidos en el dashboard para los estudiantes. El
cuestionario consta de 6 preguntas. El cuestionario se envió online a cada
uno de los participantes incluyendo una nota explicativa sobre los objetivos
de la investigación y el tratamiento anónimo de los datos. Los participantes
tuvieron 5 días hábiles para realizar el cuestionario cualitativo. Todos los
participantes enviaron los cuestionarios en el tiempo requerido. Los datos
obtenidos fueron analizados en pares-ciegos; es decir, dos investigadores
realizaron un análisis de contenido. Primeramente, el 15% del contenido
fue analizado con una tasa de acuerdo del 85%. Una vez acordados los cri-
terios de análisis, los dos investigadores analizaron el resto de los datos con
una tasa de acuerdo del 93%. Los resultados obtenidos se describen en la
siguiente sección.

5. Resultados
Todos los participantes del estudio consideraron que el uso de un

dashboard para visualizar el progreso y los datos de los estudiantes podría
ser importante para el proceso de aprendizaje de los mismos. De hecho, el
75% de los profesores reconocieron que la visualización de datos es un as-
pecto clave para promover la autorregulación y la reflexión sobre el proceso
de aprendizaje de los estudiantes. Por ejemplo, un participante mencionaba
que “el dashboard puede ser un elemento de gran ayuda para el estudiante
dado que por medio de los datos ofrecidos podrá recibir automáticamente
input de ayuda para conseguir los resultados de aprendizaje de mi curso y
no dependerá sólo de mis comentarios y del feedback de sus compañeros/
as” (Participante03).
Además, los participantes del estudio de investigación afirmaron

que los datos deben ser visualizados al principio del proceso de aprendizaje,
así como durante y después del curso. Uno de los participantes enfatizaba
el hecho de que “los datos serán interesantes si juegan un rol de evaluado-
res formativos desde el principio del proceso de aprendizaje hasta el final”
(Participante09).
162
162 En esta línea, todos los profesores manifestaron que estarían muy
interesados en saber cómo utilizan los estudiantes los recursos educativos
ofrecidos en sus cursos. Por ejemplo, el Participante02 mencionaba que
“conocer el “consumo” de los recursos educativos me dará pistas para adap-
tar lo diseñado”. Asimismo, los resultados indican también que los datos
proporcionados en el dashboard del estudiante pueden guiar el rediseño de
los cursos online incluidos los recursos ofrecidos en la plataforma. No obs-
tante, el 90% de los profesores que participaron en el estudio afirman que
se necesita formación sobre el uso pedagógico de la visualización de datos
antes de utilizar el dashboard de los estudiantes, como puede observarse
en la siguiente cita: “necesitaría aprender a interpretar lo que hay detrás de
cada dato del dashboard” (Participante04).
Los participantes también identificaron los indicadores clave en

los dashboard. En la tabla 1 se presenta un resumen de los indicadores en-
contrados. No obstante, cabe destacar que los participantes identificaron 7
indicadores. Entre ellos, cuatro fueron los más frecuentes: número de veces
que los estudiantes acceden al foro del curso, cantidad de contribuciones en
el foro, número de veces que los estudiantes consultan la guía de estudiante
del curso y número de veces que cada estudiante ha accedido al curso en
una semana.

Tabla 1. Indicadores identificados por los participantes para diseñar un dashboard

para los estudiantes de cursos online
Indicador % de profesores
Nº de veces que los estudiantes acceden al foro del curso 100%
Cantidad de contribuciones en el foro 100%
Nº de veces que los estudiantes consultan la guía de estudiante del curso 80%
Nº de veces que cada estudiante ha accedido al curso en una semana 60%
Nº de actividades que se han entregado fuera de fecha (con retraso) 40%
Se ha rellenado la encuesta de satisfacción 20%
Información acerca del itinerario seguido por los estudiantes en el uso 20%
de la plataforma (tracking)
Fuente: Elaboración propia (2019).
Los dos primeros indicadores (número de veces que los estudiantes

acceden al foro del curso y la cantidad de contribuciones en el foro), fueron
considerados indicadores clave por toda la muestra que participó en la in-
vestigación otorgando mucha importancia al foro del curso online. La guía
del curso puede servir de apoyo para los estudiantes online y es por ello que
el número de veces que los estudiantes consultan dicha guía también es
un indicador de gran importancia como puede observarse en la tabla 1. El
acceso al curso por semana es importante para el 60% de los participantes
para “poder saber que están siguiendo el proceso en los tempos previstos al
diseñar el curso” (Participante09). El resto de los indicadores mencionados 163
por los participantes fueron: número de actividades que se han entregado
fuera de fecha; rellenar la encuesta de satisfacción e información acerca
del itinerario seguido por los estudiantes en el uso de la plataforma, con los
porcentajes mostrados en la tabla 1. Cabe destacar que la muestra del estudio
indicó que le gustaría “conocer más profundamente que tipo de indicadores
se pueden obtener” (Participante04).
6. Conclusiones y futuras investigaciones
Los resultados han mostrado que los participantes del estudio va-
loraron muy positivamente la importancia de visualizar los datos educativos
para fomentar el proceso de aprendizaje de los estudiantes de una manera
significativa. De la misma manera, como lo afirmaron Leony et al. (2012) y
Pardo et al. (2017), la visualización de datos se percibe como muy útil para
la autorregulación y la reflexión de los estudiantes dentro de su contexto de
aprendizaje. Además, nuestros hallazgos están alineados con los resultados
encontrados por Krum et al. (2014) y Tanes et al. (2011) en los que los
profesores indicaron que estarían muy interesados en saber cómo usan los
recursos de sus cursos los estudiantes. Es por ello que los participantes consi-
deraron que estos datos podrían ayudar en el rediseño de sus cursos (Lockyer

et al., 2013). Y en la misma línea, el 90% la mayoría de los profesores que

participaron en el estudio afirman que se necesita formación sobre el uso
pedagógico de la visualización de datos antes de utilizar un dashboard para
los estudiantes, tal y como afirman Schwendimann y otros (2016).
Los profesores consideraron que cuatro indicadores son los más

interesantes a la hora de diseñar un dashboard para los estudiantes: el nú-
mero de veces que los estudiantes acceden al foro del curso, la cantidad de
contribuciones en el foro, el número de veces que los estudiantes consultan
la guía de estudiante del curso y el número de veces que cada estudiante ha
accedido al curso en una semana. Los resultados de esta investigación nos
ayudarán a diseñar un dashboard; sin embargo, el foco de la investigación
futura deberá analizar el impacto del uso del dashboard en el proceso de
aprendizaje de los estudiantes. Y para ello se plantea además de recoger
una muestra más grande de profesores, también recoger datos cualitativos
de los estudiantes para luego compararlos entre los dos roles. No obstante,
la percepción de los estudiantes sobre el uso de los dashboard con fines
educativos requiere estudios adicionales. Además, se requiere más investi-
gación para obtener una visión más profunda del impacto que el diseño de
los cursos online puede tener en la definición de los indicadores para diseñar
un dashboard para los estudiantes.
164
164
Arnold, K. E., Hall, Y., Street, S. G., Lafayette, W., & Pistilli, M.D. (2012). Course signals at
Purdue: Using learning analytics to increase student success. In S. Buckingham
Shum, D. Gasevic, & R. Ferguson (Eds.), International Conference on Learning
Analytics and Knowledge (pp. 267-270). New York, NY: ACM Press.
Baker, B. M. (2007). A conceptual framework for making knowledge actionable through capital
formation. University of Maryland University College.
Buckingham Shum, S., & Ferguson, R. (2012). Social learning analytics. Educational Technology
& Society, 15(3), 3-26.
Corrin, L., & de Barba, P. (2015). How do students interpret feedback delivered via dashboard?
Paper presented at the International Conference on Learning Analytics and Knowledge,
Poughkeepsie, NY.
Dawson, S., Gasevic, D., Siemens, G., & Joksimovic, S. (2014). Current state and future trends:
a citation network analysis of the learning analytics field. Paper presented at the
International Conference on Learning Analytics and Knowledge, Indianapolis, IN.
Dawson, S., Bakharia, A., & Heathcote, E. (2010). SNAPP: Realising the affordances of real-
time SNA within networked learning environments. Networked Learning-Seventh
International Conference.

Dawson, S., Heathcote, E., & Poole, G. (2010). Harnessing ICT potential: The adoption and
analysis of ICT systems for enhancing the student learning experience. International
Journal of Educational Management, 24(2), 116-128.
Ferguson, R. (2012). The state of learning analytics in 2012: a review and future challenges
(KMI-12-01). The Open University, UK.
Few, S. (2007). Dashboard confusion revisited. Perceptual Edge.
Gasevic, D., Dawson, S., & Siemens, G. (2015). Let´s not forget: learning analytics are about
learning. TechTrends, 59, 64-75.
Goodyear, P. (2015). Teaching as design. HERDSA Review of Higher Education Vol. 2, (pp. 27-50).
Heathcote, E. (2006). Learning design templates-A pedagogical just-in-time support tool. In G.

Minshull & J. Mole (Eds.), Designing for learning: The proceedings of Theme 1 of
the JISC Online Conference: Innovating e-Learning (pp. 19-26).
Ipiña, N., Basagoiti, R., Jimenez, O., & Arriaran, I. (2016). Recommendations as a key aspect for
online learning personalization: perceptions of teachers and students. International
Scholarly and Scientific Research & Innovation 10(10) 3391-3395. https://doi.
org/10.5281/zenodo.1127511
Krumm, A. E., Waddington, R. J., Teasley, S. D., & Lonn, S. (2014). A learning management
system-based early warning system for academic advising in undergraduate
engineering. In J. A. Larusson & B. White (Eds.), Learning analytics: from research
to practice (pp. 103-119). New York: Springer Science+Business Media.
Leony, D., Pardo, A., de la Fuente Valentín, L., De Castro, D. S., & Kloos, C. D. (2012). GLASS: 165
A learning analytics visualization tool. 2nd International Conference on Learning
Analytics and Knowledge.
Lockyer, L., Heathcote, E., & Dawson, S. (2013). Informing pedagogical action: Aligning learning
analytics with learning design. American Behavioral Scientist 57 (10) 1439-1459.
Means, B. (2014). Learning Online. What research tells us about whether, when and how. New
York: Routledge.
Mor, Y., Ferguson, R., & Wasson, B. (2015). Editorial: Learning design, teacher inquiry into student
learning and learning analytics: A Call for action. British Journal of Educational
Technology, 46(2), 221-229.
Pardo, A., Jovanovic, J., Dawson, S., Gasevic, D., & Mirriahi, N. (2017). Using learning analytics
to scale the provision of personalised feedback. British Journal of Educational
Technology. https://doi.org/10.1111/bjet.12592.
Rientes, B., Boroowa, A., Cross, S., Kubiak, C., Mayles, K., & Murphy, S. (2016). Analytics4Action
evaluation framework: A review of evidence-based learning analytics interventions
at the Open University UK. Journal of Interactive Media in Education, 1(2), 1-11.
https://doi.org/10.5334/jime.394
Schwendimann, A., Rodriguez-Triana, M. J., Vozniuk, A., Prieto, L. P., Shirvani Boroujeni, M.,
Holzer, A., Gillet, D., Dillenbourg, P. (2016). Perceiving learning at a glance: A
systematic literature review of learning dashboard research. IEEE Transactions on
Learning Technologies 10(1), 1-1. https://doi.org/10.1109/TLT.2016.2599522
Steiner, C. M., Kickmeier-Rust, M. D., & Albert, D. (2014). Learning analytics and educational
data mining: An overview of recent techniques. Learning analytics for and in serious
games, pp. 6-15.

Sutherland, R., Eagle, S., & Jobert, M. (2012). A vision and strategy for Technology Enhanced
Learning. STELLAR Network of Excellence.
Tanes, Z., Arnold, K. E., King, A. S., & Remnet, M. A. (2011). Using signals for appropiate
feedback: perceptions and practices. Computers & Education, 57, 2414-2422.
https://doi.org/10.1016/j.compedu.2011.05.016
Verbert, K., Govaerts, S., Duval, E., Santos, J.L., Assche, F., Parra, G., et al. (2014). Learning
dashboards: an overview and future research opportunities. Personal and Ubiquitous
Computing, 18 1499-1514. https://doi.org/10.1007/s00779-013-0751-2
Wise, A. F. (2014). Designing pedagogical interventions to support student use of learning

analytics. Paper presented at the International Conference on Learning Analytics
and Knowledge, New York, NY.
Yoo, Y., Lee, H., Jo, I. H., & Park, Y. (2015). Educational dashboards for smart learning: Review
of case studies. Emerging Issues in Smart Learning. Springer, (pp. 145-155).
166
166

Ação dos tutores e sua relação com o desempenho dos

estudantes em curso de Licenciatura em Química
sob a perspectiva da analítica da aprendizagem
Gláucia Mirian de Oliveira Souza Barbosa 1
João Batista Carvalho Nunes 2
João Bosco Chaves 2
1
Secretaria de Educação de Maracanaú, Brasil; 2 Universidade Estadual do Ceará (UECE), Brasil
Resumo. Este artigo responde aos seguintes objetivos: elaborar um modelo estatístico
das ações dos tutores no AVA que interferem no desempenho dos estudantes do curso
de Licenciatura em Química, na modalidade de educação a distância, da Universidade
Aberta do Brasil / Universidade Estadual do Ceará (UAB/UECE), com fundamento na
analítica da aprendizagem; e conhecer as ações que interferem no desempenho dos
estudantes sob a perspectiva de tutores e estudantes, comparando o resultado com
o modelo estatístico obtido na pesquisa. Para tanto, a metodologia está assentada
no paradigma pragmático e na abordagem mista. Adotou o método estatístico, com
uso da técnica de análise de regressão logística binária, suplementado pelo emprego
de questionários com itens abertos e fechados, aplicados a tutores e estudantes. Ao
final, foi obtido um modelo preditivo contendo 11 ações desenvolvidas pelos tutores,
sendo sete que aumentam a probabilidade de aprovação dos estudantes e quatro que
devem ser evitadas pelos tutores ou cuja frequência deve ser diminuída, pois reduzem
a probabilidade de aprovação.
Palavras-chave: educação a distância; formação de professores; analítica da apren-
dizagem; tutoria.
Acción de los tutores y su relación con el desempeño de los estudiantes en curso 167
de Licenciatura en Química desde la perspectiva de la analítica del aprendizaje
Resumen. Este artículo responde a los siguientes objetivos: elaborar un modelo esta-
dístico de las acciones de los tutores en el EVA que interfieren en el desempeño de
los estudiantes del curso de Licenciatura en Química, en la modalidad de educación
a distancia, de la Universidad Abierta de Brasil / Universidad Estatal de Ceará (UAB / 167
UECE), con base en la analítica del aprendizaje; y conocer las acciones que interfieren
en el desempeño de los estudiantes desde la perspectiva de tutores y estudiantes,
comparando el resultado con el modelo estadístico obtenido en la investigación. Para
ello, la metodología está asentada en el paradigma pragmático y en el enfoque mixto.
Se adoptó el método estadístico, con el uso de la técnica de análisis de regresión
logística binaria, suplementado por el empleo de cuestionarios con ítems abiertos y
cerrados, aplicados a tutores y estudiantes. Al final, se obtuvo un modelo predictivo
conteniendo 11 acciones desarrolladas por los tutores, siendo siete las que aumentan
la probabilidad de aprobación de los estudiantes y cuatro las que deben ser evitadas
por los tutores o cuya frecuencia debe ser disminuida, pues reducen la probabilidad
de aprobación.
Palabras clave: educación a distancia; formación de profesores; analítica del apren-
dizaje; tutoría.
Tutors’ action and their relation to the performance of undergraduate students in
Chemistry from learning analytics perspective
Abstract. This article answers the following objectives: to elaborate a statistical model of
tutors’ actions in LMS that interfere in students’ performance of the Chemistry Degree
course, in distance education modality, at the Open University of Brazil / Ceará State
University (UAB/UECE), based on learning analytics; and to know actions that interfere
in students’ performance from tutors’ and students’ perspective, comparing the result
with statistical model obtained in the research. For this, the methodology is based on
pragmatic paradigm and mixed approach. It adopted the statistical method, using bi-
nary logistic regression analysis, supplemented by the use of questionnaires with open
and closed items, applied to tutors and students. At the end, a predictive model was

Ação dos tutores e sua relação com o desempenho dos estudantes em curso de Licenciatura em Química...
obtained containing 11 actions developed by tutors, seven of which increase student

approval probability and four that should be avoided by tutors or whose frequency
should be decreased because they reduce approval probability.
Keywords: distance education; teacher education; learning analytics; tutoring.
1. Introdução
No Brasil, a educação a distância (EaD) é um tema bastante discu-

tido nos últimos anos, sobretudo pelo aumento expressivo de seu percentual
de matrícula. Os dados consolidados, em Sinopses Estatísticas e Resumos
Técnicos, pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio
Teixeira (INEP) no Censo da Educação Superior1, denotam uma evolução no
número de matrícula de 369.766 em 2007 para 1.756.982 em 2017 (INEP,
2018a; INEP, 2018b), representando um aumento de 375,2%.
O maior atendimento encontra-se nos cursos de licenciatura2,

expressando também, um crescimento significativo: 78.402 em 2005 para
745.611 em 2017 (INEP, 2016; INEP, 2018a). Isto sinaliza, entre outros
fatores, a relevância da EaD na formação de professores da educação básica
e a preocupação dos fomentadores de políticas públicas educacionais em
priorizar esse grau acadêmico.
168
168
O Ministério da Educação (MEC) implantou o Sistema Universidade
Aberta do Brasil (UAB), por meio do Decreto nº 5.800, de 8 de junho de 2006,
no âmbito do Fórum das Estatais pela Educação, tendo como prioridade a
formação de professores da educação básica. A intenção não foi criar outra
instituição de ensino, mas, de acordo com os documentos oficiais, o objetivo
do MEC foi articular as instituições em curso, criando possibilidades de levar
o ensino superior público de qualidade aos municípios brasileiros que não
possuíam cursos de formação superior ou àqueles em que os cursos ofertados
não eram suficientes para atender toda a demanda.
O Censo da Educação Superior é realizado anualmente pelo INEP, sendo

1
considerado o retrato mais completo do Brasil sobre as instituições de ensino superior,

seus cursos de graduação presencial ou a distância, cursos sequenciais, vagas oferecidas,
inscrições, matrículas, “ingressantes” e concluintes e informações sobre docentes nas
distintas modalidades de organização acadêmica e categoria administrativa. Os dados são
coletados com base no preenchimento dos questionários, por parte das instituições e por
importação de dados do Sistema e-MEC. Após preenchimento (pelas IES), conferência e
validação dos dados, o Censo é finalizado, os dados são divulgados e a Sinopse Estatística
é publicada. A última sinopse publicada da Educação Superior foi a do ano de 2017,
atualizada em 20 de setembro de 2018.
2
Os cursos de licenciatura, no Brasil, são destinados à formação de professores.

G. M. de Oliveira Souza Barbosa; J. Batista Carvalho Nunes; J. Bosco Chaves
Por meio da colaboração entre União (via universidades públicas)

e entes federativos (governos estaduais e municipais), criaram-se centros de
formação permanente denominados polos de apoio presenciais, em localidades
consideradas estratégicas (Brasil, 2018a). De acordo com a Nota Técnica
nº 2/2018/CGPC/DED (Brasil, 2018b), da Coordenação de Aperfeiçoamento
de Pessoal de Nível Superior (CAPES), nos 26 estados brasileiros, mais o
Distrito Federal, há mais de 130 instituições públicas federais e estaduais
ofertando cursos de graduação e pós-graduação na modalidade EaD em cerca
de 800 polos UAB em diversos municípios.
Se há um crescimento considerável na busca pelos cursos a distância,

a Academia precisa se preocupar com a qualidade desses e o consequente
desempenho de seus estudantes, pois, paralelamente a esse fenômeno,
é expressa a necessidade de profissionais capacitados não somente para
elaborar e formatar os cursos, mas também para acompanhar e avaliá-los.
Grande parte desses profissionais, contudo, tem como referência as expe-
riências presenciais, as quais não podem ser transferidas integralmente para
a modalidade a distância.
A equipe pedagógica que atua no planejamento e execução do

curso em EaD é denominada de “polidocente”. Esse termo foi cunhado por
Oliveira, Mill, & Ribeiro (2014, p. 67), “composto de poli, no sentido de 169
multiplicidade, e docência, aquele que exerce a atividade de ensinar, respon-
sável pela decisão pedagógica no ensino-aprendizagem, com o objetivo de
melhorar esta última”. Para os autores, a “polidocência virtual é, portanto,
a docência realizada por um coletivo de trabalho na EaD, mediada pelas
TDIC”. Implica uma docência exercida por várias pessoas, um “coletivo de
trabalhadores que, mesmo com formação e funções diversas, é responsável
pelo processo de ensino-aprendizagem na EaD” (Mill, Ribeiro, & Oliveira,
p. 24). Essa equipe é composta pelos seguintes professores: o conteudista,
o coordenador de disciplina, o formador (ou aplicador), o tutor (presencial
e virtual); e, ainda, uma equipe multidisciplinar, com especialistas em mí-
dia impressa, audiovisual, virtual, vídeo e webconferência, além de outros
profissionais eventuais, projetista educacional e uma equipe coordenadora
(Mill et al., 2014).
O profissional que atua diretamente com os cursistas é o tutor. Ele

tem um papel fundamental no processo educacional desenvolvido no curso,
pois se responsabiliza pelo acompanhamento e aprendizagem do estudante.
A interação e a motivação fazem parte de suas atribuições, com vistas a evitar
o desestímulo e a evasão. Assim, torna-se urgente e de suma importância,
ante a responsabilidade desse profissional no fazer educativo da EaD, analisar
as suas ações no ambiente virtual de aprendizagem (AVA), com o objetivo
de propor melhorias na mediação pedagógica. É necessário identificar, para

tanto, quais ações potencializam resultados positivos e quais minimizam a

possibilidade de um desempenho satisfatório do estudante, podendo oca-
sionar seu desestímulo e evasão. Essas ações são disponibilizadas no AVA e
podem ser quantificadas.
Nessa perspectiva, existe uma solução baseada em tecnologia (Nu-

nes, 2015) denominada analítica da aprendizagem (learning analytics – LA),
que, além de interpretar uma grande gama de dados, exprime a possibilidade
de avaliar o progresso acadêmico, prever o desempenho futuro e identificar
potenciais problemas (Johnson, Adams, & Cummins, 2012, p. 22).
As pesquisas no campo da analítica da aprendizagem são recentes

no Brasil, e o volume de trabalhos nessa área ainda é limitado, pois contorna
um tema embrionário de investigação, sobretudo no País e na América Latina
(Nunes, 2015; Santos, Cechinel, Nunes, & Ochoa, 2017). O interesse cres-
cente pela análise automática de dados educacionais, contudo, tem feito a
procura pelo tema registrar ascensão. É possível confirmar essa informação
com o resultado da busca realizada por Sales (2017), Gonçalves (2018) e
Barbosa (2019) em suas pesquisas de doutorado.
O objetivo da analítica da aprendizagem, de acordo com Jonhson

170
170 et al. (2012, p. 22), é permitir que os professores e as escolas adaptem as
oportunidades educacionais ao nível da necessidade e habilidade de cada
aluno em tempo próximo do real, sendo possível intervir de maneira individual
e eficaz nas necessidades dos estudantes.
Pesquisas confirmam a importância da utilização da LA nos proces-

sos educativos, com vistas a auxiliar na tomada de decisão de instituições,
gestores, conteudistas, tutores e estudantes. Busca realizada de 2014 ao
primeiro semestre de 2018 no Catálogo de Teses e Dissertações do Brasil3
e no Journal of Learning Analytics (JLA)4, contudo, indica que a maioria das
pesquisas sobre o tema enfoca o desenvolvimento de modelos preditivos para
reduzir índices de evasão (Cambruzi, 2014; Portal, 2016), identificar alunos
em risco (Ferreira, 2016; Gray, McGuinness, Owende, & Hofmann, 2016;
Jayaprakash, Moody, Lauría, Regan, & Baron, 2014; Sales, 2017; Wadding-
ton, Nam, Lonn, & Teasley, 2016), ou ainda relacionar alguns fatores como
tempo de permanência no ambiente (Andergassen, Mödritscher, & Neumann,
2014), dados psicométricos (Gray et al, 2014), reações emocionais dos alunos
(Pardos, Baker, San Pedro, Gowda, & Gowda, 2014), métricas de discussões
Disponível em https://catalogodeteses.capes.gov.br.
3
Periódico especializado em LA e com início em 2014, disponível em https://

4
learning-analytics.info/journals/index.php/JLA.

estudantis (Schneider & Pea, 2015), comportamentos online (Lowes, Lin, &
Kinghorn, 2015) e o engajamento em termos de hábitos de trabalho online
(Dvorak & Jia, 2016) com o desempenho acadêmico.
Chaves (2015), Aguiar (2016), Sales (2017) e Gonçalves (2018)

realizaram suas pesquisas no mesmo contexto desta investigação (cursos da
UAB/UECE). Embora sejam cursos diferentes, os dados se mostram na mesma
estrutura e organização. Enquanto os autores estabeleceram relação entre os
dados de interação dos estudantes e seus desempenhos, nesta pesquisa, os
sujeitos são os tutores. Essa relação é comprovada, na pesquisa de Chaves
(2015), por meio da técnica de correlação de postos de Spearman. Aguiar
(2016) e Sales (2017) fizeram uso da regressão logística binária, enquanto
Gonçalves (2018) empregou a análise de regressão logística multinomial.
Na busca de articular o tema da LA com a ação dos tutores, Oliveira

(2016) e Zapparolli (2016) preocuparam-se em elaborar e utilizar ferramentas
capazes de emitir relatórios mais completos da ação dos tutores e acom-
panhamento de seus alunos, que levem em conta suas reais necessidades
e auxiliem no processo de ensino e aprendizagem. Esses resultados podem
auxiliar gestores de cursos em EaD a melhorarem o tempo nas tomadas de
decisões, aos tutores a alcançarem melhores resultados com seus alunos, e
evitarem futuras evasões, pois as informações obtidas podem também sub- 171
sidiar um acompanhamento individual e efetivo pelo tutor.
Ferramenta de avaliação das ações comportamentais desses sujei-

tos é apresentada por Souza (2016). O autor avaliou os comportamentos de
tutores e turmas e identificou quais comportamentos dos tutores podem ser
associados tanto de maneira positiva ou negativa com os comportamentos
da turma.
Os estudos de Knight, Brozina, & Novoselich (2016), Leeuwen

(2015) e McCoy & Shih (2016) voltaram sua atenção para os tutores como
produtores de dados analíticos, e não somente consumidores. Os resultados
dessas pesquisas sugerem que as ferramentas de LA podem ensejar infor-
mações agregadas a um nível administrável, possibilitando ao tutor monitorar
as atividades dos estudantes e, ainda, melhorar a sua prática.
Modelo de referência para a analítica da aprendizagem é desen-

hado por Chatti, Dyckhoff, Schroeder, & Thüs (2012) privilegiando quatro
dimensões. Dentre estas temos o “por quê”, incluindo como possíveis obje-
tivos da LA o monitoramento, análise, predição, intervenção, tutoria/tutoria,
avaliação, feedback, adaptação, personalização, recomendação e reflexão
(Chatti et al., 2012, p. 9).

Na predição, o objetivo é desenvolver, com amparo nas atividades

que estão sendo realizadas pelo estudante, um modelo que preveja o seu
desempenho, o qual pode ajudar na intervenção e na tomada de decisão para
sugerir melhorias no processo (Chatti et al., 2012). A analítica da aprendiza-
gem nos auxilia, deste modo, na identificação de um modelo preditivo com
vistas a uma intervenção tutorial mais direcionada e efetiva.
É nesse contexto que se insere nosso objetivo geral da pesquisa:

analisar as ações realizadas pelos tutores no AVA Moodle e sua relação com
o desempenho dos estudantes do curso de Licenciatura em Química da Uni-
versidade Estadual do Ceará (UECE) por meio do Sistema UAB, doravante
denominado UAB/UECE, tomando por base a analítica da aprendizagem. Neste
artigo, centramo-nos nos seguintes objetivos específicos: elaborar um modelo
estatístico das ações dos tutores no AVA que interferem no desempenho dos
estudantes do curso de Licenciatura em Química da UAB/UECE, com fun-
damento na analítica da aprendizagem; e conhecer as ações que interferem
no desempenho do estudante sob a perspectiva de tutores e estudantes,
comparando o resultado com o modelo estatístico obtido na pesquisa.
Além desta introdução, o artigo traz o caminho metodológico defi-

nido para alcançar os resultados. Em seguida, encontram-se os achados da
172
172 pesquisa. Ao final, são delineadas as conclusões do estudo.
2. Caminho metodológico
Optamos pelo modelo pragmático para fundamentar o nosso trabalho.

O estudo tem um caráter prático à medida que exprime um resultado que pode
influenciar diretamente na prática docente do tutor, e consequentemente,
na melhoria do desempenho dos estudantes. Aproximamo-nos, ainda, desse
paradigma, ao imprimir um status de integração para as abordagens quan-
titativas e qualitativas, aceitando qualquer possibilidade e entendendo que
o casamento das abordagens só pode ser feito quando essa é a que melhor
pode ajudar a responder os objetivos da pesquisa.
O pragmatismo é normalmente associado com a abordagem mista

de pesquisa, pois seu foco está nas consequências da busca, na importância
fundamental da questão formulada, e no uso de múltiplos métodos de coleta
de dados para informar os problemas que estão sendo estudados; portanto, é
pluralista e orientado para o “que funciona” e para a prática. Assim, fizemos
essa opção, uma vez que nela o pesquisador coleta e analisa dados qualitativos
e quantitativos em única pesquisa ou em múltiplas fases de um programa de

estudo, e os mistura, combinando-os e priorizando um ou ambos os formatos

de dados, e estruturando-os de acordo com visões de mundo filosóficas e
lentes teóricas (Creswell & Clark, 2013).
Na nossa pesquisa, os elementos quantitativos têm prioridade

relativa sobre os elementos qualitativos. Com amparo nos dados de inte-
ração no AVA Moodle dos tutores do Curso de Licenciatura de Química da
UAB/UECE, estabelecemos a relação com o desempenho dos estudantes.
O resultado do primeiro momento é o modelo preditivo, obtido por meio do
método estatístico, com uso da técnica de análise de regressão logística
binária, contendo as ações dos tutores com coeficientes de probabilidade
significativos estatisticamente para a aprovação dos estudantes.
Com esteio nesse modelo preditivo, aplicamos um questionário com

tutores e estudantes do curso, por meio do aplicativo Formulários Google5.
Inicialmente, procuramos captar as ações realizadas no AVA que, na visão
deles, interferiam no desempenho do estudante. Em seguida, apresentamos
o modelo preditivo e questionamos se eles concordavam que tais ações
influenciavam na aprovação dos alunos. O elemento qualitativo do segundo
momento tem um caráter suplementar, porquanto ajudou a compreender
melhor o resultado inicial.
173
Elegemos o Curso de Licenciatura em Química (turma 2017.1) para
realizarmos a pesquisa. Essa delimitação se deu pelo fato de esse curso ter
indicado, na sua primeira turma (2009.1), baixo índice de evasão. Enquanto
os cursos de Licenciatura em Física e Licenciatura em Matemática, respecti-
vamente, alcançaram 45% e 21,8% de formandos, o curso de Licenciatura
em Química chegou a 69,2% de concludentes do total de matriculados das
turmas de 2009.1 dos polos de Mauriti e Orós (Vidal, 2017).
Esta pesquisa abrangeu os três primeiros semestres do curso em

cinco polos (Maracanaú, Mauriti, Beberibe, Camocim e Piquet Carneiro). O
polo de Orós não pôde ser inserido em virtude da ausência, no momento da
coleta das notas, dos diários de duas disciplinas, não sendo possível relacionar
a ação dos tutores com o desempenho dos estudantes nessas disciplinas.
Não incluímos o 4º semestre porque a organização dos dados e da análise
ocorreu enquanto esse ainda estava sendo cursado pelos estudantes.
Utilizamos um script para produzir uma planilha do banco de da-

dos do AVA Moodle do Curso de Licenciatura em Química, em conformidade
com os passos indicados em Chaves (2015). Identificamos todos os tutores.
5
O Formulários Google ou Google Forms é um aplicativo web de criação e
administração de questionários online.

Separamos os tutores a distância (TD) e os presenciais (TP), pois, mesmo

sendo a mediação no ambiente virtual uma responsabilidade apenas do tutor
a distância, foi constatada a proeminente participação dos tutores presenciais
no AVA. Todas as informações da planilha foram codificadas, garantindo-se
anonimato aos sujeitos.
Em seguida, organizamos os resultados (aprovado ou não aprovado)

dos alunos por polos e disciplinas. Inicialmente, foi necessário replicar cada
ação do tutor para o número de alunos, por disciplina. Por exemplo, se na
disciplina 1 do semestre 1 (S1_D1) havia 50 alunos matriculados, a ação do
tutor (TD e/ou TP) é realizada para toda a turma, embora cada aluno tenha
um desempenho diferente e, consequentemente, um resultado específico
(aprovado ou não aprovado). Fizemos isso em todos os polos, semestres,
disciplinas e tutores para cada aluno. A planilha final ficou com 2.625 linhas
e 56 colunas.
O próximo passo foi proceder à análise. É a segunda etapa proposta

por Chatti et al. (2012) – analítica e ação – momento de explorar os dados
e extrair significado com apoio neles. Reduzimos os fenômenos a termos
quantitativos e manipulação estatística, permitindo comprovar relações entre
si e generalizar sobre a sua natureza, ocorrência ou significado (Lakatos &
174
174 Marconi, 1991).
Valemo-nos da análise de regressão logística binária, que “tem como

objetivo principal estudar a probabilidade de ocorrência de um evento definido
por Y que se apresenta de forma dicotômica (...), com base no comportamento
de variáveis explicativas” (Fávero, 2015, p. 104). A variável dependente é o
resultado do estudante (aprovado é o evento de interesse = 1; e não aprovado
é a ocorrência do não evento = 0). As variáveis independentes são as ações
dos tutores no ambiente (acesso, participação nos fóruns, envio de mensagens
aos estudantes, feedback de atividades etc., representadas pela quantidade
de vezes que esta é registrada), o sexo (1 = masculino e 2 = feminino) e a
função (1 = tutor a distância e 2 = tutor presencial). Foi utilizado o software
livre de análise estatística R.
Com base no resultado do modelo preditivo, elaboramos os questio-

nários, com questões abertas e fechadas, que foram aplicados, por meio do
aplicativo Formulários Google, junto a tutores e estudantes do curso.

A pré-testagem dos questionários foi realizada no polo de Maraca-

naú, com quatro tutores e cinco estudantes dos Cursos de Licenciatura em
Ciências Biológicas e Física da UAB/UECE, com características próximas ao
curso pesquisado. Após a aplicação do pré-teste, não se observou a neces-
sidade de se fazer nenhum ajuste nos instrumentos.
O universo pesquisado abrangeu cinco polos (Maracanaú, Mauriti,

Beberibe, Camocim e Piquet Carneiro), nove tutores (quatro a distância e
cinco presencias, pois uma tutora a distância é responsável por dois polos),
e 100 alunos. Responderam ao questionário sete tutores e 49 estudantes.
Ao aceitarem participar da pesquisa, tutores e estudantes assinaram

um Termo de Consentimento Livre e Esclarecido (TCLE), conforme Resolução
CNS nº 510/2016. Utilizamos essa Resolução, entendendo, contudo, que
ela ainda não satisfaz a área de Ciências Humanas, Sociais e Sociais Apli-
cadas (Duarte, 2015). Além disso, “pesquisa com banco de dados, cujas
informações são agregadas, sem a possibilidade de identificação individual”
não necessitam ser registradas e avaliadas pelo sistema CEP/CONEP (Brasil,
2016, art. 1º).
Dentre outros pontos, oferecemos a tutores e estudantes o modelo

preditivo obtido por meio da análise de regressão logística binária. Eles apon- 175
taram, tanto de modo livre, como direcionado (modelo preditivo), as ações,
que, em suas perspectivas, influenciavam no desempenho do estudante.
Para chegar ao modelo preditivo final, aplicamos a análise de regres-

são logística nos dois modelos baseados nas ações destacadas pelos sujeitos
da pesquisa. Conforme sugerido por Fávero (2015), fizemos a análise de
sensibilidade, escolhendo um ponto de corte (cutoff), calculando a Eficiência
Global do Modelo (EGM), a sensitividade e a especificidade. Desenhamos a
curva ROC e calculamos a área sob a curva ROC, com o objetivo de perceber
a eficiência do modelo para fins de previsão, de igual modo como realizamos
com o modelo preditivo inicial. Aplicamos ainda o pseudo R2 de McFadden
nos três modelos, com o objetivo de obter mais elementos que subsidiassem
a escolha do modelo final.
Esse ajuste realizado, ou refinamento do modelo, como preferimos

chamar, se insere na etapa de pós-processamento dos dados, que é respon-
sável pela melhoria contínua no processo de analítica da aprendizagem, pois
envolve a inclusão e exclusão de dados e atributos, redefinição de indicadores
e identificação de novos métodos de análise (Chatti et al., 2012).
No próximo módulo deste artigo, destacaremos os resultados asso-

ciados aos objetivos específicos explicitados na parte introdutória.

3. Resultados e discussão
Trazemos aqui os resultados e discussões do estudo. Detemo-nos

em responder aos objetivos específicos, indicando inicialmente, o modelo
preditivo, resultado da análise de regressão logística binária; em seguida, as
ações que interferem no desempenho do estudante sob a perspectiva dos
tutores e estudantes; e, por fim, a comparação dos dois modelos baseados nas
ações propostas pelos sujeitos com o modelo estatístico obtido na pesquisa.
3.1 O modelo preditivo

Como explicitado no segmento imediatamente anterior, os dados do
AVA Moodle foram organizados para a realização da análise de regressão logística
binária. O resultado apontado pelo software R indica os coeficientes do inter-
cepto e de cada umas das ações consideradas estatisticamente significativas.
Para que fosse atendido um pressuposto básico da técnica de análise

de regressão logística binária, que é a ausência de multicolinearidade das
variáveis explicativas (Fávero, 2015), realizamos o procedimento stepwise
(resultado apresentado na Tabela 1). Para definir a significância estatística
de cada parâmetro (constante e coeficientes das variáveis), utilizamos a
176
176 estatística z de Wald. No R, um nível de significância de 0,05 ou menor,
denotando que o coeficiente da variável ou a constante é estatisticamente
significante, é acompanhado por um ou mais asteriscos “*”.
Tabela 1. Resultado da regressão logística binária no R com Pr(>|z|) menor que 0,05
Coefficients
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.594321 0.075967 7.823 5.14e-15 ***
A06 0.007161 0.001750 4.092 4.28e-05 ***
A08 0.008035 0.001137 7.069 1.56e-12 ***
A15 0.114503 0.030949 3.700 0.000216 ***
A17 -0.007751 0.001872 -4.140 3.47e-05 ***
A21 -0.005325 0.001387 -3.840 0.000123 ***
A27 1.343030 0.528360 2.542 0.011026 *
A29 0.413054 0.144348 2.862 0.004216 **
A36 -0.065711 0.021479 -3.059 0.002218 **
A40 0.653014 0.160122 4.078 4.54e-05 ***
A50 -0.154720 0.027514 -5.623 1.87e-08 ***
A51 2.339297 0.716788 3.264 0.001100 **
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 3085.5 on 2623 degrees of freedom
Residual deviance: 2895.5 on 2612 degrees of freedom
AIC: 2919.5
Number of Fisher Scoring iterations: 4

Dentre as 52 ações que podem ser aplicadas pelos tutores, acres-

centando-se a essas as variáveis sexo e função dos tutores (a distância e
presencial), totalizando 54 variáveis, apenas 11 demonstraram significância
em relação ao desempenho do estudante, ou seja, ações que podem aumentar
ou diminuir a probabilidade de aprovação dos alunos. São elas: A06, A08,
A15, A17, A21, A27, A29, A36, A40, A50, A51. Essas variáveis representam
as ações no AVA descritas na Tabela 2.
Tabela 2. Descrição das ações dos tutores significativas, conforme modelo de

regressão logística
Código da ação Descrição das ações
A06 Atribuir nota ao usuário
A08 Visualizar curso
A15 Baixar todos os arquivos
A17 Conceder prorrogação para um usuário
A21 Visualizar tabela de notas
A27 Enviar feedback ao usuário
A29 Baixar ou transferir arquivo de pasta
A36 Atualizar ou modificar fórum
A40 Revisar tentativa de questionário
A50 Visualizar relatório de log
A51 Visualizar esboço de relatório
177
Para elaborarmos a equação do modelo preditivo, utilizamos a

função logística p=1/(1+e-z). Assim, a equação resultante do nosso banco de
dados, com as ações que devem ser consideradas pelos tutores, é a seguinte:
1
p=
1 + 𝑒𝑒 −(𝛼𝛼+𝛽𝛽1 ∗𝐴𝐴06+𝛽𝛽2 ∗𝐴𝐴08+𝛽𝛽3 ∗𝐴𝐴15+𝛽𝛽4 ∗𝐴𝐴17+𝛽𝛽5 ∗𝐴𝐴21+𝛽𝛽6 ∗𝐴𝐴27+𝛽𝛽7 ∗𝐴𝐴29+𝛽𝛽8 ∗𝐴𝐴36+𝛽𝛽9 ∗𝐴𝐴40+𝛽𝛽10 ∗𝐴𝐴50+𝛽𝛽11 ∗𝐴𝐴51)
Onde:
α = + 0,594321; β1 = + 0,007161; β2 = + 0,008035; β3 = + 0,114503;
β4 = – 0,007751; β5 = – 0,005325; β6 = + 1,343030; β7 = + 0,413054;
β8 = – 0,065711; β9 = + 0,653014; β10 = – 0,154720; β11 = + 2,339297
A probabilidade média estimada de um estudante ser aprovado, se

o tutor realizar essas ações no ambiente, é representada pelo coeficiente da
equação relacionado a cada ação. Vale destacar que o sexo e a função dos
tutores não contribuíram significativamente para o modelo. Significa que a
probabilidade estatística de aprovação dos estudantes independe do sexo e
da função de tutoria. Na prática, a atuação do tutor a distância deveria ser

mais significativa do que a do tutor presencial, pois a interação no ambiente

virtual é incumbência desse tipo de tutoria; contudo, os dados estatísticos
mostraram que o tutor presencial também tem marcante atuação no AVA.
O modelo preditivo também nos possibilita estimar a chance de

o estudante ser aprovado em uma disciplina caso o tutor realize tais ações.
Comumente chance e probabilidade são utilizados como sinônimos; contu-
do, “seus conceitos são diferentes” (Fávero, 2015, p. 105). A chance de
ocorrência de um evento, que em nosso caso é a aprovação dos estudantes,
é a probabilidade de ocorrência desse evento dividida pela probabilidade da
não ocorrência do mesmo evento. Assim, se a probabilidade de aprovação é
de 80%, por conseguinte, são as chances de aprovação de 4 para 1.
Para definirmos a chance de um aluno ser aprovado em função de

uma determinada ação realizada pelo tutor, precisamos calcular o fator de
chance (odds ratio). Ele nos diz como, em média, a chance de ser aprovado
se modifica em função do acréscimo de uma unidade em cada variável,
mantidas as demais constantes; ou seja, como as ações individualmente
influenciam na chance de aprovação, se aumentam ou diminuem a chance
de o aluno ser aprovado, mantidas as demais constantes. A Tabela 3 encerra
esses percentuais para cada variável.
178
178
Tabela 3. Fator de chance (odds ratio) e porcentagem de aumento/diminuição na
chance para cada variável do modelo preditivo
Ação Coeficiente Fator de Chance %
A06 0,007161 1,007186701 0,7187
A08 0,008035 1,008067367 0,8067
A15 0,114503 1,121316005 12,1213
A17 -0,007751 0,992278962 - 0,7721
A21 -0,005325 0,994689153 - 0,5311
A27 1,343030 3,830632756 283,06
A29 0,413054 1,511426641 51,1427
A36 -0,065711 0,936401445 - 6,3599
A40 0,653014 1,921322978 92,1322
A50 -0,154720 0,856655007 - 14,3345
A51 2,339297 10,37394112 937,3941

Podemos perceber que os coeficientes das ações A06, A08, A15,

A27, A29, A40 e A51 agem positivamente na probabilidade de aprovação.
Os percentuais expressos na Tabela 3 demonstram que, mantidas as demais
condições constantes, a chance de o aluno ser aprovado aumenta, em média,
quando o tutor acrescenta mais uma ação de:
•• atribuir nota ao usuário (A06), 0,72%;

•• visualizar o curso (A08), 0,81%;
•• baixar todos os arquivos (A15), 12,12%;
•• envio de feedback ao usuário (A27), 283,06%;
•• baixar ou transferir arquivo de pasta (A29), 51,14%;
•• revisar tentativa de questionário (A40), 92,13%;
•• visualizar esboço de relatório (A51), 937,39%.
É notório o fato de que as três primeiras ações têm um pequeno

percentual de influência, ao passo que as quatro últimas influenciam forte-
mente as chances de o aluno ser aprovado. Ademais, A27 e A51, que são o
envio de feedbacks aos usuários e a visualização de esboços de relatórios,
mostram elevados percentuais. Significa que os tutores devem dar máxima
atenção a essas ações, evidenciando e potencializando estratégias que le-
179
vem os alunos a se sentirem acompanhados no decorrer do curso. É possível
perceber que, mesmo com menores percentuais de fator de chance, o fato
relacionado à atenção que o tutor deve dar ao aluno em seu percurso, apon-
tando para a ideia de que o aluno, mesmo tendo autonomia para estudar nos
cursos em EaD, precisa sentir-se apoiado e acompanhado para que tenha
bons resultados em seu desempenho.
A Tabela 3 também evidencia que os coeficientes das ações A17,

A21, A36 e A50 agem negativamente na probabilidade de aprovação. Tal
significa que a chance de o aluno ser aprovado diminui, em média, quando
o tutor acrescenta mais uma ação de:
•• conceder prazo ao usuário (A17), 0,77%;

•• visualizar a tabela de notas (A21), 0,53%;
•• atualizar ou modificar fórum (A36), 6,36%;
•• visualizar relatório de log (A50), 14,33%.
Embora sejam percentuais que não parecem significativos, à me-

dida que o tutor concede prazo ao usuário e visualiza a tabela de notas, ele
diminui as chances de aprovação do estudante. De igual modo, acontece
quando ele atualiza ou modifica um fórum e visualiza os relatórios de log.

Tais ações podem refletir negativamente no desempenho do estudante. Por

exemplo, o fato de um tutor conceder mais prazo em uma disciplina pode levar
os alunos a se acostumarem a não cumprir prazos, o que pode prejudicá-los
depois em outra disciplina, perdendo uma atividade, caso não haja prorro-
gação; o fato de atualizar ou modificar um fórum pode ensejar insegurança
nas respostas dos alunos, alterando a interpretação do que era solicitado no
texto original do fórum.
É importante expressar que, embora tenhamos analisado o fator de

chance para cada variável isoladamente, o resultado positivo no desempenho
do estudante depende da adequação do modelo preditivo. Por isso, após
estimarmos esse modelo de probabilidade de ocorrência do evento, elabo-
ramos sua análise de sensibilidade, a qual classifica os dados/observações,
com base em suas probabilidades estimadas, em eventos e não eventos, com
suporte num determinado cutoff. Segundo Fávero (2015, p. 124), o cutoff,
que nada mais é do que um ponto de corte que o pesquisador escolhe, é

definido para que sejam classificadas as observações em função das suas
probabilidades calculadas e, desta forma, é utilizado quando há o intuito
de se elaborarem previsões de ocorrência do evento para observações
não presentes na amostra com base nas probabilidades das observações
presentes na amostra.
180
180
Definimos um cutoff de 0,5, que é o valor padrão geralmente uti-
lizado em regressão logística, a exemplo de Aguiar (2016) e Sales (2017),
porque estamos a estimar a probabilidade de aprovação dos estudantes do
Curso de Licenciatura em Química da UAB/UECE, com amparo nas ações
desenvolvidas pelos tutores. Nosso interesse, portanto, é a maximização
de acertos para a classificação das observações consideradas como evento
(sensitividade) e uma eficiência geral do modelo acima de 70%.
No caso da pesquisa, das 2.624 observações, 1.968 foram classi-

ficadas corretamente, para um cutoff de 0,5, sendo que 1.864 delas eram
evento (aprovação) e de fato foram classificadas como tal, e outras 84 não eram
evento (não aprovação) e não foram classificadas como evento (ver Tabela 4).
Tabela 4. Classificação das observações em evento e não evento (cutoff = 0,5)

Incidência real do não Total
Classificação Incidência real do evento evento
Evento 1864 637 2501
Não Evento 39 84 123
Total 1903 721 2624

A análise de sensibilidade é identificada ao se observar a eficiência

global do modelo (EGM), a sensitividade e a especificidade. Para um deter-
minado cutoff escolhido, que no nosso caso foi 0,5, a eficiência global do
modelo (EGM) diz respeito ao percentual total de acerto da classificação; a
sensitividade corresponde ao percentual de acerto, considerando-se apenas as
observações que de fato são evento; e a especificidade refere-se ao percentual
de acerto levando-se em conta apenas as observações que não são evento.
Considerado o cutoff de 0,5, o modelo de regressão logística binária

resultante possui uma eficiência global do modelo de 74,24% (observações
classificadas corretamente), a sensitividade de 97,95% (observações que
foram classificadas como evento corretamente), e a especificidade de 11,65%
(observações que não foram evento classificadas corretamente). Significa
que mais de 70% das observações foram classificadas corretamente, e as
classificações do evento, que são as aprovações, alcançaram mais que 90%.
De acordo com Fávero (2015, p. 155), “quanto maior o percentual de sen-
sitividade, é bom para prever o evento”.
Para analisar a qualidade do ajuste do modelo, precisamos verificar

a área abaixo da curva ROC. A Figura 1 traz a curva ROC de nosso modelo.
De acordo com Fávero (2015, pp. 128-129),
um determinado modelo com uma maior área abaixo da curva ROC apresenta
181
maior eficiência global de previsão (...) quanto maior a sua convexidade
em relação ao ponto (0,1), maior a sua área (maior sensitividade e maior
especificidade) e, consequentemente, melhor o modelo estimado para
efeitos de previsão.
Figura 1. Curva ROC do modelo preditivo.

Considerando-se arredondamento para quatro casas decimais, a

área sob a curva ROC (Area Under an ROC Curve – AUROC) do nosso modelo
foi 0,6696. Embora possa ser classificada como “pobre”6 para efeito de pre-
visão, pois ficou no intervalo 60-70, ela está mais próxima do nível “justo ou
moderado”, cujo intervalo é 0,70-0,80, se atentarmos para o arredondamento
para uma casa decimal (0,7).
Estimamos o modelo preditivo e realizamos a respectiva análise

de sensibilidade, mas, além do resultado estatístico, para eleger tal modelo
como algo a ser replicado e validá-lo, nós o apresentamos para os sujeitos que
executam as ações e para aqueles que são o objetivo delas. Questionamos se
concordavam com o que havia sido encontrado. Foram aplicados, portanto,
questionários com tutores e estudantes do Curso de Licenciatura em Química
da UAB/UECE, dos polos pesquisados. É o que veremos no subtópico a seguir.
3.2 A perspectiva de tutores e estudantes

Mostramos o modelo obtido para tutores e estudantes do curso de
Licenciatura de Química da UAB/UECE, tendo em vista que eles são persona-
gens fundamentais no processo ensino-aprendizagem na educação a distância.
182
182
Perguntamos, inicialmente, a tutores e estudantes as ações que
interferiam no desempenho do aluno, livremente e, em seguida, direcionada
(as 52 ações possíveis de serem aplicadas pelos tutores no AVA, depois as
11 ações do modelo preditivo). As respostas dos sujeitos foram dirigidas
a ações relacionadas a acompanhamento e avaliação do estudante. Ao ser
expresso o modelo preditivo a tutores e estudantes, considerando as ações
citadas por mais da metade dos sujeitos, os tutores referendaram apenas seis
e os estudantes nove. Tutores e estudantes indicaram modelos diferentes
(ver Tabelas 5 e 6).
Para fundamentar melhor o refinamento do modelo, optamos por

aplicar a regressão logística binária (procedimento stepwise) para o conjunto
de ações propostas pelos tutores e pelos alunos. Percebemos que o conjunto
das ações com mais da metade das indicações de tutores e estudantes era
mais abrangente no grupo dos estudantes, em que apenas duas ações (A29 e
A51) são desconsideradas. O resultado da regressão logística binária para as
ações destacadas pelos estudantes mostra que seus coeficientes continuaram
com significância estatística, conforme se pode observar na Tabela 7.
6
Para saber mais sobre essa classificação, ver: https://bit.ly/1TZDDGS.

Tabela 5. Ações do modelo preditivo validadas pelos tutores

Ação %
A27 - Enviar feedback ao usuário 100,0%
A06 - Atribuir nota ao usuário 85,7%
A17 - Conceder prorrogação para um usuário 71,4%
A36 - Atualizar ou modificar fórum 71,4%
A15 - Baixar todos os arquivos 71,4%
A21 - Visualizar tabela de notas 57,1%
Tabela 6. Ações do modelo preditivo validadas pelos estudantes

Ação %
A27 - Enviar feedback ao usuário 85,7%
A17 - Conceder prorrogação para um usuário 85,7%
A06 - Atribuir nota ao usuário 83,7%
A36 - Atualizar ou modificar fórum 77,6%
A21 - Visualizar tabela de notas 69,4%
A40 - Revisar tentativa de questionário 65,3%
A08 - Visualizar curso 57,1%
A15 - Baixar todos os arquivos 53,1%
A50 - Visualizar relatório de log 51,0%
Tabela 7. Resultado da regressão logística binária no R para as ações destacadas 183

pelos estudantes
Coefficients
(Intercept) 0.598456 0.075429 7.934 2.12e-15 ***
A06 0.006238 0.001726 3.614 0.000302 ***
A08 0.007983 0.001148 6.952 3.60e-12 ***
A15 0.113640 0.031239 3.638 0.000275 ***
A17 -0.010259 0.001702 -6.027 1.67e-09 ***
A21 -0.004186 0.001352 -3.096 0.001963 **
A27 1.359620 0.526909 2.580 0.009869 **
A36 -0.078089 0.021350 -3.657 0.000255 ***
A40 0.419140 0.113596 3.690 0.000224 ***
A50 -0.100366 0.020319 -4.939 7.83e-07 ***
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 2935.6

Em seguida, para cada ação, calculamos o fator de chance e fizemos

a análise de sensibilidade, elegendo um cutoff de 0,5, que, em função do
espaço, não serão destacados aqui. Por fim, elaboramos a curva ROC (Figura
2) e calculamos a área sob a curva ROC para verificar a qualidade do ajuste
do modelo.
184
184
Figura 2. Curva ROC do modelo baseado nas ações destacadas pelos estudantes.
A área sob a curva ROC (AUROC) desse modelo é 0,6647. Lembra-

mos que a área sob a curva ROC do modelo preditivo inicial foi de 0,6696,
configurando-se uma diferença muito pequena (0,0049) em relação ao modelo
baseado nas ações destacadas pelos estudantes.
Passando para o modelo baseado nas ações evidenciadas pelos tuto-

res, vemos que seis são indicadas por eles. Aplicando-se a regressão logística
binária, observamos que os coeficientes das ações do modelo proposto pelos
tutores, exceto A06, continuaram com significância estatística, segundo se
pode visualizar na Tabela 8. Por conseguinte, tal ação foi desconsiderada
no modelo.
Calculamos o fator de chance para cada ação estatisticamente

significante e procedemos à análise de sensibilidade, levando em conta um
cutoff de 0,5. Posteriormente, elaboramos a curva ROC (Figura 3) e calcula-
mos a área sob a curva ROC para verificar a qualidade do ajuste do modelo.

Tabela 8. Resultado da regressão logística binária no R baseada nas ações destaca-

das pelos tutores
Coefficients
(Intercept) 0.9239951 0.0596302 15.495 < 2e-16 ***
A15 0.1230624 0.0311903 3.946 7.96e-05 ***
A17 -0.0104108 0.0014882 -6.996 2.64e-12 ***
A21 0.0017503 0.0004696 3.727 0.000194 ***
A27 1.3439797 0.5242383 2.564 0.010357 *
A36 -0.0559084 0.0205745 -2.717 0.006580 **
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 2990.1
185
Figura 3. Curva ROC do modelo baseado nas ações destacadas pelos tutores.
A AUROC do modelo baseado nas ações destacadas pelos tutores

é 0,6385, também não se distanciando muito do modelo preditivo inicial.
O modelo inicial, contudo, ainda expressa uma área maior do que os dois
modelos baseados nas ações destacadas por tutores e estudantes.
Após obtermos tais resultados, realizamos a comparação dos três

modelos para estabelecer o modelo preditivo final, conforme se pode verificar
no próximo subtópico.

3.3 Comparação dos modelos e estabelecimento do modelo preditivo final

Para decidir por qual modelo optar, Fávero (2015, p. 113) nos orien-
ta no sentido de que “um maior Pseudo R2 de McFadden pode ser utilizado
como critério para escolha de um modelo em detrimento de outro”. Acrescenta
ainda, que, contudo, “há outro critério mais adequado à escolha do melhor
modelo, o qual se refere à maior área abaixo da curva ROC”. Calculamos o
Pseudo R2 de McFadden para os três modelos, a fim de melhor fundamentar
nossa escolha. A síntese desses resultados encontra-se na Tabela 9.
Tabela 9. Pseudo R2 de McFadden e área sob a curva ROC dos modelos propostos
Identificação do Modelo Pseudo R2 AUROC
Inicial 0,06160539 0.6696
Baseado nos estudantes 0,05508018 0.6647
Baseado nos tutores 0,03483518 0.6385
É perceptível o fato de que o maior Pseudo R2 de McFadden é o

do modelo preditivo inicial, resultante da regressão logística binária inicial:
0,06160. Ao considerar a área sob a curva ROC do modelo preditivo inicial e
dos modelos baseados nas ações destacadas pelos estudantes e pelos tutores,
também verificamos que a área da predição inicial é a que denota percentual
186
186 mais alto, sendo o melhor critério de escolha (Fávero, 2015).
Decidimos, portanto, que o modelo preditivo inicial permanece

como o proposto para efeitos de previsão do desempenho do estudante do
curso de Licenciatura em Química da UAB/UECE, constituído de 11 ações.
Lembramos que existem ações que podem aumentar e outras que podem
diminuir a probabilidade e chance de aprovação do estudante. No próximo
segmento, são tecidas as conclusões acerca desta pesquisa.
4. Conclusões
Após analisarmos os três modelos obtidos na pesquisa, pudemos

perceber que o modelo estatístico inicial, resultado da análise de regressão
logística binária, é o mais apropriado para efeito de previsão. A análise dos
resultados nos fez concluir, por conseguinte, que as ações a serem prioriza-
das pelos tutores do Curso de Licenciatura em Química da UAB/UECE, com
o objetivo de aumentar a probabilidade de aprovação dos estudantes, são:
Atribuir nota ao usuário – A06; Visualizar curso – A08; Baixar todos os ar-
quivos – A15; Enviar feedback ao usuário – A27; Baixar ou transferir arquivo
de pasta – A29; Revisar tentativa de questionário – A40; Visualizar esboço

de relatório – A51. Essas ações possuem coeficientes positivos e fatores

de chances que, mantidas as demais condições constantes, aumentam a
probabilidade de aprovação do estudante.
Por outro lado, as ações que devem ser evitadas pelos tutores ou cuja
frequência há que ser diminuída, pois reduzem a probabilidade de aprovação
dos estudantes são: Conceder prorrogação para um usuário – A17; Visualizar
tabela de notas – A21; Atualiziar ou modificar fórum – A36; e, Visualizar
relatório de log – A50. Essas ações evidenciam coeficientes negativos e fa-
tores de chance que, mantidas as demais condições constantes, diminuem
a probabilidade de aprovação.
Verificamos que devem ser respeitados os prazos de retorno aos

questionamentos dos estudantes e às suas atividades, pois o feedback é muito
importante para que estes permaneçam ativos no curso. Os feedbacks devem
indicar os erros e acertos dos alunos, possibilitando-lhes identificar em que
aspectos precisam melhorar e os que devem continuar sendo reforçados.
Quando os tutores atribuem notas aos estudantes, estes podem

ficar mais atentos e menos negligentes em relação ao ensino aprendizagem
e com o curso como um todo. A probabilidade de aprovação aumenta de
acordo com o fator de chance. 187
Ao se mostrarem vigilantes com a avaliação dos estudantes, atri-

buindo as notas, e revisando as tentativas de questionário, os estudantes
podem perceber que os tutores estão atentos a sua trajetória no curso. Como
consequência, podem ficar mais propensos a atenderem as expectativas
lançadas pelo curso, a disciplina e o tutor.
Os relatórios são utilizados, especialmente, para dar ciência ao

coordenador do curso sobre a situação dos seus cursistas. Esses registros,
contudo, possibilitam ao tutor uma visão geral do estado da sua turma e,
se for necessário, de alunos, individualmente. Portanto, a visualização do
esboço de relatório deve ser valorizada e mais bem utilizada pelos tutores.
Os coeficientes, percentuais de significância e fator de chance do esboço de
relatório comprovam tal asserção.
O fato de conceder prorrogação de prazo para o envio das ativi-

dades pelos alunos diminui suas chances de aprovação. Assim, deve ser
menos aplicada pelos tutores. Embora os estudantes acreditem ser positiva
para o seu desempenho, essa ação pode levar os alunos a se acostumarem
a não cumprir prazos, o que pode prejudicá-los depois em outra disciplina,
perdendo uma atividade, caso não haja prorrogação.

A visualização da tabela de notas, de acordo com o modelo, diminui

de maneira muito pequena a probabilidade de aprovação dos estudantes.
Mesmo assim, é estranho pensar que a ação de visualizar a tabela de notas
por parte de um tutor possa diminuir a probabilidade de um aluno ser apro-
vado. Pode-se supor (algo que precisa ser investigado por outras pesquisas)
que essa ação, no entanto, realizada sem uma reflexão efetiva sobre como
contribuir para aqueles que estão com baixo desempenho, pode favorecer
junto ao tutor a cristalização de perfis de alunos que tenderão a ser bem
avaliados e aqueles que continuarão a não receber essa atenção.
O fórum é uma das atividades mais utilizadas nos cursos em EaD;

contudo, ao criar um fórum, o tutor precisa estar atento para que este não
precise de atualizações, pois, à medida que o tutor faz uma modificação, ele
diminui as chances de aprovação dos alunos. O fato de atualizar ou modificar
um fórum pode ensejar insegurança nas respostas dos alunos, alterando a
interpretação do que era solicitado no texto original do fórum.
A visualização do relatório de log, segundo o modelo, contribui

com a diminuição da probabilidade de aprovação dos estudantes. Nesse
caso, pode-se pensar na hipótese (algo que precisa ser investigado por outras
pesquisas) de que se o tutor usa seu tempo para visualizar o relatório de log,
188
188 mas não efetiva estratégias para ajudar os alunos com baixas interações no
AVA, essa ação apenas diminuirá o tempo que ele poderia dedicar a ações
reconhecidas como de influxo positivo no desempenho discente (por exemplo,
fornecer feedback aos alunos).
Os resultados obtidos evidenciam o potencial da analítica da apren-

dizagem para contribuir no desvelamento de fatores que tendem a influenciar
a aprendizagem e o consequente desempenho de estudantes, possibilitando
a constituição de estratégias que favoreçam a melhoria dos indicadores de
sucesso acadêmico.
Referências bibliográficas
Aguiar, A. N. (2016). Evasão no curso de Licenciatura em Matemática a distância da UECE sob
a perspectiva da analítica da aprendizagem (Dissertação de Mestrado, Universidade
Estadual do Ceará, Fortaleza, Brasil). Disponível em https://bit.ly/2LthgyO
Andergassen, M., Mödritscher, F., & Neumann, G. (2014). Practice and repetition during exam
preparation in blended learning courses: Correlations with learning results. Journal
of Learning Analytics, 1(1), 48-74. https://dx.doi.org/10.18608/jla.2014.11.4

Barbosa, G. M. O. S. (2019). Ação dos tutores e sua relação com o desempenho dos estudantes em
curso de licenciatura da UAB/UECE sob a perspectiva da analítica da aprendizagem
(Tese de Doutorado não publicada). Universidade Estadual do Ceará, Fortaleza, Brasil.
Brasil. Ministério da Saúde. Conselho Nacional de Saúde. (2016). Resolução nº 510, de 7 de

abril de 2016. Disponível em https://bit.ly/2E0qAEo
Brasil. Ministério da Educação. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior.

(2018a, Março 27). O que é a UAB? [página web]. Disponível em https://bit.ly/2Y53B2i
Brasil. Ministério da Educação. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior.

(2018b). Nota Técnica nº 2/2018/CGPC/DED
Cambruzzi, W. L. (2014). GVWISE: uma aplicação de learning analytics para a redução da evasão
na educação a distância (Dissertação de Mestrado, Universidade do Vale do Rio dos
Sinos, São Leopoldo, Brasil). Disponível em https://bit.ly/2V5PPuf
Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thüs, H. (2012). A reference model for learning
analytics. International Journal of Technology Enhanced Learning, 4(5-6), 318-331.
https://dx.doi.org/10.1504/IJTEL.2012.051815
Chaves, J. B. (2015). Formação a distância de professores em Matemática pela UAB/UECE:

Relação entre interação e desempenho à luz da analítica da aprendizagem (Dissertação
de Mestrado, Universidade Estadual do Ceará, Fortaleza, Brasil). Disponível em
https://bit.ly/2LBKonE
Creswell, J. W., & Clark, V. L. P. (2013). Pesquisa de métodos mistos (2 ed.). Porto Alegre: Penso.
Duarte, L. F. D. (2017). Cronologia da luta pela regulação específica para as Ciências Humanas 189
e Sociais da avaliação da ética em pesquisa no Brasil. Práxis Educativa, 12(1),
267-286. https://dx.doi.org/10.5212/PraxEduc.v.12i1.0015
Dvorak, T., & Jia, M. (2016). Online work habits and academic performance. Journal of Learning
Analytics, 3(3), 318-330. https://dx.doi.org/10.18608/jla.2016.33.15
Fávero, L. P. (2015). Análise de dados: Modelos de regressão com Excel, Stata e SPSS. Rio
de Janeiro: Elsevier.
Ferreira, J. L. C. (2016). MD-PREAD: Um modelo para predição de reprovação de aprendizes na

educação a distância usando árvore de decisão (Dissertação de Mestrado, Universidade
do Vale do Rio dos Sinos, São Leopoldo, Brasil). Disponível em https://bit.ly/2JlF19i
Gonçalves, M. T. L. (2018). Formação do pedagogo para a gestão escolar na UAB/UECE: A

analítica da aprendizagem na educação a distância (Tese de Doutorado, Universidade
Estadual do Ceará, Fortaleza, Brasil). Disponível em https://bit.ly/2JnE3co
Gray, G., McGuinness, C., Owende, P., & Hofmann, M. (2016). Learning factor models of students
at risk of failing in the early stage of tertiary education. Journal of Learning Analytics,
3(2), 330-372. https://dx.doi.org/10.18608/jla.2016.32.20
Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. (2016). Sinopse estatística
de educação superior 2015. Brasília: Autor. Disponível em https://bit.ly/2WpnG2Y
Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. (2018a). Sinopse

estatística de educação superior 2017. Brasília: Autor. Disponível em https://bit.
ly/2CAsUQN

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. (2018b). Censo da

educação superior. Notas estatísticas 2017. Brasília: Autor. Disponível em https://
bit.ly/2Ri1fK5
Jayaprakash, S. M., Moody, E. W., Lauría, E. J. M., Regan, J. R., & Baron, J. D. (2014). Early
alert of academically at‐risk students: an open source analytics initiative. Journal of
Learning Analytics, 1(1), 6-47. https://dx.doi.org/10.18608/jla.2014.11.3
Johnson, L., Adams, S., & Cummins, M. (2012). The NMC horizon report: 2012 Higher education
edition. Austin, Texas: The New Media Consortium. Disponível em https://bit.ly/2VTklfg
Knight, D. B., Brozina, C., & Novoselich, B. (2016). An investigation of first-year engineering
student and instructor perspectives of learning analytics approaches. Journal of
Learning Analytics, 3(3), 215-238. https://dx.doi.org/10.18608/jla.2016.33.11
Lakatos, E. M., & Marconi, M. A. (1991). Metodologia científica (2. ed.). São Paulo: Atlas.
Leeuwen, A. (2015). Learning analytics to support teachers during synchronous CSCL: Balancing
between overview and overload. Journal of Learning Analytics, 2(2), 138-162. https://
dx.doi.org/10.18608/jla.2015.22.11
Lowes, S., Lin, P., & Kinghorn, B. (2015). Exploring the link between online behaviours and
course performance in asynchronous online high school courses. Journal of Learning
Analytics, 2(2), 169-194. https://dx.doi.org/10.18608/jla.2015.22.13
McCoy, C., & Shih, P. (2016). Teachers as producers of data analytics: A case study of a teacher-
focused educational data science program. Journal of Learning Analytics, 3(3),
193-214. https://dx.doi.org/10.18608/jla.2016.33.10
190
190
Mill, D. R. S., Ribeiro, L. R. C., & Oliveira, M. R. G. (2014). Múltiplos enfoques sobre a
polidocência na educação a distância virtual. In D. R. S. Mill, L. R. C. Ribeiro &
M. R. G. Oliveira (Org.), Polidocência na educação a distância: Múltiplos enfoques
(pp. 13-24). São Carlos: Ed. UFSCar.
Nunes, J. B. C. (2015). Estado da arte sobre analítica da aprendizagem na América Latina. In

J. B. Castro & T. E. V. Silva (Coords.), Anais dos workshops do Congresso Brasileiro
de Informática na Educação (pp. 1024-1033). https://dx.doi.org/10.5753/cbie.
wcbie.2015.1024
Oliveira, E. D. S. (2016). Modelo de diagnóstico de dificuldades de aprendizagem orientado a

conceitos (Dissertação de Mestrado, Universidade Federal da Paraíba, João Pessoa,
Brasil). Disponível em https://bit.ly/2VnUOvl
Oliveira, M. R. G., Mill, D. R. S., & Ribeiro, L. R. C. (2014). A gestão da sala de aula virtual e
os novos saberes para a docência na modalidade de Educação a Distância. In D.
R. S. Mill, L. R. C. Ribeiro & M. R. G. Oliveira (Org.), Polidocência na educação a
distância: Múltiplos enfoques (pp. 61-76). São Carlos: Ed. UFSCar.
Pardos, Z. A., Baker, R. S. J. D., San Pedro, M. O. C. Z., Gowda, S. M., & Gowda, S. M. (2014).
Affective states and state tests: Investigating how affect and engagement during the
school year predict end-of-year learning outcomes. Journal of Learning Analytics, 1
(1), 107-128. https://dx.doi.org/10.18608/jla.2014.11.6
Portal, C. (2016). Estratégias para minimizar a evasão e potencializar a permanência em EaD a

partir de sistema que utiliza mineração de dados educacionais e learning analytics.
(Dissertação de Mestrado, Universidade do Vale do Rio dos Sinos, São Leopoldo,
Brasil). Disponível em https://bit.ly/2H7heIA

Sales, V. M. B. (2017). Analítica da aprendizagem como estratégia de previsão de desempenho

de estudantes de curso de Licenciatura em Pedagogia a distância (Tese de Doutorado,
Universidade Estadual do Ceará, Fortaleza, Brasil). Disponível em https://bit.
ly/2H7eSJP
Santos, H. L., Cechinel, C., Nunes, J. B. C., & Ochoa, X. (2017). An initial review of learning analytics
in Latin America. In: A. Díaz, A. Casali, M. C. Rivas, & A. S. Sprock (Eds.), 2017 Twelfth
Latin American Conference on Learning Technologies (LACLO), (pp. 1-9). https://dx.doi.
org/10.1109/LACLO.2017.8120913
Schneider, B., & Pea, R. (2015). Does seeing one another’s gaze affect group dialogue? A
computational approach. Journal of Learning Analytics, 2(2), 107-133. https://
dx.doi.org/10.18608/jla.2015.22.9
Souza, R. C. (2016). Aplicação de learning analytics para avaliação do desempenho de tutores

a distância (Dissertação de Mestrado, Universidade Federal Rural do Semi-Árido,
Mossoró, Brasil). Disponível em https://bit.ly/2Ycz3f6
Vidal, E. M. (2017). Universidade Aberta do Brasil na Universidade Estadual do Ceará: Acesso,

permanência e sucesso. Estudo de dados a partir do SisUab e SisRel. Fortaleza: UECE.
Waddington, R. J., Nam, S., Lonn, S., & Teasley, S. D. (2016). Improving early warning systems
with categorized course resource usage. Journal of Learning Analytics, 3(3), 263-
290. https://dx.doi.org/10.18608/jla.2016.33.13
Zapparolli, L. S. (2016). FAG: Ferramenta de apoio à gestão no ambiente virtual de aprendizagem

Moodle utilizando técnicas de Business Intelligence (Dissertação de Mestrado,
Universidade Federal do ABC, Santo André, Brasil). Disponível em https://bit.
ly/2VlTn0k 191

Análisis de los recursos, usos y competencias tecnológicas

del profesorado universitario para comprender y mejorar
el proceso de aprendizaje del alumnado
Julio Barroso Osuna 1
Vissy Yanet Matos Alcántara 2
Sonia Aguilar Gavira 3
1
Universidad de Sevilla, España; 2 Pontificia Universidad Católica Madre y Maestra, República Dominicana;
3
Universidad de Cádiz, España
Resumen. Las Tecnologías de la Información y la Comunicación suponen una valiosa

fuente de interacción, construcción y difusión del conocimiento para el alumnado,
aunque para ello, debe producirse una conversión del papel docente, abandonándose
como eje vertebrador de la información y el conocimiento y donde la adquisición de
unas competencias pedagógicas adquiere igual o mayor importancia que la tecnológica.
El presente artículo tiene como finalidad conocer las posibles barreras que dificultan
el aprendizaje del alumnado a través de las TIC. Para ello, ofreceremos los resultados
alcanzados en una investigación llevada a cabo en la Pontificia Universidad Católica
Madre y Maestra, en la ciudad de Santo Domingo, donde se analizaron los recursos
tecnológicos disponibles, uso que se hace de ellos, así como la actitud y formación
del profesorado. Se trata de una investigación descriptiva, con una metodología
mixta donde se combinan técnicas cualitativas y cuantitativas. Según los resultados
alcanzados, la formación recibida por el profesorado es escasa y centrada básica-
mente en aspectos técnicos, lo que dificulta el uso de las mismas con su alumnado
desde un punto de vista pedagógico. La escasa competencia percibida en el propio
profesorado provoca desmotivación y poca iniciativa para incorporarla en el proceso
de enseñanza-aprendizaje. 193
Palabras clave: universidad; formación; profesorado; competencias tecnológicas; TPACK.
Análise dos recursos, usos e competências tecnológicas do corpo docente universitário
para compreender e melhorar o processo de aprendizagem dos alunos
Resumen. As Tecnologias da Informação e Comunicação são uma fonte valiosa de 193
interação, construção e disseminação de conhecimento para os alunos, embora
para isso deva ocorrer uma transformação do papel docente, representando um eixo
estruturador da informação e do conhecimento e onde a aquisição de competências
pedagógicas adquira igual ou maior importância que a tecnológica. O objetivo deste
artigo é conhecer as possíveis barreiras que dificultam a aprendizagem do aluno por
meio das TIC. Para isso, ofereceremos os resultados alcançados em uma pesquisa
realizada na Pontifícia Universidade Católica Madre y Maestra, na cidade de Santo
Domingo, onde foram analisados os recursos tecnológicos disponíveis, o seu uso,
bem como a atitude e a formação do corpo docente. Trata-se de uma pesquisa
descritiva, com uma metodologia mista onde são combinadas técnicas qualitativas
e quantitativas. De acordo com os resultados alcançados, a formação recebida
pelos professores é limitada e centrada basicamente em aspectos técnicos, o que
dificulta a sua utilização com seus alunos do ponto de vista pedagógico. A escassa
competência observada no corpo docente causa desmotivação e pouca iniciativa
para a sua inclusão no processo de ensino-aprendizagem.
Palavras-chave: universidade; formação; corpo docente; competências tecnológicas;
TPACK.
Analysis of the resources, uses and technological competences of the university
teaching staff to understand and improve the learning process of the students
Abstract. Information and Communication Technologies are a valuable source of
interaction, construction and dissemination of knowledge for students, although for
this, there must be a conversion of the teaching role, abandoning as the backbone of
information and knowledge and where the acquisition of pedagogical competences
acquires equal or greater importance than the technological one. The purpose of this

Análisis de los recursos, usos y competencias tecnológicas del profesorado universitario para comprender y mejorar...
article is to understand the possible barriers that hinder student learning through ICT.
For this, we will offer the results achieved in a research carried out at the Pontifical
Catholic University Madre y Maestra, in the city of Santo Domingo, where the available
technological resources, use of them, as well as attitude and training were analyzed of
the teaching staff It is a descriptive research, with a mixed methodology where quali-
tative and quantitative techniques are combined. According to the results achieved,
the training received by teachers is limited and basically focused on technical aspects,
which makes it difficult to use them with their students from a pedagogical point of
view. The scarce perceived competence in the teaching staff causes demotivation and
little initiative to incorporate it into the teaching-learning process.
Keywords: University, training, teaching staff, technological competences, TPACK.
1. INTRODUCCIÓN
El desarrollo tecnológico ha supuesto grandes cambios en todas

las esferas de nuestra vida, enfrentándonos a una sociedad en continuo
cambio, inestable y dinámica. El siglo XXI requiere ciudadanos formados
en el conocimiento y uso de las mismas, garantizando así una participación
activa en la actual sociedad web 2.0., y donde el profesorado tiene entre sus
competencias el promover desde el contexto universitario su uso (Federico
y Agresti, 2017; Gutiérrez, 2014). En esta línea nos gustaría señalar las
palabras de Pérez (2012), con las que el autor insiste en la necesidad de
194
194 establecer ciertos cambios en el sistema educativo:
(...) cambiar la mirada, de reinventar la escuela. Las reformas parciales sin

sentido global ya no son suficientes. La explosión exponencial y acelerada
de la información en la era digital requiere reconsiderar de manera sustan-
cial el concepto de aprendizaje y los procesos de enseñanza. Demasiados
docentes parecemos ignorar la relevancia extrema de esta nueva exigencia
en nuestra tarea profesional (p. 68-69).
Aunque la presencia de las tecnologías cada vez es mayor en

nuestro centros educativos, su incorporación según estudios realizados
por (Arancibia, Cosimo, Casanoba, 2018; Barrera-Osorio y Linden, 2009;
European Commission, 2008; Martínez, López-Martín y Pérez-Carbonell,
2018) no han provocado mejoras en la práctica educativa y, por ende, en el
aprendizaje del alumnado. Su incorporación ha estado centrada en la mejora
de infraestructuras tecnológicas, olvidándose de un aspecto fundamental para
hacer un buen uso educativo de las mismas, la formación del profesorado
tanto en aspectos técnicos como pedagógicos. Una formación insuficiente
que ha dado lugar a un mal uso de la misma o a la desconfianza por parte
del profesorado para incluirlas en su práctica docente (Banlankast y Bla-
mire, 2007; Gray y Lewis, 2009). Aunque en muchas ocasiones se suele
asociar tecnología con innovación, lo cierto es que el uso de las mismas
no garantiza una mejora del proceso educativo si se continúa haciendo lo

S. Aguilar, V. Y. Matos, J. M. Barroso
mismo que con una metodología tradicional, convirtiéndose las platafor-

mas institucionales en meros repositorios de contenidos. Si deseamos una
verdadera incorporación de dichas herramientas en el contexto educativo,
es un requisito prioritario, la formación del profesorado universitario en
competencias tecnológicas, así como pedagógicas. Cuando hablamos de
competencia digital, hacemos referencia a las habilidades, conocimientos
y actitudes que el usuario debe adquirir tanto en el manejo tecnológico,
informacional y de comunicación, de forma que permita una utilización de
las herramientas práctica y útil. Son diversos los estudios que han mani-
festado que la formación del profesorado llevada a cabo hasta el momento
en dichos recursos no ha sido apropiada (Arancibia et al., 2017; Cabero,
2004; Cabero y Barroso, 2016; Llorente, 2008).
Hablar de competencias en Tecnología de la Información y la

Comunicación (de ahora en adelante TIC) por parte del profesorado hace
referencia “al conjunto de conocimientos y habilidades necesarias que este
debe poseer para utilizar estas herramientas tecnológicas como unos recur-
sos educativos más integrados en su práctica diaria” (Suárez et al., 2012,
p. 294). Es más que evidente los beneficios que aporta las TIC al proceso
de enseñanza-aprendizaje en nuestras universidades. Entre otros autores,
Poore (2013, p. 6-9) realiza una clasificación de los beneficios que ofrece
las herramientas, como: 195
1. Beneficios intelectuales como: a) análisis, interpretación,

síntesis y crítica; b) validación y evaluación; c) alfabetización
tradicional; d) alfabetización visual; e) alfabetización en medios
y, f) alfabetización funcional.
2. Beneficios para la comunicación, colaboración, participación y
socialización: a) comunicación: b) trabajo en equipo y colabo-
rativo; c) participación e integración; d) pensar en el receptor;
e) aprender conductas apropiadas; f) investigar y, g) diversidad
de opiniones.
3. Beneficios motivacionales como son: a) propiedad y control; b)
aumento de esfuerzo; c) respuesta de receptores múltiples; d)
autopublicación y, e) creatividad.
4. Beneficios de organización y administrativos debido a: a) Fácil de
obtener feedback; b) seguimiento del aprendizaje del estudiante;
c) accesibilidad fuera del centro; d) comunicación con padres;
e) facilidad de presentación de los trabajos y, f) organización.

Son diversas las investigaciones (Angulo et al., 2015; Barroso y

Padrón, 2014; Cabero y Barroso, 2016; Carrera y Coiduras, 2012; Cejas et
al., 2016; Marín et al., 2014; Pozos, 2015; Prendes y Gutiérrez, 2013) que
se han dedicado en los últimos tiempos al análisis de las competencias tec-
nológicas del profesorado en educación superior. Para Area y Guarro (2012)
son cinco las dimensiones (instrumental, cognitiva, comunicativa, axiológica
y emocional) implicadas en el aprendizaje, adquisición y desarrollo de estas
competencias y que debieran ser cultivadas y trabajadas en todo proyecto
educativo de alfabetización.
No menos importancia ha adquirido los estudios (Kaya, Emre y Kaya,

2013; Leiva, Ugalde y Llorente-Cejudo, 2018; Roig y Flores, 2014) que se
han centrado en el estudio del modelo TPACK creado por Mishra y Koehler
(2006) y acrónimo de “Technological Pedagogical Content Knowledge”. Dicho
modelo supone el resultado de la adecuada combinación de conocimiento
tecnológico, disciplinar y didáctico-pedagógico que debe ser adquirido por
parte del docente para aprovechar el gran potencial que nos ofrece las TIC
y desarrollar un aprendizaje activo, participativo y centrado en el alumnado,
siendo capaz de seleccionar las tecnologías más apropiadas y con valor en
los diferentes momentos educativos. La incorporación educativa de estos
instrumentos tecnológicos podríamos hacerla desde tres posiciones (Cabero,
196
196 2014): a) Desde la perspectiva de las TIC: recurso facilitadores y transmi-
sores de información y recursos educativos para los estudiantes, pudiendo
ser ajustado a las necesidades y singularidades de los sujetos, pudiendo
conseguir una verdadera formación audiovisual, multimedia e hipertextual;
b) Desde la posición de las TAC: implica su utilización como instrumentos
facilitadores del aprendizaje y la difusión del conocimiento. Herramientas
para la realización de actividades para el aprendizaje, y; c) desde la posición
de las TEP: como instrumentos para la participación y la colaboración de
docentes y discentes. El aprendizaje no solo tiene una dimensión individual,
sino también social, ya que la formación implica aprender en comunidad y
ser capaz de interactuar y colaborar para construir el conocimiento.
Si se ofreciera una mayor formación del profesorado, más allá

de aspectos técnicos, facilitaríamos que el alumnado pudiera construir su
conocimiento desde el principio de actividad, atendiendo a su vez, a la di-
versidad. Para ello, es primordial conocer cómo aprende el alumnado y poder
dar respuesta a sus características individuales. Diversos autores define el
Learning Analytics (LA), como la herramienta que permite al profesorado
recoger, analizar información de su alumnado y su contexto, con el objetivo
de comprender y dar respuesta a sus necesidades, favoreciendo así su apren-
dizaje (Buckingham y Ferguson, 2012; Díaz, 2017; Johnson et al., 2013;
Johnson, Adams, Estrada y Freeman, 2014; Rojas-Castro, 2017; Siemens y
Long, 2013) y por tanto, el éxito educativo de todos los discentes. Esto de-

muestra la necesidad de un enfoque centrado en el Diseño Universal para el

aprendizaje, el cual aprovecha el gran potencial de los recursos tecnológicos,
permitiendo ofrecer al alumnado “diferentes formas de acceso a un conte-
nido, diferentes posibilidades de interactuar con él y de mostrar que se ha
producido el aprendizaje” (Pastor, 2012, p.8). De esta forma eliminaríamos
muchas de las barreras con las que se encuentran, ofreciendo “un diseño
pensado para todos y todas y no para la mayoría, que permita ser utilizado
y favorezca el proceso de aprendizaje de cada uno de los y las discentes,
considerando su individualidad, independientemente de cualquier necesidad
específica” (Aguilar y Benítez, 2017, p.4).
2. Metodología
Nos encontramos ante una investigación de tipo descriptiva, con

un enfoque mixto, en el que se utilizan tanto métodos cuantitativos como
cualitativos según los objetivos establecidos.
2.1 Objetivos del estudio

La investigación que presentamos tiene como objetivo principal 197
conocer si las tecnologías incorporadas y el uso que se hace de ellas favorecen
el proceso de aprendizaje del alumnado universitario y, por ende, la calidad
del proceso educativo. Dicho objetivo general, se concreta en los siguientes
objetivos específicos:
•• Conocer las herramientas y recursos tecnológicos disponibles

en la universidad y el grado de satisfacción del profesorado en
relación a los mismos.
•• Valorar la actitud y la tendencia del profesorado a la hora de
aplicar los medios y recursos tecnológicos en los procesos de
enseñanza-aprendizaje.
•• Conocer la formación recibida y detectar las necesidades del
profesorado para responder a una adecuada inclusión de las TIC
en las aulas universitarias.
•• Identificar las principales barreras o limitaciones con las que
se encuentra el profesorado para aplicar las TIC en el proceso
educativo.

2.2 Población y muestra

Desde un punto de vista cuantitativo, la muestra quedó configura-
da por 143 docentes de la Pontificia Universidad Católica Madre y Maestra
(PUCMM), del campus Santo Tomás de Aquino (CSTA), siendo mayor el por-
centaje de mujeres (56%) que el de hombres (44%). En el caso cualitativo,
se entrevistó a ocho informantes claves, entre directores de departamentos y
personal de Tecnología Educativa. Para ambos casos, se empleó un muestreo
no probabilístico intencional, aquel seleccionado por el propio investigador
(Albert, 2006; Sabariego, 2004).
2.3 Instrumentos
Para recabar información y poder dar respuesta a los objetivos
planteados se lleva a cabo una metodología mixta. Por un lado, se diseñó
dos cuestionarios, los cuales serían aplicados al profesorado universitario.
Mediante la aplicación del primer cuestionario, dividido este en dos grandes
dimensiones, se pretende: a) Conocer la conectividad y acceso a los recur-
sos tecnológicos, actividades que realizan utilizando las TIC, propósito con
el que la utiliza en su actividad docente, barreras que dificultad su uso,
y; b) Nivel de conocimiento en TIC, formación recibida, lugar y tiempo de
198
198 formación recibida y obstáculos encontrados en su proceso de formación en
TIC. Mediante la aplicación del segundo cuestionario se pretende: a) Evaluar
las actitudes de los profesores hacia la integración de las TIC en las aulas.
Para ello, se utilizó un cuestionario ya elaborado y validado con anterioridad
por (Tejedor et al., 2009) el cual constaba de 24 ítems, divididos estos en
tres dimensiones: cognitivo, afectivo y comportamental y bajo una escala de
valoración tipo Likert de cuatro categorías, del 1 al 4 si el ítem era positivo
y del 4 al 1 si el ítem era negativo.
La validez del instrumento del primer cuestionario se lleva a cabo

mediante la técnica de juicio de expertos, llevando a cabo un muestreo no
probabilístico de tipo intencional u opinático “determinado por la selección
de los sujetos particulares que son expertos en un tema o relevantes como
fuentes importantes de información según criterios establecidos previamen-
te” (Llorente-Cejudo, 2008, p.191) por el propio investigador. En el caso
concreto del citado estudio se opta por seleccionar a los expertos bajo una
serie de criterios, para lo cual se elabora un biograma y en el que se tendría
en cuenta aspectos, como: su experiencia en didáctica educativa, metodo-
logía de la investigación, integración de TIC en los procesos de enseñanza y
aprendizaje y en formación del profesorado en TIC.

Con respecto al número de expertos y de acuerdo con las aporta-

ciones de Cabero y Barroso (2013) su selección depende muchas veces de:
a) La posibilidad de poseer expertos suficientes con claras referencias hacia
la temática analizada; b) El evitar el menor número de pérdida de sujetos
entre las dobles y triples vueltas que se hace necesario en algunos estudios;
c) El volumen de trabajo que seamos capaces de mover; d) La facilidad para
acceder a los expertos, y; e) La rapidez con que debamos ofrecer los resul-
tados preliminares, sobre todo en estudios de varias vueltas, para evitar la
desmotivación en la participación en el estudio de los «expertos». Teniendo
en cuenta las aportaciones de dichos autores, el instrumento fue evaluado
por un total de 22 profesores pertenecientes a diferentes universidades. Son
diversos los métodos para recoger la información de los expertos seleccio-
nados (Barroso y Cabero, 2010; Cabero y Barroso, 2013; Cabero y Marín,
2013). De todos ellos, se opta por el de agregación individual, obteniendo
información individual de ellos sin que estén en contacto. Asimismo, para
alcanzar el grado de fiabilidad se utiliza el Alfa de Cronbach, alcanzando una
puntuación significativa para las variables “Valore la disponibilidad de las
TIC en su universidad”, “de los recursos tecnológicos mencionados cuáles
utiliza en su labor docente y con qué frecuencia” e “Indique el nivel de co-
nocimiento que tiene de las herramientas TIC que se presentan” de 0.867,
0.871 y 0.939 respectivamente. Para alcanzar la fiabilidad en el contexto
del segundo cuestionario, relacionado este con la “Actitud de los profesores 199
hacia la integración de las TIC en las aulas” ya elaborado por (Tejedor et
al., 2009), se realizó un estudio piloto, proporcionando el cuestionario a los
mismos 22 docentes del primer cuestionario, obteniendo un coeficiente de
Cronbach de 0.887, por lo que se evidencia un alto nivel de fiabilidad del
instrumento.
Mediante la entrevista semiestructurada se pretende ahondar así

como contractar los resultados alcanzados mediante el cuestionario. Mediante
su aplicación se obtenía información relativa a la “disponibilidad de TIC en la
universidad”, “Uso didáctico de las TIC”, “Formación y Necesidades formativas
en TIC del profesorado” y “Actitud de los profesores y estudiantes hacia las
TIC”. Los ítems fueron validados por investigadores experimentados, a los
cuales se les pidió que comentaran sobre la idoneidad de las preguntas y su
potencial para provocar respuestas pertinentes al tema de la investigación y
a los objetivos generales de la investigación.

3. Análisis y resultados
Como punto de partida, daremos a conocer “los aspectos técnicos

y recursos tecnológicos disponibles en la universidad” con los que cuenta
el profesorado para desarrollar ese proceso de enseñanza-aprendizaje con
su alumnado. Como se puede apreciar en la Tabla 1, el profesorado consi-
dera que el mayor recurso con el que cuentan, con un 70,1%, es el correo
institucional para poder comunicarse con el alumnado, con un 69,2% los
proyectores de las aulas, con un 60,1% los ordenadores, la web docente y el
calendario virtual, ambos con un 58,7% y la conexión a Internet en las zonas
del profesorado con 56.6%. Sin embargo, consideran que son deficientes la
conexión wifi con 62,9% en el centro, la conexión wifi en las aulas con un
60,8%, con un 47.6% la plataforma de la universidad, con un 46.9% las
salas de informática y con un 37.1% los entornos de trabajo colaborativo.
Por último, un gran número del profesorado afirma desconocer con un 42%
o no existir con un 25,2% software educativo.
Tabla 1. Frecuencias y porcentajes de la variable “Aspectos técnicos y recursos

tecnológicos en la universidad”
Lo
No existe desconoce Deficiente Suficiente
200
200 f % f % f % f %
Ordenadores 0 0.0 0 0.0 57 39.9 86 60.1
Sala de Informática 0 0.0 0 0.0 67 46.9 76 53.1
Proyector en las aulas 0 0.0 0 0.0 44 30.8 99 69.2
Software educativo 36 25.2 60 42.0 31 21.7 16 11.2
Conexión a Internet en las aulas 0 0.0 0 0.0 87 60.8 56 39.2
Conexión a Internet en los labora- 1 0.7 26 18.2 59 41.3 57 39.9
torios
Conexión Wifi 1 0.7 0 0.0 90 62.9 52 36.4
Conexión a Internet en las zonas del 0 0.0 16 11.2 46 32.2 81 56.6
profesorado
Conexión a Internet en la biblioteca 5 3.5 16 11.2 52 36.4 70 49.0
Web docente 12 8.4 14 9.8 33 23.1 84 58.7
Web del alumnado 15 10.5 26 18.2 25 17.5 77 53.8
Plataforma de la Universidad 2 1.4 3 2.1 68 47.6 70 49.0
Entornos de trabajo colaborativo 22 15.4 32 22.4 53 37.1 36 25.2
Correo institucional 3 2.1 4 2.8 35 24.5 101 70.6
Sala de Videoconferencia 19 13.3 27 18.9 50 35.0 47 32.9
Equipo de grabación de vídeo 21 14.7 55 38.5 38 26.6 29 20.3
Equipo de sonido 5 3.5 28 19.6 34 23.8 76 53.1
Agenda/Calendario virtual 7 4.9 11 7.7 41 28.7 84 58.7
Acceso a bases de datos especiali- 15 10.5 26 18.2 29 20.3 73 51.0
zadas

En el Figura 1, se puede apreciar de manera generalizada la apre-

ciación de los docentes hacia la infraestructura tecnológica de la universidad.
El 72% de los profesores encuestados afirma que los recursos tecnológicos
disponibles son insuficientes, un 26,6% lo desconoce y tan sólo un 0,7%
afirman ser suficiente.
Figura 1. Disponibilidad de recursos tecnológicos en la universidad según los docentes.
Una vez analizado los recursos disponibles en la universidad, nos

centraremos en conocer cuáles son utilizados por el profesorado en su ac-
ción formativa y con qué frecuencia (Véase Tabla 2). En relación al primer
ítem “Ordenadores” el 86% afirma que lo hace “Siempre” (f= 89; 62.2%) 201
o “Casi siempre” (f= 34; 23.8%), frente al 14% que aseveró utilizarlas “Al-
gunas veces” (f=18; 12.6%) o “Nunca” (f=2; 1.4%). Los “Proyectores en
las aulas” suelen ser utilizados “Siempre o Casi siempre” por el 78.4%. En
contraposición, un 21.7% afirma que lo utiliza “Algunas veces o Nunca”.
Respecto al ítem “Laboratorios de informática”, el 25.9% afirma que lo
hace “Siempre” (f= 22; 15.4%) o “Casi Siempre” (15; 10.5%), frente al
74.2% que aseveró utilizarlas “Algunas veces” (f= 47; 32.9%) o “Nunca”
(f= 59; 41.3%). En relación al “Móvil o Smartphone”, el 32.2% afirma que
lo utiliza Siempre (f= 17; 11.9%) o Casi siempre (f= 29; 20.3%), mientras,
el 67.9% dice que los utiliza Algunas veces (f= 36; 25.2%) o Nunca (f=
61; 42.7%). Si analizamos los resultados alcanzados bajo el ítem “Uso de
Internet en las aulas”, un 55.3% del profesorado dice usarlo “Siempre” (f=
42; 29.4%) o Casi siempre” (f= 37; 25.9%), mientras que el 44.7% afirma
que la utiliza “Algunas veces” (f= 29; 20.3%) o “Nunca” (f= 35; 24.5%).
En el caso de los laboratorios, el 43.4% afirman utilizar internet Siempre
(f= 37; 25.9%) o Casi siempre (f= 25; 17.5%), en contraposición al 53.7%
dice utilizarlo Algunas veces (f= 35; 24.5%) o Nunca (f= 46; 32.2%). Con
respecto a la “Conexión Wifi”, aunque los docentes manifiestan la lentitud
de la misma, el 58.8% dicen utilizarla “Siempre” (f= 52; 36.45) o “Casi
siempre” (f=32; 22.4%), frente al 41.2% que dicen utilizarla “Algunas
veces” (f= 36; 25.2) o “Nunca” (f= 23; 16.1%). En el ítem “utilización de
Internet en los cubículos de profesores”, el 46.9% de los docentes lo utilizan

“Siempre” (f= 53; 37.1%) o “Casi siempre” (f= 23; 16.1%), mientras que
el 53.2% lo utilizan “Algunas veces” (f= 23; 16.1%) o “Nunca” (f= 44;
30.8%). En cuanto al uso de “Internet en el salón de profesores”, el 37.8%
de los docentes dicen utilizarlo Siempre (f =32; 22.4%) o Casi siempre (f=
22; 15.4%), mientras que el 62.3% afirma utilizarlo Algunas veces (f= 38;
26.6%) o Nunca (f= 51; 35.7%).
En el ítem “El acceso a Internet desde la biblioteca”, el 32.9%

dicen acceder Siempre (f= 29; 20.3%) o casi siempre (f= 18; 12.6%) desde
dicho lugar, mientras que la gran mayoría, el 67.2% dice acceder desde ahí
solo Algunas veces (f= 38; 26.6%) o Nunca (f= 58; 40.6%). Con los mayores
valores porcentuales, 62.3%, el profesorado dice que utiliza la Web docente
“Siempre” (f =50; 35%) o “Casi siempre” (f =39; 27.3%), mientras que el
37.7% la utiliza “Algunas veces” (f= 18; 12.6%) o “Nunca” (f= 36; 25.2%).
Ante el uso de la “Plataforma virtual”, el 67.2% afirma utilizarla “Siempre”
(f= 62; 43.4%) o “Casi siempre” (f= 34; 23.8%), frente al 32.8% que ase-
vera utilizarla “Algunas veces” (f= 26; 18.2%) o “Nunca” (f= 21; 14.7%).
Respecto al uso de “Recursos educativos abiertos”, el 33.6% afirma que los
utiliza Siempre (f= 21; 14.7%) o Casi siempre (f= 27; 18.9%), mientras que
el 66.5% dice que los utiliza Algunas veces (f= 24; 16.8%) o Nunca (f= 71;
49.7%). En cuanto al “Correo institucional”, el 65.8% dice utilizarlo “Siem-
202
202 pre” (f= 66; 46.2%) o “Casi siempre” (f= 28; 19.6%), frente al 34.3% que
dice utilizarlo “Algunas veces” (f= 23; 16.1%) o “Nunca” (f= 26; 18.2%).
Respecto al uso de “Herramientas Web 2.0 en sus clases”, sólo un 20.3%
de los profesores la utilizan Siempre (f= 12; 8.4%) o Casi siempre (f= 17;
11.9%), frente al 79.7% que dicen utilizarla Algunas veces (f= 18; 12.6%)
o Nunca (f= 96; 67.1%). En relación al ítem “uso de la Sala de videoconfe-
rencia”, solo un 9.1% de los docentes suelen utilizarla Siempre (f= 7; 4.9%)
o Casi siempre (f= 6; 4.2%), frente al 90.9% que afirma utilizarla Algunas
veces (f= 36; 25.2%) o Nunca (f= 94; 65.7%). El ítem menos valorado es
el que hace referencia a “Realidad aumentada”. El 92.3% de los docentes
lo utilizan bajo la opción “Nunca” (f= 132; 92.3%), el 5.6 % afirman que lo
utiliza “Algunas veces” (f= 8; 5.6%) y “Casi siempre” (f = 3; 2.1%). La opción
“Siempre” no fue seleccionada por ningún docente. Ante el uso de “Equipo
de grabación de audio y vídeo”, el 23.1% afirman que lo utiliza “Siempre”
(f= 19; 13.3%) o “Casi siempre” (f= 14; 9.8%), frente al 76.9% que asegura
utilizarlo “Algunas veces” (f= 34; 23.8%) o “Nunca” (f= 76; 53.1%). En
cuanto a las “Base de datos especializadas”, el 22.4% manifiesta que las
utiliza “Siempre” (f= 32; 22.4%) o “Casi siempre” (f=24; 16.8%), frente
al 60.9% que dice utilizarla “Algunas veces” (f= 31; 21.7%) o “Nunca” (f=
56; 39.2%). Otro de los recursos menos puntuados por el profesorado son los
“Videojuegos”, alcanzando los mayores valores porcentuales bajo la opción
Nunca (f = 130, 90.9%).

Tabla 2. Frecuencias y porcentajes de la variable “Recursos TIC utilizados en su

labor docente y con qué frecuencia”
Nunca Algunas Casi Siempre
veces siempre
f % f % f % f %
Ordenadores 2 1.4 18 12.6 34 23.8 89 62.2
Proyector en las aulas 6 4.2 25 17.5 41 28.7 71 49.7
Laboratorios de Informática 59 41.3 47 32.9 15 10.5 22 15.4
Móvil o Smartphone 61 42.7 36 25.2 29 20.3 17 11.9
Conexión a Internet en las aulas 35 24.5 29 20.3 37 25.9 42 29.4
Conexión a Internet en los labo- 46 32.2 35 24.5 25 17.5 37 25.9
ratorios
Conexión Wifi 23 16.1 36 25.2 32 22.4 52 36.4
Conexión a Internet en las zonas 44 30.8 23 16.1 23 16.1 53 37.1
del profesorado
Conexión a Internet en la bi- 58 40.6 38 26.6 18 12.6 29 20.3
blioteca
Web docente 36 25.2 18 12.6 39 27.3 50 35.0
Plataforma de la Universidad 21 14.7 26 18.2 34 23.8 62 43.4
Recursos Educativos Abiertos 71 49.7 24 16.8 27 18.9 21 14.7
Correo institucional 26 18.2 23 16.1 28 19.6 66 46.2
Herramientas Web 2.0 (blog, 96 67.1 18 12.6 17 11.9 12 8.4 203
wiki,…
Sala de videoconferencia 94 65.7 36 25.2 6 4.2 7 4.9
Realidad aumentada 13.2 92.3 8 5.6 3 2.1 0 0.0
Equipo de grabación de audio 76 53.1 34 23.8 14 9.8 19 13.3
y vídeo.
Acceso a bases de datos espe- 56 39.2 31 21.7 24 16.8 32 22.4
cializadas
Videojuegos 13 90.9 7 4.9 6 4.2 0 0.0
Tras los resultados precedentes, podemos afirmar que los recursos

tecnológicos más utilizados por el profesorado en su labor docente son las
computadoras (f=123, 86%), tanto de escritorio como portátiles, el proyector
(f=112, 78.4%), la Plataforma de la Universidad (f=96, 67.2%) y el correo
electrónico (f=94, 65.8%). Los menos utilizados son el teléfono móvil (f = 97,
67.9%), los recursos educativos abiertos (f= 94, 66.5%), las herramientas
Web 2.0 (f=114, 79.7%), la sala de videoconferencia (f=130, 90.9%), la
realidad aumentada (f= 132, 92.3%), los equipos de grabación de audio y
video (f=110, 76.9%), y los videojuegos (f= 130, 90.9%).
Otro de los objetivos a alcanzar con dicha investigación es conocer

para qué suele utilizar el profesorado los recursos tecnológicos. En dicha
variable, las personas encuestadas tienen la posibilidad de marcar varias
opciones. En la Tabla 3 podemos ver los resultados alcanzados.

Tabla 3. Frecuencias y porcentajes de la variable “Uso que hacen de las TIC el

profesorado universitario”
Frecuencia (f) Porcentaje (%)
Prepara los materiales de las clases (presentaciones, 138 97.9
textos, gráficos, etc.)
Lleva el control de las calificaciones del alumnado 126 89.4
Consulta información en bases de datos, a través de 118 83.7
la Web
Publica y comparte información en la Web 89 63.1
Evalúa a los discentes 88 62.4
Elabora materiales didácticos en línea 65 46.1
Utiliza las bases de datos disponibles en su universidad 51 36.2
Participa en comunidades de aprendizaje 63 44.7
Utiliza recursos de Internet para enriquecer sus clases 118 83.7
Utiliza la plataforma solo para colgar recursos a sus 55 39.0
estudiantes
Se comunica con el alumnado 116 82.3
Realiza actividades de trabajo colaborativo 46 32.6
Gestiona y organiza mejor los contenidos y recursos 95 67.4
para sus alumnos.
204
204
Trabaja los proyectos de sus clases 89 63.1
Total 1257 891.5
Como podemos apreciar en la Tabla precedente, el mayor uso que

el profesorado suele darle a las TIC es para preparar los materiales de clase
como, presentaciones de PowerPoint (f= 138, 97.9%), así como para llevar el
control de las calificaciones del alumnado (f=126, 89.4%), consultar bases de
datos en la Web (118, 83.7%), comunicarse con los/as estudiantes (f=116,
82.3%) y buscar recursos en la Web para enriquecer sus clases (f=118,
83.7%). Sin embargo, suelen hacer un menor uso de las TIC para realizar
trabajos colaborativos (f=46, 32.6%), elaboración de materiales didácticos
en línea (f=65, 46.15), la utilización de las bases de datos de la universidad
(f=51, 36.2%) y participar en comunidades de aprendizaje (f=63, 44.7%).
Los principales motivos o propósitos por los que suelen utilizar las
TIC durante su práctica docente, podemos verlo en la Tabla 4. Según los
resultados, y alcanzando los mayores porcentajes, el 84.5% de los docentes
afirman utilizarla para motivar a los estudiantes, para clarificar e ilustrar
conceptos con un 73.2%, el 85.2% afirman utilizarla para facilitar la transfe-
rencia de conocimientos, así como mejorar el aprendizaje de los estudiantes,
con un 80.3%. Con la finalidad de retroalimentación suele ser utilizado por
el 76.1% y el 53.5% para evaluar el aprendizaje. También, 74.6% expone

utilizarla para propiciar el autoaprendizaje y el 80.3% afirma que su propósito

es mantener comunicación con el alumnado. Otro aspecto altamente valorado
es su utilización para implementar una metodología más creativa (74.6%).
Con menores porcentajes, pero no menos relevantes, la utilizan para el de-
sarrollo de actividades de práctica (66.2%), para apoyar el desarrollo de las
lecciones (62.0%), crear y supervisar proyectos de clases (55.6%), promover
el trabajo en equipo (53.5%) y fomentar el trabajo colaborativo (59.9%).
Tabla 4. Frecuencias y porcentajes de la variable “propósito de utilizar las TIC en

su actividad docente”
Motivar al alumnado 120 84.5%
Clarificar e ilustrar conceptos 104 73.2%
Facilitar transferencia de conocimientos 121 85.2%
Mejorar el aprendizaje de los estudiantes 114 80.3%
Retroalimentar 108 76.1%
Evaluar el aprendizaje 76 53.5%
Propiciar el autoaprendizaje 106 74.6%
Mantener comunicación con los alumnos 114 80.3%
Fomentar el trabajo colaborativo 85 59.9%
205
Promover el trabajo en equipo 76 53.5%
Desarrollo de actividades de práctica 94 66.2%
Apoyar el desarrollo de las lecciones 88 62.0%
Crear y supervisar proyectos de clases 79 55.6%
Implementar una metodología más creativa 106 74.6%
Total 142 100%
Así mismo, se considera fundamental conocer los factores que difi-

cultan que el profesorado hagan uso de las TIC en su práctica docente (Véase
Tabla 5). Según los encuestados, y con el mayor porcentaje alcanzado, con
un 63,5%, la principal barrera con la que se encuentran es una conexión a
Internet muy lenta. El segundo factor, y bajo la opción “Otros” en dicha varia-
ble, los docentes exponen la falta de tiempo con un 54.7%. El tercer y cuarto
factor importante, con un 40,1%, es su escasa formación para hacer uso de
las mismas y la falta de apoyo institucional y el soporte técnico insuficiente,
ambos con un 38.7%. Por otro lado, y en menor medida, dichas dificultades
se deben al número de laptops insuficiente (29.9%), ordenadores obsoletos
(28.5%), número de ordenadores insuficientes (27%), falta de experiencia
(26.3%), desconocimiento técnico (24.1%), desconocimiento del uso didác-
tico de las TIC (22.6%), muchos estudiantes por grupo (34.3%), soporte
pedagógico insuficiente (26.3%) y falta de interés de los alumnos (29.2%).

Tabla 5. Frecuencias y porcentajes de la variable “Razones que dificultan el uso de

las TIC en su labor docente”
Ordenadores insuficientes 37 27%
Cantidad de laptops insuficiente 41 29.9%
Conexión a Internet muy lenta 87 63.5%
Ordenadores obsoletos 39 28.5%
Poca formación en TIC 55 40.1%
Falta de experiencia 36 26.3%
Desconocimiento técnico 33 24.1%
Desconocimiento del uso didáctico de las TIC 31 22.6%
Muchos estudiantes por grupo 47 34.3%
Soporte técnico insuficiente 53 38.7%
Soporte pedagógico insuficiente 36 26.3%
Falta de apoyo institucional 53 38.7%
Falta de interés de los alumnos 40 29.2%

206
206
Falta de tiempo 75 54.7%
Total 137 100%
Finalmente, se pretende conocer el nivel de conocimiento y formación

recibida por parte del profesorado. En relación a sus conocimientos (Véase
Tabla 6), las personas encuestadas dicen ser expertos en el manejo del correo
electrónico (60,8%), el procesador de texto (59,9%), en buscadores como
Goggle, Yahoo, … (58.7%), programas de presentación (45%) y servicios
como Dropbox para trabajar con documentos en la red (40.65%). Sin em-
bargo, afirman tener un conocimiento solo moderado en Sistemas operativos
como Windows, Linux, Mac… (63.6%), programas de presentaciones como
PowerPoint, Prezi,…(53.8%), hojas de cálculo (44.8%), uso de la página
web de la universidad y uso pedagógico de las TIC, ambos con (41.3%) y
diseño de materiales multimedia (35%). En lo que afirman no tener ningún
conocimiento es en realidad aumentada (89.5%), la creación de videojuegos
educativos y mantenimiento del PC, ambos con (55.9%), diseño de objetos de
aprendizaje y uso de simuladores, ambos con (55.2%), manejo de imágenes
(49%), creación de wikis (41.3%), diseño de materiales multimedia (38.5%)
o diseño de blogs (37.8%).

Tabla 6. Frecuencias y porcentajes de la variable “Nivel de conocimiento que tiene

de las herramientas TIC”
Ninguno Mínimo Moderado Experto
f % f % f % f %
Sistemas operativos (Windows,Linux). 2 1.4 15 10.5 91 63.6 35 24.5
Procesadores de texto (Word,…). 0 0 1 0.7 62 43.4 80 55.9
Programas de presentaciones (Power- 0 0 1 0.7 77 53.8 65 45.5
Point, Prezi,…).
Bases de datos (Access, Sql, MySql…). 36 25.2 21 14.7 51 35.7 35 24.5
Hojas de cálculo (Excel…). 10 7 13 9.1 64 44.8 56 39.2
Diseño de objetos de aprendizaje. 79 55.2 25 17.5 30 21 9 6.3
Diseño de blogs (blogger, Wordpress, 54 37.8 28 19.6 46 32.2 15 10.5
…).
Diseño de materiales multimedia (pre- 55 38.5 22 15.4 50 35.0 16 11.2
sentaciones, video, audio…).
Manejo de imágenes (Photoshop, ….) 70 49.0 24 16.8 38 26.6 11 7.7
Creación de videojuegos educativos,…) 80 55.9 28 19.6 29 20.3 6 4.2
Recursos Educativos Abiertos 75 52.4 16 11.2 32 22.4 20 14.0
Mantenimiento de PC 80 55.9 30 21 28 19.6 5 3.5
Instalación de software en un PC 51 35.7 18 12.6 30 21 44 30.8
Uso de simuladores 79 55.2 22 15.4 27 18.9 15 10.5
Tecnología educativa 48 33.6 26 18.2 50 35 19 13.3
Educación virtual, educación a distancia 42 29.4 20 14.0 55 38.5 26 18.2 207
Uso pedagógico de las TIC 32 22.4 25 17.5 59 41.3 27 18.9
Herramientas de comunicación (Correo 3 2.1 3 2.1 50 35 87 60.8
electrónico, listas de distribución, men-
sajería instantánea,..).
Uso de Navegadores (Mozilla, Chro- 7 4.9 5 3.5 58 40.6 73 51
me,…)
Uso de buscadores (google, yahoo,…). 1 0.7 6 4.2 52 36.4 84 58.7
Trabajo con documentos en la red (goo- 17 11.9 12 8.4 56 39.2 58 40.6
gle docs, dropbox,…).
Construcción de mapa conceptual 44 30.8 15 10.5 49 34.3 35 24.5
(cmaptool, mindomo, maindmaster,…).
Creación de Wikis (wikipedia, wikispa- 59 41.3 31 21.7 37 25.9 16 11.2
ces,..)
Uso de Realidad aumentada. 128 89.5 6 4.2 9 6.3 0 0
Uso de redes sociales (LinkedIn, Face- 21 14.7 14 9.8 60 42 48 33.6
book)
Manejo de plataformas educativas, 33 23.1 14 9.8 55 38.5 41 28.7
(Blackboard, Moodle,…).
Uso de la página web de la Universidad 24 16.8 10 7 59 41.3 50 35
Uso de los recursos electrónicos dispo- 35 24.5 12 8.4 53 37.1 43 30.1
nibles en la página web de biblioteca de
la Universidad (bases de datos, catálogo
en línea,…)

En relación a la formación recibida (Véase Figura 2), la mitad del

profesorado, con un 51.8%, afirma haber recibido una formación muy sufi-
ciente o suficiente, mientras que el 32.2% considera que ha sido insuficiente
y un 16.1% dice no haber recibido formación alguna. Con respecto a la
duración formativa (Véase Figura 3), un alto porcentaje de los encuestados,
concretamente, un 33.6% no respondieron a esta pregunta. Entre aquellas
personas que si respondieron, el 28.7% afirmaron que su formación tuvo una
duración de dos o más meses, el 25.2% recibió una formación menor de 20
horas y el 12.6% recibió formación de 20 horas.
14%
Muy suficiente
37,8%
Suficiente
32,2%
Insuficiente
16,1%
No ha recibido ninguna formación
208
208 Figura 2. Porcentajes de frecuencias en la variable “Formación en TIC”
8 horas 11,2%
12 horas 7%
7%
16 horas
12,6%
20 horas
28,7%
Dos o más meses
33,6%
S/R
Figura 3. Porcentajes de frecuencias en la variable “Tiempo de formación”
Aunque un gran porcentaje del profesorado, el 77.3%, han adquirido

sus conocimientos de forma autodidacta, un 66.4% afirma haberse formado
en la universidad, el 25.5% se ha formado tomando cursos en línea, el 18.2%
en instituto especializado, el 17.3% en otras universidades, el 9.1% en el
extranjero (Véase Figura 4). Así mismo, se puede apreciar en la Figura 5 el

tiempo transcurrido desde la última formación. El 58.7% recibió su formación

durante el periodo del 2010 al 2013, el 8.4% las tomó del 2005 al 2010,
y el 3.5% se capacitó antes del 2005. El porcentaje restante, el 29.4%, no
contestó a dicha cuestión.
En la universidad 66,4%
Autoaprendizaje 77,3%
Instituto especializado 18,2%
En el extranjero 9,1%
En otras universidades 17,3%
Cursos en línea 25,5%
Figura 4. Porcentajes de frecuencias en la variable “Lugar en el que recibieron formación“
2010-2013 58,7%
2005-2010 8,4% 209
2000-2005 2,1%
En los 90 1,4%
S/R 29,4%
Figura 5. Porcentajes de frecuencias en la variable “Periodo última formación recibida”
En referencia a la frecuencia con que utilizan lo aprendido en

su práctica docente (Véase Figura 6), y teniendo en cuenta aquellos/
as profesores/as que respondieron, el 60.2% afirma utilizarlo siempre o
casi siempre, mientras que el 16.1% afirma que lo utiliza algunas veces
o nunca. Con respecto al grado de dificultad en el aprendizaje de las TIC
(Véase Figura 7), el 55.3% del profesorado expone que les resultó fácil o
muy fácil, mientras que el 21.7% considera que el aprendizaje de las TIC
les supuso cierta dificultad.

Siempre 34,3%
Casi siempre 25,9%
Algunas veces 14,7%
Nunca 1,4%
S/R 23,8%
Figura 6. Porcentajes de frecuencias obtenidos en la variable “Frecuencia sobre la

aplicabilidad dificultad de lo aprendido en su práctica docente”
Muy difícil 1,4%

20,3%
Difícil
37,8%
Fácil
210
210
Muy fácil 17,5%
S/R 23,1%
Figura 7. Porcentajes de frecuencias obtenidos en la variable “Grado de en el aprendizaje

de las TIC”
Aquel profesorado que ha manifestado que el proceso formativo

había sido fácil (Véase Figura 8), expusieron entre sus motivos: tener una
actitud positiva (70.8%), las prácticas realizadas le ayudó en su formación
(59,6%), los conocimientos previos que tenían sobre TIC los ayudó a tener
un mejor aprendizaje (51.7%), la metodología utilizada por los formadores
(40.4%) y en menor medida, su autoaprendizaje (22.5%). En contraposición,
aquellos que afirman haber encontrado dificultades, exponen entre sus moti-
vos y que podemos apreciar en la Figura 9, la falta de tiempo para practicar
lo aprendido (75.4%). Seguidamente, los encuestados exponen la falta de
atención personalizada (47.5%), la falta de conocimientos previos (42.6%),
el ritmo de la enseñanza (36,1%) y dificultades técnicas (31,1%). En menor
medida, el profesorado hace referencia al temor o inseguridad por su parte
(16.4%) y ordenadores insuficientes (8.2%)

Conocimientos previos 51,7%
40,4%
Buena metodología
70,8%
Actitud positiva
Práctica 59,6%
Autoaprendizaje 22,5%
Figura 8. Porcentajes de frecuencias obtenidos en la variable “Causas de la facilidad”
Falta de tiempo para practicar

75,40%
y horarios poco flexibles
Dificultades técnicas 31,10%
Computadoras insuficientes 8,20%
Temor e inseguridad 16,40% 211
Falta de atención personalizada 47,50%
Ritmo de la enseñanza 36,10%
La metodología 21,30%
Falta de conocimientos previos 42,60%
Figura 9. Porcentajes de frecuencias obtenidos en la variable “Causas de la dificultad”
Las principales dificultades por las que no se suelen formar los

encuestados (Véase Figura 10) son; la falta de tiempo (f= 76; 72.4%) y la
falta de apoyo técnico e institucional (f= 69; 65.7%), siendo causas menores
“poca motivación e interés’ por su parte (12,4%).

Económicos 0%
72,4%
Falta de tiempo
Falta de capacitadores 29,5%
Poca motivación e interés 12,4%
Falta de apoyo técnico e institucional 65,7%
Ninguno 9,5%
Figura 10. Porcentajes de frecuencias obtenidos en la variable “Obstáculos que ha encontrado

en su proceso de formación en TIC”
Con respecto a la entrevista, las dimensiones que obtienen mayores

porcentajes son: “Uso didáctico de las TIC” (35.8%) y “Formación y necesi-
dades formativas en TIC del profesorado” (31.4%) seguido de las otras dos
dimensiones “Disponibilidad de TIC en la universidad” (16.6%), y “Actitudes
hacia las TIC” (16.2%). Con respecto a la Dimensión “Disponibilidad de TIC
en la universidad “las personas entrevistadas exponen que aunque la uni-
212
212
versidad posee una infraestructura tecnológica con equipamientos, software,
internet en todas las aulas, esta no es suficiente, ya que los recursos no están
actualizados y el apoyo institucional se ha reducido en los últimos tiempos.
En la segunda dimensión, “Uso didáctico de las TIC”, la mayor preocupa-
ción o principales barreras expuestas son la falta de capacitación docente
para utilizarlas y la falta de tiempo para llevar a cabo dicha formación. Con
respecto a la dimensión “Formación y necesidades formativas en TIC del
profesorado” se confirma que la universidad ofrece formación, pero centrada
principalmente en los aspectos técnicos, olvidando lo fundamental, el aspecto
didáctico y pedagógico. Finalmente, y en relación a la dimensión “Actitudes
hacia las TIC”, el profesorado considera que ayudan a facilitar el proceso de
enseñanza y aprendizaje, les permite trabajar mejor con los alumnos, aunque
también reconocen que sus escasos conocimientos le provocan desmotivación
y reticencia a la hora de utilizarlas.
En cuanto a “los recursos tecnológicos disponibles” a nivel personal

por el profesorado, en la Tabla 7, se puede apreciar en orden decreciente
que, el 66.4% del profesorado tienen ordenadores de sobremesa, el 93.7%
tienen portátiles, el 46.9% tiene tableta y el 9.8% posee lector electrónico.
Además, el 100% posee teléfono con conexión a Internet, por lo que el pro-
fesorado cuenta con recursos tecnológicos suficientes para llevar a la práctica
su formación en TIC.

Tabla 7. Porcentajes de respuestas obtenidos de la variable “Recursos tecnológicos

disponibles”
Ordenador de sobremesa 95 66.4%
Portátiles (laptop, mini laptop) 134 93.7%
Tablet, Ipad 67 46.9%
Lector electrónico (ereader Kindle, Nook) 14 9.8%
Dispositivo móvil 143 100%
Conexión a Internet 143 100%
Total 596 416.8%
En relación al “lugar desde donde acceden” y cómo podemos ob-

servar en la Figura 11, el 100% del profesorado encuestado acceden desde
sus casas, el 88.1% pueden acceder desde la oficina, el 52.4% en los labo-
ratorios de la universidad, el 54.5 % en el salón de profesores y el 30.8% en
cualquier lugar donde haya conexión WiFi. Este es un dato muy importante,
porque el profesorado puede darle seguimiento a sus capacitaciones en TIC,
independientemente del lugar donde se encuentren.
En la casa 100%
213
En la oficina 88,1%
En los laboratorios de la universidad 52,4%
En el salón de profesores 54,5%
En cualquier lugar donde haya Wi Fi 30,8%
Figura 11. Porcentajes de frecuencias obtenidos en la variable “Lugar desde donde acceden”
4. CONCLUSIONES
A pesar de contar con recursos tecnológicos en la universidad, el

profesorado se encuentra con importantes dificultades con respecto a la red
wifi, hardware y software obsoletos, la falta de apoyo técnico e institucional, así
como la falta de visión de las autoridades. Consideramos de gran importancia
resaltar la elevada necesidad de formación detectada entre el profesorado,
tanto a nivel técnico como pedagógico. Las herramientas utilizadas en el
proceso educativo son básicamente tradicionales, por lo que el uso de las
herramientas web 2.0 entre los encuestados es inexistente, ya que su escasa

formación limita la confianza en el profesorado a utilizarlas con su alumnado,

considerándose a sí mismo como no competente para ello. Un ejemplo se
percibe en el uso del móvil, el cual no es visto por el profesorado como una
herramienta apta para el proceso de enseñanza-aprendizaje. Esto conlleva
un uso de las TIC para transmitir información y no para investigar, colaborar,
analizar, etc… como nos comentaba (Poore, 2013), aspectos fundamentales
en los tiempos actuales para enfrentar los retos y desafíos de aprendizaje
del siglo XXI y que permitiría que el alumnado construyera su conocimiento.
Un uso inadecuado como consecuencia de la escasa formación recibida,
la cual expusieron ser breves y centrada en aspectos técnicos. Una puesta
en práctica que no coincide con los propósitos de uso mencionado por el
profesorado, entre los que destacaban: motivar a los estudiantes, clarificar
conceptos, retroalimentar, propiciar el autoaprendizaje e implementar una
metodología más creativa. Otro de los factores que influyen en el uso de las
TIC es la falta del tiempo, ya que requiere una mayor dedicación y trabajo por
parte del profesorado que con las estrategias tradicionales, unos resultados
que coinciden con el estudio realizado por (Bingimlas, 2009). Asimismo, es
evidente que no se pone en práctica un Diseño Universal para el Aprendizaje,
aspecto fundamental para una educación de calidad, en la que “no podemos
pedir que todos aprendan lo mismo, de la misma forma, en el mismo tiempo,
mismos recursos, por lo que tendremos que tener en cuenta sus diferencias
214
214 y ofrecer los recursos y metodologías que más se ajusten a sus necesidades
y donde las tecnologías constituyen un eje fundamental para alcanzar dicho
objetivo” (Aguilar y Benítez, 2017, p.8).
Para cerrar y como aspecto positivo, la mayoría de los docentes

tiene una actitud positiva hacia el uso de las TIC en el proceso de enseñanza
y aprendizaje. Unos resultados que coinciden con el estudio realizado por
Abella, Hortigüela, Pérez-Pueyo y Salicetti (2016) y hace constatar que con la
formación adecuada se podría alcanzar un uso diferente al que se ha venido
haciendo hasta ahora.
Abella, V., Hortigüela, D., Pérez-Pueyo, Á. y Salicetti, A. (2016). Actitudes de los futuros
educadores hacia la integración de las TIC en la docencia. En P. Membiela, N. Casado
y M. I. Cebreiros (Coords.). Nuevos escenarios en la docencia universitaria: Novos
escenarios da docencia universitaria (pp. 169-174). Educación Editora. Accesible
en https://bit.ly/2U39jzm
Aguilar, S. y Benítez, R. (2017). Investigando desde una perspectiva inclusiva el uso de las
TIC como recurso de acceso al aprendizaje y atención a la diversidad del alumnado
mayor. El profesorado universitario y su formación en diseño universal de aprendizaje.

En J. Ruiz-Palmero, J. Sánchez-Rodríguez y E. Sánchez-Rivas, (Edit.), Innovación

docente y uso de las TIC en educación (1-10). Málaga: UMA.
Albert, M.J. (2006). La investigación educativa: claves teóricas. Madrid: McGraw-Hill.
Angulo, J., García, R.I., Torres, C.A., Pizá, R.I. y Ortíz, E.R. (2015). Nivel de Logro de Competencias
Tecnológicas del Profesorado Universitario. International Multilingual Journal of
Contemporary Research, 3(1), 67-80.
Arancibia, M., Valdivia, I., Araneda, S. y Cabero, J. (2017). Tipologías para la Innovación tecnológica
en Docentes de Educación Superior a partir de un análisis de conglomerados: un
estudio exploratorio. RED. Revista de Educación a Distancia, 55, 1-21.
Arancibia, M., Cosimo, D. y Casanoba, R. (2018). Percepción de los profesores sobre integración
de TIC en las prácticas de enseñanza en relación a los marcos normativos para la
profesión docente en Chile. Ensaio, Avaliação e Políticas, em Educação, 98(26).
Recuperado de: http://dx.doi.org/10.1590/s0104-40362017002501119
Area, M. y Guarro, A. (2012). La alfabetización informacional y digital: fundamentos pedagógicos

para la enseñanza y el aprendizaje competente. Revista española de documentación
científica, 35, 46-74.
Balanskast, A. y Blamire, R. (2007). ICT in Schools: Trends, innovations and issues in 2006-
2007. Recuperado de: https://bit.ly/2G4Zegj
Barrera-Osorio, F. y Linden, L. (2009). The use and misuse of computers in education: evidence
from a rando- mized experiment in Colombia. Washington, DC: World Bank.
Barroso, J.M. y Padrón, M.C. (2014). Competencias tecnológicas básicas de los docentes que 215
inician la formación en la mención matemática de la face-uc. Revista de Tecnología
de Información y Comunicación en Educación, 8(2), 25-40.
Barroso, J. y Cabero, J. (2010). La investigación educativa en TIC. Visiones prácticas. Madrid:

Síntesis.
Bingimlas, K.A. (2009). Barriers to the successful integration of ICT in teaching and learning
environments: A review of the literature. Eurasia Journal of Mathematics, Science
& Technology Education, 5(3), 235-245.
Buckingham, S. y Ferguson, R. (2012). Social Learning Analytics. Educational Technology and

Society, 15(3), pp. 3-26.
Cabero, J. (2004). Formación del profesorado en TIC. El gran caballo de batalla. Comunicación
y Pedagogía: Nuevas tecnologías y recursos didácticos, 195, 27-31.
Cabero, J. (2014). La formación del profesorado en TIC: modelo TPACK. Sevilla: Grupo de
Investigación Didáctica.
Cabero, J. y Barroso, J. (2013). La utilización del juicio de experto para la evaluación de TIC:
el coeficiente de competencia experta. Bordon, 65(2), 25-38.
Cabero, J. y Marín, V. (2013). Valoración del entorno formativo universitario DIPRO 2.0.
Profesorado. Revista de Currículum y Formación de Profesorado, 17 (2), 369-383.
Cabero, J. y Barroso, J. (2016). Formación del profesorado en TIC: una visión del modelo TPACK.
Cultura y Educación, 28(3), 633-663.
Carrera, F.X. y Coiduras, J.L. (2012). Identificación de la competencia digital del profesor
universitario: un estudio exploratorio en el ámbito de las ciencias sociales. REDU.

Revista de Docencia Universitaria, 10(2), 273–298. Recuperado de https://bit.

ly/2IsiPtp.
Cejas, R., Navío, A. y Barroso, J. (2016). Las competencias del profesorado universitario desde
el modelo TPACK (conocimiento tecnológico y pedagógico del contenido). Pixel-Bit.
Revista de Medios y Educación, 49, 105-119.
Díaz, J.J. (2017). Análisis del Aprendizaje Social en la Educación Superior: antecedentes y
líneas de actuación futuras. Revista Educativa Hekademos, 22, Año X, 93-104.
European Commission (2008). The education and training contribution to the Lisbon strategy.
Recuperado de: http://ec.europa.eu/education/policies/2010/et_2010_en.html
Federico, A. y Agresti, P. (2017). Sociedad y estado en el mundo actual. Buenos Aires: Eudeba.
Gray, L. y Lewis, L. (2009). Educational Technology in Public School Districts: Fall 2008
(NCES 2010 – 003). NCES, Institute of Education Sciences, U.S. Washington,
DC.: Department of Education.
Gutiérrez, I. (2014). Perfil del profesorado español en torno a las competencias en tecnologías
de la información y la comunicación. Pixel Bit. Revista de Medios y educación,
44, 51-65.
Johnson, L., Adams, S., Cummins, M., Estrada, V., Freeman, A. y Ludgate, H. (2013). NMC Horizon
Report: 2013 Higher Education Edition. Austin, Texas: The New Media Consortium.
Johnson, L., Adams, S., Estrada, V. y Freeman, A. (2014). NMC Horizon Report: 2014 Higher
Education Edition. Austin, Texas, Estados Unidos: The New Media Consortium.
216
216 Kaya, Z., Emre, I. y Kaya, O. (2013). Adaptation of Technological Pedagogical Content Knowledge
Scale to Turkish. Theory & Practice, 13 (4), 2367-2375.
Leiva, J.P., Ugalde, L., Llorente-Cejudo, C. (2018). El modelo TPACK en la formación inicial de
profesores: modelo Universidad de Playa Ancha (UPLA), Chile. Pixel Bit. Revista
de Medios y educación, 53, 165-177.
Llorente-Cejudo, M.C. (2008). Aspectos fundamentales de la formación del profesorado en tic.

Pixel-Bit. Revista de Medios y Educación, 31, 121-130.
Marín, V., Cabero, J. y Barroso, J. (2014). Evaluando los entornos formativos online. Redu.
Revista de Docencia Universitaria, 12(2), 375-399.
Martínez, M., López-Martín, R. y Pérez-Carbonell, A. (2018). E-innovación en educación superior.

Claves para la institucionalización en las universidades. Píxel-Bit. Revista de Medios
y Educación, 52, 1133-8482.
Mishra, P. y Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework

for teacher knowledge. Teachers college record, 108(6), 1017-1054.
Pastor, C.A. (2012). Aportaciones del Diseño Universal para el Aprendizaje y de los materiales
digitales en el logro de una enseñanza accesible. En J. Navarro, Mª.T. Fernández,
F.J. Soto y F. Tortosa (Coords.) (2012), Respuestas flexibles en contextos educativos
diversos (1-13). Murcia: Consejería de Educación, Formación y Empleo.
Pérez, A. (2012). Educarse en la era digital: la escuela educativa. Madrid: Morata.
Prendes, M.P. y Gutiérrez, I. (2013). Competencias tecnológicas del profesorado en las

Universidades españolas. Revista de Educación, 361. Recuperado de: https://bit.
ly/2VzW3DN.

Poore, M. (2013). Using social media in the classroom. London: Sage.
Pozos, K.V. (2015). Evaluación de necesidades de formación continua en Competencia Digital

del Profesorado Universitario mexicano para la Sociedad del Conocimiento. (Tesis
Doctoral). Depto. Pedagogia Aplicada, Universitat Autònoma de Barcelona.
Roig, R. y Flores, C. (2014). Conocimiento tecnológico, pedagógico y disciplinario del profesorado:

el caso de un centro educativo inteligente. EDUTEC, Revista Electrónica de Tecnología
Educativa, 47. Recuperado de https://bit.ly/2uTxEgD
Rojas-Castro, P. (2017). Learning Analytics. Una revisión de literatura. Educación y educadores,

20(1), 106-128. https://doi.org/10.5294/edu.2017.20.1
Sabariego, M. (2004). El proceso de investigación. En R. Bisquerra (coord.), Metodología de la

investigación educativa (127-163). Madrid: La Muralla.
Siemens, G y Long, P. (2013). Penetrating the Fog: Analytics in Learning and Education.
Educause Review, 46, 31-40. https://bit.ly/1xlMCED.
Suárez-Rodríguez, J.M., Almerich, G., Díaz-García, I. y Fernández-Piqueras, R. (2012).

Competencias del profesorado en las TIC. Influencia de factores personales y
contextuales. Universitas Psychologica, 11(1), 293-309.
Tejedor, F.J., García-Valcárcel A. y Prada, S. (2009). Medida de actitudes del profesorado

universitario hacia la integración de las TIC. Comunicar. Revista Científica de
Educomunicación, 33, 115-124. https://doi.org/10.3916/c33-2009-03-002
217

Analíticas Del Aprendizaje y La Educación PDF

Cargado por

Copyright:

Formatos disponibles

Analíticas Del Aprendizaje y La Educación PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analíticas Del Aprendizaje y La Educación PDF

Cargado por

Copyright:

Formatos disponibles

Monográfico Volumen 80, Número 1

maio - agosto 2019

Analítica del aprendizaje y la educación

Analítica da aprendizagem e da educação

Analítica da aprendizagem e da educação

La REVISTA IBEROAMERICANA DE EDUCACIÓN A REVISTA IBERO-AMERICANA DE EDUCAÇÃO

Coordinadora de este número / Coordenadora deste número

Consejo Asesor / Conselho Assessor

Comité Científico / Comitê Científico

Mª Covadonga de la Iglesia Villasol, Presentación/Apresentação................9

Iñigo Arriaran Olalde y Nagore Ipiña Larrañaga, Indicadores nece-

Analítica del aprendizaje y la educación

Analítica da aprendizagem e da educação

Presentación. Learning Analytics and Education: clasificación, descripción

Mª Covadonga de la Iglesia Villasol

En la era digital el docente e investigador Na era digital o professor pesquisador

Revista Iberoamericana de Educaión [(2019), vol. 80 núm 1, pp. 9-11] - OEI/CAEU

académico) y/o datos dinámicos (referidos processo de aprendizagem: compromisso

Revista Ibero-americana de Educação, vol. 80 núm. 1 [(2019), pp. 9-11]

La definición oficial de Learning Analytics A definição oficial de Learning Analytics é

Revista Iberoamericana de Educación [(2019), vol. 80, núm. 1, pp. 9-11]

Analíticas de aprendizaje para mejorar la enseñanza

Resumen. El presente artículo de revisión bibliográfica sobre el tema analíticas de

Revista Iberoamericana de Educación [(2019), vol. 80 núm. 1, pp. 13-30] - OEI/CAEU

las plataformas educativas o redes sociales con el fin de registrar la actividad

Este tema ha sido poco desarrollado en nuestro contexto acadé-

Revista Ibero-americana de Educação, vol. 80 núm 1 [(2019), pp. 13-30]

propio a nuestro contexto y prácticas de enseñanza en entornos virtuales,

2. Relaciones de fuerza entre sujetos y tecnologías

El impacto de las transformaciones macrosociales encuentra

Los rápidos progresos de las nuevas tecnologías de la información y la

Sin embargo, sería un reduccionismo analizar las transformaciones

Entre determinaciones técnicas y los procesos de arraigo social de las

Estamos analizando en este punto la relación entre tecnología y

Revista Iberoamericana de Educación [(2019), vol. 80 núm. 1, pp. 13-30]

dialógica entre lo técnico, lo social y lo cultural. Si una tecnología cobra im-

Sin embargo, este movimiento bidireccional no es neutral, según

Nos interesa resaltar esta cuestión, considerando que en la base

A decir verdad, cada uno de nosotros se encuentra poco o mucho en este

Revista Ibero-americana de Educação, vol. 80 núm 1 [(2019), pp. 13-30]

Según Tobeña (2011), en una sociedad globalizada, profundamente

esa “familiaridad carnal” (con la tecnología) viene acompañada por una

Por tanto, si esto es así, podemos imaginar que la relación de fuer-

Esta dimensión en curso se amplificará en los próximos años. Además,

Si esto es cierto, parafraseando a Sadin (2013), nos preguntamos

Los dispositivos tecnológicos son -desde esta perspectiva que es-

Revista Iberoamericana de Educación [(2019), vol. 80 núm. 1, pp. 13-30]

3. Acerca de las analíticas de aprendizaje

Las analíticas de aprendizaje son definidas por Suthers y Verbert

Las analíticas de aprendizaje consisten en la interpretación de un amplio

Tratando de entender qué son las analíticas de aprendizaje recurrimos

Revista Ibero-americana de Educação, vol. 80 núm 1 [(2019), pp. 13-30]

campo y entender cuáles son sus preocupaciones actuales. También García-

De hecho, según estos autores, un hito clave en la conformación

la medición, recopilación, análisis y reporte de datos sobre los alumnos y

uso de estos datos y de cualquier otra observación adicional de la que se

Es interesante recuperar el foco puesto en el estudiante como

Las analíticas de aprendizaje surgen en el ámbito de las organizaciones

•• La inteligencia de negocios, centrada en herramientas compu-