“Analítica de información y toma de decisiones para el aseguramiento del aprendizaje”
Seguramente todos hemos oído hablar de Big Data y gracias a ello en alguna medida somos conscientes de la enorme cantidad de datos que se producen a diario, o mejor, que producimos a diario.
Cada palabra que pones en un chat de WhatsApp en tu teléfono móvil, alimenta una data que se almacena en algún lado, cada búsqueda en la web tiene un peso, un tamaño y una medida, tu reloj inteligente atado a tu muñeca está censando tu cuerpo cada fracción de segundo, y claro, está guardando esa información.
Incluso, si no tienes celular, conexión a internet ni ningún dispositivo y decides dar un paseo por tu barrio, estás alimentando la data actual de la humanidad, en una esquina una cámara tomará tu imagen junto con miles de imágenes, en una tienda el recibo por el pago del café alimentará cientos de datos contables, preferencias y gustos y aunque decidas ir al lugar más desolado de la tierra, estás dejando una huella que se convierte en datos.
La naturaleza te recuerda, por donde pases dejarás tu estela, y luego posiblemente alguien podrá interpretar esos pasos, esas huellas: un satélite, otra persona. Datos creados por el hombre, o datos minerales inanimados listos para ser leídos.
Somos como una estrella fugaz que se desintegra y a su paso deja destellos de luz que se almacenan en algún lado para siempre, hemos creado un ecosistema de datos que nos envuelve.
A eso le llamamos Big Data…
La ingente cantidad de información que creamos a diario no alcanza a ser entendida o procesada por el cerebro humano más inteligente y sano, ni siquiera por todas las computadoras conectadas a su vez. Según Hewlett Packard Enterprise (HPE), en el Centro de IT para la ciencia de Kajaani (Finlandia) 2022, “La última supercomputadora creada en Europa, es equivalente a 1.5 millones de computadores portátiles de última generación trabajando al mismo tiempo y posee una capacidad de almacenamiento de 17 petabytes”
Así las cosas, en términos simples, según diversos estudios, al día se produce un petabytes de información. Esto significa que en 17 días la última supercomputadora creada se llenaría a tope. Pero lo más interesante no es guardar la información, sino saber interpretarla, tarea que no se puede llevar a cabo en la actualidad. Estamos en desventaja…
Dataísmo, Bigdata y Universidad.
Pero aterricemos el discurso luego de intentar dar una aproximación a la actualidad de la Big Data, y vamos a hacernos preguntas concretas, en las IES ¿qué podemos hacer con toda esta información que creamos a diario?
Guillermo Garcia lo explica claramente, “se trata de saber analizar y saber tomar decisiones”. Para esto es necesario delimitar tres campos que relacionan directamente con el ámbito educativo y del aseguramiento del aprendizaje:
Minería de Datos Educativos: Se centra en entender cómo aprenden los estudiantes, buscando estrategias más útiles para lograr el aprendizaje.
Analíticas del Aprendizaje: Se centra en recopilar datos escolares y universitarios en torno a los cambios que se dan en el aprendizaje, tiene un carácter predictivo.
Analíticas Educativas: Se centra en la aplicación de las herramientas y en la toma de decisiones, podemos decir que es una visión más práctica en términos de implementación y puesta en marcha de propuestas educativas acertadas.
Estos tres campos están en constante diálogo, ¿Para qué? para tomar las mejores decisiones desde la inteligencia de negocios…
La inteligencia de negocios es la toma de decisiones basada en datos. Para ponerlo en términos simples, seguro hemos notado que algunas decisiones se toman de forma intuitiva, luego de una discusión entre directivos y tomadores de decisiones, algunas veces basados en perspectivas particulares, miradas poco objetivas y distinciones muy personales. Estas decisiones pueden traer resultados ideales o desastrosos. ¿Para qué arriesgarse si ya existen herramientas que nos permiten ver con mayor claridad el entorno y nos permite tomar decisiones más informadas?
Todas las universidades tienen datos, pero algunas carecen de información, parece lo mismo, pero los datos son fríos, existen per se, pero si no han sido interpretados, siguen siendo datos, similar a cuando vemos un texto escrito en un idioma ilegible para nuestro cerebro, pero cuando lo podemos leer y entender se convierte en información.
Para ser más exactos en el tema que nos convoca de la Analítica de información y toma de decisiones para el aseguramiento del aprendizaje, veamos un ejemplo.
Disminución de de la deserción desde la analítica de datos:
Uno de los problemas centrales de las universidades en el mundo es la deserción OCDE, 2022. Este fenómeno afecta a todos los países, en diversos informes publicados las tasas de deserción van entre el 8% al 60% anual y este problema no distingue países desarrollados o en vías de desarrollo. Por ejemplo USA y Nueva Zelanda tienen una de las tasas de deserción más altas del mundo OCDE 2017.
Este es un excelente ejemplo del uso de los datos para la toma de decisiones. La universidad del Rosario ha logrado disminuir la deserción en 20 puntos porcentuales en los últimos seis años. Acá pueden conocer más en detalle que viene haciendo la universidad del Rosario al respecto.
Factores asociados a la deserción de estudiantes universitarios.
Según diversos estudios entre ellos, García Méndez 2018, concluyen que se pueden agrupar los factores asociados a la deserción en: académicos, económicos y socioemocionales. ¿Qué hacer al respecto? acá puedes conocer la investigación.
- Por ejemplo, detectar y predecir desde primeros semestres cuáles estudiantes tienen un riesgo de deserción por bajo rendimiento académico. Podemos usar el sistema de Inteligencia Artificial para tomar decisiones informadas.
- Definir cuál información me sirve para tomar decisiones y cuál no. Hay datos que no sirven para tomar decisiones, o por lo menos hacen parte de realidades que no se pueden cambiar.
- Evaluar siempre el proceso de formación, tomando información de conductas de entrada o alcance de competencias iniciales a modo de diagnóstico. A esto se le conoce como un sistema de evaluación para el aprendizaje.
Consejo práctico: limpieza técnica de datos para obtener datos más puros. Sirve de poco un análisis basado en datos inexactos.
Aporte Relativo y Valor Agregado, analítica de datos.
Desde el 2014 se vienen implementando estudios de Aporte Relativo y Valor Agregado por parte del ICFES, con la intención de conocer cuánto le aporta la universidad a sus estudiantes en términos de alcance de competencias, comparando grupos, vecindades y NBC (Núcleos Básicos de Conocimiento). Así las cosas, no solo se trata de mejorar los resultados en el último tramo de la meta de aprendizaje, se trata de mejorar los procesos con una mirada holística. Acá puedes conocer en detalle de que se trata este tema en nuestra editorial ESE.
Consejo práctico 2: Busca medir siempre a los estudiantes que están ingresando a la universidad con pruebas Válidas, Confiables y Consistentes, además mide sus competencias en diferentes momentos del proceso.
Alineación y Evaluación de Resultados de Aprendizaje.
Podemos decir que “una evaluación bien hecha es la que está alineada con lo que se espera que un estudiante aprenda, con los resultados de aprendizaje esperados”
Debe existir una coherencia curricular en todo el proceso de aprendizaje, buscando tomar decisiones de corto, mediano y largo plazo.
Consejo práctico 3: Las decisiones que se toman deben ir siempre en la línea del aseguramiento del aprendizaje.
Aseguramiento del Aprendizaje, Resultados de Aprendizaje y Saber PRO.
Retomando elementos nombrados anteriormente, se trata de:
- Medir niveles de competencias iniciales.
- Tomar decisiones informadas.
- No dejar la preocupación de los resultados para el final.
- Articular acciones de corto, mediano y largo plazo pensando en el aseguramiento del aprendizaje.
- Hacer visibles las competencias genéricas en diversos contextos de formación.
- Sistema de beneficios y exigencias de puntajes en Saber PRO.
Análisis en Contexto, Categorías y Vecindades.
Siguiendo esta reflexión en la línea de los datos, debemos delimitar cuál es el análisis contextualizado que debemos tomar en cuenta para tomar decisiones.
Consejo práctico 4: aprende a compararte, no se trata de ser el mejor y estar en el ranking o el top de universidades. Se trata primero de medirse y saber cómo se está mejorando.
Sistema de Información:
Todo lo que hemos venido dialogando se resume en poseer sistemas de información robustos, generando una analítica profunda y tomando decisiones en equipo incluyendo a comunidades educativas. No olvides que la información que posees debe ser presentada adecuadamente de acuerdo al contexto.
Consejo práctico 5: Haz tenido en cuenta las opiniones de tus estudiantes y docentes, ¿qué sienten y qué piensan sobre estos tópicos? ya lo hemos nombrado en nuestra editorial, Pasos para mejorar competencias Saber Pro aseguramiento aprendizaje
¿Cuáles son las ideas que obstruyen el acceso al aprendizaje? ¿Cuáles son los presupuestos negativos que tienen sobre las pruebas estandarizadas?
Estas preguntas son de vital importancia, el acceso al conocimiento se obstruye cuando los estudiantes no tienen claro el para qué deben aprender algo. La respuesta más tradicional es: “para la vida” “para el futuro” “en algún momento lo han de usar” pero la amarga ironía es que nadie sabe qué nos depara el futuro. Lo que enseñamos en la academia debe tener un fin especialmente práctico y aplicado.
Consejo práctico 6: ¿Qué tipo de información se obtiene en tu universidad y cómo se le presenta a los tomadores de decisiones?
Para terminar, recuerda que estas recomendaciones y consejos prácticos siempre podrán ser implementadas en el mediano y largo plazo. Nunca en el corto plazo. ¿Cuéntanos cuál es el estado de implementación de estas acciones en tu universidad? cuentas con ESE para apoyarte en este proceso.
Escrito por: Eduardo Montoya Castañeda – ESE – Latam.