Comité Experiencia Estudiantil 3er Congreso EDUTIC Online 2022
Autores: Andrea Parra V.; Isabel Carrizo; Marcelo Andrés Sáenz Correa; Saúl Antonio Reyes Arias
Fecha: 14 marzo 2022

Resumen

El ingreso de estudiantes no tradicionales a las instituciones de Educación Superior y el consecuente aumento de la matrícula, así como el aumento de los datos disponibles y de su calidad, y las capacidades informáticas para el tratamiento de grandes volúmenes, han generado las condiciones para el desarrollo de modelos predictivos que en contexto educativo también son vinculados con los conceptos de learning analytics o analítica para el aprendizaje, y que permiten anticipar comportamientos y establecer estrategias y acciones para modificarlos.  

En el presente artículo se releva la importancia de generar sinergias entre los modelos predictivos, las visualizaciones de información y la gestión interna de los estudiantes para entregar un acompañamiento pertinente y permanente a lo largo de ciclo de transición de los estudiantes.

Palabras Clave

Analítica para el aprendizaje, ciclo de transición del estudiante, modelos predictivos, learning analytics,data analitycs, inteligencia artificial, algoritmos matemáticos.

1. Introducción

En los últimos años hemos asistido a una masificación del acceso a la Educación Superior en varios de nuestros países latinoamericanos. Distintas políticas y apoyos económicos para estudiantes más vulnerables por parte del estado y de las instituciones, que han aumentado tanto la cobertura, la diversidad de la oferta educativa como el acceso, han permitido una mayor heterogeneidad del estudiantado. En este contexto, los estudiantes tradicionales de mayores recursos, con familias que ya han cursado estudios superiores y de alto rendimiento académico han dado espacio a un nuevo tipo de estudiantado provenientes de sectores sociales históricamente excluidos, que proceden de niveles económicos más desfavorecidos y que tienden a ser el primer miembro de su familia que ingresa a la Educación Superior (Lizama & Gil, 2018). Y que, incluso, ya no provienen directamente de la educación secundaria sino que ya son parte de la fuerza laboral y que se suman a estudios superiores para mejorar sus condiciones de trabajo o concretar más tardíamente sus sueños de vida.

Este tipo de estudiantes entrega mayor mixtura y riqueza a las instituciones, a la vez que nos enfrenta a importantes desafíos, entre ellos la generación de mecanismos para favorecer su integración, engagament o compromiso o involucramiento (Aspeé et al, González y Cavieres-Fernández, 2018) y generar estrategias para favorecer su progresión académica. 

Paralelamente, la utilización de entornos virtuales conocidos como LMS y su masificación en instituciones de Educación Superior (Britain y Liber, 2004) ha significado el aumento de datos e información asociados al proceso educativo. Adicionalmente, los sistemas de registros de variables tanto en la matrícula como en el proceso académico, tales como asistencia, calificaciones y otros indicadores académicos mejoraron su calidad y también el acceso para áreas de analítica.

2. Aportes de la Analítica en el acompañamiento permanente de los estudiantes

El contexto previamente señalado ha generado las condiciones idóneas para el surgimiento del learning analytics o analítica del aprendizaje (Rojas-Castro, 2017), ya que, por una parte, contamos con datos de mejorar calidad y en mayor magnitud, y por el otro, requerimos entregar mayores apoyos a los estudiantes que ingresan a la Educación Superior.

La posibilidad de sistematizar datos de naturaleza muy diversa, tanto de caracterización previa de los estudiantes como respecto de su comportamiento académico, permite identificar patrones de comportamiento y predecir comportamientos futuros. En ese sentido, es importante generar modelos predictivos para la gestión en distintos momentos de los estudiantes dada la multitud de herramientas que existen para apoyarlos en su progresión académica. La analítica y el tratamiento de grandes volúmenes de datos, su transformación en conocimiento y en indicadores orientadores que permiten la toma de decisión, son útiles y cada vez más valorados por instituciones de educación superior para su gestión. De esta manera, se configura como una herramienta potente para la mejora continua de las metodologías de enseñanza-aprendizaje, así como en el establecimiento de servicios complementarios y de apoyo. 

Adicionalmente, el entendimiento de que la generación de modelos de datos y estrategias basadas en learning analytics requieren del despliegue de servicios y de una gestión conjunta interáreas que permita favorecer la progresión de los estudiantes (Na Kew y Tasir, 2022), es de vital importancia. Así, servicios académicos y complementarios se vuelven centrales para la gestión de los estudiantes.  No obstante, y como particular aprendizaje de la pandemia, evidenciamos que los servicios complementarios ya no requieren de una oficina para ser desplegados, y disponibilizar estos servicios con estándares de calidad de manera virtual, permitiendo llegar a todos los estudiantes.

3. La analítica al servicio de la transición del estudiante

Al hablar de modelos predictivos es importante aclarar que en la mayor parte de las ocasiones no se habla de un algoritmo único, sino que este debe ser ajustado a la información disponible y a nuevos factores contextuales que pueden tomar relevancia. En ese contexto, Nicholson (1990) identifica que en el ingreso a la Educación Superior de los estudiantes existe un ciclo de transición. En este modelo se identifican al menos cuatro etapas: Preparación, Encuentro, Ajuste, Estabilización.

Respecto a estas etapas se menciona que la transición desde la Educación Secundaria a la Educación Superior es una etapa compleja en la que los estudiantes experimentan cambios y se ajustan a las nuevas necesidades de este nuevo contexto (Coertjens et al., 2017). La primera etapa denominada “Preparación” se vincula con las experiencias previas de los estudiantes en niveles educativos anteriores. La experiencia anterior vivida tiene vinculación con las predisposiciones y expectativas con que enfrentan la educación superior. 

Una segunda etapa es denominada “Encuentro” y es una fase vinculada con las primeras interacciones en la Educación Superior. Esta etapa puede vivenciarse por los estudiantes de modos diversos debido a las formas de aprendizaje que poseen los estudiantes, como abordan su proceso de aprendizaje, qué estrategias y herramientas utilizan, entre otros aspectos (Noyens et al., 2017). Para enfrentar esta etapa también será relevante la autoconfianza y el interés de los estudiantes. En la tercera etapa de “Ajuste” será fundamental el apoyo que los estudiantes reciben de los colaboradores de la institución, así como también de los docentes. Asimismo, la capacidad de los estudiantes de buscar los apoyos necesarios será central. Las relaciones entre los estudiantes también serán centrales y la capacidad que tengan para establecer lazos.

Finalmente, la cuarta etapa de “Estabilización” incorpora el factor académico, siendo relevante cómo el estudiante es capaz de cumplir los objetivos que se ha trazado generando estrategias y utilizando herramientas pertinentes (McGuie, 2017). De todos modos, la autoconfianza, la motivación, el compromiso y el esfuerzo siguen teniendo un rol primordial en esta fase. 

Entendiendo que el estudiante pasa por distintos momentos tras el ingreso a la Educación Superior es importante pensar en estrategias diferenciadas y que apoyen al estudiante en toda su trayectoria. 

Inicialmente, se puede generar un modelo con datos de caracterización que nos permita prever qué estudiantes requerirán de mayores apoyos al inicio del semestre y generar un engranaje entre las áreas de apoyo al estudiante. Esta estrategia debe contener elementos como reporterías de datos, mensajes automatizados y programas asociados a determinadas situaciones. 

Ya en una segunda etapa se deben generar modelos que incluyan datos de asistencia y algunos instrumentos de prueba o test para conocer sus expectativas y temores. Dentro de esta etapa, la literatura menciona que las instituciones pueden implementar acciones que puedan favorecer el acompañamiento de los estudiantes como la mentoría administrativa y curricular, participación en charlas y conocimiento de referentes titulados, entre otros. 

En la tercera etapa de ajustes, los modelos podrían incluir información respecto a los diagnósticos y evaluaciones iniciales de qué tan preparados están los estudiantes para la Educación Superior, pudiendo incluirse información de hábitos de estudio, autorregulación del aprendizaje, entre otras actitudes hacía el aprendizaje. A partir de los resultados obtenidos se podrían gestionar apoyos a los estudiantes mediante talleres y nivelaciones (Noyens et al., 2007; Ulriksen et al, 2016; Coertjens et al.,2017).

4. Conclusiones y retos

Las instituciones de Educación Superior actualmente cuentan con mayores recursos, datos, tecnología y herramientas para generar analítica para el aprendizaje y acompañamiento de los estudiantes. No obstante, el mayor desafío se observa en la articulación de las reporterías de datos y la gestión que se realiza sobre ella.

En diversas ocasiones se habla de la importancia de los datos y la información para la toma de decisiones. No obstante, cuando hablamos de un modelo integrado para la gestión de estudiantes es relevante identificar cómo esta información puede articularse con el trabajo de las diversas áreas y con la gestión que estas deben hacer.

De esta manera, se debe generar un ecosistema donde interactúen de manera pertinente y oportuna, datos, visualizaciones de información, analítica avanzada, programas y recomendaciones. La relación entre estos elementos y la gestión coordinada de diversas áreas al interior de las instituciones permitirá contribuir efectivamente al aprendizaje y a la experiencia de los estudiantes en la Educación Superior. 

Referencias

Aspeé, J., González, J.& Cavieres-Fernández, E. (2018). Student Engagement in Higher Education as a Complex Agency. Formación universitaria, 11(4), 95-108. https://dx.doi.org/10.4067/S0718-50062018000400095

Camelo, O. (2021). La alfabetización digital o el aprendizaje del lenguaje digital: Revisión conceptual y propuesta metodológica a partir de una experiencia de responsabilidad social universitaria en Bogotá. Transdigital, 2(4). https://www.revistatransdigital.org/index.php/transdigital/article/view/59

Coertjens, L., Brahm, T., Trautwein, C., & Lindblom-Ylänne, S. (2017). Students’ transition into higher education from an international perspective. Higher Education, 73(3), 357–369. https://doi.org/10.1007/s10734-016-0092-y

Lizama, O. & Gil, F. (2018). La experiencia de la inclusión en la educación superior en Chile. Santiago: Editorial USACH.

López, M., Santelices, M., González, C., Ibáñez, A. (2019) Transición a la Educación Superior ¿Qué dice la Literatura?. 

Na Kew, S.,   Tasir, Z. (2022) Developing a Learning Analytics Intervention in Elearning to Enhance Students’ Learning Performance: A Case Study. Education and Information Technologies. https://doi.org/10.1007/s10639-022-10904-0 

Nicholson, N. (1990). The Transition Cycle: Causes, Outcomes, Processes and Forms. In S. Fisher & C. L. Cooper (Eds.), On the Move: The Psychology of Change and Transition (pp. 83–111). New York: Wiley.Noyens et al., 2017

McGhie, V. (2017). Entering university studies: identifying enabling factors for a successful transition from school to university. Higher Education, 73(3), 407–422. https://doi.org/10.1007/s10734-016-0100-2

Singer,V., García, C. , Strasser, K., Farías, J. &  Cabezas, M. (2019). Cuadernos de Investigación Aseguramiento de la Calidad en Educación Superior n°16. Santiago, CNA-Chile. 

Rojas-Castro, P. (2017). Learning Analytics: una revisión de la literatura. Educación y Educadores, 20(1), 106-128. https://doi.org/10.5294/edu.2017.20.1.6

Ulriksen, L., Holmegaard, H. T., & Madsen, L. M. (2017). Making sense of curriculum—the transition into science and engineering university programmes. Higher Education, 73(3), 423–440. https://doi.org/10.1007/s10734-016-0099-4