Por: Andrew Ramsden

Ipswich, Reino Unido

Volverse un aprendiz independiente o autorregulado es algo fundamental para convertirse en un aprendiz más efectivo. Las características de un aprendiz autorregulado incluyen “su capacidad de respuesta a la retroalimentación asociada a la efectividad de su aprendizaje y de su autopercepción en el logro académico” (Zimmerman (2000:14)). Para que esto pueda suceder, el aprendiz no sólo debe hacerse responsable de sus debilidades, sino que el cuerpo docente debe darle la oportunidad de identificar, corregir y mejorar estas debilidades (Fritz (2013)).

El siguiente análisis tiene dos objetivos. En primer lugar, estructurar la manera  en la que un miembro del cuerpo docente puede rediseñar sus actividades de aprendizaje utilizando el ambiente de aprendizaje virtual, con el fin de suministrar una retroalimentación más profunda y promover intercambios de conocimiento que estimulen a sus estudiantes en el proceso de convertirse en aprendices autorregulados más efectivos. En segundo lugar, delinear el caso hacia los directores principales con el fin de impulsar este proceso de rediseño y así permitir que la institución aproveche de una mejor manera el learning analytics y la toma de decisiones basada en datos.

Davenport et al., (2000) define learning analytics como “la aplicación de las técnicas analíticas para analizar los datos pedagógicos, incluyendo la información sobre las actividades de los aprendices y de los profesores, con el fin de identificar los patrones de comportamiento y suministrar una información viable para mejorar el aprendizaje y las actividades relacionadas con éste”. Un aspecto importante dentro de esta definición es el concepto de que los datos sean “viables”, ya sea por parte del aprendiz, el profesor u otro grupo de interesados.

La recopilación de los datos y la toma de acciones necesita que el modelo de aprendizaje se aparte de un enfoque ortodoxo, concebido alrededor de unas cuantas evaluaciones acumulativas de alto impacto (en general un ensayo y un examen no visto), y se acerque a uno que proporcione oportunidades de retroalimentación más frecuentes y ciclos de aprendizaje para el estudiante, mientras que, a su vez, es sostenible y escalable para el miembro del cuerpo docente.

La concepción ortodoxa no fomenta de manera rápida a los aprendices autorregulados porque en general no hay suficientes puntos confiables y viables. En consecuencia, el enfoque rediseñado debería incluir la utilización de programas de exámenes para VLE (Ambiente de aprendizaje virtual por sus siglas en inglés), la presentación de tareas cortas escritas en línea (con criterios de evaluación definidos) y tecnologías  potenciales de votación en clase. Por ejemplo, usted podría emplear cuatro pruebas en línea (de 5 preguntas) que serán respondidas por todos los estudiantes en intervalos regulares a lo largo del curso. Esto generaría una cantidad importante de datos viables sin que represente un trabajo significativo. Además, al utilizar una variedad de tipos de preguntas diferentes, podrá estar absolutamente seguro de que examinará las habilidades que requieren procesos complejos de pensamiento de análisis y de síntesis. Los tipos de preguntas podrían incluir la escala de Likert (hasta qué punto está de acuerdo con…) y preguntas de respuesta corta (en menos de 200 palabras, explique por qué…). Los estudiantes podrán acceder a sus notas y comentarios en línea, y compararse con la nota promedio. El profesor puede dedicar una parte de la siguiente etapa a la enseñanza presencial para comentar aún más sobre las preguntas.

El modelo de aprendizaje deberá englobar los siete principios de la buena retroalimentación, los cuales incluyen, la ayuda para explicar el buen desempeño, la reflexión durante el aprendizaje, estimular el diálogo sobre el aprendizaje entre los profesores y los colegas y proporcionar información al cuerpo docente de cómo modelar su enseñanza (Nicol & Macfarlane-Dick (2006).

En consecuencia, ¿por qué los directores principales deberían alentar al cuerpo docente para que mejoren su diseño de aprendizaje basado en la tecnología?. La respuesta sencilla es, desde la perspectiva institucional, utilizar el VLE para generar y compartir información sustenta la adopción efectiva de la Analítica del aprendizaje. Estos rediseños individuales actuarán como “una serie de pequeños pasos diseñados para ganar experiencia y hacer que las decisiones basadas en datos tengan un valor añadido” (Bichsel 2012:26). El uso de pilotos a pequeña escala es esencial ya que el learning analyics no necesita datos perfectos, mientras que para identificar los beneficios de el learning analyics una institución necesita aplicarla a sus condiciones específicas. Por lo tanto, una cantidad de pilotos a pequeña escala que se enfoquen en informes más detallados y en estrategias de intervención efectivas permitirán que la institución mejore su buena preparación para el uso de learning analytics. Estos pilotos fomentarán el diálogo sobre la cultura institucional, las personas y los procesos, así como la infraestructura tecnológica.

¿Cuál es su siguiente paso? Si forma parte del cuerpo docente, un buen punto de partida será explorar la funcionalidad y las posibilidades de la herramienta de exámenes en línea y el centro de notas. Si forma parte de los directores principales un buen punto de partida sería explorar los modelos efectivos de adopción académica dentro del contexto de su institución. La información de ambos está disponible en Blackboard (http://www.blackboard.com).

*Andrew Ramsden – Consultor estratégico en EMEA, Blackboard

————————————————

Bichsel, J., (2012) ECAR Study of Analytics in Higher Education, disponible en: http://www.educause.edu/library/resources/2012-ecar-study-analytics-higher-education (Consultado Octubre 2015)

Davenport, T., Harris, J., and Morrison, R., (2010) Analytics at Work, Harvard Business School Publishing Corporation

Fritz, J., (2013) Using Analytics at UMBC, Educase Center for Applied Research, Research Bulletin, disponible en https://net.educause.edu/ir/library/pdf/ERB1304.pdf

Nicol, D., & Macfarlane-Dick, D., (2006), Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199-218

Nussbaumer, A., Hillemann, E-C., Gutl C., and Albert, D., (2015), “Competence-based Service for Supporting Self-Regulated Learning in Virtual Environments, Journal of Learning Analytics, 2(1), 101-133

Zimmerman, B., (1990), “Self-Regulated Learning and Academic Achievement: An Overview” in Educational Psychologist, 25(1), 3-17