MÓDULO 4. ANALÍTICA DEL APRENDIZAJE EN ESPACIOS ABIERTOS Y CONECTADOS

A continuación presentamos los dos enlaces a las preguntas del Módulo 4, que tiene como objetivo entender cómo se pueden relacionar los datos recogidos de diferentes plataformas:

1. Datos de métrica disponibles

2. Diseño de investigación

ACTIVIDAD 4. DISEÑO DE INVESTIGACIÓN

INTRODUCCIÓN

El curso que vamos a desarrollar se llama "Learning Analytics Essentials" y en él trataremos de profundizar en diversos conceptos básicos de lo la analítica del aprendizaje. Recordemos que se trata de la recoger, medir, analizar y hacer un informe de los datos que se proporcionan, con el propósito final es entender y optimizar el proceso educativo.

En nuestro caso haremos especial hincapié en entender que la analítica del aprendizaje puede fragmentarse en tres categorías: el estudiante, la experiencia de aprendizaje y el programa con el que se aprende. Como tal tendremos que aprender a analizar los datos desde una perspectiva global, que nos permita hacer un análisis predictivo y prescriptivo de los datos.  

Trabajaremos con los siguientes espacios de trabajo: la plataforma propia del curso, Blogger, el canal de Youtube, TinyLetter y Twitter. Esta variedad de espacios enriquece el proceso educativo.

A continuación presentamos los objetivos básicos de este curso, así como la metodología, los instrumentos de obtención de datos y su interpretación, así como un anexo con las garantías éticas del proceso de aprendizaje que estamos diseñando.

OBJETIVOS

En este curso nos proponemos estos tres objetivos:

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

METODOLOGÍA

Nuestra filosofía parte del aprendizaje por competencias; nuestro curso pondrá a disposición de los estudiantes diferentes manuales de consulta, para que los alumnos puedan realizar al final de cada módulo el respectivo cuestionario final. El equipo docente estará a su disposición del alumnado a través de los foros y el correo electrónicos, se analizará también la tasa de implicación docente en el proceso con el fin último de cuidar la tasa de abandono.

Se propondrá también que los alumnos se abran perfiles en las cuatro plataformas ya nombradas para que puedan comprobar qué datos facilitan estos espacios y entiendan de manera práctica las posibilidades del análisis de datos. Nosotros usaremos a su vez los datos proporcionados por esas plataformas, para alcanzar los tres objetivos ya mencionados.

INSTRUMENTOS DE OBTENCIÓN DE DATOS

Los instrumentos que usaremos para la obtención de datos son los proporcionados por las plataformas que estamos usando, tal y como se explica en el siguiente enlace. Realizaremos una recogida significativa de datos, que nos permita interpretarlos de manera apropiada para cumplir los objetivos que nos hemos propuesto.

INTERPRETACIÓN

La interpretación de los datos depende del uso que le demos a los espacios de aprendizaje que usaremos en el curso. No es lo mismo pedir a los alumnos que realicen un debate en Twitter un día y a una hora determinadas, que pretender que usen la plataforma para enlazar con contenido interesante cuando lo consideren.

Lo primero que tenemos que tener en cuenta al analizar los datos que buscamos tener muchas visitas, pero de calidad. Nos interesa que nuestros alumnos usen las diferentes plataformas muchas veces, durante mucho tiempo, y con una tasa de rebote lo más baja posible.

El uso de cuatro plataformas diferentes nos permitirá enlazar contenidos de unas a otras, y esto nos será de mucha utilidad para entender mejor la manera de aprender de nuestros estudiantes. Para que el análisis proveniente de Twitter, Youtube, Blogger y TinyLetter nos sea de utilidad, debemos establecer primero un plan efectivo en el que determinemos qué esperamos de cada plataforma y cómo van a ser usadas.

Es interesante también analizar cómo y cuánto consultan los alumnos los recursos didácticos que ofrecemos, y desde qué plataforma provienen. Si la tasa de rebote es alta cuando los alumnos entran a nuestra plataforma tenemos que plantearnos que el contenido del curso está mal diseñado, si la tasa de uso de una red determinada es muy baja también nos servirá de indicación de que algo no está funcionando bien.

Entender dónde están nuestros alumnos y qué idioma hablan nos permite también ajustar contenidos, las horas de ella publicación, o incluso la promoción que queramos hacer de nuestro curso. Lo mismo sucede con el tráfico en cada día concreto de la semana.

Por último el dispositivo desde el que se accede nos permite sementar el tráfico, sobre todo el de nuestra plataforma, y realizar los cambios que consideremos pertinentes en el diseño de la misma.

En cualquier caso convienen matizar que la manera más efectiva de analizar los datos es compararlos con los mismos datos recogidos en otro momento: así podremos identificar qué se ha hecho y qué no se ha hecho, y qué ha funcionado y qué no ha funcionado. Es importante también recordar que en la analítica de datos no siempre funciona el principio de acción-reacción y los datos tienden a confirmar cuestiones que son evidentes sin necesidad de investigación.

Según Reich J. (2014) la recolección y análisis de grandes cantidades de datos eclipsa otras variables como descripciones demográficas de los estudiantes, o el uso que estos estudiantes hacen de determinados servicios del curso. Difícilmente se puede medir lo que no se usa.

ANEXO

La mejor manera de garantizar un uso ético de los datos de los estudiantes (tanto los que los definen como los que generan) parte de la necesidad de presentar el siguiente consentimiento informado, para que los alumnos sean conscientes del uso real que se le da a toda la información que se recoge y que se analiza. Su firma es libre y se presentará antes de comenzar el curso. 

Es importante incidir en el hecho de que los datos recogidos en la plataforma se recopilan y almacenan en servidores externos con unas medidas de seguridad apropiadas: se garantiza su anonimato y privacidad.

Entendemos el concepto de privacidad como algo que no se tiene, sino algo que se tiene que conseguir y que requiere estar siempre alerta, ya que la información que proporcionamos y el contexto en el que la damos tiende al cambio. Según Data & Society (2018) la privacidad en el mundo digital requiere de una búsqueda activa de la misma; la información es fácilmente accesible, consumida, interpretada y compartida. Es tan importante saber qué datos facilitamos como de qué modo se usan.

En el supuesto caso de que se produzcan filtraciones de los datos a terceros los alumnos serán informados de manera inmediatas, no se reutilizarán los datos recogidos y estos serán recogidos única y exclusivamente con los fines que se presentan en el consentimiento informado. 

En el curso se trabajará también con espacios externos a la plataforma educativa con la que trabajamos: explicaremos a los alumnos los datos que recogen estos espacios, cuál es su política de privacidad y qué pretendemos hacer con ellos. 

WEBGRAFÍA Y BIBLIOGRAFÍA

Data & Society. (2018). Reframing Privacy. Recuperado de https://datasociety.net/initiatives/privacy/is-privacy-the-right-frame/

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Recuperado de https://papers.ssrn.com/abstract=3124369

Reich, J. (2014). Big data MOOC research breakthrough: Learning activities lead to achievement. Education Week: EdTech Researcher. Recuperado de http://blogs.edweek.org/edweek/edtechresearcher/2014/03/big_data_mooc_research_breakthrough_learning_activities_lead_to_achievement.html

Whatershed (2019). What is learning analytics? Recuperado de https://www.watershedlrs.com/what-is-learning-analytics

ACTIVIDAD 4. DATOS DE MÉTRICA DISPONIBLES

A continuación presentamos los datos de métrica que están disponibles en cada plataforma en las que se desarrollará el curso:


YOUTUBE. Las mediciones de realizan a través de Youtube Analytics. Para ello debemos entrar en nuestra cuenta y desde allí buscar la pestaña "Creator Studio":

• Número de los suscriptores. Tasa de crecimiento. 
• Fuentes de tráfico. 
• Palabras clave. 
• Tasa de rebote. 
• Minutos totales que los usuarios pasan viendo cada vídeo. 
• Porcentaje de cada vídeo visionado por el usuario medio. 
• Nivel de compromiso de los usuarios (comentario, shares, me gusta, me disgusta). 
• Click through rate (clics sobre un enlace). 
• Uso de las playlists 
• Tiempo total de visionado dividido entre el número total de visionados. 
• Retención de la audiencia. 
• Repetición de visionados en momento específicos de cada vídeo. 
• Espectadores que ven los vídeos en un periodo estimado de tiempo 
• Número de veces que el espectador medio ve un vídeo. 
• Demografía de los espectadores (segmentada por edad, sexo y localización geográfica). 

BLOG / GOOGLE ANALYTICS. Hay que crear una cuenta desde la página oficial de Google Analytics y vincular lo que queremos que sea medido:

• Seguidores 
• Audiencia: 
• Páginas vistas ayer 
• Páginas vistas en el último mes 
• Historial completo de páginas vistas 
• Páginas vistas por países, por navegadores y por sistemas operativos 
• Fuentes de tráfico: 
• URL de Referencia 
• Sitios de referencia 
• Palabras clave de búsqueda 
• Gráfico de visitas: 
• Total de visitantes. 
• Porcentaje de visitantes nuevos. 
• Porcentaje de visitantes que regresan. 
• Porcentaje de rebote. 
• Porcentaje de salidas. 
• Páginas más visitadas del sitio web. 
• Sesiones (interacción o grupo de interacciones que suceden en una web en un plazo de tiempo concreto). 
• Duración de la sesión. 

TWITTER. Los datos se pueden consultar en Twitter Analytics. Para ello debemos entrar en nuestra cuenta, en la versión web de la plataforma. Los datos se presentan por meses completos y se muestran los cambios en comparación con el periodo anterior.

• Tweets. 
• Impresiones de tweets. 
• Visitas al perfil. 
• Menciones. 
• Seguidores. 
• Tasa general. 
• Tweet principal con más interacción. 
• Interacción en tweets con contenido multimedia 

TINY LETTER. La plataforma presenta un panel indivudual por cada suscriptor en el que aparecen algunos de los datos:

• Número de suscriptores: aperturas totales, aperturas únicas, clics totales y clics únicos. En el siguiente enlace podemos ver en qué consiste la diferencia entre clics totales y clics únicos
• Newsletter enviadas. 
• Respuestas recibidas 
• Open rates. Tasas de apertura. 
• Tasa de rebote. 
• Click-through rates (clics sobre un enlace) 

PLATAFORMA DEL CURSO

• Número de veces que un alumno se conecta al día y a la semana, tiempo que permanece conectado y frecuencia de esa conexión. 
• Tasa de rebote. 
• Consulta total o parcial de los materiales de estudio, frecuencia de esa consulta. 
• Intervenciones en los foros, frecuencia de dichas intervenciones. 
• Consultas directas a los profesores del curso, frecuencia de esas consultas. 
• Realización total o parcial de las actividades propuestas, anticipación en la entrega de estas tareas. 

WEBGRAFÍA

Chi, C. (2018). YouTube Analytics: The 15 Metrics That Actually Matter. Hubspot. Recuperado de https://blog.hubspot.com/marketing/youtube-analytics

Doppler (s.f.). ¿Cuál es la diferencia entre clics únicos y clics totales? Recuperado de https://help.fromdoppler.com/es/diferencia-clicks-unicos-y-totales/

Google Analytics https://marketingplatform.google.com/about/analytics/

Internet Ya (2018). Cómo interpretar 10 datos básicos de Google Analytics. Recuperado de https://www.internetya.co/como-interpretar-10-datos-basicos-google-analytics/

Tiffany, K (2018). TinyLetter is a perfect platform, and it is probably not dying. The Verge, Recuperado de https://www.theverge.com/2018/1/5/16855304/mailchimp-tinyletter-integration-platform-changes

Twitter Analytics https://tweetreach.com/twitter-analytics-report/

MÓDULO 3. ANALÍTICA DEL APRENDIZAJE EN PLATAFORMAS CERRADAS

Presentamos a continuación el desarrollo del caso práctico de "Analítica del aprendizaje en plataformas cerradas", que tiene como objetivo comprender el funcionamiento tanto de la analítica predictiva como de la analítica del aprendizaje: 

1. Plan del análisis predictivo
2. Captura de datos
3. Metodología del servicio de datos
4. Ética y privacidad

ACTIVIDAD 3. ÉTICA Y PRIVACIDAD

En la actualidad las posibilidades de recolección, análisis y uso de datos en educación son casi infinitas. Es un campo relativamente joven que avanza rápido, y en muchos casos no se toman en cuenta determinados aspectos que garanticen un uso ético de las plataformas. Nuestro módulo deberá tener en consideración los siguientes aspectos:

EL CONSENTIMIENTO INFORMADO

Representa la aceptación expresa de las personas que han cedido sus datos para ser usados en una investigación.  Si queremos hacer un uso transparente de los datos debemos presentar a todos nuestros estudiantes la posibilidad de firmarlo antes de matricularse en el curso, para que sean conscientes de que todo aquellos que hagan en la plataforma va a quedar registrado. Tenemos que ir más allá del consentimiento informado y ser conscientes de que en el proceso educativo se generan muchos datos secundarios que deberán ser igualmente supervisados.

EMPRESA ELEGIDA PARA RECOPILAR Y ALMACENAR LA INFORMACIÓN

Tendremos especial cuidado al elegir colaboradores externos que recopilen y almacenen la información, ya que nuestros servidores no son lo suficientemente potentes y no tenemos capacidad para realizar de manera apropiada la gestión de los datos. Deberá ser una empresa que presente suficientes credenciales técnicas en el campo de la seguridad, que tenga unos protocolos actuación efectivos y seguros, y que se comprometa por escrito a no reutilizar los datos recopilados.

PRIVACIDAD DE LOS DATOS

Exigiremos a esos colaboradores externos que garanticen la privacidad de los datos recogidos, sobre todo de los que son de carácter personal.

PERTINENCIA DE LOS DATOS

Recogeremos única y exclusivamente los datos que resulten pertinentes para prevenir el abandono temprano de la plataforma. No recogeremos más que los datos que vayamos a utilizar, y en todo caso nuestro análisis evitará cualquier tipo de discriminación por motivos de raza, sexo, situación socioeconómica, o cualquier otro motivo. Es fundamental hacer un uso ético de los datos recogidos.

USO DE APLICACIONES EDUCATIVAS EXTERNAS A LA PLATAFORMA

Informaremos por escrito a los estudiantes de las aplicaciones externas a la plataforma que vamos a usar, y del uso que estas plataformas hacen de sus datos. Ofreceremos asesoramiento para otras plataformas,

CHARLAS EDUCATIVAS SOBRE EL USO DE DATOS EN INTERNET

Realizaremos charlas periódicas, en forma de videoconferencias, en las que explicaremos a los estudiantes cómo se generan los datos en Internet y cómo se usan.

BIBLIOGRAFÍA

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369

ACTIVIDAD 3. METODOLOGÍA DEL SERVICIO DE DATOS

ENFOQUE DEL SERVICIO

El servicio ofrece un análisis exhaustivo de los datos generados por la plataforma para detectar las necesidades específicas de los estudiantes matriculados; es una manera muy efectiva de prevenir el abandono temprano permitiendo, entre otras cosas, la personalización del aprendizaje tanto de estos alumnos en riesgo de abandono como de los que siguen el curso con normalidad. 

Es un sistema que puede ser aplicado en casi cualquier contexto que implique aprendizaje online y las ventajas que ofrecemos son máximas: el servicio permite conocer a los alumnos de manera exhaustiva y adaptar el curso a sus posibilidades. Es útil porque nos permite centrar nuestros esfuerzos en el estudiante, el módulo recopila todos los datos que necesitamos y el algoritmo se encarga de analizarlos; de esa manera se pueden usar los recursos en mantener los alumnos y no en captarlos. 

El análisis de datos en los cursos online permite entender por qué se matriculan los alumnos, por qué abandonan los alumnos y sobre todo qué necesitan los alumnos. 

OBJETIVOS

El objetivo principal del servicio es la detección de los alumnos en riesgo de abandono temprano. Individualizar a esos estudiantes es muy importante porque nos permitirá trabajar con ellos de manera apropiada, considerando las razones de ese posible abandono y, si es necesario, adaptando el proceso a las circunstancias individuales. 

De esa manera subirá la tasa de satisfacción final con el curso, lo que generará potenciales alumnos en cursos posteriores.

LÍNEAS DE ACCIÓN DEL SERVICIO

La línea de acción del servicio se moverá en cuatro direcciones. Estos datos nos permitirán diseñar planes de intervención temprana sobre los alumnos en riesgo de abandono y sobre el material que se usa en el curso:

1. Recogida y análisis de los datos de ingreso, tanto de profesores como de alumnos. 
2. Recogida y análisis de los datos sobre el uso de los recursos de aprendizaje, tanto de profesores como de alumnos. 
3. Recogida y análisis de los datos de interacción de estudiantes y profesores. 
4. Análisis de la actividades de los estudiantes y de los resultados de la evaluación. 

SUPUESTO PRÁCTICO

¿Cómo funciona el módulo? Hagamos un supuesto práctico para presentar cómo se reflejan las cuatro líneas de acción del servicio en un caso real.

La plataforma X ofrece un curso en línea, que tiene una tasa de abandono en línea del 70%. Recurren a nosotros para reducir esa tasa de abandono lo máximo posible, y empiezan por incluir un módulo que use el análisis predictivo.

Nosotros empezamos por recoger y analizar los datos de ingreso de profesores y alumnos. Esto nos da una idea de los niveles de participación, de la manera en la que se está usando la plataforma, y de la manera en la que se relacionan profesores y estudiantes. Presentamos tablas de datos con leyendas de fácil interpretación y cuatro consejos básicos de intervención, en función de las conclusiones a las que nos lleven los datos.

Prestamos especial atención a las veces y a la frecuencia con que los alumnos participan en los foros, las respuestas de los profesores en los mismos, el número de correos recibidos por cada profesor, la cantidad de las respuestas de los profesores y la inmediatez de las mismas. Los alumnos tienen posibilidad de rellenar un cuestionario de valoración de los profesores. Todos estos datos se presentan un informe mensual a los profesores, para que puedan ser capaces de analizar dónde necesitan redoblar esfuerzos y presentar más atención.

Analizamos también el uso que alumnos y profesores dan a los recursos de aprendizaje. Detectamos el tiempo y la frecuencia de la consulta, y analizamos también si después de esta consulta se produce interacción entre alumnos y profesores. Esto nos permite determinar si los contenidos de estudio, y la manera en la que se presentan, son apropiados.

Nuestro último campo de acción se centra en las actividades de los alumnos: analizamos cuándo se hacen, cuánto se tarda en hacerlas, si se cumplen o no los plazos, el tiempo de corrección empleado por los profesores, y la calificación que se obtiene en estas actividades. En función de las conclusiones sugerimos a los profesores programas correos automáticos que sirvan como recordatorio de estas actividades, así como mensajes que ofrezcan ayuda o incluso ánimo.

BIBLIOGRAFÍA

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369

ACTIVIDAD 3. CAPTURA DE DATOS

La captura de datos resulta esencial dentro del análisis predictivo; los datos deben ser efectivos y pertinentes para la consecución de los objetivos propuestos:

1. Número de veces que un alumno se conecta al día y a la semana, tiempo que permanece conectado y frecuencia de esa conexión. Estos datos nos darán la clave para entender si el alumno cada vez se encuentra menos motivado para seguir el curso, y nos permitirán establecer si es necesario o no actuar. 
2. Intervenciones en los foros, frecuencia de dichas intervenciones. Las intervenciones en el foro comprenden una implicación extra del estudiante en el proceso educativo que resulta fundamental, ya que presentan la posibilidad de interactuar con otras personas que se encuentran dentro del mismo proceso. Si las intervenciones decaen podemos interpretar que el alumno se acerca al umbral del abandono, aunque es necesario asegurarse de que no existen otros canales "extraoficiales" (redes sociales, grupos de WhatsApp) en los que se produce esa conexión entre estudiantes.  
3. Consulta total o parcial de los materiales de estudio, frecuencia de esa consulta. Aspectos como la facilidad de descarga de los materiales, el funcionamiento apropiado de los enlaces o la duración de los artículos resultan claves. Un alumno que tiene dificultades para encontrar el material de estudio o que considera que los materiales no son apropiados (por aspectos como el idioma o la longitud de los mismos) es un alumno con mayores posibilidades de abandono.
4. Consultas directas a los profesores del curso, frecuencia de esas consultas. La periodicidad e intensidad de las mismas muestran de manera explícita el grado de implicación del estudiante con el curso. Exigen un grado de motivación extra, que va más allá de las simple consulta de materiales. 
5. Realización total o parcial de las actividades propuestas, anticipación en la entrega de estas tareas. Un alumno que no entrega las actividades propuestas es un alumno en riesgo de abandono. Un alumno que las entrega como mucha antelación es un alumno motivado. 

Sin embargo la recogida en bruto de los datos, por muy pertinentes que sean, no siempre garantiza el  éxito del proceso. Nosotros proponemos comparar los datos de los estudiantes de cursos previos con los datos del curso actual (en tiempo real) para predecir su comportamiento, siempre que sea posible. Es lo que se conoce como transfer learning, y consiste en usar un modelo ya desarrollado para un asunto concreto como punto de partida para analizar otro asunto diferente. Usar los datos de los alumnos que ya conocemos para predecir el comportamiento de los alumnos que no se conocen.

BIBLIOGRAFÍA

Carabaña, C. (2015, 3 noviembre). Solo el 7% de los alumnos terminan los cursos online. Aquí, algunas soluciones para retenerlos. Yorokobu. Recuperado de https://www.yorokobu.es/abandono-mooc/

Brownlee, J (2017, 20 diciembre). A Gentle Introduction to Transfer Learning for Deep Learning. Better Deep Learning. Recuperado de https://machinelearningmastery.com/transfer-learning-for-deep-learning/

ACTIVIDAD 3. PLAN DE ANÁLISIS PREDICTIVO

CONTEXTO

El caso práctico que nos ocupa nos pide usar el análisis predictivo de Ekowo y Palmer para analizar los datos y la información de un grupo determinado de estudiantes, con el objetivo general de prevenir el abandono temprano del curso. Se ha elegido este método por la importancia que tiene en la actualidad, en el presente del big data y de learning analytics, hacer un uso ético de los datos que se recogen para personalizar el aprendizaje de los alumnos. Los autores recomiendan seguir los siguientes pasos básicos:

Tener una visión de futuro y un plan.

Involucrar a los profesores en las decisiones importantes. Al preparar el plan hay que tener en cuenta el objetivo que se quiere alcanzar con el análisis predictivo, las consecuencias inesperadas del mismo y los resultados que se quieren medir.

Construir alrededor una infraestructura que apoye el uso del análisis predictivo.

Compartir los beneficios de usar analítica productiva, crear un clima positivo de trabajo, desarrollar el proceso de cambio de manera enérgica y confiar en la capacidad de tu escuela para usar análisis predictivo.

Trabajar para asegurarse que los datos se usan de manera apropiada.

Usar datos totales y de calidad, para responder las preguntas que surjan. Asegurarse de que los datos se interpretan bien, y se garantiza la privacidad de los mismos. Asegurarse de que los datos se tratan de manera segura.

Diseñar modelos de análisis predictivo y algoritmos que eviten desviaciones de los objetivos.

Diseñar modelos que produzcan resultados que sean pertinentes. Examinar y ser transparente siempre sobre los modelos predictivos, elegir bien a los vendedores de los paquetes de análisis.

Ponerse objetivos institucionales para mejorar el proceso educativo de los estudiantes y realizar las intervenciones con cuidado.

Comunicar a profesores y alumnos los cambios en las intervenciones que se realicen, insertar estas prácticas predictivas en otros procesos de éxito de los estudiantes, reconocer cuando las intervenciones predictivas no están funcionando o son dañinas, comunicar con cuidado los fracasos, entrenar a los profesores para reconocer las desviaciones y los límites del análisis de datos, entrenar a los estudiantes para que usen sus propios datos. Evaluar siempre las intervenciones.

OBJETIVOS E INDICADORES

Con estos antecedentes trabajaremos en torno a tres objetivos, que están relacionados entre sí:

1. Detectar a los alumnos en riesgo de abandono ⟾ ¿Quiénes son? ¿Cuál es el perfil de los alumnos en riesgo de abandono? ¿Es un solo perfil? 
2. Identificar las razones de ese abandono ⟾ ¿Por qué abandonan? ¿Son intrínsecas o extrínsecas al curso?
3. Identificar las necesidades específicas de ese alumnado en riesgo de abandono para adaptar el proceso educativo a sus circunstancias ⟾ ¿Qué podemos hacer para que no abandonen? ¿Es necesario ofrecer un itinerario educativo personalizado que se adapte a las necesidades específicas del alumnado en riesgo de abandono? ¿Qué variables podemos incluir en ese itinerario? 

Para medir el proceso de análisis usaremos los siguientes indicadores de logro:

1. Número de alumnos inscritos comparado con el número de alumnos que abandonan en el primer cuarto del curso, en la mitad, y en el último cuarto. Este indicador se usará para comprobar si se ha reducido el número de abandonos y en qué momento del proceso se produce. 
2. Cuestionarios de conocimiento previo realizados. Calificación obtenida en estos cuestionarios. Este indicador nos dará una idea del punto de partida de nuestros estudiantes. 
3. Consulta total o parcial de los materiales de estudio. Frecuencia de esa consulta. Este indicador nos ayudará a entender si los materiales del curso son apropiados.
4. Intervenciones en los foros, frecuencia de dichas intervenciones. Este indicador nos dará una idea del nivel de motivación de los estudiantes, y nos permitirá intervenir cuando veamos que este decae. 
5. Consultas directas a los profesores del curso, frecuencia de esas consultas. Este indicador nos permitirá entender si el alumno tiene necesidad de aclarar dudas con los profesores, o si por el contrario, es capaz de realizar las actividades sin ayuda. 
6. Número de veces que alumnos y profesores se conectan a lo largo del día, a la semana y al mes. Tiempo y frecuencia de esa conexión. Este indicador nos dará una muestra de cómo y cuánto se conecta el alumno, y si el tiempo de conexión y la frecuencia decaen podemos intervenir para resolver posibles problemas. Nos indicará también el grado de implicación de los profesores, y si es necesario reconducir sus patrones de trabajo. 
7. Formularios de satisfacción rellenados después de abandonar. Este indicador nos dará indicaciones precisas de las razones del abandono de los alumnos. 
8. Realización total o parcial de las actividades propuestas. Este indicador será muy útil para entender si las actividades de calificación son efectivas.  

BIBLIOGRAFÍA UTILIZADA

Ekowo, M., & Palmer, I. (2016). Predictive Analytics in Higher Education. Technical Report. New America Foundation, Washington, DC. Recuperado de https://www.newamerica.org/education-policy/policy-papers/predictive-analytics-higher-education/#