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/