Las analíticas de aprendizaje se dividen en cuatro niveles de profundidad, cada uno construyendo sobre el anterior para mejorar los procesos educativos:
Niveles de Análisis
Descriptivo: Responde "qué ha pasado" (presente y pasado). Analiza interacciones, tiempos de estudio, rendimiento por perfil de alumno, dificultad de contenido, entre otros.
Diagnóstico: Aborda el "por qué sucedió" lo descrito. Examina las razones detrás de los resultados observados, como el rendimiento en diferentes materias.
Predictivo: Se centra en "qué puede suceder" en el futuro. Interpreta análisis para predecir resultados, detectar anomalías, recomendar contenidos o itinerarios de aprendizaje óptimos, e identificar alumnos en riesgo de abandono o con bajo interés.
Prescriptivo: Propone "qué se debe hacer" para lograr mejores resultados. Genera recomendaciones de acción basadas en predicciones, sugiriendo contenidos o actividades de refuerzo. Requiere algoritmos complejos y se nutre de los niveles inferiores.
Algoritmos Educativos y sus Retos
Los algoritmos son secuencias de instrucciones que permiten resolver problemas automáticamente, siendo fundamentales en la analítica prescriptiva al ofrecer recomendaciones y cuantificar el efecto de decisiones futuras. El Machine Learning (aprendizaje automático) permite a las máquinas identificar patrones y realizar predicciones a partir de datos.
Aplicaciones como Snappet y Khan Academy utilizan IA y algoritmos para personalizar el contenido y el itinerario de aprendizaje, adaptando la enseñanza a las necesidades individuales de los alumnos.
Sin embargo, el uso de algoritmos en la evaluación del aprendizaje presenta retos significativos. Casos como los de OFQUAL en Reino Unido, donde algoritmos bajaron calificaciones de estudiantes, y Edgenuity en EE. UU., donde los alumnos manipularon el sistema, demuestran que los algoritmos pueden pasar por alto aspectos cruciales de las habilidades estudiantiles y enfocarse solo en la memorización. Es crucial complementar los modelos algorítmicos con el factor humano y la verificación futura de los datos para evitar interpretaciones erróneas y garantizar una evaluación justa y completa.