Evaluación de un Modelo de Madurez para la adopción de Learning Analytics en instituciones de educación superior

Main Article Content

Elyda Laisa Soares Xavier Freitas http://orcid.org/0000-0001-7439-9040 Fernando da Fonseca de Souza http://orcid.org/0000-0001-5303-6937 Vinicius Cardoso Garcia http://orcid.org/0000-0001-6904-7470 Taciana Pontual da Rocha Falcão http://orcid.org/0000-0003-2775-4913 Elaine Cristina Moreira Marques http://orcid.org/0000-0002-5991-1672 Rafael Ferreira Mello http://orcid.org/0000-0003-3548-9670

Resumen

Learning Analytics (LA) tiene como objetivo analizar los datos generados por estudiantes y profesores en entornos online con el fin de promover acciones que conduzcan a una mejor enseñanza y aprendizaje. Los resultados de estos análisis pueden ayudar a los docentes a conocer los procesos de estudio empleados por sus alumnos, además de poder ayudar en la verificación y corrección de las actividades y prácticas educativas. Para los estudiantes, LA puede ayudar con la reflexión y la autorregulación del aprendizaje. Sin embargo, a pesar de sus beneficios, las instituciones han tenido dificultades para adoptar. En este contexto, un instrumento que puede apoyar el empleo de AL es el Modelo de Madurez (MM), que se ha utilizado en diferentes áreas del conocimiento con el fin de indicar una hoja de ruta de mejora para las organizaciones. En vista de lo anterior, este artículo tiene como objetivo presentar los resultados de la evaluación de un MM propuesto para apoyar la adopción de AL en Instituciones de Educación Superior, denominado MMALA. La evaluación, centrada en la composición del modelo, se llevó a cabo mediante un cuestionario dirigido a investigadores y profesionales del área de AL. Luego de la realización de análisis, tanto cualitativos como cuantitativos, se identificaron sugerencias de mejora para el modelo propuesto y se validó, apoyando la continuación de su desarrollo.

Article Details

Sección
Artículos / Articles

Citas

Almeida Neto, H., Magalhães, E., Moura, H., Teixeira Filho, J., Cappelli, C., & Martins, L. (2015). Avaliação de um Modelo de Maturidade para Governança Ágil em Tecnologia da Informação e Comunicação. iSys – Revista Brasileira de Sistemas de Informação, Rio de Janeiro, 8(4), 44-79. Recuperado a partir de http://www.seer.unirio.br/index.php/isys/article/viewFile/5176/4938

Arnold, K., & Pistilli, M. (2012). Course signals at Purdue: using learning analytics to increase student success. Proceedings of the International Conference on Learning Analytics and Knowledge - LAK '12, New York, NY, USA, 267-270. https://doi.org/10.1145/2567574.2567621

Becker, J., Knackstedt, R., & Pöppelbuß, J. (2009). Developing maturity models for IT management – A Procedure Model and its Application. Business & Information Systems Engineering, 1(3), 213–222. https://doi.org/10.1007/s12599-009-0044-5

CMMI. (2010). CMMI para Desenvolvimento (v1.3). Software Eng. Institute, Carnegie Mellon.

Dawson, S., Joksimovic, S., Poquet, S., & Siemens, G. (2019). Increasing the Impact of Learning Analytics. Proceedings of the International Conference on Learning Analytics and Knowledge - LAK’19, Tempe, Arizona, USA, 446-455. https://doi.org/10.1145/3303772.3303784

DAMA International. (2009). The DAMA guide to the data management body of knowledge (DAMA-DMBOK), Tech. Publications.

DMM. (2014). Data management maturity model – 1.0 version. CMMI Institute.

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4 (5/6), 304-317. https://doi.org/10.1504/IJTEL.2012.051816

Freitas, E. L. S. X., Souza, F. F., & Garcia, V. C. (2019). Learning Analytics em Ação: Uma Revisão Sistemática de Literatura. Anais do Simpósio Brasileiro de Informática na Educação - SBIE, Brasília. https://doi.org/10.5753/cbie.sbie.2019.1581

Freitas, E. L. S. X., Souza, F. F., Garcia, V. C., Mello, R. F., & Gasevic, D. (2020). Towards a Maturity Model for Learning Analytics Adoption: An Overview of its Levels and Areas. Proceedings of the International Conference on Advanced Learning Technologies (ICALT), Tartu, Estonia, 2020. https://doi.org/10.1109/ICALT49669.2020.00059

Gallego, F. O., & Corchuelo, R. (2020). An encoder–decoder approach to mine conditions for engineering textual data. Engineering Applications of Artificial Intelligence, 91, 103568. https://doi.org/10.1016/j.engappai.2020.103568

Gewerc, A., Rodríguez-Groba, A., & Martínez-Piñeiro, E. (2016). Academic Social Networks and Learning Analytics to Explore Self-Regulated Learning: a Case Study. IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 11(3), 159-166. https://doi.org/10.1109/RITA.2016.2589483

Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2009). Análise multivariada de dados. Bookman Editora.

Halper, F., & Stodder, D. (2014). TDWI analytics maturity model guide. TDWI Research. Recuperado a partir de https://tdwi.org/pages/maturity-model/analytics-maturity-model-assessment-tool.

Hiles, A. (2010). The Definitive Handbook of Business Continuity Management, 3ª Ed., Wiley.

Johnson, L., Smith, R., Willis, H., Levine, A., & Haywood, K. (2011). The 2011 Horizon Report. Austin, Texas, The New Media Consortium. Recuperado a partir de https://library.educause.edu/-/media/files/library/2011/2/hr2011-pdf.pdf.

Keystone Strategy. (2016). Data & analytics maturity model & business impact. White Paper. Recuperado a partir de https://info.microsoft.com/rs/157-GQE-382/images/EN-CNTNT-SQL-Data%20Analytics%20Maturity%20Model-en-us.pdf

Kitto, K., Cross, S., Waters, Z., & Lupton, M. (2015). Learning analytics beyond the LMS: the connected learning analytics toolkit. Proceedings of the International Conference on Learning Analytics And Knowledge - LAK '15. New York, NY, USA, 11-15. https://doi.org/10.1145/2723576.2723627.

Li, M., & Smidts, C. (2003). A ranking of software engineering measures based on expert opinion. IEEE Transactions on Software Engineering, 29(9), 811–824. https://doi.org/10.1109/TSE.2003.1232286

Lockyer, L., Heathcote, E., & Dawson, S. (2013). Informing Pedagogical Action: Aligning Learning Analytics With Learning Design. American Behavioral Scientist, 57(10), 1439-1459. https://doi.org/10.1177/0002764213479367.

Pedhazur, E. J., & Schmelkin, L. P. (2013). Measurement, design, and analysis: An integrated approach. Psychology Press.

Rau, M. A., Aleven, V., & Rummel, N. (2014). Sequencing Sense-Making and Fluency-Building Support for Connection Making between Multiple Graphical Representations. En J. Polman, E. Kyza, D. K. O'Neill, I. Tabak, W. R. Penuel, A. S. Jurow, K. O'Connor, T. Lee, L. D'Amico (Eds.). Learning and Becoming in Practice: The International Conference of the Learning Sciences (ICLS), (2, 977-981).

Tempelaar, D. T., Rienties, B., & Giesbers, B. (2015). In search for the most informative data for feedback generation: Learning Analytics in a data-rich context. Computers in Human Behavior, 47, 157-167. https://doi.org/10.1016/j.chb.2014.05.038.

Tlili, A., Essalmi, F., Jemni, M., & Kinshuk. (2015). An educational game for teaching computer architecture: Evaluation using learning analytics. Proceedings of the International Conference on Information & Communication Technology and Accessibility (ICTA), Marrakech, 1-6. https://doi.org/10.1109/ICTA.2015.7426881.

Tsai, Y. S., & Gašević, D. (2017). The State of Learning Analytics in Europe – Executive Summary – SHEILA. Recuperado a partir de http://sheilaproject.eu/2017/04/18/the-state-of-learning-analytics-in-europe-executive-summary.

Tsai, Y., Moreno-Marcos, P., Jivet, I., Scheffel, M, Tammets, K., Kollom, K., & Gasevic, D. (2018). The SHEILA framework: informing institutional strategies and policy processes of learning analytics. Journal of Learning Analytics, 5(3), 5-20. https://doi.org/10.18608/jla.2018.53.2

União Europeia. (2014). Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions. Towards a thriving data-driven economy, SWD(2014) 214 final. Brussels. Recuperado a partir de https://ec.europa.eu/information_society/newsroom/cf/dae/document.cfm?doc_id=6216.

Yassine, S., Kadry, S., & Sicilia, M. A. (2016). A framework for learning analytics in moodle for assessing course outcomes. Proceedings of the IEEE Global Engineering Education Conference (EDUCON), Abu Dhabi, 261-266. https://doi.org/10.1109/EDUCON.2016.7474563.