Las instituciones de educación superior recopilan una gran cantidad de datos que pueden utilizar para mejorar el proceso educativo de diferentes maneras, siendo este un gran desafío dado los múltiples usos y riesgos éticos que conlleva el tratamiento de la información en la actualidad. Sin embargo, saber aprovechar y dar un buen uso a esta información conlleva muchos beneficios para los estudiantes.
Actualmente, el Aprendizaje Automático es utilizado dentro del campo de la educación, con diferentes tareas como la medición, recopilación, análisis y reporte de datos sobre los estudiantes y sus contextos, y tiene como objetivo comprender y optimizar el aprendizaje y los entornos en los que se produce el aprendizaje (Long y Siemens, 2011). De esta manera el Aprendizaje Automático se ha vuelto una herramienta fundamental para las instituciones al momento de adquirir conocimientos, mejorar la experiencia de aprendizaje y los resultados de los estudiantes, así como identificar mejoras en la eficiencia y eficacia de la entrega de los distintos tipos de apoyo (Pedró, 2020).
Dada la gran cantidad y diversidad de estudiantes que esta institución contempla (al no ser una institución selectiva), se hace necesario conocer a los estudiantes que ingresan año tras año para poder aplicar reformas académicas ajustadas a sus perfiles particulares. Estas acciones deben ser ágiles y pertinentes ante el escenario actual donde múltiples factores afectan el contexto donde se desenvuelven los estudiantes (Mineduc, 2020).
A partir de estos antecedentes, y con el objetivo de favorecer la gestión institucional interna y contribuir a la focalización de apoyos para nuestros estudiantes, en Duoc UC ya se han comenzado a implementar estas innovaciones tecnológicas con el fin de darle buen uso a la información recopilada dentro de la institución. La Dirección de Estudios y Progresión Estudiantil -específicamente en su línea de Analítica de Datos- utiliza distintas herramientas de Aprendizaje Automático para contribuir a la gestión del aprendizaje de los estudiantes. Dentro de estas técnicas se han utilizado, por ejemplo, modelos predictivos de reprobación de asignaturas, automatización de reportes para la gestión educativa, analítica descriptiva y generación de clusters. Todo esto ha permitido conocer mejor a nuestros estudiantes y así poder entregar apoyos certeros y focalizados, implementando acciones pertinentes y oportunas frente a las múltiples necesidades que presentan los estudiantes.
Respecto al modelo predictivo -que se encuentra en etapa de pilotaje con algunas sedes- se pretende detectar tempranamente a estudiantes que presenten riesgo de reprobación de alguna de sus asignaturas inscritas. Este modelo predice el riesgo de reprobación basado en características de los estudiantes y comportamientos de estos en periodos anteriores y de esta forma se buscan motivos o factores que causan el riesgo y se toman acciones tempranas que marquen la diferencia en el rendimiento de los estudiantes. De todas formas, es relevante que este tipo de modelos vayan de la mano de acciones concretas en la gestión institucional, ya que el solo hecho de contar con una alerta de riesgo por estudiante, no tendrá como consecuencia un cambio en la aprobación de la asignatura. Siendo necesario un sistema de apoyo al estudiante en riesgo que, permita que el futuro que predice el modelo, no se cumpla.
Por otro lado, desde la Dirección de Estudios y Progresión Estudiantil de Duoc UC también se utiliza la metodología de cluster. Esta técnica es atingente a la diversidad de estudiantes que existen dentro de la institución, lo que hace necesario encontrar un método que permita determinar de forma cuantitativa la existencia de distintos grupos o perfiles de estudiantes de acuerdo con la similitud o diferencias en sus características, frente a los requerimientos de estudios. Al momento de utilizar esta técnica es relevante contar con la mayor cantidad de información posible, ya sean variables sociodemográficas, académicas u otras, para que el algoritmo logre diferenciar con mayor exactitud los grupos. Una vez que se cuenta con los perfiles de estudiantes, se busca generar recomendaciones e iniciativas focalizadas provenientes desde la mirada de la Progresión Estudiantil para poder apoyar a los estudiantes frente a las necesidades que cada uno de los grupos posee. En este punto, es relevante el trabajo en conjunto con otras áreas de la institución para tener distintos enfoques de cómo llevar a cabo estas iniciativas.
Los resultados obtenidos mediante la implementación y análisis de estas técnicas han demostrado un potencial prometedor, pudiéndose determinar con bastante certeza a los estudiantes que necesitan mayor apoyo académico en base a sus características sociodemográficas, académicas previas y/o de acuerdo a su desenvolvimiento en la institución. Por otro lado, el conocer los distintos perfiles de estudiantes que emergen de los análisis, permite la priorización en aquellos grupos que necesitan ayuda inmediata. Por ejemplo, es posible crear iniciativas focalizadas en aquellos estudiantes que necesitan mayor apoyo debido a las responsabilidades no académicas que presentan, tales como ser responsable de menores de edad, encontrarse trabajando o ser jefe de hogar. También se pueden crear iniciativas enfocadas en aquellos estudiantes que presentan problemas vocacionales y que necesitan de orientación.
Dado los motivos anteriormente mencionados, es relevante brindar a los estudiantes el apoyo que necesitan para el éxito académico y social; así como los apoyos requeridos para sobrellevar sus responsabilidades no académicas y relaciones estudiantiles con otros compañeros, profesores y personal administrativo de la institución (Braxton, Hirschy y McClendon, 2004), ya que de esta forma el estudiante percibe el compromiso de la Institución por su progresión estudiantil.
Finalmente, debido el escenario al que nos enfrentamos y a los múltiples desafíos que actualmente presenta la Educación Técnica Profesional en Chile, es importante que Duoc UC continúe implementando diversos usos de metodologías de aprendizaje automático para continuar contribuyendo en la creación de estrategias dirigidas y focalizadas en sus estudiantes, favoreciendo la optimización de la gestión educacional.
Referencias
Long, P., & Siemens, G. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review,46(5), 31–40.
Centro de Estudios MINEDUC (2020). Apunte 7. Santiago de Chile, Ministerio de Educación.
Pedró, F. (2020). Applications of Artificial Intelligence to higher education: possibilities, evidence, and challenges
Braxton, J.M., Hirschy, A.S., & McClendon, S.A. (2004). Understanding and Reducing Student Departure.
0