Los defensores de los MOOC, nombre en inglĆ©s para los cursos masivos online, y el e-learning, esgrimen a la primera oportunidad las cifras como defensa y prueba del Ć©xito de esta forma de aprendizaje. Si cuando fueron lanzados en 2011 existĆan unos 10 MOOC, para enero de 2015 ya habĆa unos 3.800. Coursera, la empresa que aglutina mĆ”s de un cuarto de los mismos, tiene unos 11 millones de usuarios. Las estimaciones mĆ”s optimistas hablan de un mercado que alcanzarĆ” los 255.000 millones de dólares en 2017. Pero los abanderados de este sistema se olvidan normalmente de un dato clave: la tasa de finalización de los cursos es menor deĀ un raquĆtico 7% .
Sin negar las enormes ventajas que tienen este tipo de cursos, como su gratuidad o el hecho de poder asistir a clases de grandes profesores de las mejores universidades desde cualquier parte del mundo, el desafĆo principal estĆ” en cómo lograr que ese ratio de finalización suba hasta un nĆŗmero mĆ”s aceptable.
Tres cientĆficos del MIT -Sebastian Boyer, Kalyan Veeramachanen y Una-May OāReilly- defienden que una de las claves estĆ” en saber, antes de que acabe el curso, quiĆ©n lo ha abandonado para tratar de repescarle. Su artĆculo Likely to stop? Predicting Stopout in Massive Open Online Course , analiza cómo lograrlo mediante una tĆ©cnica que denominan transfer learning .
Ā«Muchos problemas aparecen cuando tratas de calcular la probabilidad de que un alumno abandoneĀ», contestan por correo electrónico Boyer y Veeramachanen. Ā«Primero necesitas convertir la materia prima de datos disponible en algo que se pueda usar, lo que requiere cierta capacidad para ver los contenidos relevantes y conocimientos de ingenierĆa para convertir el formato de los datosĀ». Luego, llega el problema serio: crear un algoritmo que sea capaz de predecirlo en tiempo real.
Para esto se deben realizar dos pasos. Primero, hay que construir modelos basados en conjuntos de datos previos, para luego aplicar dichos modelos a conjuntos de datos en tiempo real. Esto es lo que ellos llaman transfer learning , que consiste en casar los datos de un estudiante de los modelos previos con uno de los datos en tiempo real para predecir su comportamiento. Su modelo usa cerca de 20 variables para monitorizar el comportamiento del estudiante en la plataforma. ExtraĆdas de manera semanal, van desde información como la suma de tiempo que pasa en la plataforma a la semana o el nĆŗmero de problemas resueltos cada siete dĆas, hasta datos mĆ”s complejos como la anticipación a la fecha de entrega.
«Los algoritmos que usamos derivan de una lógica regresiva y son adaptados para hacerlos transferibles», continúan; «la idea es analizar muy de cerca a los estudiantes de los que sabemos todo, ya que son de cursos anteriores, y compararlos con los estudiantes del curso actual». Su sistema les ha permitido demostrar que el abandono de los cursos es un problema que se puede medir con una semana de antelación y 70% de acierto.
Su hipótesis es que este alto abandono se debe a dos factores. Uno es que no todo el mundo que se registra tiene intención de acabarlo, sino que por su gratuidad muchos se apuntan para ver qué tal, para mÔs adelante decidir si seguir o no. Otros pueden desear terminarlo pero se encuentran con problemas en la vida real que lo impiden.
VIDEO
La cuestión es que ocurre y que estos algoritmos, basados en el anÔlisis de datos masivos, muestran correlaciones, no causalidad. Y gracias a esas correlaciones, se puede tratar de repescar a lo alumnos. Los cursos masivos online que usan técnicas de personalización logran unas tasas de finalización superiores al 10%, escriben Viktor Mayer-Schönberger y Kenneth Cukier en Learning with Big Data: The Future of Education . También advierten del hype en torno a los MOOC, la bola de nieve que asegura que vienen a sustituir la educación reglada. En su opinión, serÔn un complemento. Uno importante, pero accesorio.
Los defensores de los MOOC, nombre en inglĆ©s para los cursos masivos online, y el e-learning, esgrimen a la primera oportunidad las cifras como defensa y prueba del Ć©xito de esta forma de aprendizaje. Si cuando fueron lanzados en 2011 existĆan unos 10 MOOC, para enero de 2015 ya habĆa unos 3.800. Coursera, la empresa que aglutina mĆ”s de un cuarto de los mismos, tiene unos 11 millones de usuarios. Las estimaciones mĆ”s optimistas hablan de un mercado que alcanzarĆ” los 255.000 millones de dólares en 2017. Pero los abanderados de este sistema se olvidan normalmente de un dato clave: la tasa de finalización de los cursos es menor deĀ un raquĆtico 7% .
Sin negar las enormes ventajas que tienen este tipo de cursos, como su gratuidad o el hecho de poder asistir a clases de grandes profesores de las mejores universidades desde cualquier parte del mundo, el desafĆo principal estĆ” en cómo lograr que ese ratio de finalización suba hasta un nĆŗmero mĆ”s aceptable.
Tres cientĆficos del MIT -Sebastian Boyer, Kalyan Veeramachanen y Una-May OāReilly- defienden que una de las claves estĆ” en saber, antes de que acabe el curso, quiĆ©n lo ha abandonado para tratar de repescarle. Su artĆculo Likely to stop? Predicting Stopout in Massive Open Online Course , analiza cómo lograrlo mediante una tĆ©cnica que denominan transfer learning .
Ā«Muchos problemas aparecen cuando tratas de calcular la probabilidad de que un alumno abandoneĀ», contestan por correo electrónico Boyer y Veeramachanen. Ā«Primero necesitas convertir la materia prima de datos disponible en algo que se pueda usar, lo que requiere cierta capacidad para ver los contenidos relevantes y conocimientos de ingenierĆa para convertir el formato de los datosĀ». Luego, llega el problema serio: crear un algoritmo que sea capaz de predecirlo en tiempo real.
Para esto se deben realizar dos pasos. Primero, hay que construir modelos basados en conjuntos de datos previos, para luego aplicar dichos modelos a conjuntos de datos en tiempo real. Esto es lo que ellos llaman transfer learning , que consiste en casar los datos de un estudiante de los modelos previos con uno de los datos en tiempo real para predecir su comportamiento. Su modelo usa cerca de 20 variables para monitorizar el comportamiento del estudiante en la plataforma. ExtraĆdas de manera semanal, van desde información como la suma de tiempo que pasa en la plataforma a la semana o el nĆŗmero de problemas resueltos cada siete dĆas, hasta datos mĆ”s complejos como la anticipación a la fecha de entrega.
«Los algoritmos que usamos derivan de una lógica regresiva y son adaptados para hacerlos transferibles», continúan; «la idea es analizar muy de cerca a los estudiantes de los que sabemos todo, ya que son de cursos anteriores, y compararlos con los estudiantes del curso actual». Su sistema les ha permitido demostrar que el abandono de los cursos es un problema que se puede medir con una semana de antelación y 70% de acierto.
Su hipótesis es que este alto abandono se debe a dos factores. Uno es que no todo el mundo que se registra tiene intención de acabarlo, sino que por su gratuidad muchos se apuntan para ver qué tal, para mÔs adelante decidir si seguir o no. Otros pueden desear terminarlo pero se encuentran con problemas en la vida real que lo impiden.
VIDEO
La cuestión es que ocurre y que estos algoritmos, basados en el anÔlisis de datos masivos, muestran correlaciones, no causalidad. Y gracias a esas correlaciones, se puede tratar de repescar a lo alumnos. Los cursos masivos online que usan técnicas de personalización logran unas tasas de finalización superiores al 10%, escriben Viktor Mayer-Schönberger y Kenneth Cukier en Learning with Big Data: The Future of Education . También advierten del hype en torno a los MOOC, la bola de nieve que asegura que vienen a sustituir la educación reglada. En su opinión, serÔn un complemento. Uno importante, pero accesorio.
Muy buen post! Lamentablemente las cifras son ciertas. Por ello las plataformas que imparte cursos MOOC iintentan motivar a los alumnos promoviendo la participación colaborativa en foros y debates, asà como estableciendo pruebas en las que los alumnos mandan sus soluciones y a su vez corrigen las de sus compañeros. Un saludo.
Comentarios cerrados.