×

¿Qué es Learning Analytics en elearning?

Blog posts | 08.09.2021

Kineo

Shaping the future of learning

¡Algunos dicen que los datos son el "nuevo petróleo"! Hoy en día, más del cincuenta por ciento de las 10 principales empresas son plataformas basadas en datos como Google, Facebook, Tencent, etc. Esto implica que el mercado actual valora los datos. De hecho, nos hemos convertido en una generación tan impulsada por los datos que, en 2020, creamos 2,5 trillones (es decir, 1018) bytes de datos todos los días. Sin embargo, este enorme volumen de datos no resultará útil a menos que se analice. Piensa en una empresa: tiene muchas funciones, como marketing, fabricación, etc., que están produciendo datos en masa.

La función de "aprendizaje" dentro de una organización no es diferente. También se generan muchos datos a partir del "Aprendizaje". "Learning Analytics" es una herramienta que te ayudará a recopilar y almacenar esos datos de aprendizaje para generar información valiosa; conocimientos que se pueden utilizar para la toma de decisiones y dar los siguientes pasos para el aprendizaje y el desarrollo individual y en equipo. Un proyecto de investigación realizado (2016-18) por la Universidad de Edimburgo, mostró cómo las Learning Analytics han proporcionado enfoques precisos y relevantes para evaluar cuestiones críticas, como la experiencia y retención del usuario, diferenciando los indicadores de adquisición de habilidades actuales, así como el aprendizaje adaptativo. Este tipo de conocimientos incluso se están aplicando con éxito en entornos académicos y corporativos.


¿Qué es Learning Analytics?

Según SOLAR (la Sociedad para learning analytics e investigación), el learning analytics se puede definir como “la medición, recopilación, análisis y presentación de informes de datos sobre los usuarios y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce."

Esto ha sido difícil de hacer con los métodos tradicionales de enseñanza en el aula, pero ha ganado impulso con el aumento del aprendizaje en línea o la era del elearning. El elearning facilita la recopilación y el análisis de datos y hace que la analítica sea más eficaz para evaluar los resultados del aprendizaje. El uso de big data y análisis de aprendizaje puede ayudarte a capturar comentarios poderosos sobre experiencias de aprendizaje que pueden traducirse en el diseño de soluciones de aprendizaje que sean más atractivas y efectivas. El análisis de datos tiene el potencial de impulsar un ciclo de mejora continua que transforma la forma en que diseñas, desarrollas y entregas soluciones de aprendizaje.

El learning analytics abre un mundo de oportunidades para el profesional de L&D. Ayuda a determinar qué sucedió durante una sesión de elearning, por qué sucedió algo y los patrones de ocurrencia. Pero ¿qué tipo de datos necesitas para sacar estas inferencias y tomar decisiones que mejoren el aprendizaje?


¿Qué tipo de datos debería recopilar mi herramienta de análisis de aprendizaje?

Hay tres categorías clave de datos clave que debes monitorear para tomar decisiones efectivas. Estas son:

1. Datos de usuario

Los datos pertenecientes a los usuarios o participantes que están inscritos en el elearning de tu organización se consideran datos de usuario. Estos datos describen al usuario en el contexto de la organización. Por ejemplo: el rol que ocupa en la organización, la ubicación (en el caso de una oficina multirregional), la división (ventas, operaciones, finanzas, recursos humanos, etc.) y el nivel (o antigüedad, como nivel junior, intermedio, ejecutivo).

Cuando se recopilan datos del usuario, te ayuda a segmentar los datos como parte del análisis, en lugar de tener toda la información bajo un solo paraguas. Los datos desagrupados implican que los conocimientos valiosos para cada grupo se vuelven indistintos debido a la superposición de información. Los datos agrupados siempre ayudan a sacar a la luz tendencias o patrones que son relevantes para cada grupo de usuarios.

¿Qué utilidad tienen los datos del usuario? Las experiencias de aprendizaje de los usuarios con roles comunes con un departamento, división o geografía se pueden estudiar para determinar qué elementos faltan en el programa de aprendizaje.


2. Datos de participación

Todos los elementos que reflejan cómo un usuario interactúa con el contenido te darán los datos de participación. Esto significa examinar varios aspectos como:

• El tiempo que el usuario tiene el módulo abierto,

• ¿Cuántos usuarios únicos comenzaron un curso?

• ¿Cuántos usuarios únicos completaron un curso?

• ¿Cuántos usuarios visitaron un curso más de una vez?


Algunas implicaciones prácticas de los datos de participación son:

  • ¿Comprobar si los usuarios han completado el curso dentro del tiempo asignado? ¿La mayoría de los usuarios tardan más en completar el curso? (puede ser indicativo de un curso que no es muy atractivo) ¿La mayoría de los usuarios tardan menos tiempo en completar el curso? Esto puede ser indicativo de un curso con el que la mayoría de los participantes ya están familiarizados.
  • ¿Los usuarios abrieron archivos multimedia donde se suponía que debían hacerlo? ¿O los omiten por completo?
  • ¿Los usuarios abandonan ciertos archivos multimedia antes de completarlos? Esto puede indicar que la información es demasiado extensa o que la información no es útil.
  • ¿Ciertos elementos de diseño involucran a los usuarios mejor que otros? ¿Qué combinación de medios es ideal para el tipo de contenido que se enseña? Por ejemplo: texto + video + cuestionario de opción múltiple; o capacitación en video + pruebas basadas en escenarios simulados; o capacitación en video + cuestionario emergente a través de aprendizaje móvil u otras mezclas de medios.


3. Datos de rendimiento

Datos que caracterizan qué tan bien recordaron o aplicaron los participantes el contenido; en otras palabras, ¿cómo impacta el aprendizaje en el desempeño? A esto se le llama datos de rendimiento.

Los datos de desempeño se pueden usar para analizar si el diseño instruccional fue sólido, si los autores del curso entendieron las necesidades de la audiencia con precisión y si el contenido fue escrito de una manera fácil de entender y memorable. El profesional de L&D puede tomar estos datos para evaluar la efectividad de la solución y como referencia para comparar con el desempeño real en el campo.


A continuación, se muestran algunos ejemplos de los tipos de datos de rendimiento que pueden ayudar a que tu herramienta de análisis de aprendizaje proporcione información significativa:

  • ¿Se respondió correctamente una pregunta en el primer intento? 
  • Los resultados de una pregunta de “aplicación” como los escenarios demuestran si es probable que las nuevas habilidades se transfieran al trabajo. 
  • Los resultados de una pregunta de “recuerdo” brindan una idea de si el contenido se presenta de manera clara y memorable. 
  • La confianza inicial refleja la efectividad del curso. 
  • La confianza final refleja la calidad o precisión del contenido que se transmitió. 
  • ¿El contenido fue relevante para el rol?

Learning Analytics al frente de L&D:

La recopilación de datos precisa y relevante es una parte importante de Learning Analytics. Una herramienta de análisis de aprendizaje eficaz hará posible la recopilación de datos sobre el desarrollo, la participación y los resultados de la capacitación. Usar esto para medir la efectividad del aprendizaje, medir el impacto comercial y proporcionar información procesable para mejorar el aprendizaje y cumplir con las expectativas de las partes interesadas permite que el departamento de L&D cumpla con todas sus metas y objetivos.

Kineo

Shaping the future of learning


Kineo helps the world’s leading businesses improve performance through learning and technology. We’re proud of our reputation for being flexible and innovative, and of our award-winning work with clients across the world.

You are using an outdated browser.

For a better browsing experience we recommend

I understand (close)