Clase 211 — Learning analytics avanzado

Parte 17 · Investigación doctoral y formación de formadores — clase 7 de 12

Estado de evidencia: EMERGENTE · Etapa: 🔴 Etapa E — Investigación avanzada y formación de formadores · Población de referencia: nivel doctoral, dirección de tesis y formación docente
Decisión que habilita: determinar qué pregunta de investigación justifica el uso de datos digitales masivos y qué resguardos exige
Evidencia de aprendizaje: un diseño de investigación con datos de aprendizaje, con su modelo, sus límites y su protocolo ético

🎯 Propósito

Usar analítica de aprendizaje avanzada como método de investigación: modelamiento de trayectorias, detección de patrones y predicción, con sus límites técnicos y éticos.

📚 Resultados de aprendizaje

Al finalizar esta clase podrás:

1. Definir con precisión los cuatro conceptos centrales de la clase y reconocerlos en una situación educativa real, no solo en su enunciado.
2. Explicar qué preguntas de investigación permiten responder los datos digitales de aprendizaje y cuáles no.
3. Decidir —qué pregunta de investigación justifica el uso de datos digitales masivos y qué resguardos exige— y sostener la decisión con un fundamento escrito.
4. Producir la evidencia de la clase —un diseño de investigación con datos de aprendizaje, con su modelo, sus límites y su protocolo ético— y contrastarla contra el criterio de logro.
5. Distinguir lo que la evidencia sostiene de lo que es práctica instalada, preferencia personal o costumbre de la institución.

🧭 Agenda sugerida (90 minutos)

Fuera de la sesión, la clase exige aproximadamente una hora y media de práctica y de producción de la evidencia. Si el tiempo se recorta, se recorta el ejemplo trabajado, nunca la producción de evidencia: es la única parte que prueba el aprendizaje.

🧩 Conceptos centrales

🧠 Modelo mental

El método de esta clase, en cinco pasos que se ejecutan en orden:

1. Delimitar el contexto y comprobar —no suponer— qué saben ya los estudiantes.
2. Clasificar la situación distinguiendo Traza de interacción de Modelo predictivo.
3. Decidir con fundamento, usando Validación externa como criterio y declarando la fuente.
4. Anticipar qué evidencia confirmaría la decisión y cuál la refutaría, con Deriva del modelo a la vista.
5. Registrar lo ocurrido y contrastarlo contra el criterio de logro antes de avanzar.

Lo que hace profesional a este método no son los pasos sino la evidencia que exige en cada uno. Estas son las señales observables con las que se comprueba, y que deben quedar definidas antes de recogerlas:

Frontera de aplicación. El método vale mientras las condiciones que lo sostienen se cumplan. El campo tiene un problema de replicación y de generalización: Cuando esa condición falla, el paso siguiente no es forzar el método: es declarar el límite y decidir con menos certeza, dejándolo por escrito.

🗺️ Flujo de razonamiento

flowchart TB
    C["Situacion educativa<br/>nivel · grupo · proposito"]
    C --> A1["Traza de interacción"]
    C --> A2["Modelo predictivo"]
    C --> A3["Validación externa"]
    C --> A4["Deriva del modelo"]
    A1 & A2 & A3 & A4 --> D{{"determinar qué pregunta<br/>de investigación<br/>justifica el uso de<br/>datos digitales masivos<br/>y qué…"}}
    D --> E["Evidencia de aprendizaje<br/>un diseño de<br/>investigación con datos<br/>de aprendizaje, con su<br/>modelo, sus límites y su<br/>protocolo…"]
    E --> V{"Cumple el<br/>criterio de logro?"}
    V -->|si| S["Evidencia archivada<br/>y clase siguiente"]
    V -->|no| C

📖 Desarrollo

1. El fondo del asunto

Los datos de interacción permiten estudiar procesos que antes eran invisibles: cuándo se abandona una tarea, qué secuencias preceden al error, cómo se distribuye el estudio en el tiempo. Su límite es conocido: predicen sin explicar, y su desempeño se degrada cuando cambia el contexto. Un modelo que predice bien la deserción en una cohorte puede fallar en la siguiente sin que nadie lo note.

2. Frontera conceptual: qué es y qué no es

Los cuatro conceptos de esta clase se confunden entre sí con facilidad, y esa confusión no es inocua: produce decisiones que atacan el problema equivocado. Traza de interacción no es lo mismo que Modelo predictivo —función que estima un resultado a partir de variables observadas; predice, no explica—, y tratarlos como sinónimos hace que la intervención se dirija al lugar incorrecto. Del mismo modo, Validación externa y Deriva del modelo describen aspectos distintos de la misma situación: el primero comprobación del modelo en datos distintos de aquellos con los que se construyó, mientras el segundo pérdida de desempeño cuando cambian la población o las condiciones.

La prueba de que la distinción está entendida es operacional, no verbal: dos personas que observan la misma clase deben poder clasificar el mismo episodio de la misma manera. Si no coinciden, el problema está en la definición y no en el observador. El error de clasificación más frecuente en esta materia es el primero de los que se listan más abajo, y conviene anticiparlo antes de aplicar nada.

3. Cómo se observa y se mide

Nada de lo anterior sirve si no se puede observar. Estas son las señales que esta clase usa y cómo se recogen:

• Evidencia de partida. Qué sabían o podían hacer los estudiantes antes de la decisión, comprobado y no supuesto. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.
• Evidencia de proceso. Qué se observó mientras la decisión se aplicaba, con fecha, contexto y responsable del registro. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.
• Evidencia de logro. Qué muestra un diseño de investigación con datos de aprendizaje, con su modelo, sus límites y su protocolo ético frente al criterio declarado de antemano. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.

Ninguna de estas señales es el aprendizaje: son indicios de él. Confundir el indicio con el fenómeno es el error clásico de la medición educativa, y por eso cada señal se interpreta junto con el contexto, el punto de partida del grupo y lo que el propio estudiante puede explicar sobre su trabajo.

4. Cómo se traduce en decisiones de enseñanza

El diseño exige validación externa y monitoreo de la deriva, además de un protocolo ético estricto: los estudiantes deben saber qué se recoge, para qué y con qué resguardos. Y toda predicción sobre personas debe conectarse con apoyo y no con clasificación: un modelo que identifica riesgo sin protocolo de intervención solo produce etiquetas. Conviene revisar además el desempeño del modelo por subgrupo antes de usarlo: un sistema que funciona bien en promedio puede fallar sistemáticamente con estudiantes que tienen menos conectividad o patrones de uso distintos.

5. Qué sostiene la evidencia y qué no

El campo tiene un problema de replicación y de generalización: muchos modelos publicados no se validan fuera de su contexto original. Y la abundancia de datos de proceso no compensa la ausencia de medidas de aprendizaje: la traza registra actividad, no comprensión. Hay también un efecto que conviene anticipar: cuando los estudiantes saben qué se registra, ajustan su conducta para verse bien en el indicador, y el dato deja de medir lo que medía.

Cómo leer el estado de evidencia EMERGENTE. El cuerpo de estudios es reciente, escaso o poco replicado. Úsala como hipótesis de trabajo con seguimiento explícito, nunca como argumento de autoridad ni como base para una política de establecimiento.

6. Integración: de los conceptos a una decisión defendible

Una decisión es defendible cuando puede explicarse a alguien que no estuvo presente. Esta clase te deja en condiciones de qué pregunta de investigación justifica el uso de datos digitales masivos y qué resguardos exige, y esa decisión se sostiene solo si declara cuatro cosas: la evidencia que la funda, el supuesto que asume, el indicador que la comprobaría y la condición que la haría cambiar.

Ese es también el criterio con el que se evalúa la evidencia de aprendizaje de la clase. Un análisis que podría copiarse a otra clase, a otro curso o a otro establecimiento sin cambiar una palabra no es una decisión: es una declaración general, y el oficio empieza justo donde las declaraciones generales terminan.

📚 Lectura comparada

Las obras no cumplen el mismo papel. Esta tabla indica qué lente aporta cada una; después de leer, escribe una discrepancia real entre al menos dos fuentes.

La lectura se evalúa por uso, no por cantidad de páginas. Tu nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste. Una nota que solo resume el texto no cumple el criterio.

🧮 Ejemplo trabajado

Situación. La red quiere formar a sus 42 docentes con un programa propio y sostenerlo tres años. El diseño inicial es un taller de ocho horas por semestre, sin acompañamiento en el aula y con evaluación por encuesta de satisfacción.

Paso 1 — Delimitar el contexto y comprobar —no suponer— qué saben ya los estudiantes. El equipo escribe primero el supuesto asociado a Traza de interacción y se prohíbe tratarlo como hecho. Contrasta ese supuesto con Evidencia de partida y anota qué parte del dato todavía no existe. Del paso sale un registro fechado y una frase explícita: «cambiaríamos de decisión si…».

Paso 2 — Clasificar la situación distinguiendo Traza de interacción de Modelo predictivo. El trabajo aquí es separar lo observado de lo interpretado sobre Modelo predictivo. La evidencia que ordena la conversación es Evidencia de proceso; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Decidir con fundamento, usando Validación externa como criterio y declarando la fuente. El riesgo de este paso es cerrar demasiado rápido alrededor de Validación externa. Antes de concluir, se enumeran dos explicaciones alternativas del mismo patrón y se revisa si Evidencia de logro logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Anticipar qué evidencia confirmaría la decisión y cuál la refutaría, con Deriva del modelo a la vista. Con Deriva del modelo ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia para los estudiantes, para el tiempo de clase y para la carga del equipo. Evidencia de partida entrega la lectura observable; el juicio profesional sigue siendo humano y debe quedar firmado por quien lo hace.

Paso 5 — Registrar lo ocurrido y contrastarlo contra el criterio de logro antes de avanzar. El cierre exige compromiso: responsable, fecha, indicador de logro y condición de detención. Evidencia de proceso se convierte en la señal de seguimiento, y se acuerda con qué frecuencia se revisa y quién puede declarar que no funcionó sin costo político.

Síntesis. La recomendación termina con responsable, fecha, evidencia de logro y señal de detención. Omitir cualquiera de esas cuatro piezas convierte el análisis en una opinión que nadie podrá auditar dentro de tres meses, y que por lo tanto nadie corregirá.

🔀 Comparación de caminos y límites

Ante la misma situación caben varios cursos de acción. La decisión profesional no es elegir el «correcto», sino saber qué privilegia cada uno y qué arriesga.

Frontera de aplicación. El campo tiene un problema de replicación y de generalización: Fuera de esa frontera, la comparación anterior deja de ser válida y la decisión debe tomarse con evidencia distinta.

🪜 El mismo tema según el rol

La misma materia cambia de forma según quién decida. Al subir de nivel aumentan las personas, el tiempo y las consecuencias que quedan dentro de la decisión.

Si trabajas en uno de esos niveles, la guía de carrera de tu rol indica en qué orden conviene recorrer el programa y qué artefactos acreditan tu competencia.

🧪 Taller guiado

Aplica la clase a uno de los contextos siguientes y repite después el ejercicio en un contexto de exigencia distinta. Cambiar de contexto es parte del aprendizaje: lo que funciona con un grupo no se traslada intacto a otro.

Secuencia de trabajo:

1. Delimita el contexto: nivel, edad, tamaño del grupo, asignatura o experiencia y tiempo real disponible.
2. Declara qué saben ya los estudiantes y cómo lo comprobaste, no cómo lo supones.
3. Formula la decisión pedagógica que esta clase habilita y escribe su fundamento.
4. Anticipa qué observarías si la decisión funciona y qué observarías si no funciona.
5. Diseña de antemano la alternativa que aplicarás si la primera estrategia falla.
6. Ejecuta o simula, y registra lo observado con fecha, contexto y evidencia concreta.
7. Produce la evidencia de aprendizaje de la clase.
8. Contrástala contra el criterio de logro, corrige y recién entonces avanza.

🏫 Caso profesional

Situación. La red quiere formar a sus 42 docentes con un programa propio y sostenerlo tres años. El diseño inicial es un taller de ocho horas por semestre, sin acompañamiento en el aula y con evaluación por encuesta de satisfacción.

Entrega un informe de decisión de una página que contenga:

1. Hechos y fuentes — qué está documentado y con qué evidencia, separado de lo que se supone.
2. Hipótesis — la explicación más probable y una alternativa que también encajaría.
3. Dos opciones defendibles — no una recomendación y un espantapájaros.
4. Efecto esperado — sobre los estudiantes, el tiempo de clase, el equipo y los apoyos.
5. Recomendación — con su fundamento y la fuente que la respalda.
6. Condición de revisión — qué resultado te haría cambiar de decisión.
7. Responsable y fecha — quién ejecuta y cuándo se revisa.

Usa al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta. Una recomendación que ninguna fuente pone en duda casi siempre está poco examinada.

📥 Evidencia de aprendizaje

Un diseño de investigación con datos de aprendizaje, con su modelo, sus límites y su protocolo ético.

Guárdala en evidence/P17-C211-learning-analytics-avanzado/ con estos archivos:

Esta evidencia alimenta el artefacto de la parte: propuesta doctoral defendible y programa de formación de formadores con acompañamiento en el puesto y evaluación de cambio de práctica.

🏆 Reto verificable

Construye o evalúa un modelo predictivo y reporta su desempeño por subgrupo. Documenta con qué grupo funciona peor y qué implicancias tiene.

✅ Evaluación de la clase

Aprobación: 80 de 100 y ningún criterio bajo el 60 %. Una respuesta que podría copiarse sin cambios a otra clase, a otro curso o a otro establecimiento se considera insuficiente, aunque esté bien escrita.

Criterio de logro de la evidencia:

• el diseño incluye validación externa y monitoreo de deriva;
• el protocolo ético declara información a los estudiantes, resguardos y uso previsto;
• cada afirmación sobre «lo que funciona» está atribuida a una fuente identificable, con autor y fecha;
• la decisión es ejecutable con el tiempo, el espacio, el número de estudiantes y los recursos que realmente tienes;
• la evidencia queda archivada de forma reproducible: otra persona podría revisarla sin que tú se la expliques.

⚠️ Errores frecuentes

Propios de esta clase:

• Reportar desempeño predictivo sin validación en datos externos.
• Construir modelos de riesgo sin protocolo de intervención asociado.

Característicos de la parte 17:

• Confundir novedad temática con contribución al conocimiento.
• Analizar datos anidados como si fueran independientes.

Los cuatro comparten estructura: un síntoma visible, una causa que no se ve y una corrección que casi siempre es de diseño y no de esfuerzo. Antes de atribuir el problema a los estudiantes o a ti, comprueba cuál de ellos está operando y qué evidencia lo distinguiría de los otros tres.

♿ Diversidad, accesibilidad y ética

Los modelos entrenados con datos históricos reproducen las desigualdades contenidas en ellos y suelen funcionar peor con los grupos menos representados. Reportar desempeño por subgrupo es una exigencia técnica y ética.

Antes de aplicar cualquier decisión de esta clase con estudiantes reales, revisa el protocolo de práctica responsable: consentimiento, resguardo de datos personales, proporcionalidad de la intervención y derecho de cada estudiante a no ser objeto de un ensayo que no le reporta beneficio.

🇨🇱 Contexto chileno y cumplimiento

Riesgo característico de esta parte: Confundir novedad temática con contribución al conocimiento. Antes de aplicar cualquier decisión de esta clase en un establecimiento real, verifica el marco vigente:

• Marco institucional y normativo: docs/MARCO_CHILE.md.
• Inclusión y apoyos: docs/INCLUSION_Y_DUA.md.
• Datos personales, IA y resguardos: docs/IA_EN_EDUCACION.md.
• Fuentes oficiales con cómo leerlas: docs/FUENTES.md.

La regla del programa es simple: la fuente oficial manda sobre el material pedagógico. Si la norma cambió después de la fecha de esta clase, gana la norma.

❓ Preguntas de comprobación

1. ¿Tu modelo predice o explica?
2. ¿Con qué datos externos lo validaste?
3. ¿Qué ocurre con el estudiante que tu modelo marca como en riesgo?

📗 Fuentes y verificación

• Baker, R. & Inventado, P. (2014). Educational Data Mining and Learning Analytics. Uso en esta clase: panorama de métodos y de sus aplicaciones en investigación educativa. Lectura selectiva: índice y capítulos pertinentes; registra edición y páginas consultadas. Localizar: DOI 10.1007/978-1-4614-3305-7_4 · ficha
• Slade, S. & Prinsloo, P. (2013). Learning Analytics: Ethical Issues and Dilemmas. Uso en esta clase: marco ético para investigación con datos de estudiantes. Lectura selectiva: índice y capítulos pertinentes; registra edición y páginas consultadas. Localizar: DOI 10.1177/0002764213479366 · ficha

Catálogo completo: registro de fuentes con localizador · bibliografía del programa · glosario · fuentes oficiales y cómo leerlas.

Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia.

Cualquier norma, decreto, orientación ministerial o política institucional mencionada debe

comprobarse en su fuente primaria vigente antes de usarse con estudiantes reales. El desarrollo

de esta clase es original y no reproduce capítulos protegidos por derechos de autor.

🔗 Conexión con el resto del programa

Profundiza la clase 161 y se rige por la ética de la clase 203.

Importante

Material de formación profesional. No reemplaza un título de pedagogía, una habilitación

legal para ejercer, ni el juicio de un equipo educativo que conoce a sus estudiantes.