Skip to main content

El futuro de la calidad en la educación

La analítica del aprendizaje multimodal (MMLA) comprende el análisis de los datos obtenidos por diferentes fuentes (denominados modos) con el objetivo de mejorar los procesos de aprendizaje del estudiante. Estas fuentes de datos pueden ser cámaras de video, micrófonos o sensores capaces de medir actividades fisiológicas durante los procesos de aprendizaje.

El primer taller sobre Analítica de Aprendizaje Multimodal tuvo lugar en 2012 en la Conferencia Internacional de Interacción Multimodal en Santa Mónica, California, USA. Desde esa fecha, esta nueva rama de la informática aplicada a la educación se ha desarrollado sustancialmente, siendo empleada en importantes centros de estudios del primer mundo.  En dicha conferencia se describe al MMLA como:

“El análisis de aprendizaje multimodal se encuentra en la intersección de tres ideas: enseñanza y aprendizaje multimodal, datos multimodales y análisis asistido por computadora. En su esencia, MMLA utiliza y triangula entre las formas de datos no tradicionales y tradicionales para caracterizar o modelar el aprendizaje de los estudiantes en entornos de aprendizaje complejos” (1).

Las recientes tecnologías de recolección de datos generados a gran velocidad y heterogeneidad, junto a las técnicas de análisis de aprendizaje automático, ofrecen nuevos conocimientos sobre el aprendizaje, especialmente en tareas en las que los estudiantes tienen un amplio espacio para generar datos únicos y personalizados, como a través de un programa de computadora,  o una cámara web. Hasta la fecha, la mayor parte del trabajo sobre el análisis de aprendizaje y la extracción de datos educativos se ha centrado en cursos en línea, en los que las tareas son más estructuradas y la totalidad de la interacción ocurre frente a una computadora.

Es comprensible que una mayor variabilidad de las fuentes de datos provenientes del análisis de aprendizaje multimodal podría ofrecer nuevos conocimientos sobre las trayectorias de aprendizaje de los estudiantes (1).

Podemos decir que MMLA se basa en la recolección de las interacciones de los alumnos desde cualquier puntos de vista,  recurriendo a un gran número de modalidades (modos) que incluyen audio, videos hechos por el alumno aprendiendo o estudiando, gestos, activación electro-dérmica, emociones, carga cognitiva, bio-fisiología, seguimiento ocular e interacciones digitales entre otras (2). No obstante, también resultan de interés los registros obtenidos de actividades individuales o grupales, incluida la forma que toman apuntes, los trazos que realizan, los gestos al hablar, siempre con la finalidad de registrar y analizar estos datos para mejorar los procesos de aprendizaje.

Estos estudios son recabados por un técnico en informática, principalmente, en los entornos virtuales de aprendizaje.

El MMLA, debido a su reciente aparición, presenta múltiples desafíos entre los cuales mencionamos:

  • Distribución física de los dispositivos a emplear en los modos.
  • Adaptación de las técnicas de minería de datos a aplicar atendiendo las distintas fuentes y heterogeneidad de los datos.
  • Organización de los datos para generar conocimiento de utilidad como soporte a la toma de decisiones.

Una vez solucionados los desafíos que el MMLA conlleva, se podrá considerar escenarios educativos no imaginados actualmente, como verificar que un estudiante en base a sus interacciones con los dispositivos modales, se encuentra o no asimilando la actividad que realiza en clase, o comprobar si una actividad en particular es la más adecuada para el aprendizaje de un tema en particular para un determinado alumno.

Referencias aprendizaje multimodal:

(1) Blikstein, P. (2013, April). Multimodal learning analytics. In Proceedings of the third international conference on learning analytics and knowledge (pp. 102-106). ACM.

(2) Multimodal Learning Analytics’ Past, Present, and, Potential Futures , Marcelo Worsley Northwestern University 2120 Campus Drive Evanston, IL, USA.

Completo artículo con más referencias en la revista de ingeniería informática de la UDE.

Juan Francisco Rodríguez Saredo  es Ingeniero en Informática, con una maestría en Ingeniería titulada Analítica sobre Big Data. Es profesor de Facultad de Ingeniería de UDE en diversas asignaturas. Ha escrito dos artículos para revistas arbitradas e intervenido en ponencias relacionadas con analítica de datos. Trabaja en el LATU como Asesor en el Proyecto Gestión Científica de Datos del LATU. También es integrante del proyecto: ” Adolescentes y Sexualidad. Identidades, mensajes y relacionamiento afectivo sexual a través de las redes sociales” – Proyecto financiado por la ANII Modalidad Inclusión Digital.

Juan Rodríguez