TENDENCIAS DE E-LEARNING PARA DESARROLLO DE CONTENIDOS USANDO BIG DATA

ENSEÑANZA EN INGENIERÍA

TENDENCIAS DE E-LEARNING PARA DESARROLLO DE CONTENIDOS USANDO BIG DATA

foto: www.freepik.es

A. López-Benito 1 * A. Limón-Enrique 2

1 Tecnologico de Estudios Superiores del Oriente del Estado de México. Paraje de San Isidro SN, 56400 Los Reyes Acaquilpan, Estado de México. 2Tecnologico de Estudios Superiores del Oriente del Estado de México. Paraje de San Isidro SN, 56400 Los Reyes Acaquilpan, Estado de México * Benito Samuel López Razo. E-mail: b.samuellopez7@gmail.com Tel. 044-55-19-17-92-79

Fecha de envío: 26, mayo, 2018

ABSTRACT: E-Learning trends, the concept of Big Data and its processing and data analysis as a proposal to generate multimedia content, applications and tools to generate educational content are introduced. Keywords: Big Data, E-learning- Education, Trends, Analysis.

RESUMEN: Se introducen tendencias E-Learning, el concepto de Big data y suproceso de transformacion y analisis de datos como propuesta para generar contenido multimedia, aplicaciones y herramientas para generar contenidos educativos.

Palabras clave: Big Data, E-learning- Educación, Tendencias, Analisis.

1. INTRODUCCIÓN En la actualidad se busca que la tecnología este presente dentro de cada aula de clase a fin de pasar de un modelo educativo tradicional a un modelo educativo vanguardista utilizando las herramientas más actuales para brindar contenidos educativos de calidad y formar mejores profesionistas. Debido a la generación diaria de contenidos en internet, publicaciones, blogs, páginas web y contenido multimedia, se necesitan técnicas de análisis de datos que brinden información concreta sobre los intereses de un grupo en particular para poder enfocar los resultados a la mejora de contenidos educativos. Por lo tanto, se da a conocer una propuesta para el proyecto en desarrollo sobre cómo introducir un sistema de aprendizaje basado en el análisis de grandes cantidades de datos extraídos directamente de informacion generada por los alumnos ademas, por qué el Big Data estará presente en todos los centros educativos en un futuro muy cercano.

2. E-LEARNING Las necesidades para la creación y gestión de contenido son diferentes para cada institución por tal motivo se han creado herramientas que toman como base la investigación y se utilizan para el aprendizaje virtual (e-learning). El e-learning se nos presenta como una de las estrategias formativas que puede resolver muchos de los problemas educativos con que nos encontramos, que van desde el aislamiento geográfico del estudiante de los centros del saber hasta la necesidad de perfeccionamiento constante que nos introduce la sociedad del conocimiento, sin olvidarnos de las llamadas realizadas sobre el ahorro de dinero y de tiempo que supone, o la magia del mundo interactivo en que nos introduce. Y, aunque es verdad que sobre esta modalidad de formación se ha depositado un gran número de esperanzas, algunas de las cuales es cierto que se han visto confirmadas, tampoco estaría mal recordar que hay más de un 80% de fracaso en la gestión de cursos a distancia y más de un 60% de abandono de los mismos por parte de los estudiantes; dicho en otros términos, las esperanzas inicialmente depositadas no siempre se han visto ratificadas en su aplicación práctica (Cabero, 2006). La evolución de e-learning contempla el avance de la tecnologia como base y el desarrollo de sistemas de informacion en especial sistemas web para la interaccion con el usuario final. El orden cronologico de E-learning se enuncia a continuación • Contenidos impresos recibidos por correo • Modelo multimedio (video, hipertexto, hipermedia) • Modelo telelearning (video conferencia) • Modelo de aprendizaje flexible (democratización de internet) • Generación del campo virtual (plataformas online MOOC) • Generación de Web 2.0 (blogs, wikis, redes sociales)

Tendencias e-Learning

Adaptative Learning En el nivel más básico, el aprendizaje adaptativo es la noción de que las computadoras pueden mejorar los resultados educativos. Sin embargo, hasta hace poco, la mayoría de los enfoques de aprendizaje adaptativo no han logrado cumplir esta promesa. Los primeros intentos a menudo fueron a pequeña escala, centrándose en un número limitado de estudiantes o áreas de interés. La mayoría de los sistemas utilizados con solo el tipo más básico de adaptabilidad (por ejemplo, “Presente Pregunta A: recopile la respuesta; si es correcta, bifurque a la Pregunta B, si es incorrecta, bifurque a la Pregunta C”) (Knewton). Así como el nombre del aprendizaje adaptativo evolucionó con el tiempo, también tiene el potencial de revolucionar la educación. En la última década, muchas industrias aprovecharon Internet para mejorarse. Desafortunadamente, la industria de la educación no era uno de ellos. Reconozcámoslo: hemos hecho un pésimo trabajo de aprovechar la tecnología para educar mejor a nuestros hijos. Y el contenido educativo que se ha abierto camino en Internet se encuentra disperso en millones de blogs, portales de contenido y bibliotecas de libros electrónicos, lo que hace que sea difícil de encontrar e inutilizable.

Experience Education La educación va a continuar transformándose hasta lugares que jamás habíamos soñado. La posición de las instituciones educativas tradicionales, que no dan respuesta a la realidad de las empresas, cada vez va a ir perdiendo peso en manos de las certificaciones y acreditaciones profesionales. En este caso, hablamos tanto de las formales, como la Scrum Alliance o SAP, como del conocimiento informal acreditado en comunidades y redes sociales como stack overflow. Para que todo esto sea real se van a necesitar Apis de conexión de todas nuestras competencias y aprendizajes tanto formales como informales. Una especie de columna vertebral donde podamos registrar la formación que realicemos durante nuestra carrera profesional (Fuentes, 2017).

Instant Learning o micro aprendizaje El Microaprendizaje es una estrategia educativa que se caracteriza por la brevedad de sus lecciones y sus unidades de aprendizaje. Las actividades formativas de este sistema cuentan con una duración de hasta máximo 15 minutos.

Internet of things y los warables Cuando hablamos de conectividad normalmente nos referimos a personas, pero ahora existen nuevas tendencias Internet of things (IoT) trata sobre la conectividad entre objetos y de cómo obtener un control a distancia de estos objetos interconectados Es decir, las cosas estarán conectadas y se convertirán en dispositivos capaces de servir con algún fin pedagógico. Un ejemplo fácil de entender son las Google Glasses, que si combinamos con realidad aumentada y realidad virtual podemos utilizar para los serious games. De esta forma, podremos aprender a manejar objetos gracias a las simulaciones.

Puntos a considerar de e-learning • Planificación formativa online (tiempo) • Modelos educativos presenciales vs modelos educativos online (no es lo mismo)

Recursos Web mal diseñados (videos largos, buen diseño de gráficos) Distintos perfiles de alumnos (No todos aprenden de la misma manera) Roles diferentes (alumnos, profesores) Feedback Creación de comunidades virtuales (grupos virtuales) Incorporar Redes Sociales

3. BIG DATA

Según IBM (2006) todos los días se crean 2.5 quintillones de bytes de datos, por lo cual surge la necesidad de integrar técnicas que permitan un correcto análisis y así tener beneficio sobre esta información. La definición que proporciona el diccionario de inglés de Oxford (Press, 2017) para Big Data es:

“Datos de tamaño muy grande, típicamente hasta el extremo de que su gestión presenta retos logísticos significativos”, otra definición es: “conjuntos de datos cuyo tamaño va más allá de la capacidad de captura, almacenado, gestión y análisis de las herramientas de base de datos”. Big Data requiere nuevos Métodos, herramientas y técnicas para resolver nuevos problemas que surgen de sus características tales como volumen, variedad y velocidad (Ruben & Muhammad, 2015).

Volumen Con volumen se entiende la gran cantidad de datos que, a diferencia de la minería de datos, Big data cuenta con un flujo de datos constante lo que provoca que el volumen de datos no tenga un tamaño definido. Por lo tanto, es necesario que los algoritmos que procesan los datos sean capaces de ofrecer resultados obtenidos en los análisis.

Velocidad El crecimiento de los datos y la explosión de los medios sociales han cambiado la forma en que se ven los datos. Hoy en día, la gente responde en las redes sociales para actualizarlos con el último acontecimiento, de tal modo que en ocasiones en las redes sociales algunos segundos de mensajes antiguos no

es algo que interese a los usuarios, a menudo descartan mensajes antiguos y prestan atención a actualizaciones recientes. El movimiento de los datos es ahora casi en tiempo real y la ventana de actualización se ha reducido a fracciones de segundos. Estos datos representan la V de velocidad en Big Data.

Variedad Los datos se pueden almacenar en formato múltiple. Por ejemplo, base de datos, Excel, CSV, acceso o para la cuestión del hecho, se puede almacenar en un simple archivo de texto. A veces los datos no son ni siquiera en el formato tradicional como suponemos, puede ser en forma de vídeo, SMS, PDF o algo que no podría haber pensado en ello. Es la necesidad del usuario organizarla y hacerla significativa. Será fácil hacerlo si tenemos datos en el mismo formato, sin embargo, no es el caso la mayoría del tiempo. El mundo real tiene datos en muchos formatos diferentes y ese es el reto que necesitamos superar con los Big Data (Dave, 2013). En cuanto al concepto de variedad se aplica cuando se tienen diferentes fuentes productoras de datos.

Big Data Types Los productores más grandes de datos son clasificados en las siguientes categorías: • Social media (Twitter, Instagram, Facebook y Youtube) • Scientific Data (Imágenes satelitales, datos de salud y observaciones espaciales) • Specific data (Cuentas bancarias, transferencias y transacciones) • Internet of things • Corporaciones (transacciones financieras, ventas)

Proceso general de Big Data Las soluciones basadas en Big Data tienen como objetivo extraer información de valor mediante el análisis de grandes conjuntos de datos. Este análisis se fundamenta en técnicas matemáticas, generalmente basadas en la estadística, y que provienen de campos diversos como la minería de datos, el aprendizaje automático, el análisis de series temporales o la investigación operacional. Mediante estas técnicas pueden explotarse datos de cualquier naturaleza: bases de datos, registros numéricos, texto libre, actividad en una red social, audios, imágenes, vídeos. Mediante los tratamientos adecuados, cualquier tipo de datos es susceptible de ser analizado (Conocimiento, 2012).

El caso AltSchool Los pioneros de la experimentación con Big Data en educación son AltSchool, un conglomerado de escuelas que se dedica a la innovación. En concreto, en cuatro pequeñas escuelas alrededor de San Francisco EUA, se está llevando a cabo un experimento para tratar datos y estudiar cómo la tecnología puede ayudar a los profesores a mejorar el aprendizaje de los alumnos (More, Mireia, 2015). Existen diferentes formas para conseguir esos datos, para empezar ¿Cómo consiguen esos datos? Pues de varias formas: Para empezar, cuando los alumnos llegan a la escuela deben hacer un “check-in” en una App que controla la asistencia. Además, los alumnos dedican una parte del día a trabajar de forma independiente, utilizando iPads y playlists de actividades que los profesores han seleccionado de acuerdo con sus objetivos personales. En ese momento, se almacenan los datos de

Ilustración 2 Big Data Process

los progresos de cada uno de los estudiantes para que el profesor pueda revisarlos más tarde. Por último, las clases son grabadas en vídeo para que los profesores puedan rememorar los momentos importantes con solo pulsar un botón, como haríamos con una SmartTV. La idea es que todos los datos de estas escuelas sean recopilados en un sistema inteligente y centralizado que permita a los profesores diseñar clases efectivas y personalizadas.

4. PROPUESTA

Se propone el diseño de un curso totalmente desarrollado bajo el esquema de trabajo blended learning con diversidad de contenidos basados en Big Data, donde participaran docentes y profesionistas en el desarrollo del contenido pedagógico estrictamente apegado al programa de la materia, los espacios y horarios usados tradicionalmente para impartir la materia. Teniendo la presencia física del docente para dirigir los contenidos y supervisar el seguimiento de los alumnos, de tal forma que apoye resolviendo las dudas o problemas de acceso, es decir, administrando los recursos de aprendizaje. Dicha propuesta se da en el caso particular de la unidad de aprendizaje Innovación Tecnológica I, la cual se imparte en el tercer semestre del plan de estudios de la Carrera de Ingeniería en Administración del TecNM, por ser una materia crucial para identificar y evaluar la capacidad emprendedora para la generación de modelos de negocios con base en la innovación tecnológica.

Cabe señalar que esta asignatura requiere un despliegue de las habilidades adquiridas del alumno con la participación activa en simuladores, ambiente virtuales de negocios o de soluciones de problemas orientados a alcanzar las competencias de la asignatura. De esta forma se tiene un alcance lateral al disminuir el nivel de deserción de la carrera, aumentar los índices de aprobación y aprovechamiento, así como incrementar la satisfacción y motivación por parte de los estudiantes al crear ambientes de aprendizaje no tradicionales que los vuelve actores pasivos de su propio aprendizaje. La virtud de esto es convertirlos en participantes activos de su propio desarrollo e incrementar su responsabilidad en la enseñanza aprendizaje al tener ellos la posibilidad de manejar sus espacios y tiempos.

BIBLIOGRAFÍA

Calderon, C. A., E. B., & F. C. (2016). TÉCNICAS BIG DATA: Análisis de textos a gran escala para la investigacion cientifica y periodistica . El profesional de la Información . Cabero, J. (2006). Bases pedagogicas de e-Learning. Revista de Universidad y Sociedad del Conocimiento , 3 (1), 1-13. Leskovec, J., A. R., & J. U. (2014). Minnig of Masive Datasets. Anand Rajaraman, Jure Leskovec, and Jeffrey D. Ullman.

Conocimiento, I. d. (23 de Octubre de 2012). iic. Obtenido de Insituto de Ingnieria del Conocimiento: http://www.iic.uam.es/big-data/ Data, F. B. (2014). Big Data y Ciberseguridad . Fundacion Big Data News , 4-6. Dave, P. (2 de Octubre de 2013). SQL authority. Obtenido de https://blog.sqlauthority. com/2013/10/02/big-data-what-is-big-data3-vs-of-big-data-volume-velocity-and-variety-day-2-of-21/ Fuentes, O. (07 de Diciembre de 2017). iebs. Obtenido de https://www.iebschool.com/blog/tendencias-e-learning-innovacion/ IBM. (2 de Agosto de 2006). Obtenido de www.ibm. com: https://www-01.ibm.com/software/data/ bigdata/what-is-big-data.html infobae. (3 de Octubre de 2015). infobae. Obtenido de http://www.infobae.com/2013/08/07/1500503- cuantos-tuits-se-escriben-segundo-el-mundo/ Irvine, U. d. (12 de Abril de 2017). Machine Learning Repository. Obtenido de Machine Learning Repository: http://archive.ics.uci.edu/ml/ Jariego, F. (4 de Noviemre de 2013). Blogthinkbig. com. Obtenido de http://blogthinkbig.com/ big-data-bien-ciudadanos/ Juarez, J. (4 de Agosto de 2015). Forbes. Obtenido de Forbes México: https://www.forbes.com.mx/ LÓPEZ BENITO / LIMÓN ENRIQUE

el-big-data-puede-ayudar-a-curar-el-cancer/#gs.ybT1Npc Knewton, I. (s.f.). Knewton. Recuperado el 3 de Marzo de 2018, de El blog de Knewton: https:// www.knewton.com/resources/blog/adaptive-learning/what-is-adaptive-learning/ More, Mireia. (11 de Septiembre de 2015). iebs Big Data. Recuperado el 15 de Marzo de 2018, de https://www.iebschool.com/blog/usar-big-data/ Moreno, J. P. (2014). Una aproximación a Big Data. Revista de Derecho UNED , 36. Press, O. U. (24 de Enero de 2017). Oxford Living Dictionaries. Obtenido de https://en.oxforddictionaries.com/definition/us/big_data R. C., & M. Y. (2015). Emerging trends and technologies in big data processing. Research Gate , 2. Sunil, S. (3 de Junio de 2012). Not Your Type? Big Data Matchmaker On Five Data Types You Need To Explore Today. Obtenido de Dataversity: http://www.dataversity.net/not-your-type-big-data-matchmaker-on-five-datatypes-you-need-to-explore-today/?cm_ mc_uid=39595743969614888133853&cm_mc_ sid_50200000=1493144965 Vorhies, W. (31 de Octubre de 2014). Data Science Central. Obtenido de http://www.datasciencecentral.com/profiles/blogs/how-many-v-sin-big-data-the-characteristics-that-definebig-data