Warning: Parameter 1 to wp_default_styles() expected to be a reference, value given in /homepages/11/d622453770/htdocs/clickandbuilds/SocialTechMonkeys/wp-includes/plugin.php on line 601

Warning: Parameter 1 to wp_default_scripts() expected to be a reference, value given in /homepages/11/d622453770/htdocs/clickandbuilds/SocialTechMonkeys/wp-includes/plugin.php on line 601

Mes: mayo 2016

Course Signals (CS) es un sistema de analítica del aprendizaje,  que permite el éxito del estudiante en la facultad para proporcionar retroalimentación significativa al estudiante basado en modelos predictivos. La premisa detrás de CS es bastante simple: Utiliza la gran cantidad de datos que se encuentran en una institución educativa, incluyendo los datos recogidos por las herramientas de instrucción, para determinar en tiempo real que los estudiantes podrían estar en riesgo, parcialmente indicado por su esfuerzo dentro de un curso.

Signals tiene cuatro componentes

  • El rendimiento, medido por el porcentaje de cantidad de puntos en curso hasta la fecha
  • El esfuerzo, tal como se define por la interacción BlackBoard LMS de Purdue, en comparación con los estudiantes compañeros;
  • El historial académico previo, incluyendo la preparación académica, GPA de escuela secundaria, y resultados de las pruebas estandarizadas (Extraído con tecnicas de Datamining y Bidgata)
  • Las características del estudiante, tales como la residencia, edad o créditos intentados.

El ayudar a un estudiante a integrarse académicamente a la institución es la clave de Signals, que  ayuda a promover la integración de varias maneras.

  • Permite a los miembros de la facultad enviar correos electrónicos personalizados a los estudiantes que contienen información acerca de su rendimiento actual en un curso dado.
  • Los miembros de la facultad, pueden animar a los estudiantes a visitar usar varios recursos de ayuda o realizar actividades que contribuyen a que el estudiante se integre plenamente con la institución.
  • Emplea la analítica del alumno para permitir la integración de datos en tiempo real del rendimiento de los estudiantes, la interacción con el LMS, la información demográfica y el historial académico.

Los resultados del algoritmo SSA, se muestra una señal en rojo, amarillo o verde en la página principal del curso de un estudiante. Una luz roja indica un alta probabilidad de no tener éxito; luz amarilla indica que un potencial problema esta sucediendo y una señal verde demuestra un alta probabilidad de tener éxito en el curso. El algoritmo genera un indicador riesgo-curso específico para cada estudiante basado en el rendimiento, el comportamiento basado en pares, y datos de preparación educativa. Los instructores pueden intervenir a tiempo y brindar a los estudiantes una oportunidad realista de adaptar su comportamiento.

dash

Resultados

El otoño del 2007, 2008 y 2009, se compararon las cohortes de principiantes con una lista de todos los participantes de CS en la Universidad Purdue,  para determinar que estudiantes usan CS o no en sus cursos. Cada semestre, los estudiantes en cada cohorte, presentan retención o una conducta de salida.  La tasa de retención se calcula sumando los estudiantes que todavía están inscritos y que se han graduado y dividiendo esa suma por el número total de estudiantes por primera vez a tiempo completo en el cohorte original.

Los alumnos que comenzaron en Purdue 2007 (Tabla 1), 2008 (Tabla 2), y 2009 (Tabla 3) y participado en al menos un curso con CS,  son retenidos en tasas significativamente más altas que sus compañeros que no tenían clases con CS durante el mismo semestre. Además, los estudiantes que tienen dos o más cursos con CS se mantienen constantemente a tasas más altas que las que tenían sólo uno o ningún curso con CS.

tabla2

Futuros retos para Course Signals

  • La adquisición de datos de diversas fuentes (Social Networks Analysis, Video, etc.)
  • Gestión dinámica de data
  • Privacidad de los estudiantes.
  • Falta actual de las mejores prácticas. (Intervenciones)
  • El rol de TI en análisis académicos.
  • Analítica como herramienta de retención y el potencial de ahorro de dinero.
  • Las ventajas de un sistema propio en comparación con el software comercial.

Fuente: Course signals at Purdue: using learning analytics to increase student success – KE Arnold

El análisis de redes sociales tiene aplicaciones en muchos campos: Marketing, Salud, Computación Urbana, Sociología, Educación, etc.  Compartimos un caso de estudio referente al comportamiento a niños con TEA en la escuela.

Se utilizo SNA para explorar la participación de niños con autismo en las clases típicas. Los participantes fueron 398 niños (196 varones) desde 2 a 5 grado, entre ellos 17 niños (14 varones) con autismo o síndrome de Asperger. Un subgrupo de los compañeros se estableció con la misma N (17) que el grupo de niños con TEA. Para cada niño con TEA, un niño fue seleccionado al azar . Se lo denomino subgrupo de “matched peers”.

Las metricas fueron las siguientes:

  • Nominaciones de amistad.-(“Buddies”, “Top 3”, “Best Friend.)
  • Reciprocidad de amistad. T3R=(#ofreciprocatedTop3nominationsreceived)/ (#ofreciprocatedTop3nominationspossible)
  • Aceptación de compañero.- (Si gusta «pasar el rato» o no, medida directamente desde la nominación de amistad)
  • Social Networks .- Se consulto a cada niño, los niños de su clase con que pasan el rato juntos en grupo.
  • Calidad de Amistad.- Encuesta (1 a 5). Subescalas de cercanía, compañerismo, conflicto, amabilidad, y seguridad
  • Soledad.- Encuesta con escala de soledad Asher medida de 1 a 5 (nunca a siempre). Las puntuaciones posibles varían desde 16 a 80.
  • Social Network Clusters.- Cada vez que dos niños se nombran a un mismo grupo, esto se conoce como una co-ocurrencia. Si es >0,40 (Cairns) se traza una línea entre los dos puntos de la red social.
  • Social Network Centrality (SNC).
    • Combinacion de Individual y cluster centrality. 4 Categorias (Farmer & Rodkin)
    • Individual centrality.- Alto >70%, 30-70% medio y menor 30% baja
    • Cluster centrality.- El promedio de dos miembros de grupo con la puntuación de Individual Centrality mas alta.

sna1

Resultados

  • Social Network Centrality.- Los niños con TEA tienen menor puntaje de Social Network Centrality (SNC) que el subgrupo de “matched peers”.  (F 1,32 = 6.45, P < .05) 35% periferico, 47% secundario y 18% nuclear, vs 6% periferico, 47% secundario y 47% nuclear  No hay casos de soledad en cada grupo.
  • Puntuación de calidad de amigos.-Los niños con TEA tienen menor participación que el subgrupo de “matched peers” Promedio 3,63  vs 4.19
  • Reciprocidad de amistad.- Los niños con TEA, nominan mas amigos (outdegree), que los nominan a ellos (indegree) en (buddies, top 3, best friends).T3R . 34  Vs T3R 0.60, y TBFR = 2/15, vs 7/12
  • Aceptación de compañeros y soledad.- A pesar de que tienen una aceptación mas baja, no se determina mayor soledad en ambos grupos. (Promedio = 30.12, SD = 10.8) y (promedio = 27.92, SD = 12.75)

sna2

Conclusiones

  • La participación de los niños con autismo en las estructuras sociales de las clases regulares revela un panorama mixto.
  • Los niños con autismo eran más propensos a tener conexiones con las niñas.
  • En algunas clases, los niños con autismo se conecta a la estructura social por un solo enlace con un niño popular.
  • En general, el nivel medio de (SNC) fue menor para los niños con autismo que por sus compañeros, eran menos aceptados, y tenían un menor número de amistades recíprocas entre las nominaciones «Top 3» y “Best Friend”. Sin embargo, los niños con autismo reportaron niveles de cercanía, seguridad y conflicto que eran similares al grupo “matched peers”, y no informaron mayores experiencias de soledad.

Fuente : Involvement or Isolation? The Social Networks of Children with Autism in Regular Classrooms (Chamberlain B, Kasari )

Social Mention (socialmention.com) una plataforma de búsqueda de medios de comunicación social que consolida contenido generado por los usuarios en todo el internet, en un único flujo de información. Social Mention puede rastrar la influencia de un tema determinado en más de 80 medios sociales entre ellos: Twitter, Facebook, LinkedIn, YouTube, Google, Digg, etc.

Social Mention, ademas proporciona el servicio de alertas diarias de medios sociales y mide la influencia utilizando 4 parámetros, apoyado en algoritmos de procesamiento de lenguaje natural:

  • Fuerza (Strength). Es la probabilidad de que una marca se está discutiendo en los medios sociales. Se lo calcula de forma muy simple: las frases mencionadas en las últimas 24 horas se divididas por el total de posibles menciones.
  • Sentimiento (Sentiment). Es el promedio de menciones positivas y negativas.
  • Pasión (Passion). Es una medida de la probabilidad de que las personas que hablan de una marca, lo hagan otra vez. Por ejemplo, si existiera un pequeño grupo de apasionados defensores  que hablan de productos o marca específicos todo el tiempo, se calculara una puntuación más alta en pasión. Por el contrario, si cada mención ha sido escrita por un autor diferente, se obtendrá una puntuación más baja.
  • Alcance (Reach).  Es una medida del rango de influencia. Es el número de autores únicos que hacen referencia a una marca, dividido por el número total de menciones.

Por el momento nos enfocaremos en el análisis de sentimientos, sin desmerecer a las otras métricas. El sentimiento es bastante sencillo de entender. Puede entenderse como una emoción, una actitud u opinión. En las redes sociales, el sentimiento de una publicación puede apreciarse en el tono o la emoción transmitida por una mención de la marca.

¿Para que nos puede servir este análisis de sentimientos con la herramienta Social Mention?. Con solo un vistazo nos aseguramos que nuestra marca  está respondiendo a los clientes insatisfechos lo más rápido posible, al consultar las menciones positivas, negativas y neutrales. También podemos recopilar datos sobre las tendencias de sensibilidad y patrones y utilizarlo para obtener una mejor imagen de la reputación de su marca.

El análisis de sentimientos nos permite estar a la expectativa de una posible crisis. Los profesionales de relaciones públicas pueden tomar acciones ante una situación difícil detectada,  antes de que se convierta en un problema mayor.

Por ultimo nos permite llevar a cabo una investigación competitiva. Mediante la creación de alertas para vigilar a competidores, nos permite medir el sentimiento para ellos, en la misma forma que se lo puede medir para una marca propia. El análisis de opiniones y sentimientos puede medir e informar sobre cómo se habla sobre los competidores en las redes sociales.

socialmention

Figura: Análisis en Social Mention, del hashtag: «Social Media»