CcITA 2010
-
Upload
oskar-casquero -
Category
Technology
-
view
519 -
download
2
description
Transcript of CcITA 2010
+Using iPLEs to create a Collective Intelligence based on Data Mining and Social Network Analysis
Oskar Casquero , Javier Portillo, Ramon Ovelar, Jesus Romo y Manuel Benito
Universidad del País Vasco / Euskal Herriko Unibertsitatea
+Tabla de contenidos
Inteligencia colectiva en el marco universitario
La arquitectura
La explotación de la información
Caso de uso
Conclusiones y Trabajo futuro
+Inteligencia Colectiva en el marco universitario
La Inteligencia Colectiva (IC) surge de la colaboración y concurso de muchos individuos con objeto de: …tomar decisiones consensuadas
…cooperar en un proceso para alcanzar un rendimiento intelectual mejorado (Tom Atlee)
…evolucionar a un orden mayor de complejidad y armonía, “la máquina que aprende” (Howard Bloom)
…aceptar y desarrollar cualquier contribución potencialmente útil de cualquier miembro (George Pór)
La Universidad, como conglomerado de conocimientos individuales, es un marco idóneo para generar IC
+Inteligencia Colectiva en el marco universitario
¿Qué tipo de respuestas o aportaciones esperamos obtener para un miembro de la comunidad universitaria?: Recomendaciones sobre usuarios y recursos Identificar recursos y usuarios en función de su popularidad en
un determinado ámbito Visualización de mi actividad y de la actividad de la comunidad Estudio de patrones como método para la identificación de
comunidades, evaluación del proceso formativo, investigación…
+La arquitectura: PLE
PLE (Personal Learning Environment) es un entorno centrado en el individuo y que incluye la gestión de toda herramienta, servicio, contenido, evidencia y persona involucrada en su proceso de aprendizaje
PLE es el artefacto digital pensado para conducir el aprendizaje a lo largo de la vida (life-long learning) y generar el e-portfolio
PLE tiene necesariamente una dimensión social. La perspectiva social del aprendizaje (conectivismo, constructivismo social o
aprendizaje situado) se manifiesta a través de las capacidades del PLE para comunicarse, colaborar y compartir conocimiento con otros
PLE hereda patrones exitosos extraídos de la Web 2.0: Modelo centrado en el usuario para el control proactivo de los datos
y su nivel de acceso
Modelo centrado en la comunidad en cuanto a la gestión de los datos públicos (folksonomías, repositorios)
+La arquitectura
Pero… ¿de dónde proceden los datos a procesar?
¿como conseguir la participación de los usuarios? ¿cómo realimentamos a los usuarios con los resultados? ¿cuáles son y cómo se generan las redes o comunidades participantes?
La infraestructura que de soporte a la abstracción de la IC debe tener: Nodos. Cada miembro de la comunidad es un nodo, con su propia idiosincrasia,
que genera y consume información iPLE Conexiones entre nodos. Cada miembro de la comunidad se relaciona, en base a
intereses diversos, con grupos de personas: … fijados por la institución (dptos, asignaturas, grupos de investigación) iSN … elegidos por el usuario tanto dentro como fuera de la institución uSN
Learn-streaming. Conjuntos de recursos digitales generados y consumidos por cada nodo. Se comparten con las nodos para las que sean relevantes
+La arquitectura: iPLE
iPLE (institutional PLE) Porque la institución debe guiar una parte del proceso de aprendizaje
Porque no todos los estudiantes pueden construir su PLE desde cero
Porque la institución debe aglutinar conocimientos individuales y devolverlos con un valor añadido a sus miembros y a la sociedad
Porque provee a cada usuario sólo con la información relevante para él
Porque es la manera de combinar las relaciones predefinidas en la institución (iSN) y las generadas por cada usuario (uSN)
Porque permite prolongar la relación entre egresados e institución
+La arquitectura: iPLE
Un artefacto que ofrece a los usuarios la posibilidad de reunir las iSN y uSN
+La arquitectura: Learn-streaming
Learn Streaming: conjuntos de recursos digitales generados y consumidos por cada nodo. Se comparten con las redes para las que sean relevantes
+La explotación de la información
Herramientas que permiten procesar la información y convertirla en conocimiento: Minería de Datos. Extracción de conocimiento procesable
implícito en las fuentes de información (learn-streaming y grafo social de todos los usuarios)
Análisis de Redes Sociales. Influencia del todo en las partes y viceversa; efecto de la acción individual en la red; estructura de las redes; relaciones del individuo:
Redes sociocéntricas / egocéntricas
Redes personales
Redes dinámicas (estudios longitudinales) como lo son en el aprendizaje a lo largo de la vida
+Caso de uso: settings (1)
2 cursos puramente virtuales para estudiantes de grado
más de 140 estudiantes procedentes de 9 universidades (G9)
grupos de trabajo de 5/6 miembros
actividades prácticas basadas en la resolución de problemas
En cada curso: Grupo de control: la mitad de los estudiantes en Moodle
Grupo experimental: la otra mitad en un iPLE basado en iGoogle (página de inicio) y FriendFeed (learn-streaming) iGoogle: pestaña con todos los gadgets
FriendFeed: autoconfiguración de la iSN del grupo
+Caso de uso: settings (1)
iGoogle
FriendFeed
+
+Caso de uso: settings (2)
Intervención: SNA sobre la red de iPLEs objetivo: tener en cuenta la estructura de red social subyacente a
la hora de crear los grupos de trabajo
proceso:
recolectar datos durante la primeras actividades individuales
procesar los datos mediante un script propio en python que realiza un clustering basado en Pearson.
resultados:
creación automática de grupos de trabajo en el iPLE
sugerencia de los temas sobre los que trabajar
En Moodle los grupos se crean de forma tradicional
+Caso de uso: objetivos
H1: las intervenciones que tienen en cuenta la estructura de la red social subyacente son más eficientes que aquellas que no tienen en cuenta este aspecto Analizar si los grupos de trabajo creados en el iPLE mediante
SNA tienen un mejor rendimiento que aquellos creados de forma aleatoria en Moodle
H2: devolver feedback basado en resultados de SNA influye positivamente en los resultados de aprendizaje examinar si el feedback en el iPLE mejora el rendimiento
individual en comparación con la falta de feedback en Moodle
+Conclusiones y Trabajo futuro
La arquitectura esbozada en esta presentación se detalla en: Casquero, O., J. Portillo, R. Ovelar, M. Benito, and J. Romo. Forthcoming. iPLE
Network: an integrated eLearning 2.0 strategy from University's perspective. Interactive Learning Environments 18, no. 3.
La aplicación de data-mining y análisis de redes sociales sobre esta arquitectura se desarrollará en el marco de: Proyecto UPV/EHU concedido: “Redes Sociales para la Mejora del
Aprendizaje Permanente” (hasta enero de 2012)
Participación de CVB como EPO en MAVSEL: “Mining, Data Analysis and Visualization based on Social models in E-Learning” (solicitado a MICIN)
Análisis longitudinal ó dinámico, no sólo foto estática