Los defensores de los MOOC, nombre en inglés para los cursos masivos online, y el e-learning, esgrimen a la primera oportunidad las cifras como defensa y prueba del éxito de esta forma de aprendizaje. Si cuando fueron lanzados en 2011 existían unos 10 MOOC, para enero de 2015 ya había unos 3.800. Coursera, la empresa que aglutina más de un cuarto de los mismos, tiene unos 11 millones de usuarios. Las estimaciones más optimistas hablan de un mercado que alcanzará los 255.000 millones de dólares en 2017. Pero los abanderados de este sistema se olvidan normalmente de un dato clave: la tasa de finalización de los cursos es menor de un raquítico 7%.
Sin negar las enormes ventajas que tienen este tipo de cursos, como su gratuidad o el hecho de poder asistir a clases de grandes profesores de las mejores universidades desde cualquier parte del mundo, el desafío principal está en cómo lograr que ese ratio de finalización suba hasta un número más aceptable.
Tres científicos del MIT -Sebastian Boyer, Kalyan Veeramachanen y Una-May O’Reilly- defienden que una de las claves está en saber, antes de que acabe el curso, quién lo ha abandonado para tratar de repescarle. Su artículo Likely to stop? Predicting Stopout in Massive Open Online Course, analiza cómo lograrlo mediante una técnica que denominan transfer learning.
«Muchos problemas aparecen cuando tratas de calcular la probabilidad de que un alumno abandone», contestan por correo electrónico Boyer y Veeramachanen. «Primero necesitas convertir la materia prima de datos disponible en algo que se pueda usar, lo que requiere cierta capacidad para ver los contenidos relevantes y conocimientos de ingeniería para convertir el formato de los datos». Luego, llega el problema serio: crear un algoritmo que sea capaz de predecirlo en tiempo real.
Para esto se deben realizar dos pasos. Primero, hay que construir modelos basados en conjuntos de datos previos, para luego aplicar dichos modelos a conjuntos de datos en tiempo real. Esto es lo que ellos llaman transfer learning, que consiste en casar los datos de un estudiante de los modelos previos con uno de los datos en tiempo real para predecir su comportamiento. Su modelo usa cerca de 20 variables para monitorizar el comportamiento del estudiante en la plataforma. Extraídas de manera semanal, van desde información como la suma de tiempo que pasa en la plataforma a la semana o el número de problemas resueltos cada siete días, hasta datos más complejos como la anticipación a la fecha de entrega.
«Los algoritmos que usamos derivan de una lógica regresiva y son adaptados para hacerlos transferibles», continúan; «la idea es analizar muy de cerca a los estudiantes de los que sabemos todo, ya que son de cursos anteriores, y compararlos con los estudiantes del curso actual». Su sistema les ha permitido demostrar que el abandono de los cursos es un problema que se puede medir con una semana de antelación y 70% de acierto.
Su hipótesis es que este alto abandono se debe a dos factores. Uno es que no todo el mundo que se registra tiene intención de acabarlo, sino que por su gratuidad muchos se apuntan para ver qué tal, para más adelante decidir si seguir o no. Otros pueden desear terminarlo pero se encuentran con problemas en la vida real que lo impiden.
La cuestión es que ocurre y que estos algoritmos, basados en el análisis de datos masivos, muestran correlaciones, no causalidad. Y gracias a esas correlaciones, se puede tratar de repescar a lo alumnos. Los cursos masivos online que usan técnicas de personalización logran unas tasas de finalización superiores al 10%, escriben Viktor Mayer-Schönberger y Kenneth Cukier en Learning with Big Data: The Future of Education. También advierten del hype en torno a los MOOC, la bola de nieve que asegura que vienen a sustituir la educación reglada. En su opinión, serán un complemento. Uno importante, pero accesorio.
