Larry Cuban, Donald Clark y Juan Domingo Farnos: algoritmos-personalized learning! (Educación Disruptiva)

juandon

Larry Cuban, … certifica nuestros posicioneamientos en EDUCACION DISRUPTIVA , mediante la ayuda de los algoritmos para poder personalizar la educación de los aprendices https://larrycuban.wordpress.com/2016/07/27/consumer-choice-in-schooling-algorithms-and-personalized-learning-part-1/ y lo hace dando voz también a los padres de manera «expandida» y a la «autonomía de los centros, universidades…»

.Estamos hoy en la clase difusa del pensamiento calculador y comparaciones cuantitativas insta a que el utilitarismo, tal razonamiento no se basa en el trabajo de visibilidad a hacer. Más bien, eso depende de algoritmos de análisis, qui a su vez depende de la presa de los algoritmos silenciosos –los que convierten en silencio nuestro comportamiento en una avalancha de datos. (son la metafora de los presos alrededor que se pusieron alrededor de una torre de vigilancia para ser visualizados, hasta que estos alcanzaron la manera de evitarlo( estos eran los algoritmos)….

 

 

Este precio informativo se compone de DATOS ESTANDARIZADOS a través del que hemos llegado a definir nosotros mismos: transcripciones escolares, registros de salud, cuentas de crédito, títulos de propiedad, identidades legales. Hoy en día, tesis arraigada tipo de individualidad datos están siendo blanco amplió para abarcar más y más de lo que podemos ser: (En educación seria el PERSONALIZED LEARNING, que nosotros mismos abogamos y además instauramos en algoritmos personalizados, nunca creadores de patrones)..

 

 

Lo que hace que la programación ed-tecnología “adaptable” es que la IA evalúa la respuesta de un estudiante (por lo general a una pregunta de opción múltiple), luego sigue con la “segunda mejor” cuestión, cuyo objetivo es el nivel “adecuado” de dificultad. Esto no tiene por qué requerir un algoritmo especialmente complicado, y la idea en realidad basada en “la teoría de respuesta al ítem”, que se remonta a la década de 1950 y el ascenso de la psicometría. A pesar de las décadas siguientes, sinceramente, estos sistemas no se han vuelto terriblemente sofisticados, en gran parte debido a que tienden a basarse en pruebas de opción múltiple.

 

 

Para ello, se plantea un travelling de tendencias que incluye la apertura radical al conocimiento, donde la evolución biológica puede ser hackeada por la mente humana y su esparcimiento viral; las ideas están vivas y en perpétuo cambio… “(open y self-publishing, open educational resources); nuevas formas de certificar conocimiento (open badges, open educational practices); nuevos perfiles (desing thinkers, digital curators, digital yonkis); cursos masivos abiertos (massive online courses, peer assessment); nuevas tipologías de habilidades (transmedia skills); investigación abierta y distribuida (open data) entre otros.

 

En la reciente DevLearn, Donald Clark habló de AI en el aprendizaje, y si bien…..

«Debemos saber un poco de la historia de la subida de los Sistemas Inteligentes de Tutoría, los problemas con el desarrollo de modelos de expertos, y los enfoques actuales como Knewton y Smart Sparrow. No he tenido la libertad de seguir las últimas novedades tanto como me gustaría, pero Donald dio una gran visión.

Se refirió a los sistemas de estar a punto de los contenidos de análisis automático y el desarrollo de aprendizaje en torno a ella. Mostró un ejemplo, y creó preguntas . También mostró cómo los sistemas pueden adaptarse individualmente al alumno, y discutió cómo podría ser capaz de proporcionar tutoría individual sin muchas limitaciones de los profesores (cognitiva sesgo, fatiga), y no sólo se puede personalizar, pero sí mejorar y escalar!

 

 

Uno de los problemas que encontró  a corto plazo era que la pregunta autogenerado fuera sobre el conocimiento y no sobre  habilidades. Si bien estoy de acuerdo que el conocimiento que se necesita , así como su aplicación, creo que centrarse  en este último primero es el camino a seguir.

Esto va junto con lo que Donald ha criticado con razón, como problemas con preguntas de opción múltiple. Señala cómo se utilizan en gran parte como prueba de conocimientos, y estoy de acuerdo que eso está mal, pero mientras hay situaciones prácticas mejores (léase: simulaciones / escenarios / juegos serios), se puede escribir de opción múltiple como mini-escenarios y obtener buenas prácticas . Sin embargo, es aún un problema de investigación interesante, para mí, para tratar de conseguir buenas preguntas de escenarios de contenido auto-análisis.

 

 

Se puede ir por un sistema híbrido, donde nos dividimos las funciones entre el ordenador y la intervención de las personas humanas sobre la base de lo que cada uno de nosotros hacemos bien, y me dijo que eso es lo que está viendo en las empresas.

La última parte que me interesaba era si y cómo tales sistemas podrían desarrollar no sólo el aprendizaje de habilidades, pero el meta-aprendizaje o de aprender a aprender. Profesores reales pueden desarrollar este y modificarlo (si bien es cierto y raro), y sin embargo, es probable que sea la mejor inversión. En mi aprendizaje basado en la actividad, le sugerí que poco a poco los alumnos deben hacerse cargo de la elección de sus actividades, a desarrollar su capacidad de convertirse en autodidactas. También le sugerí cómo podría ser en capas en la parte superior de experiencias regulares de aprendizaje. Creo que esto va a ser un área interesante para el desarrollo de experiencias de aprendizaje que son escalables, pero realmente desarrollan los estudiantes para los tiempos venideros.

Hay más: normas pedagógicas, modelos de contenido, modelos con alumnos, etc, pero finalmente estamos consiguiendo  ser capaces de construir este tipo de sistemas, y debemos ser conscientes de cuáles son las posibilidades».

 

Con todo ello la personalización por las tecnologías digitales (algoritmos) sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y es aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hará que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

 

 

Estos algoritmos de personalización (Rauch, Andrelczyk y Kusiak, 2007), recopilar información del usuario y analizan los datos para que pueda ser transmitida al usuario en momentos específicos (Venugopal, Srinivasa y Patnaik, 2009). Por ejemplo, cuando estoy terminado de ver un video en YouTube o una película en digitaly he aquí que presenté con una lista de recomendaciones sobre los géneros que acabo consumidas. Esta idea funciona de forma similar con algoritmos de personalización que sería capaz de recomendar cursos o avenidas de aprendizaje basado en el conocimiento previo de las personas intervinientes en el proceso de aprendizaje ABIERTO, INCLUSIVO Y UBICUO .

 

La propuesta que hace Pierre Lévy se aleja de la inteligencia artificial. La suya es una perspectiva completamente distinta: para él no se trata de crear máquinas inteligentes o más inteligentes que los humanos, sino de hacer a los humanos más inteligentes. Cada nivel de complejidad implica un tipo de conocimiento emergente nuevo y más poderoso, en el que todos los procesos cognitivos están aumentados. El último paso, es decir, aquel hacia el cual tendemos, sería el conocimiento algorítmico.

Y esa propuesta es la que hacemos nosotros (JUAN DOMINGO FARNOShttps://juandomingofarnos.wordpress.com/…/algoritmos…/

 

 

Coincidiendo con el post de Pierre Levy: EML: A Project for a New Humanism. An interview with Pierre Lévy me pregunto ¿Cómo será el nuevo modelo y como será capaz de describir que nuestra forma de crear y transformar el significado, y que sea computable?….no tardará mucho, de eso podeis estar seguros.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica.

Esto generará automáticamente los ecosistemas de las ideas que serán navegables con todas sus relaciones semánticas. Seremos capaces de comparar diferentes ecosistemas de las ideas de acuerdo a nuestros datos y las diferentes formas de clasificarlos. Seremos capaz de elegir diferentes perspectivas y enfoques…..(personalized learning and Social Learning)

Vamos a ser capaces de analizar y manipular significado, y allí radica la esencia de las ciencias humanas.

Estas operaciones que se harán de manera automatizada y significativa deberá proporcionarnos la suficente seguridad, transparencia y confiabilidad,… y lo hará si la sociedad quiere que así sea.

La gente tiene que aceptar su responsabilidad personal y colectiva. Porque cada vez que creamos un vínculo, cada vez que “al igual que” algo, cada vez que creamos un hashtag, cada vez que compremos un libro en Amazon, y así sucesivamente,… que transformemos la estructura relacional de la memoria comúny eso lleva, como venimos diciendo siempre, una responsabilidad y un compromiso.

Por lo tanto, también tenemos que desarrollar el PENSAMIENTO CRÍTICO Todo lo que encontremos en el Internet es la expresión de puntos de vista particulares, que no son ni neutrales ni objetivos, sino una expresión de subjetividades activas. ¿De dónde viene el dinero? ¿De dónde proceden las ideas? ¿Qué es el contexto pragmático del autor? etcétera…

Cuanto más conocemos las respuestas a estas preguntas, mayor es la transparencia de la fuente … y cuanto más se puede confiar y aún más si somos capaces a partir de estas respuestas, de pensar otras preguntas (así seremos mejores y haremos mejor a la sociedad).

Esta noción hace que la fuente de información transparente esté muy cerca de la mentalidad científica. Debido a que el conocimiento científico tiene que ser capaz de responder a preguntas como: ¿De dónde provienen los datos? ¿De dónde viene la teoría ? ¿De dónde proceden las subvenciones vienen? La transparencia es la nueva objetividad, si es que existe la objetivida, si es necesario que exista la objetividad…

 

Incluso dentro de un proceso transversal y multidisciplinar, para lograr nos lo eso, sino una autonomía en los aprendizajes y una personalización, como nunca hasta ahora se ha producido (POR TANTO TOTALMENTE ORIGINAL, apoyada en todo lo que les escribo, más las distintas potencialidades que tenemos de aprendizaje que tenemos las personas en nuestro cerebro y que les visualizo, e incluso encontramos diferentes fuentes que al mismo tiempo nos apoyan…

 

http://www.pearson.com.ar/pte.php
http://thenewinquiry.com/…/the-algorithm-and-the…/ The Algorithm and the Watchtower
By Colin Koopman
Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM”http://www.academia.edu/…/PERSONALIZATION_OPPORTUNITIES…

B. Mobasher, “Minería de Datos para la personalización,” La Web Adaptativo: Métodos y Estrategias de Web Personalización, P. Brusilovsky, A. Kobsa, y W. Nejdl, , Springer, 2007.

AI Schein, A. Popescul, y LH Ungar, “Métodos y métricas para arranque en frío Recomendaciones”, Proc. 25 de Ann. Int’l ACM SIGIR Conf. Investigación y Desarrollo en Recuperación de Información, pp. 253-260, 2002.

S. McNee, J. Riedl, y JA Konstan, “Siendo precisa no es suficiente: Cómo métricas de precisión han herido de recomendación Systems,” Proc. ACM SIGCHI resúmenes sobre Factores Humanos en Sistemas Informáticos (CHI EA  Extended. 1097-1101, 2006

 

 

La transformación es el cambio de una o muchas variables en el estudio.

Se transforman variables, por ejemplo, al remplazar los valores originales por logaritmos (transformación logarítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas

Muchas variables no se comportan de forma lineal o aritmética, por ejemplo las abundancias siguen un patrón exponencial.

 

» La pieza central de cualquier forma de «aprendizaje personalizado» es el algoritmo para la adaptación de los aprendizajes a los estudiantes individuales .Es cierto que cuando se programa un algoritmo se puede hacer más incidencia en unos valores más que con otros, éstas decisiones son subjetivas; que contienen juicios de valor sobre las variables dependientes e independientes y su relación entre sí. Las cifras ocultan la subjetividad dentro de estas ecuaciones.

 

Los ingenieros de software crearán diferentes versiones de «aprendizaje personalizado» e insertarán los juicios de valor en las ecuaciones de regresión complicados con el que han escrito para lecciones en línea. Estas ecuaciones estarán ancladas en los datos de los estudiantes prediciendo (no en su totalidad ya que los ingenieros y educadores hacen tweak- «masaje» -las ecuaciones favorecidas) lo que los estudiantes deben estudiar y absorber, clases individualizadas de software en línea , nosotros cambiamos lo de absorver de manera individualizada, por «aprender de manera personalizada-personalized learning, and social learning».

 

Tales lecciones «personalizadas» alteran la función del docente para mejor, de acuerdo a los promotores de la tendencia. En lugar de cubrir el contenido y la enseñanza de habilidades directamente, los docentes pueden tener los estudiantes en línea , por medio de ELEARNING, MLEARNING… liberando así el mismo docente para entrenar, dar atención individual a los estudiantes que se desplazan por delante de sus compañeros de clase y los que luchan.

 

 

Los críticos, sin embargo, ven la propagación de las lecciones en línea, basado en algoritmos como la conversión de la enseñanza para dirigir a los estudiantes a centrarse en las pantallas y las lecciones automatizados disminuyendo de ese modo el importantísimo papel de las relaciones entre profesores y estudiantes, la base para el aprendizaje social, moral y cognitiva . No  así, los defensores del  «aprendizaje personalizado». Es posible que haya un menor número de docentes preparados en los centros  comprometidos con clases dirigidas a estudiantes individuales , pero continuarán para actuar como mentores, acompañantes, facilitadores.. modelos de conducta, entrenadores y asesores no como meros proveedores de contenidos y habilidades.

Al igual que en otros debates de política, el deslizamiento en cualquiera / o dicotomías polariza la situación. La cuestión no es si o no utilizar algoritmos ya que cada uno de nosotros utiliza el pensamiento algorítmico diariamente, aunque no quiera..

La pregunta base sería ¿cuál de las rutas habituales de trabajar debería tener mayor éxito?; la mejor manera de llamar la atención de la clase en el comienzo de una lección. Más allá de nuestras experiencias, sin embargo, dependemos de algoritmos matemáticos incorporados en los chips que aparecerán en internet .

El problema no es que los algoritmos están libres de valores (no lo son) o los datos ricos (que son). La cuestión es si los profesionales y los padres-consumidores llegan a depender algoritmos y que por otro lado  que contienen juicios de valor que han realizado los diseñadores de software ‘que aparecen en los diagramas de flujo y se escriben en código de materiales (contenidos). Los creadores de los algoritmos (incluidos nosotros mismos) realizaremos juegos malabares con ciertos valores (por ejemplo, la teoría favorita de aprendizaje, el aprendizaje centrado en el estudiante, la colaboración en grupos pequeños (colaboración y cooperación), la exactitud de la información aumentando la productividad y la disminución de coste, facilidad de aplicación) y elegir entre ellos  la construcción de sus ecuaciones. Ellos juzgarán lo que es importante y seleccionarán entre esos valores ya que el tiempo, el espacio y otros recursos son limitados en la creación de lo «mejor» o «lo suficientemente bueno» ecuación para una tarea determinada.

 

 

No podemos confundir la aplicación de los algoritmos en el aprendizaje personalizado (personalized learning), algunos lo llaman educación personalizada, aunque realmente está muy lejos uno de la otra, como realizar clases particulares, tal como hacen algunas escuelas de Nueva York, “utiliza el análisis de aprendizaje para desarrollar en las matemáticas personalizadas programas de aprendizaje. La Escuela con algoritmos de aprendizaje realiza evaluaciones cotidianas de estilos de aprendizaje y matemáticas de los estudiantes, y lo hace para producir un aprendizaje “lista de reproducción” personalizado para cada alumno. Esta lista se compone de clases particulares de matemáticas, que se ponen en el orden en que el algoritmo determina que es óptimo para el desarrollo de las habilidades matemáticas de los estudiantes. Ciertamente, Escuela de uno se apresura a señalar que este está destinado a complementar, no sustituir, la experiencia de un maestro individual”..

 

 

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aqui mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepcion de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformará en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico, pero siempre seremos nostros quienes elijamos en última instancia el camino que vamos a seguir, frente a las múltiples propuestas en “beta” que nos presentará la tecnología.

 

 

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA,) por medio de una mezcla de inteligencia artificial y algorítmica.

 

 

Si partimos de la idea de que la REALIDAD es múltiple, podemos entender por qué aprender en la diversidad no tiene porque llevarnos a un punto común-….esta premisa es fundamental para entender el pensamiento crítico en los aprendizajes y sin la cuál sería imposible llevar a cabo aprendizajes basados en la diversidad-INCLUSIVIDAD (EXCELENCIA)…

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica. (leer más…)

 

 

“Vamos ya a aprender durante toda nuestra vida y en cualquier momento, el qué, cuándo, cómo y dónde (eligiendo con quién), ya han dejado de ser, una obligación para pasar a seer algo usual en nuestra vida, las TIC, Internet, la Inteligencia Artificial, “han dinamitado” todo ese planteamiento  que no sabíamos ni podíamos superar, ahora el estaticismo de aprender de manera controlada, uniforme, el “ocupar un espacio y un tiempo”, han dejado ya de existir, por lo cuál, vivimos aprendiendo, aprendemos en cada momento de nuestra vida, por eso, cualquier planteamiento que hagamos en este impás, debe acomodarse a esta nueva manera de entender la vida que ya está aquí, pero estamos “suscribiendo” las maneras de llegar a ello”.

Este es nuestro campo de trabajo de los ALGORITMOS CON EL PERSONALIZED LEARNINGhttps://juandomingofarnos.wordpress.com/tag/algoritmos/  Juan Domingo Farnós Miró

 

juandon

Evaluación E-learning (Educación Disruptiva) Juan Domingo Farnos-Jane Bozarth

juandon

PROCESO EVALUATIVO ELEARNING.

Aportando con Jane Bozarth en Twitter sobre orquestar andamiajes de procesos de aprendizaje y sus evaluaciones con elearnig : Ella habla de Diseños instruccionales donde los instructores :

-Planificación de los puntos de evaluación con objetivos sólidos y resultados claros en mente. Los instructores explorarán las formas en que las evaluaciones pueden terminar fallando para medir lo que los diseñadores y las organizaciones tienen por objetivo.
Veremos :
• La importancia de vincular los objetivos con los resultados
• Cómo crear mejores evaluaciones
• Consejos para la construcción de la evaluación en el diseño de programas
•Cómo vincular la evaluación hacia los objetivos y los resultados

Jane Bozarth

 

Mi intención con Elearning-Inclusivo (Educación Disruptiva):

-La evaluación se va planificando/realizando a medida que se lleva a cabo el proceso de aprendizaje.
-La evaluación no falla nunca, el ERROR está en el mismo PROCESO DE APRENDIZAJE, con lo que la RETROALIMENTACIÓN, o estará preparada en el instante mismos, o estremos aprendiendo las competencias de realizarla de manera no prevista, con lo que la construccón de aprendizajes podrán ir en otra dirección cambiando completamente el proceso, bien parcialmente o por completo.
-La evaluación nunca va acorde con los resultados previstos, si no que es una valoración continuada y permanente del proceso.
-La valoración permanente del proceso la haremos con voz alta (Harolt Jarche) y de manera abierta, con lo que su monitorización se hará de manera pública y por tanto más propicia para aportaciones «socializadoras», diversas, consecuentemente su valor inclusivo será mucho mayor y de más calidad.

…

Juan domingo Farnos

Objetivos de cómo implementaríamos una evaluación inclusiva continuada y flexible en E-LEARNING-INCLUSIVO (MODELO ESTANDARIZADO)

• Reflexionar en torno a los puntos fuertes y débiles detectados en el ámbito de la cultura, la gestión y prácticas educativas.

• Contar con información relevante para tomar decisiones adecuadas de cambio en la perspectiva de la inclusión.

• Iniciar procesos de mejoramiento tendientes a incrementar los niveles de participación, aprendizaje y logros de todos los Usuarios-estudiantes.

• Fortalecer sus capacidades para atender la diversidad del alumnado y las necesidades educativas especiales que algunos pueden presentar.

• Reducir las actitudes y prácticas que generan discriminación y exclusión.

Modelo Inclusivo de evaluación:

El modelo de análisis considera tres ejes claves para una respuesta adecuada a las diferencias individuales en general e indispensables para los alumnos que presentan necesidades educativas especiales. Éstos se reflejan de forma transversal en 4 áreas de evaluación.

 Los tres ejes clave para una respuesta adecuada a las diferencias son:

-Accesibilidad: disponibilidad de medidas, ayudas y recursos de apoyo adicionales orientados a facilitar el acceso, la movilidad, la comunicación, la participación y el aprendizaje de todo el alumnado

-Flexibilidad y adaptabilidad: capacidad de la escuela para enriquecer y adaptar el currículo y la enseñanza a la diversidad de necesidades de aprendizaje del alumnado.

-Clima socio emocional: ambiente socio emocional de acogida y valoración de las diferencias y potencialidades individuales para favorecer el desarrollo de todos los estudiantes.

 

Las cuatro áreas de evaluación y sus respectivas dimensiones son:

-I. ÁREA: Cultura de aprendizaje inclusivo: Valores, creencias y actitudes que promueven el respeto y valoración de las diferencias y el desarrollo de comunidades que fomentan la plena participación y el aprendizaje de todos

–Dimensiones:

1. Concepciones y actiudes personalizadas

2. Valores y actitudes

3. Sentido de socializacion. Colaboración

 

-II. ÁREA: Prácticas educativas para la diversidad: Acciones, recursos y apoyos que buscan la plena participación y el máximo aprendizaje y desarrollo de todos y cada uno, favoreciendo la interacción y enriquecimiento mutuo.

 –Dimensiones:

1. Enriquecimiento y adaptación del currículo para atender la diversidad.

2. Estrategias de enseñanza para favorecer el aprendizaje y participación de todos.

3. Evaluación del aprendizaje y la enseñanza.

 

-III. ÁREA: Gestión centrada en el aprendizaje y la colaboración: Organización, dirección y administración de los distintos recursos (humanos y materiales) orientados al desarrollo de una comunidad que participa y aprende

–Dimensiones:

1. Organización de la enseñanza.

2. Accesibilidad: física, a la información y al currículo.

3. Recursos de apoyo (materiales y humanos) para atender la diversidad.

4. Liderazgo y Desarrollo Profesional

 

-IV. ÁREA: Resultados: Grado de satisfacción de la comunidad educativa, y logros en relación con la participación de la comunidad escolar, la integración social y el desempeño académico de los estudiantes

–Dimensiones:

1. Satisfacción.

2. Participación e integración.

3. Resultados Educativos.

 

Indicadores:

Cada una de las 14 dimensiones antes señaladas se componen de un conjunto de indicadores y subindicadores de calidad que representan las condiciones deseables hacia las cuales la Universidad, escuela… debe transitar para conseguir mejores niveles de aprendizaje y participación de sus estudiantes, de manera personalizada y socializadora.

Ejemplo de indicador y sus sub-indicadores. Dimensión Sentido de pertenencia y convivencia, del Área de Cultura de aprendizaje Inclusivo:

Las normas colaborativas y sociales se definen de forma participativa y son respetadas por los distintos estamentos e individuos que se están formando, dentro de todo el sistema de formación a distancia.

juandon

 

 

FUENTES:

Farnos Miro, Juan Domingo  https://es.scribd.com/document/34150307/EVALUACION-EN-E-LEARNING-INCLUSIVO  Evaluación de E-learning-Inclusivo

Farnos Miro, Juan domingo  https://es.scribd.com/doc/33025056/Bases-Para-e-Learning-Inclusivo Bases para un E-learning-Inclusivo

Bozart Jane,  https://reg131.imperisoft.com/InSyncTraining/ProgramDetail/3235363037/Registration.aspx  BOZARTHZONE! EVALUATING ELEARNING: WHAT YOU MEASURE IS WHAT YOU GET