OU Analyse — el sistema de alerta temprana de analítica predictiva de aprendizaje de la Open University

OU Analyse es un sistema de alerta temprana basado en aprendizaje automático, desarrollado por el Knowledge Media Institute de la Open University (Reino Unido), que genera predicciones semanales sobre qué estudiantes de educación a distancia corren el riesgo de suspender una próxima evaluación, a partir de datos demográficos e interacciones de clickstream con el Virtual Learning Environment de la universidad. Las predicciones se comparten con los tutores de los cursos y con los Student Support Teams para priorizar el contacto.

El sistema tiene como objetivo permitir un apoyo oportuno y específico a los estudiantes identificados como en riesgo, y la universidad describe la intervención oportuna como el objetivo que posibilitan las predicciones, más que como un resultado causal cuantificado de forma independiente.

El sistema ha funcionado en producción continua desde la primavera de 2014, cuando se puso a prueba en dos cursos introductorios (aproximadamente 1500 y 3000 estudiantes, respectivamente); se amplió a 18 cursos en el otoño de 2014/primavera de 2015 y ha continuado operando a nivel institucional durante más de una década.

La metodología subyacente y el conjunto de datos (OULAD) se publicaron en 2017 en Scientific Data, la revista revisada por pares de Nature, que abarca 22 cursos, 32 593 estudiantes y más de 10,6 millones de registros de interacción con el VLE, uno de los mayores conjuntos de datos de learning analytics publicados abiertamente, ampliamente reutilizado por otros investigadores. Investigaciones posteriores revisadas por pares han examinado las compensaciones en la precisión de las predicciones (la precisión aumenta pero la exhaustividad (recall) disminuye a medida que se acumulan más datos dentro de cada curso), cómo los tutores utilizan y confían en los paneles (dashboards), y la equidad algorítmica entre los distintos grupos demográficos de estudiantes.

El material de origen es explícito al señalar que lo que se ha demostrado es la exactitud de las predicciones y su uso operativo sostenido a lo largo de muchos cursos y años, y no una estimación causal aleatorizada o cuasiexperimental de en qué medida las propias predicciones aumentan las tasas de aprobación o retención en comparación con un grupo de control.