Análisis de aprendizaje: algunos dilemas clave

Informe provisional del Grupo de Expertos en Análisis del Aprendizaje Di-

gital

Prefacio
El 10 de septiembre de 2021, el Ministerio de Educación e Investigación nombró un grupo de expertos
para evaluar el uso de la analítica del aprendizaje digital en la educación primaria y secundaria infe-
rior, la educación profesional superior y la educación superior. Se ha pedido al grupo de expertos que
presente un informe en dos partes. La primera parte debe completarse antes del 1 de junio de 2022.
El informe final debe completarse antes del 1 de junio de 2023.

El grupo de expertos presenta su primer informe provisional.

Oslo, 1 de junio de 2022

Marte Blikstad-Balas (líder)

Mónica Andreassen Einar Duenger Bøhn Miguel Giannakos

Malcolm Langford Eirin Oda Lauvset Per Henning Uppstad

Bárbara Wasson Ann-Tove Eriksen Hedda Birgitte Huse

Hilde Hultin (jefa de la

secretaría)

Jon Lanestedt

1 Introducción
En otoño de 2021, el Ministerio de Educación e Investigación nombró un grupo de expertos para
evaluar el uso de la analítica del aprendizaje digital en la educación primaria y secundaria inferior, la
educación profesional superior y la educación superior. El objetivo del trabajo es un mejor apren-
dizaje para alumnos y estudiantes.
1.1 Contenido del informe
El propósito de este primer subinforme es responder a la siguiente pregunta: ¿Qué es el análisis del
aprendizaje y qué implicaciones podría tener el uso del análisis del aprendizaje para la educación
noruega hoy y en el futuro cercano?

El análisis del aprendizaje está asociado con diferentes disciplinas y, por lo tanto, se entiende de dife-
rentes maneras. En este informe, explicamos diferentes definiciones de análisis de aprendizaje y te-
mas de investigación asociados. También explicamos conceptos clave en el análisis de aprendizaje y
trazamos límites con los conceptos circundantes.

Más adelante en el informe, proporcionamos ejemplos de cómo puede verse el análisis del apren-
dizaje cuando se utiliza en la educación primaria y secundaria inferior, la educación vocacional supe-
rior y la educación superior. Cuando se va a aplicar el análisis del aprendizaje, se deben hacer conce-
siones complejas. Para ilustrar estas compensaciones, hemos optado por destacar cuatro dilemas
clave que se discuten desde puntos de vista educativo, ético, legal y tecnológico. En las descripciones
de dilemas, destacamos claramente tanto las oportunidades como los desafíos mediante el uso de
análisis de aprendizaje. Al destacar tanto el potencial como las limitaciones, el informe puede contri-
buir al compromiso en torno al análisis del aprendizaje, lo que puede proporcionar información im-
portante para el trabajo futuro.

En resumen, el informe contiene una descripción de algunos puntos de partida para el análisis del ap-
rendizaje, como el aprendizaje, la tecnología, la inteligencia artificial y la digitalización (capítulo 2), una
descripción de las definiciones clave y las diferentes comprensiones de la analítica del aprendizaje
(capítulo 3), una visión general del campo de investigación de la analítica del aprendizaje (capítulo 4),
una descripción de cuatro dilemas que capturan las oportunidades y desafíos del uso de la analítica
del aprendizaje (capítulos 6-9), y cuestiones jurídicas generales relacionadas con el análisis del ap-
rendizaje (capítulo 10).

De acuerdo con nuestro mandato, este primer subinforme ha hecho hincapié en la educación prima-
ria y secundaria, pero también hemos incluido perspectivas tanto de la educación profesional supe-
rior como de la educación superior.

En este informe, los términos alumnos y estudiantes también incluyen aprendices y estudiantes
de escuelas de formación profesional. El término institución educativa incluye escuelas primarias y
secundarias, escuelas vocacionales, universidades, colegios universitarios, establecimientos de
capacitación y otros ámbitos de aprendizaje. El concepto de propietario de la escuela incluye munici-
pios, autoridades del condado y propietarios de escuelas privadas.

1.2 Composición del grupo de expertos, mandato y método de trabajo

El grupo de expertos está formado por expertos de escuelas y educación, y disciplinas como la ética,
la tecnología y el derecho.

Líder:
Marte Blikstad-Balas, Oslo , profesor del Departamento de Formación del Profesorado e Investigación
Escolar de la Universidad de Oslo

Miembros:

Monica Andreassen, Tromsø , profesora de ciencias y matemáticas en la escuela Langnes en el muni-

cipio de Tromsø

Einar Duenger Bøhn, Lillesand y Oslo, profesor del Departamento de Religión, Filosofía e Historia de
la Universidad de Agder

Michail Giannakos, Trondheim, profesor del Departamento de Ciencias de la Computación de NTNU

Malcolm Langford, Moss, profesor del Departamento de Derecho Público e Internacional de la Uni-
versidad de Oslo y director de CELL – Centre on Experiental Learning (SFU Centre)

Eirin Oda Lauvset, Asker , abogada y responsable de protección de datos en el municipio de Asker

Per Henning Uppstad, Randaberg, profesor del Centro Noruego de Lectura, el Centro Nacional de Edu-
cación e Investigación en Lectura de la Universidad de Stavanger

Barbara Wasson, Bergen, profesora og leder para SLATE – Centre for the Science of Learning & Tech-
nology ved Universitetet i Bergen

Ann-Tove Eriksen, Tromsø, Directora General Adjunta de la Agencia Noruega para la Educación Supe-
rior y la Competencia

Hedda Birgitte Huse, Nittedal, Directora General Adjunta de la Dirección Noruega de Educación y For-
mación

El grupo de expertos celebró su primera reunión el 1 de diciembre de 2021 y celebró tres reuniones
en 2022 antes de la presentación del presente informe provisional el 1 de junio.

1.2.1 Mandato

Extractos del mandato del grupo de expertos:

Objetivos del trabajo

El grupo de expertos proporcionará al Ministerio de Educación e Investigación una mejor base para la
adopción de decisiones sobre análisis del aprendizaje digital y ayudas de aprendizaje adaptativo,
pruebas y pruebas en la educación primaria y secundaria inferior, la educación superior y la edu-
cación profesional superior, y proporcionará asesoramiento sobre la necesidad de regulación y
aportes al desarrollo de políticas y medidas del Ministerio de Educación e Investigación y agencias
subordinadas.
Tareas del grupo de expertos
El grupo de expertos evaluará cuestiones pedagógicas y éticas en el uso de análisis de aprendizaje di-
gital, así como cuestiones legales y consideraciones de privacidad. El grupo asesorará a las autorida-
des nacionales sobre la necesidad de elaborar normas para los niveles de educación antes mencion-
ados. El trabajo debe incluir evaluaciones de las oportunidades que se encuentran en las herramien-
tas en el futuro y cómo se desarrollará el mercado de recursos de aprendizaje adaptativo en el futuro.

Además, el grupo de expertos proporcionará información al sector educativo sobre cómo se pueden
desarrollar buenas prácticas en el uso de análisis de aprendizaje, en línea con las normas éticas y pe-
dagógicas y las regulaciones aplicables.

Preguntas clave
En su labor, el grupo de expertos basará su labor en las siguientes cuestiones fundamentales:

• ¿Cómo afecta la analítica de aprendizaje digital al aprendizaje?

El grupo de expertos evaluará si y cómo el análisis del aprendizaje digital afecta el rol profesional de
los profesores / profesores, la relación entre el profesor y la ayuda al aprendizaje, la visión del apren-
dizaje y la visión del rol del estudiante / estudiante. Para la educación primaria y secundaria, es esen-
cial considerar el análisis del aprendizaje digital a la luz de las misiones educativas y educativas de la
formación, y considerar si el análisis del aprendizaje digital afecta la amplitud de lo que los alumnos
deben aprender y las diferencias entre las diferentes materias.

• ¿Cuáles son los desafíos y el potencial de la analítica de aprendizaje digital?

El grupo de expertos evaluará cuestiones éticas que están estrechamente relacionadas con las
evaluaciones pedagógicas. Entre otras cosas, el grupo de expertos evaluará cómo la analítica del ap-
rendizaje digital puede contribuir a incluir o excluir a los alumnos/estudiantes o grupos de ellos de la
enseñanza, por ejemplo, debido a necesidades especiales, incluido el diseño universal, o la minoría
lingüística y los efectos sobre cualquier diferencia en los resultados del aprendizaje. La evaluación de
los problemas de privacidad y el control sobre el uso de los datos generados será central, además de
si existen diferentes consideraciones éticas asociadas con diferentes tipos de datos / fuentes de da-
tos. Para la educación primaria y secundaria, las consideraciones éticas deben considerarse en parti-
cular relacionadas con la edad de los alumnos, la relación entre la necesidad de buenos datos y el de-
seo de minimización de datos, y entre los requisitos para la protección de los niños y el deseo de in-
tervención temprana. Además, se pueden destacar cuestiones de ciencias sociales, como la relación
entre el uso de la analítica del aprendizaje y los intereses públicos, y valores democráticos como la
apertura, la transparencia y la privacidad. El grupo de expertos debe evaluar si la calidad de la base de
evidencia tiene consecuencias para las elecciones éticas, las medidas propuestas y otras re-
comendaciones para el análisis del aprendizaje digital.

• ¿Cómo pueden las regulaciones proporcionar un apoyo adecuado al sector?

Una pregunta clave es si existe la necesidad de una regulación adicional o directrices para el uso de la
analítica del aprendizaje en la legislación sectorial u otras regulaciones. Las evaluaciones de la
privacidad de los alumnos / estudiantes son una parte importante de las cuestiones éticas, especial-
mente cuando se trata de procesar datos sobre niños y grupos de estudiantes vulnerables. Se debe
considerar si es necesario aclarar qué tipos de procesamiento de datos personales están permitidos
para salvaguardar los derechos de los alumnos / estudiantes, y si todo uso de análisis de aprendizaje
constituirá una forma de elaboración de perfiles, véase el Art. Reglamento General de Protección de
Datos. 22.

• ¿Qué competencia necesitan los sectores educativos para hacer buenas evaluaciones sobre la
analítica del aprendizaje digital?

El grupo de expertos evaluará qué competencia necesitan los sectores educativos para que la
analítica del aprendizaje digital se utilice en la formación y la educación, incluida la competencia legal,
financiera y digital y la competencia para evaluar los riesgos relacionados con la privacidad, la ética y
la pedagogía en el ejercicio de diversos roles.

Organización
El trabajo del grupo de expertos dará lugar a la presentación de dos o más subinformes al Ministerio
de Educación e Investigación. Las evaluaciones éticas y pedagógicas básicas de las oportunidades, be-
neficios y riesgos de la analítica del aprendizaje digital se incluirán en el primer subinforme. Cuando
hay cuestiones comunes a los diferentes niveles de educación, éstas pueden abordarse conjunta-
mente. Cuando existan diferencias significativas entre los niveles educativos, en el primer subinforme
se dará prioridad a la enseñanza y formación primarias y secundarias.

El grupo de expertos presentará el primer informe provisional a más tardar el 01.06.2022, y las re-
comendaciones finales al Ministerio de Educación e Investigación a más tardar el 01.06.2023.

1.2.2 Interpretación del mandato por el grupo de expertos

Percibimos como una premisa central del mandato que ya se recopilan una serie de rastros digitales
de alumnos y estudiantes que pueden usarse para mejorar el aprendizaje y la enseñanza. Sin em-
bargo, sabemos relativamente poco sobre el uso general de la analítica del aprendizaje en la edu-
cación primaria y secundaria inferior, la educación vocacional superior y la educación superior.

La analítica del aprendizaje es un concepto relativamente nuevo en el contexto educativo noruego. No

todos los actores que utilizan datos sobre alumnos o estudiantes para mejorar situaciones de apren-
dizaje tienen una relación activa con el concepto. Nuestra experiencia es que hay una falta de claridad
en el sector relacionado con el concepto en sí y qué tipo de uso de los datos y el análisis desencadena
la etiqueta «learning analytics». Por lo tanto, consideramos que es una parte crucial del mandato pro-
porcionar explicaciones claras de lo que es la analítica del aprendizaje y lo que tal análisis de datos
digitales puede implicar para todos los niveles del sector educativo.

En el mandato, se nos pide que distingamos entre dos usos de la analítica del aprendizaje. Uno se re-
fiere al uso para el seguimiento de alumnos o estudiantes, el otro se refiere al uso para el desarrollo
general de la educación, la investigación o el desarrollo y el desarrollo posterior de diversos recursos
pedagógicos. En este primer informe, nos hemos centrado principalmente en la primera área de apli-
cación. También hemos discutido el análisis del aprendizaje hasta cierto punto para su uso en el
desarrollo de programas de estudio de forma general. Esto es evidente en el texto cuando lo hace-
mos.

En los casos en que existen diferencias significativas entre los niveles educativos con respecto al análi-
sis del aprendizaje, hemos destacado esto. Aquí, en este primer subinforme, sin embargo, hacemos
hincapié en la perspectiva de la educación primaria y secundaria, de conformidad con el mandato. A
la educación superior también se le da un lugar significativo, mientras que las características especia-
les de la educación vocacional superior son poco discutidas.

Acogemos con beneplácito el amplio alcance del mandato, al tiempo que especificamos que comenta-
remos una serie de cuestiones concretas. Es una clara fortaleza que el mandato haga hincapié en que
la analítica del aprendizaje no se trata principalmente de aspectos tecnológicos y legales. Al menos
tanto sobre cuestiones educativas y éticas. En línea con las recomendaciones de NOU 2019: 23 New
Education Act, creemos que es crucial evaluar continuamente los aspectos tecnológicos, educativos,
normativos y éticos del uso de la analítica de aprendizaje. Esencialmente, discutimos estas relaciones
en conjunto entre nosotros en lugar de mantenerlas separadas. Sin embargo, en el mandato se nos
ha pedido que asesoremos sobre la necesidad de desarrollar los reglamentos, por lo que creemos
que es necesario profundizar en las cuestiones jurídicas en un debate coherente.

En este subinforme, deseamos principalmente presentar dilemas generales relacionados con el análi-
sis del aprendizaje. Los dilemas se basan en consideraciones legales iniciales, una breve revisión de
temas clave de investigación en el campo y, no menos importante, descripciones de problemas y
desafíos que hemos identificado en diálogo con actores afectados de diferentes maneras por el análi-
sis del aprendizaje. El propósito del enfoque es arrojar luz sobre la complejidad de las compensacio-
nes que deben hacerse cuando se aplica el análisis del aprendizaje. Además, deseamos poner de re-
lieve las cuestiones del sector educativo noruego.

Las recomendaciones que hagamos en el informe final se basarán en un resumen y estudio de cono-
cimientos más sistemáticos, junto con las aportaciones de diversos actores.

1.2.3 Apertura y participación

Es un principio importante para nosotros que la labor del grupo de expertos sea abierta y transpa-
rente. Por lo tanto, en nuestro sitio web1, hemos publicado continuamente resúmenes de reuniones
de grupos de expertos, aportes escritos que se han recibido al grupo y contribuciones temáticas de
los miembros del grupo.

1
https://laringsanalyse.no
Queremos crear compromiso en torno al tema de la analítica del aprendizaje y fomentar el debate. Es
importante para nosotros que las partes interesadas sean escuchadas, y todos están invitados a en-
viar sus comentarios a nuestro trabajo por correo electrónico: laringsanalyse@kd.dep.no.

No menos importante, hemos invitado a una serie de organizaciones y comunidades académicas a

reuniones preliminares de aportaciones donde podrían ofrecer puntos de vista sobre cuestiones
clave. La gran mayoría aceptó participar.

Tabell 1.1 Las partes interesadas que han sido invitadas a las reuniones preli-
minares de aportaciones

Organizaciones de docentes La Asociación Noruega de Educación y For-

mación, la Asociación Noruega de Maestros, la
Asociación Nacional de Escuelas, la Asociación
de Líderes Escolares

Organizaciones estudiantiles y La Organización de Estudiantes, la Organiza-

estudiantiles ción de Estudiantes de Noruega, la Organiza-
ción de Estudiantes de la Escuela Vocacional
Noruega

Gobierno local Asker, Lillestrøm, Lørenskog, Oslo, Surnadal

(ICT-ORKidé-collaborationet), Voss, Møre og
Romsdal, Vestfold og Telemark, Vestland y KS

Universidades y colegios Universidad Noruega de Ciencias de la Vida

(NMBU), Universidad Noruega de Ciencia y
Tecnología (NTNU), Sami University College,
Universidad de Bergen, Universidad de Oslo,
Universidad de Stavanger, Universidad del
Sudeste de Noruega y UiT La Universidad del
Ártico de Noruega

Proveedores, revendedores y BS Teaching, Cappelen Damm, Cyberbook,

asociaciones industriales de Ed- Conexus, Disputas, Fagbokforlaget, Gyldendal,
Tech Hypatia, Kikora, LearnLab y ICT Norway

Grupo jurídico Jon Christian Fløysvik Nordrum, Mona Naomi

Lintvedt, Sebastian Schwemer, Emily Weit-
zenboeck, Malgorzata Cyndecka y Trude Haugli

Segundo El Parlamento Sami

Además, hemos recibido aportes por escrito de, entre otros:

• Sindicato de la Educación
• Visibilidad: proveedor de servicios del sector del conocimiento
• Statped
• BI Escuela de Negocios Noruega
• Asociación de Líderes Escolares
• Ciberlibro
• Más municipios comarcales
• Más escuelas vocacionales
• Universidad de Oslo
• Agencia de Educación en Oslo
• Comité de Padres para la Educación Primaria y Secundaria (FUG) y Padres Solteros

La entrada escrita se puede leer en su totalidad en nuestro sitio web.

1.2.4 Publicaciones del grupo de expertos

En general, presentaremos los siguientes informes: un informe parcial el 1 de junio de 2022 y un in-
forme final con un informe provisional jurídico el 1 de junio de 2023.

Aquí, en este primer subinforme, discutimos dilemas clave y cuestiones relacionadas con el análisis
del aprendizaje y, como se mencionó, enfatizamos la educación primaria y secundaria. En el informe
final, reuniremos conocimientos más completos sobre análisis del aprendizaje y, sobre esta base, ha-
remos recomendaciones sobre el análisis del aprendizaje en la educación primaria y secundaria infe-
rior, la educación profesional superior y la educación superior. Además, proporcionaremos in-
formación para el desarrollo de políticas y brindaremos asesoramiento sobre cómo desarrollar bue-
nas prácticas para el uso de análisis de aprendizaje en línea con las normas éticas y pedagógicas y las
regulaciones aplicables. También abordaremos a fondo las cuestiones legales relacionadas con el
análisis del aprendizaje y haremos recomendaciones sobre cómo las regulaciones pueden propor-
cionar el apoyo adecuado al sector.

1.3 Antecedentes de la asignación

1.3.1 El sistema educativo noruego

Nuestro mandato incluye los niveles de educación primaria y secundaria inferior, educación vocacio-
nal superior y educación superior. He aquí una breve presentación de estos, con una visión general
del número de alumnos, aprendices y estudiantes.

La educación primaria y secundaria se refiere al curso de capacitación que incluye educación primaria
de diez años y secundaria inferior y educación secundaria superior de tres o cuatro años. La edu-
cación secundaria superior conduce a cualificaciones de estudio, cualificaciones profesionales o com-
petencias básicas y generalmente se otorga como tres años en la escuela o como dos años en la es-
cuela y dos años en una empresa.
La educación profesional superior está en el nivel superior de la educación secundaria superior y a menudo
se denomina educación vocacional terciaria. La educación es una educación vocacional corta que gene-
ralmente dura de medio año a dos años a tiempo completo, pero a menudo se toma a tiempo parcial
en combinación con el trabajo.

La educación superior se basa en la competencia de estudio de la educación secundaria superior o

en el aprendizaje previo y se puede tomar en una universidad o colegio. La educación se divide en di-
ferentes grados.

Tabell 1.2 Número de alumnos, aprendices y estudiantes en 2021. Cifras

tomadas de Statistics Norway.

Número de alumnos/aprendi-
ces/estudiantes

Escuela primaria 634 674

Enseñanza secundaria 249 879

Formación profesional superior 25 919

Enseñanza superior 318 105

1.3.2 Propuesta de la Comisión de Derecho de la Educación

En NOU 2019: 23 New Education Act, la Comisión de Derecho de Educación propone el nombramiento
de un comité público para evaluar el uso del análisis de aprendizaje digital en las escuelas (NOU 2019: 23,
p. 408).

La razón de la revisión de la Ley de educación fue que los reglamentos se perciben como demasiado
amplios, fragmentados y detallados debido a las frecuentes enmiendas y la introducción de nuevas
normas. Los principales cambios sociales, como el desarrollo tecnológico y la digitalización, también
están desafiando las regulaciones de nuevas maneras.

La Comisión señala que la Ley de Educación no debe impedir el uso de buenas soluciones tecnológi-
cas, pero que el uso de nuevas tecnologías puede implicar desafíos para la privacidad. Además,
señalan que la digitalización conduce a una transición más suave entre lo que es privado y lo que es la
escuela, lo que puede dificultar la definición de qué debe regularse y dónde.

La Comisión de Derecho de la Educación hace una declaración específica sobre el análisis del apren-
dizaje en su informe. En esencia, explican cómo se puede utilizar el análisis del aprendizaje para adap-
tar la enseñanza al estudiante individual, pero también señalan que el análisis del aprendizaje pro-
bablemente aumentará tanto en alcance como en complejidad. Enfatizan que el uso puede tener
profundas consecuencias para las escuelas, y que el análisis del aprendizaje plantea preguntas sobre
la privacidad de los estudiantes.

Además, la Comisión de Derecho de Educación señala que la reglamentación del análisis del apren-
dizaje en la enseñanza primaria y secundaria se refiere principalmente a diversos requisitos de pru-
dencia de la Ley de educación y las normas de la Ley de datos personales. Sin embargo, creen que la
situación actual no se centra en los mejores intereses del alumno; Más bien, la situación parece ser
compleja e impulsada por el mercado. Sobre esta base, el Comité concluye que existe la necesidad de
un estudio que examine colectivamente el uso de la analítica del aprendizaje. Creen que se debe ha-
cer una evaluación ética y normativa y también se debe considerar la necesidad de proporcionar nor-
mas de comportamiento2 en la educación y capacitación primaria y secundaria, y que también se de-
ben considerar las cuestiones tecnológicas y pedagógicas.

1.3.3 Medidas del plan de acción para la digitalización de la educación y la formación prima-
rias y secundarias

La propuesta de la Comisión de Derecho de la Educación se recogió en el Plan de Acción para la Digi-

talización en la Educación Primaria y Secundaria, que describe las siguientes medidas: "Nombrar un
grupo de expertos externos para investigar cuestiones educativas, legales, tecnológicas y éticas re-
lacionadas con el análisis del aprendizaje y la propiedad de los datos de los alumnos en las escuelas"
(Ministerio de Educación e Investigación, 2020, p. 14).

En el plan de acción, el grupo de expertos propuesto se destaca como relevante en dos áreas priorita-
rias: la protección de datos y la seguridad de la información, y la base de conocimientos para la digi-
talización en las escuelas. La descripción del problema de la privacidad y la seguridad de la in-
formación enfatiza el riesgo de que los datos de los estudiantes se procesen en violación de las regu-
laciones de protección de datos, pero también se enfatiza cómo el análisis de estos datos puede pro-
porcionar información valiosa como base para, entre otras cosas, la instrucción diferenciada. La
descripción del problema culmina en la medida que hemos citado en la sección anterior, es decir, que
se nombrará un grupo de expertos externos.

Cuando se trata de fortalecer la base de conocimiento para la digitalización en las escuelas, el plan de
acción señala el potencial que se encuentra en la sistematización y el análisis de los datos recopilados
mediante el uso de recursos digitales de aprendizaje. Se hace especial hincapié en que esto puede ser
una fuente de conocimiento que no aumentará la carga informativa en el sector.

El plan de acción expresa la expectativa de que el alcance del análisis del aprendizaje aumentará en el
futuro. Si es así, esto reforzará la necesidad de un estudio exhaustivo de la zona. Aunque este plan de
acción se limita a la educación primaria y secundaria, el mandato del grupo de expertos se amplió
para incluir la educación profesional superior y la educación superior.

2
https://www.datatilsynet.no/regelverk-og-verktoy/atferdsnorm/
1.3.4 Delimitación de la labor de la Comisión de Privacidad

Paralelamente a la labor del grupo de expertos, la Comisión de Protección de Datos está evaluando la
situación de la privacidad en Noruega.3 La Comisión fue nombrada en 2020 y presentará su informe
a más tardar el 1 de septiembre de 2022. La Comisión de Protección de Datos tiene la tarea de ma-
pear la situación de la protección de datos en Noruega y resaltar los desafíos y desarrollos más im-
portantes. Varios de los temas discutidos en el mandato de la Comisión de Privacidad son muy rele-
vantes para el análisis del aprendizaje:

"Los jardines de infancia y las escuelas registran y almacenan datos personales sobre niños y jóve-
nes. Además de la información tradicional, como el orden, el comportamiento, el comportamiento,
las calificaciones y el desarrollo, los datos se recopilan mediante el uso por parte de los alumnos de
nuevos recursos de aprendizaje digital y la comunicación de la escuela con el hogar. Esto puede
desafiar la privacidad de los niños y jóvenes de una manera nueva" (p. 4).

Como la privacidad también es un tema clave en nuestro mandato, el trabajo de la Comisión de Pri-
vacidad es muy relevante para nosotros.

Desde el principio, establecimos un diálogo con la Comisión de Protección de Datos para aclarar
cómo podríamos beneficiarnos mutuamente del trabajo. También es necesario determinar las limita-
ciones y las posibles superposiciones, en particular con respecto a la privacidad de los niños y los
jóvenes. La Comisión de Protección de Datos investigará cómo se salvaguarda la privacidad de los
niños y jóvenes en el sector escolar, pero no discutirán, por ejemplo, los recursos digitales que se han
desarrollado específicamente para el sector educativo. Algunos ejemplos son los sistemas de gestión
del aprendizaje, los materiales de aprendizaje, las herramientas para la producción de los estudiantes
y otros recursos para el aprendizaje. La Comisión tampoco considerará el uso de ayudas de apren-
dizaje adaptativo, pero reconocen que su uso planteará varios problemas de privacidad. Sin embargo,
la protección de datos en el sector escolar abarca más temas que el uso de recursos digitales desar-
rollados para el sector educativo, y estos serán discutidos por la Comisión de Protección de Datos. La
Comisión destacará los desafíos de privacidad vistos desde diferentes perspectivas y propondrá medi-
das para mejorar la privacidad en las escuelas.

Parte 1: ¿Qué es la analítica de aprendizaje?

En esta sección del informe, primero repasaremos algunos puntos de partida para el análisis de apren-
dizaje. Además, explicaremos qué abarca la analítica del aprendizaje, es decir, las diversas formas de análi-
sis del aprendizaje y su propósito.

También investigaremos cómo la privacidad es relevante para el análisis del aprendizaje, y algunos temas
clave de investigación y proyectos de desarrollo en el campo.

3
https://personvernkommisjon.no/
2 Puntos de partida para la analítica del aprendizaje
El desarrollo y el uso de la analítica del aprendizaje son parte de un contexto más amplio, tanto en la
educación como en la sociedad en general. En este capítulo, explicaremos cómo la analítica del apren-
dizaje está vinculada al aprendizaje y la tecnología, y cómo encaja en tendencias más amplias de la
sociedad, como la digitalización y el uso de la inteligencia artificial. También señalamos cómo se
hace referencia a la analítica del aprendizaje en algunos documentos de gobierno relevantes para la
digitalización en la educación.

2.1 Aprendizaje
Para comprender y utilizar la analítica del aprendizaje, es un requisito previo saber cómo se lleva a
cabo el aprendizaje y cuáles son los requisitos previos clave para un buen aprendizaje. El proceso de
renovación del currículo para la educación primaria y secundaria y la formación se basó en la sigui-
ente comprensión del aprendizaje: «una actividad en la que una persona adquiere nuevos o cambia y
refuerza los conocimientos, comportamientos, habilidades, valores o preferencias existentes y puede
involucrar y combinar diferentes tipos de información» (NOU 2014: 7, p. 32). La visión actual del ap-
rendizaje reconoce que tanto los aspectos cognitivos como los sociales son cruciales para el apren-
dizaje de los estudiantes. Sabemos que las condiciones individuales, sociales y culturales juegan un
papel importante. El aprendizaje tiene lugar cuando el pensamiento, las emociones y la motivación se
desarrollan a través de la interacción (NOU 2014: 7). Las relaciones sociales y otros aspectos de la si-
tuación de aprendizaje también influyen en el aprendizaje (Schneider &; Stern, 2010; Greeno, 2006).

La investigación del aprendizaje tiende a dividir el aprendizaje en diferentes niveles de comprensión y

procesos cognitivos (Biggs y Collins, 1982). En el informe de calidad para la educación superior, el ni-
vel más básico se describe como capaz de reproducir hechos sin reflexionar más sobre lo que esto
implica, los siguientes niveles son sobre comprender y aplicar el conocimiento y ver conexiones simp-
les, mientras que los más avanzados son sobre analizar, evaluar y ver las relaciones generales (Minis-
terio de Educación e Investigación, 2017b). En el informe de calidad, también encontramos ejemplos
de situaciones donde surge y se desarrolla el conocimiento: "cuando un estudiante hace una pre-
gunta crítica; cuando un supervisor comenta un razonamiento en una tesis de pregrado; cuando los
estudiantes discuten entre ellos en un grupo de estudio" (Ministerio de Educación e Investigación,
2017b, p. 3). Cuando se trata de facilitar un buen aprendizaje en la educación profesional superior, se
enfatiza la relevancia en los resultados del aprendizaje: «Un elemento clave de una buena facilitación
del aprendizaje son las descripciones de los resultados de aprendizaje bien pensadas y relevantes
que se adapten a la naturaleza distintiva de la asignatura y al nivel adecuado en el Marco Nacional de
Cualificaciones para el Aprendizaje Permanente» (Ministerio de Educación e Investigación, 2016a, p.
86).

El Libro Verde NOU 2014: 7 identifica siete condiciones previas clave para que se produzca un buen
aprendizaje. Estos supuestos se extraen de varios resúmenes de investigación exhaustivos sobre el
aprendizaje y tienen un amplio apoyo en la investigación. Aunque los requisitos previos se basan en la
educación primaria y secundaria, describen principios generales que serán aplicables a todos los nive-
les de educación.

Boks 2.1 Requisitos previos clave para un buen aprendizaje

La investigación muestra que promueve el aprendizaje que

- Los alumnos participan activamente y comprenden los procesos de aprendizaje

- Los estudiantes participan en la comunicación y la colaboración
- Los alumnos desarrollan una comprensión profunda y se les ayuda a comprender las
conexiones
- A los alumnos se les dan desafíos que los hacen estirarse
- La enseñanza se adapta a los diferentes conocimientos y experiencias previas de los alum-
nos
- Los estudiantes y los profesores están orientados hacia las metas y la progresión en el ap-
rendizaje
- El ambiente de aprendizaje tiene en cuenta las relaciones, la motivación y las emociones de
los estudiantes.
Fuente: NOU 2014: 7, p. 33

2.2 Tecnología
La analítica del aprendizaje está estrechamente vinculada a la tecnología. El término tecnología tiene
orígenes griegos y significa, en pocas palabras, "la doctrina de las técnicas" (Store norske leksikon,
2021). Hoy, sin embargo, el término tiene un significado ampliado; La tecnología incluye tanto cono-
cimientos teóricos, un tipo específico de estudios como objetos concretos, como computadoras y
teléfonos móviles (Bøhn, 2022). Por lo tanto, podemos decir que la tecnología digital es un subcon-
cepto de la tecnología. Tanto la tecnología analógica como la digital son portadores de información, la
diferencia radica en el hecho de que la información digital se convierte en números: dígitos . En
nuestro contexto, no es apropiado distinguir claramente entre tecnología digital y analógica.

La digitalización ha hecho que sea más difícil para los usuarios obtener información sobre cómo fun-
ciona la tecnología. Un ejemplo en el contexto de la analítica del aprendizaje es que los profesores no
siempre entenderán lo que realmente muestra una visualización de datos. Por lo tanto, a menudo se
pide más información sobre cómo funciona la tecnología y sobre la interacción entre la tecnología
analógica y digital.

Dentro de la filosofía de la tecnología, uno se pregunta si la tecnología es una fuerza determinante

sobre la que no podemos hacer nada. Todavía hay personas que desarrollan y aplican la tecnología,
pero tenemos menos control sobre cómo se usa la tecnología. Nuestro trabajo se basa en el hecho de
que la tecnología y la sociedad interactúan entre sí.
2.3 Aprender con tecnología digital
Para los estudiantes de hoy, la tecnología digital es una parte omnipresente de la vida. Por lo tanto, es
difícil imaginar que el aprendizaje tenga lugar sin el uso de la tecnología digital. Los documentos
rectores noruegos para las escuelas y la educación han expresado durante mucho tiempo la ambición
de explotar mejor el potencial del uso de la tecnología digital en el aprendizaje. A lo largo de la histo-
ria de la tecnología digital, ha habido mucho optimismo sobre cómo la tecnología digital puede mejo-
rar el aprendizaje. Sin embargo, este optimismo ha ido acompañado de un gran escepticismo y resis-
tencia. Al mismo tiempo, también hay fuertes intereses comerciales en el aprendizaje de la tecnología,
que afecta tanto a las actitudes como a su uso de diferentes maneras. En el libro Learning with digital
technology: Theories and developments, se destacan tres propósitos superpuestos del uso de la tecno-
logía digital en los procesos de aprendizaje (Kluge, 2021, p. 19):

1. El aprendizaje apoyado por la tecnología tiene el potencial de hacer que los procesos de apren-
dizaje sean más eficientes y efectivos.
2. La tecnología ha cambiado los temas de tal manera que los propios sujetos se basan cada vez
más en la tecnología. Los temas y el uso de la tecnología se han vuelto integrados y difíciles de
distinguir entre sí, por lo que también se deben aprender los temas con el uso de la tecnología.
3. La competencia digital es importante en sí misma y se puede aprender aplicando la tecnología en
las diversas materias.

Kluge (2021) explica que la tecnología puede ser una herramienta para racionalizar y estimular o cam-
biar el aprendizaje, pero que también puede descarrilar el aprendizaje y reducir la capacidad de con-
centración. Por lo tanto, los procesos de aprendizaje complejos y profundos pueden sufrir. Sin em-
bargo, Kluge (p. 199) argumenta que no hay suficiente investigación confiable para apoyar esto, y que
la afirmación se caracteriza actualmente principalmente por la opinión.

El alcance cada vez mayor de la cooperación apoyada por la tecnología en diversas áreas de la so-
ciedad ha sido una fuerza impulsora importante para que dicha competencia colaborativa se haga
hincapié en la educación. Por lo tanto, el uso de la tecnología digital en la colaboración se ha conver-
tido en una herramienta importante tanto en la enseñanza como en el aprendizaje (Kluge, 2021).

Cuando la tecnología digital se utiliza en la enseñanza, los conceptos de recursos de aprendizaje digi-
tal y recursos de aprendizaje digital son centrales. Estos dos conceptos difieren entre sí principal-
mente por el propósito para el cual se desarrollan los recursos. Los recursos de aprendizaje digital se
han desarrollado para su uso en educación, mientras que los recursos de aprendizaje digital se pue-
den utilizar para apoyar la enseñanza y el aprendizaje sin estar diseñados específicamente para esto
(Gilje et al., 2016; Kelentric et al., 2017; Kluge, 2021). En este informe, utilizamos los recursos digitales
como un término colectivo.

2.4 Digitalización
La digitalización consiste en utilizar la tecnología para renovar, simplificar y mejorar. En la gran
mayoría de los casos, esto requiere reestructuración y cambio, lo que tiene un gran impacto en el
desarrollo social. En el sector público, el Gobierno tiene una estrategia conjunta para la digitalización
que se aplica hasta 2025 (Ministerio de Gobierno Local y Modernización, 2019). El objetivo de la estra-
tegia es apoyar la transformación digital en las empresas y en el sector público en su conjunto. La
transformación digital significa cambiar las formas fundamentales en que las empresas resuelven
tareas utilizando la tecnología (Ministerio de Gobierno Local y Modernización, 2019, p. 3).

El concepto de digitalización a menudo se asocia con la racionalización y simplificación de los

procesos de trabajo, y el análisis del aprendizaje se trata en cierta medida de esto. Con la ayuda de la
tecnología digital y el poder de análisis, puede ser más fácil adaptar los programas de enseñanza y
estudio, agilizar los procesos de evaluación y simplificar la documentación de los procesos de apren-
dizaje y la progresión. Al simplificar algunos de los procesos de trabajo de los profesores, puede libe-
rar tiempo que se puede utilizar para mejorar la enseñanza y el seguimiento de los estudiantes o
estudiantes. Sin embargo, el análisis de aprendizaje es algo más que simplificación y racionalización.
También se trata de presentar información a la que alumnos, estudiantes, profesores e instituciones
educativas no han tenido acceso anteriormente, de modo que obtengan información para mejorar
el aprendizaje. Por lo tanto, el análisis del aprendizaje permite aumentar la calidad de la capacitación.

2.4.1 Documentos de gestión para la digitalización en la educación

Encontramos varios documentos estratégicos y planes de acción sobre digitalización dirigidos a la

educación primaria y secundaria inferior, la educación vocacional superior y la educación superior. En
los documentos rectores de la educación primaria y secundaria, el análisis del aprendizaje se menci-
ona explícitamente, mientras que se menciona más implícitamente en los documentos de estrategia
para la educación superior. Con respecto a la formación profesional superior, los documentos recto-
res se refieren a la digitalización a nivel general sin que podamos encontrar referencias concretas al
análisis del aprendizaje.

El Comité MOOC recomendó el establecimiento de un entorno académico para el análisis del apren-
dizaje tanto en el subinforme de 2013 (p. 83) como en el NOU 2014: 5 Green Paper (p. 13). Sobre la
base de estas recomendaciones, el Ministerio de Educación e Investigación estableció el Centro para
la Ciencia del Aprendizaje y la Tecnología (SLATE) en 2016, que es un entorno de investigación para el
análisis del aprendizaje.

En 2017, se elaboró una estrategia de digitalización para la educación primaria y secundaria, seguida
de un plan de acción en 2020. La estrategia establece el objetivo de que los alumnos utilicen la
analítica del aprendizaje para que la instrucción se adapte a sus necesidades y aptitudes (Ministerio
de Educación e Investigación, 2017a). El objetivo implica que los maestros tengan la competencia y la
experiencia para evaluar los pros y los contras del análisis del aprendizaje y las ayudas de aprendizaje
adaptativo, pero la estrategia reconoce que puede ser un desafío:

"Las nuevas tecnologías y el uso de grandes cantidades de datos abren nuevas posibilidades para
materiales de aprendizaje adaptativos y análisis de aprendizaje, pero también requieren una mayor
atención a la calidad, la ética, la privacidad y la seguridad de la información. Para los profesores,
será particularmente difícil evaluar qué elecciones predefinidas se hacen en una herramienta de
aprendizaje adaptativo, por ejemplo, qué se mide, qué visión de los alumnos y el aprendizaje se
 utiliza como base, y qué tipo de tareas y material de aprendizaje estarán disponibles para qué estu-
diantes (p. 19).

Así pues, la estrategia de digitalización para la educación y la formación primarias y secundarias fue
seguida por un plan de acción en 2020. En el plan, se hace especial hincapié en fortalecer el trabajo
sobre cómo las escuelas explotan mejor las oportunidades que ofrece la digitalización al tiempo que
salvaguardan la privacidad (Ministerio de Educación e Investigación, 2020). El plan de acción aborda
los retos relacionados con la privacidad y la seguridad de la información, la cooperación en el acceso
a los recursos digitales de aprendizaje, la competencia de los profesores y los propietarios de centros
educativos, y la base de conocimientos para la digitalización en las escuelas. Una de las medidas del
plan es el establecimiento del grupo de expertos para el análisis del aprendizaje.

Con respecto a la educación superior, la Estrategia para la Transformación Digital en el Sector de la Edu-
cación Superior (2021-2025) abarca seis áreas de enfoque estratégico que incluyen la innovación digi-
tal y la flexibilidad en la enseñanza y el aprendizaje y la utilización de datos sobre el sector del cono-
cimiento (Ministerio de Educación e Investigación, 2021a). Las ambiciones de la estrategia son que la
tecnología digital se utilice para desarrollar programas de estudio más adaptados y flexibles, facilitar
un mejor aprendizaje y proporcionar un mejor punto de partida para la gestión y el desarrollo de cali-
dad de los estudios a través del análisis de datos.

Para las escuelas profesionales terciarias, la Estrategia para la educación descentralizada y flexible en las
escuelas de formación profesional, las universidades y las universidades a partir de 2021 es un docu-
mento rector relevante. Se hace hincapié en que la innovación pedagógica digital y la digitalización
para una educación flexible son particularmente importantes para lograr los objetivos de la estrategia
(Ministerio de Educación e Investigación, 2021c).

2.5 Inteligencia artificial

Cuando los programas informáticos comienzan a comportarse como solucionadores de problemas
inteligentes con una capacidad similar a la de los humanos, nos referimos al comportamiento como
inteligencia artificial (Goodwin, 2020). Hay muchas definiciones generales de inteligencia artificial (IA),
pero la estrategia nacional del Gobierno para la inteligencia artificial se basa en la definición del grupo
de expertos de la UE (Ministerio de Gobierno Local y Modernización, 2020):

"Los sistemas artificialmente inteligentes realizan acciones, físicas o digitales, basadas en la interpre-
tación y el procesamiento de datos estructurados o no estructurados, con el fin de lograr un obje-
tivo determinado. Algunos sistemas de IA también pueden adaptarse analizando y teniendo en cu-
enta cómo las acciones pasadas han afectado a su entorno» (p. 9).

Cuando hablamos de sistemas y aplicaciones informáticas, a menudo usamos el término algoritmos.

Los algoritmos son reglas formuladas de manera precisa y formal que permiten a las computadoras
resolver una tarea.

Los algoritmos que son "entrenados" se llaman algoritmos de aprendizaje o aprendizaje automático, y
es con la ayuda de estos que el desarrollo de la inteligencia artificial se ha acelerado (Goodwin, 2020).
A través del aprendizaje automático, se puede derivar un conjunto de reglas, o algoritmos de apren-
dizaje automático, que juntos forman modelos matemáticos que se utilizan para tomar decisiones.
Los modelos normalmente podrán actuar con mayor precisión a medida que aumente la cantidad de
datos de los que los algoritmos pueden aprender.

Los modelos basados en el aprendizaje basado en reglas interpretan los datos siguiendo reglas pre-
programadas en lugar de ser "entrenados" en el camino. Si tales reglas se vinculan entre sí en compli-
cados árboles de decisión que pueden tomar decisiones automatizadas, el sistema cae bajo la de-
finición de inteligencia artificial (Ministerio de Gobierno Local y Modernización, 2020).

Los investigadores han estado interesados en la conexión entre el aprendizaje y la inteligencia artifi-
cial desde la década de 1980 (Self, 2015). Sin embargo, debido a que hemos visto un rápido desarrollo
tanto en IA como en tecnología de aprendizaje recientemente, la idea de usar IA para apoyar la en-
señanza y el aprendizaje se ha fortalecido. Por ejemplo, la inteligencia artificial se ha desarrollado re-
cientemente para que el habla y la escritura también se entiendan y utilicen en una serie de pro-
gramas informáticos (Gilje, 2021a), lo que hace que la IA sea relevante para la educación noruega.

Los sistemas modernos de IA para el aprendizaje utilizan diversas técnicas y tecnologías, como la mi-
nería de datos, el modelado del conocimiento y el aprendizaje automático (Avella et al., 2016).

2.5.1 Aumento inteligente

Más allá de la inteligencia artificial (IA), que resuelve diversas tareas de forma autónoma, también ex-
iste el aumento inteligente (IA), que son tecnologías con el objetivo de mejorar o potenciar la inteli-
gencia y las capacidades humanas (Shneiderman, 2020). La IA difiere de la IA al permitir que los hu-
manos tengan un control total sobre las decisiones tomadas. Algunos ejemplos de tecnologías que
mejoran las capacidades humanas son la representación de la información a través de, por ejemplo,
cuadros de mando y tecnologías de interacción como la realidad aumentada (Encyclopedia of Mul-
timedia, 2016; Schmidt, 2017). Al combinar el análisis del aprendizaje y las técnicas de IA, los pro-
fesores y educadores pueden obtener información precisa y comprensible que puede proporcionar
una mejor base para las decisiones pedagógicas (Jivet et al., 2018).

2.5.2 Directrices éticas para la inteligencia artificial

Cuando la tecnología toma decisiones que afectan a las personas, es importante que se desarrolle de
acuerdo con principios éticos y respete los derechos humanos y la democracia. Esto es especialmente
importante cuando hay niños involucrados.

En 2019, la Comisión Europea lanzó directrices éticas para la inteligencia artificial (IA). Abarcan cuatro
principios que deben seguirse para garantizar un uso seguro y fiable de la IA (Comisión Europea,
2019, p. 12).

Estos cuatro principios son:

• Respeto a la autonomía humana

• Prevención de daños
• Equidad
• Explicabilidad

Las directrices señalan que la IA no debe amenazar la autonomía humana. La tecnología no debe ma-
nipular ni engañar. Más bien, debería complementar y reforzar las habilidades sociales y cognitivas de
las personas y contribuir a la libertad de elección. Por lo tanto, debemos esforzarnos por garantizar
que la IA esté libre de prejuicios, prejuicios y estigmatización, de modo que evite dañar la integridad y
la dignidad de las personas. Además, la IA debe ser transparente. Hasta cierto punto debe ser posible
explicar la base de las decisiones que toma. Todos estos principios se vuelven especialmente import-
antes cuando se utiliza la IA cuando la relación de poder está desequilibrada, por ejemplo, entre un
profesor y un alumno.

Sobre la base de las directrices de la Comisión Europea, el Gobierno ha elaborado siete principios
para el desarrollo y uso ético y responsable de la IA en Noruega (Ministerio de Gobierno Local y Mo-
dernización, 2020, pp. 59-60):

1. Las soluciones basadas en IA deben respetar la autodeterminación y el control humanos.

2. Los sistemas basados en IA deben ser seguros y técnicamente robustos.
3. La IA debe tener en cuenta la privacidad.
4. Los sistemas basados en IA deben ser transparentes.
5. Los sistemas de IA deben facilitar la inclusión, la diversidad y la igualdad de trato.
6. La IA debería ser útil para la sociedad y el medio ambiente.
7. Responsabilidad.

El último punto sobre la rendición de cuentas complementa los demás requisitos e implica la intro-
ducción de mecanismos para garantizar que las soluciones basadas en la IA y sus resultados rindan
cuentas. También se debe prestar especial atención a la IA dirigida a los niños.

3 Acerca de Learning Analytics

La analítica del aprendizaje como campo de estudio se encuentra en la intersección entre la investiga-
ción y el conocimiento de las ciencias de la educación, el análisis de datos y el diseño centrado en el
usuario. El campo se basa en una comprensión sociotécnica de la enseñanza, el aprendizaje y la
evaluación, la estadística, la visualización, la inteligencia artificial, así como el diseño de interacción y
la usabilidad (SoLAR, 2022).

La interacción con la tecnología de aprendizaje es a menudo compleja y multimodal y puede incluir la

resolución de tareas, el uso de video y audio, la comunicación, la escritura conjunta y el intercambio.
Cuando los estudiantes trabajan en tales entornos de aprendizaje digital, dejan rastros digitales, por
ejemplo, a través de la navegación, las respuestas de las tareas y los tiempos de respuesta. El análisis
del aprendizaje significa que los modelos de interacción se crean sobre la base de los rastros digitales.
La representación y visualización de estos modelos se utilizan para apoyar el aprendizaje y mejorar la
enseñanza (Giannakos, bajo lanzamiento).
Más adelante en este capítulo, explicamos diferentes definiciones de análisis de aprendizaje y su
propósito. También describimos diferentes formas de análisis de aprendizaje y qué tipo de fuentes de
datos se utilizan en los análisis. Además, señalamos la conexión entre la analítica de aprendizaje y la
privacidad.

3.1 Definición de Learning Analytics

La analítica del aprendizaje es un término que rara vez se usa en noruego, y la forma en que se en-
tiende varía entre los diferentes actores del sector educativo. Learning analytics se traduce del té-
rmino inglés learning analytics. La palabra analítica implica que la analítica del aprendizaje tiene
que ver con la tecnología digital, ya que se explica como "un proceso en el que una computadora
examina la información utilizando métodos matemáticos para encontrar patrones útiles".4 Utilizamos
el término análisis de aprendizaje en línea con este entendimiento.

Para obtener una comprensión basada en principios de lo que es la analítica del aprendizaje, nos re-
ferimos a una definición que se presentó en la conferencia internacional Learning Analytics & Know-
ledge (LAK) en 2011, y que todavía se utiliza hoy en día:

«La analítica del aprendizaje es la medición, recopilación, análisis y reporte de datos sobre los alum-
nos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que
ocurre» (SoLAR, 2022).

En 2015, fue traducido y adaptado a la educación primaria y secundaria noruega por el Centro para
las TIC en la Educación. Es la definición noruega que se utiliza en la mayoría de los contextos públicos
en Noruega (Dahl, 2015, p. 2):

"Learning Analytics implica capturar, recopilar, analizar e informar datos sobre los estudiantes en un
contexto donde el objetivo es comprender y mejorar el proceso de aprendizaje y el entorno social
en el que se lleva a cabo el aprendizaje".

Tanto la definición original de 2011 como la traducción al noruego explican el análisis del aprendizaje
como un concepto. Para comprender mejor el proceso, podemos observar más de cerca qué si-
tuaciones y acciones se incluyen en el análisis del aprendizaje. El proceso se puede presentar en un
ciclo donde el punto de partida suele ser una situación de aprendizaje que genera datos. Estos datos
se analizan y la decisión tomada sobre la base del análisis es el punto de inflexión. Los datos incluidos
en el análisis pueden obtenerse de más fuentes que la situación de aprendizaje, como sistemas admi-
nistrativos o registros.

La recopilación, el almacenamiento, el procesamiento y el análisis de datos son procesos complejos

que se remontan a la situación de aprendizaje a través de medidas y decisiones. Esto se hace infor-
mando los resultados del análisis a la persona o personas afectadas por él, o que deben tomar una
decisión sobre la base del mismo. Esto podría ser, por ejemplo, un estudiante que obtiene

4
https://dictionary.cambridge.org/dictionary/english/analytics
información sobre su propio proceso de aprendizaje, un profesor que quiere utilizar el análisis para
adaptar la enseñanza a un grupo de estudiantes o coordinadores de estudio que desean mejorar un
programa de estudio.

Figur 3.1 Adaptado de la visualización de procesos de analítica de aprendizaje

definidos en ISO/IEC TR 20748-1.

3.1.2 El propósito de la analítica de aprendizaje

Learning Analytics tiene como objetivo proporcionar información sobre el aprendizaje y la enseñanza
a diferentes destinatarios: alumnos, estudiantes, profesores, profesores, instituciones educativas,
propietarios de escuelas, aquellos que toman decisiones sobre la educación en diferentes niveles y
aquellos que realizan investigaciones sobre el aprendizaje. La información tiene por objeto propor-
cionar una buena base para las decisiones y medidas.

Para tomar decisiones informadas, se necesita conocimiento sobre el punto de vista de los alumnos o
estudiantes y sus procesos de aprendizaje y desarrollo. Estos conocimientos se adquieren de muchas
maneras diferentes, por ejemplo, a través de la interacción con alumnos o estudiantes, la observación
y diversas formas de evaluación. Las encuestas nacionales e internacionales y las pruebas estan-
darizadas contribuyen al conocimiento sobre grupos más grandes o sobre los programas de estudio
en su conjunto. Común a las diversas formas de adquirir conocimiento es que son piezas de un rom-
pecabezas más grande que juntas forman la base para las decisiones basadas en el conocimiento. La
analítica de aprendizaje puede ser una de estas piezas.

3.2 Diferentes formas de análisis de aprendizaje

El análisis del aprendizaje puede tener diferentes propósitos y aplicaciones y, a menudo, se divide en
diferentes tipos, técnicas o métodos. La red internacional de investigación Society for Learning Analy-
tics Research (SoLAR) describe los siguientes cuatro enfoques (SoLAR, 2022):
• Análisis descriptivo: visión del pasado
- Presentación visual de estadísticas basadas en datos recopilados sobre aprendizaje y ap-
rendizaje, por ejemplo, en informes descriptivos.
• Análisis de diagnóstico: ¿por qué sucedió?
- Explora los datos y las relaciones en los datos para comprender los resultados y proporci-
ona información sobre indicadores relevantes para el aprendizaje, entre otras cosas.
• Análisis predictivo: comprender el futuro
- Combina datos históricos para encontrar patrones y utiliza modelos estadísticos para en-
contrar relaciones entre diferentes conjuntos de datos y, por lo tanto, proporcionar
pronósticos de abandono, por ejemplo, mostrando tendencias y proyecciones.
• Análisis prescriptivo: asesorar sobre posibles resultados
- Análisis que proporcionan recomendaciones para acciones basadas en IA, como notifi-
caciones, mensajes o acciones sugeridas.

3.2.1 Análisis descriptivo

En un análisis descriptivo del aprendizaje, los datos se utilizan para presentar tendencias que propor-
cionan una base para descubrir correlaciones, a menudo a través de la visualización de estadísticas.
Los datos incluidos en un análisis descriptivo pueden obtenerse de actividades de aprendizaje, diver-
sas encuestas a usuarios, elección de dirección durante la educación y resultados de pruebas y
exámenes estandarizados.
 Boks 3.1 Análisis de aprendizaje en la escuela Bogstad

La escuela Bogstad se encuentra en el distrito de Vestre Aker en el municipio de Oslo y tiene alre-
dedor de 380 alumnos de 1º a 7º grado.

La escuela divide el año en seis períodos temáticos, y todos los estudiantes siguen el mismo plan
temático. El tema en cuestión es un marco para la enseñanza, y algunas asignaturas, las llamadas
asignaturas de gestión, pondrán especial énfasis en el tema.

Al final del período temático, se reserva tiempo de desarrollo pedagógico para evaluar el apren-
dizaje de los alumnos en el período anterior. En este proceso, la analítica del aprendizaje es clave.
Si se han llevado a cabo diferentes evaluaciones durante el período, los resultados son analizados
por profesores y líderes asociados con el paso relevante. La herramienta de análisis utilizada para
esto es Conexus Engage. Esta herramienta recopila los resultados de muestras de mapeo, muest-
ras nacionales, muestras de Oslo y muestras de Carlsten.

Cuando los resultados están listos, son revisados en cada etapa por los profesores conjunta-
mente, a menudo en colaboración con su superior inmediato. En estas reuniones colaborativas,
los maestros revelan si los estudiantes individuales necesitan un seguimiento adicional. Junto con
otras evaluaciones y observaciones de los estudiantes, utilizan los informes de Conexus Engage
como base para decidir qué medidas deben tomarse para aumentar el progreso académico de los
estudiantes. Tales medidas se suman al seguimiento continuo de los estudiantes durante el
período.

Fuente: Agencia de Educación, Municipalidad de Oslo

3.2.2 Análisis diagnóstico

Un análisis de diagnóstico tiene como objetivo revelar por qué el resultado resultó como fue. Cuando
se utiliza esta forma de análisis de aprendizaje, uno busca correlaciones y patrones en los datos para
comprender las relaciones. El propósito es utilizar los resultados del análisis para mejorar el re-
sultado.

Un ejemplo de un análisis de diagnóstico podría ser encontrar indicadores y patrones de actividad re-
levantes entre los alumnos y estudiantes en programas con una alta tasa de finalización, y luego utili-
zar estos hallazgos para aumentar las tasas de finalización en otros programas. Otro ejemplo sería
identificar los conceptos erróneos de los estudiantes y las áreas donde necesitan más capacitación o
apoyo.

Cuando se trata del desarrollo de la calidad a nivel institucional o nacional, los análisis de diagnóstico
se pueden utilizar para evaluar estrategias y medidas. A nivel individual y grupal, estos análisis se pue-
den utilizar para comprender y optimizar las estrategias de aprendizaje.
3.2.3 Análisis predictivo

El propósito del análisis predictivo es predecir el abandono y la necesidad de seguimiento, y es la

forma más extendida de análisis del aprendizaje en la educación superior (Misiejuk & Wasson, 2017).
El análisis a menudo se basa en datos de antecedentes sobre los estudiantes, además de los datos
generados a través de sus actividades de aprendizaje. El propósito es obtener información sobre la
probabilidad de diferentes resultados. Las instituciones de educación superior pueden utilizar los re-
sultados de un análisis predictivo como base para evaluar la calidad de la educación que ofrecen, de
modo que puedan hacer ajustes y medidas según sea necesario.

Boks 3.2 Análisis de aprendizaje en BI Norwegian Business School

BI Norwegian Business School es un colegio universitario especializado con campus en Oslo, Ber-
gen, Trondheim y Stavanger. La universidad tiene aproximadamente 19,700 estudiantes.

En BI Norwegian Business School, las altas tasas de deserción escolar entre los estudiantes de pri-
mer año son un desafío importante. La tasa de deserción puede tener muchas razones, pero para
contrarrestar la deserción, la universidad se preocupa por comprender mejor el trabajo diario de
los estudiantes. Dos de los factores que BI está examinando más de cerca son la motivación de los
estudiantes al inicio de sus estudios y su integración académica, partiendo del supuesto de que
existe una correlación entre estas variables y el abandono precoz.

Para obtener una impresión de tal conexión, BI utiliza datos de actividades en la plataforma de ap-
rendizaje para los cursos de primer año, información demográfica en el sistema de administración
de estudiantes, progresión en tareas obligatorias y resultados de exámenes. Estos datos se im-
portan a un almacén de datos central donde se filtran y analizan de varias maneras. Los métodos
de análisis incluyen un modelo de predicción de la probabilidad de que un estudiante determi-
nado abandone la escuela. El modelo es parte de determinar si el estudiante necesita seguimiento
individual con medidas de prevención de deserción.

Fuente: BI Norwegian Business School

3.2.4 Análisis prescriptivo

Un análisis prescriptivo tiene como objetivo responder a la pregunta de qué debe hacerse propor-
cionando asesoramiento o recomendaciones sobre medidas, decisiones y acciones. Tales consejos o
recomendaciones pueden tener dos propósitos diferentes. Puede ser para mejorar el aprendizaje
para el estudiante individual o estudiante, o puede ser para contribuir a un nivel más general, por
ejemplo, mejorando un programa de estudio. En ambos casos, los consejos o recomendaciones se
basan en diversas formas de aprendizaje basado en reglas, aprendizaje automático y modelado
estadístico. Los consejos o recomendaciones incluyen sugerencias de acciones y acciones que pueden
iniciarse en diferentes niveles para mejorar el aprendizaje.
3.3 Fuentes de análisis de aprendizaje
Todos los rastros que los alumnos y estudiantes dejan en su trabajo de aprendizaje digital se almace-
nan en forma de datos. Estos datos son la base más importante de la analítica de aprendizaje.

Los datos de actividad se utilizan a menudo para denotar una categoría descriptiva general para los
datos incluidos en el análisis del aprendizaje. El término se traduce del inglés activity data, que es
definido ampliamente por la organización británica Joint Information Systems Committee (Jisc): "Los
datos de actividad son el registro de acciones humanas en el mundo en línea o físico que pueden ser
capturados por computadora" (Kay & Harmelen, 2015).

Boks 3.3 Análisis de aprendizaje en Re High School

La escuela secundaria superior Re se encuentra en el municipio de Tønsberg y tiene más de 800

alumnos. La escuela ofrece programas especializados en estudios generales y formación profesio-
nal y otros programas de formación.

Los profesores de la escuela utilizan el programa de enseñanza en video ASK Studio en su en-
señanza. Hay videos, tareas y otras actividades académicas en las que los estudiantes trabajan. En
la herramienta de análisis de aprendizaje de ASK Studio, los profesores obtienen una visión gene-
ral completa de los videos, tareas y cuestionarios que los estudiantes han visto y completado, y no
menos importante el progreso de los estudiantes en el tema.

Debido a que los maestros pueden ver quién ha hecho qué y obtener una buena visión general del
progreso de sus estudiantes, pueden ajustar la cantidad y el tipo de trabajo de aprendizaje. Los
maestros también obtienen una visión general de quién necesita más tiempo y quién trabaja rápi-
damente. Proporciona un mejor punto de partida para las conversaciones con los estudiantes
sobre el tema.

A través de Microsoft Forms, los profesores obtienen información sobre las propias reflexiones y
análisis de sus propios estudiantes sobre su trabajo de aprendizaje. Cuando los estudiantes se
vuelven más conscientes de lo que están de acuerdo y en lo que deberían trabajar más, aprenden
a evaluar su propio aprendizaje. La autoevaluación de los estudiantes junto con los análisis de ASK
Studio proporcionan a los profesores información valiosa a la hora de organizar y planificar la in-
strucción para el estudiante individual.

Fuente: Municipio del condado de Vestfold og Telemark

En el proyecto noruego KS Datos de actividad para evaluación y adaptación (AVT), los datos de acti-
vidad en un contexto de aprendizaje se describen de la siguiente manera: "Cuando un estudiante
realiza tareas, ve un video o realiza otras acciones en una herramienta digital, se generan datos de
actividad" (Morlandstø et al., 2019, p. 17). Este tipo de datos se genera ampliamente todos los días en
todas las instituciones educativas noruegas y se utiliza en diversos grados en el análisis del apren-
dizaje.

Además de los datos de situaciones de aprendizaje, a menudo será relevante recopilar datos de otras
fuentes, como sistemas administrativos o registros. Los ejemplos incluyen datos demográficos, datos
recopilados a través de encuestas, por ejemplo, sobre el bienestar de los estudiantes, datos de
evaluación y datos que describen la interacción social, por ejemplo, de diferentes sistemas de comuni-
cación.

En el contexto de la analítica de aprendizaje, a veces hablamos de que los datos de aprendizaje son
una fuente importante. Es difícil encontrar una definición consensuada del término datos de apren-
dizaje, pero en general parece ser una categoría analítica utilizada para indicar que los datos pueden
ser una fuente de información sobre el estudiante o el aprendizaje de los estudiantes. Por lo tanto, el
término datos de aprendizaje se utiliza principalmente para referirse al propósito de la recopilación y
el uso de los datos, y no necesariamente como una categoría descriptiva.

3.4 Análisis de aprendizaje y sistemas adaptativos

En educación primaria y secundaria encontramos un uso extensivo de ayudas de aprendizaje adapta-
tivo (Egelandsdal et al., 2019) y proyectos de investigación y desarrollo sobre evaluación adaptativa.5
Común a estos sistemas adaptativos es que hacen una forma de adaptación automatizada e indivi-
dual al punto de vista del alumno utilizando inteligencia artificial. Un ejemplo de tal adaptación es que
al alumno se le asignan tareas o se le da acceso a pistas en un material o prueba de aprendizaje digi-
tal, en función de lo que ha respondido anteriormente. Aspectos como el ritmo, el contenido, el modo
de presentación y la retroalimentación también se pueden adaptar a las necesidades individuales del
estudiante, en función de los datos sobre cómo el estudiante ha utilizado el recurso (Egelandsdal et
al., 2019).

La mayoría de las ayudas y pruebas de aprendizaje adaptativo tienen algún tipo de visualización de la
progresión y los resultados logrados a través de un tablero o similar. El profesor puede utilizar la visu-
alización para el apoyo a la toma de decisiones para futuras adaptaciones o medidas.

5
https://www.uis.no/nb/lesesenteret/adaptive-vurderingsverktoy-bedre-laering#/
Figur 3.2 Ejemplo del panel de control del alumno del profesor de la her-
ramienta de aprendizaje adaptativo Multi Smart Øving de Gyldendal (repro-
ducido con permiso).

En muchos casos, el análisis del aprendizaje se basa en datos de dichos sistemas adaptativos, como
materiales de aprendizaje adaptativo o pruebas adaptativas. Por lo tanto, la cuestión es si es apro-
piado considerar la adaptabilidad en sí misma como parte del análisis del aprendizaje, o si debe con-
siderarse como una forma de generar datos para el análisis del aprendizaje. El análisis de aprendizaje
presentará así el resultado de la adaptabilidad (qué han respondido los alumnos a una tarea, cuántas
pistas han utilizado, cuántas tareas han resuelto, cuánto tiempo han dedicado, etc.). Como las muest-
ras adaptables pueden proporcionar datos sobre la finalización de la prueba y sus visualizaciones, son
relevantes para el análisis del aprendizaje.

Hay buenas razones para mantener el análisis de aprendizaje y los sistemas adaptativos como cam-
pos separados. Por ejemplo, pueden tener diferentes propósitos. Al mismo tiempo, es obvio que los
dos campos interactúan en gran medida, y que el análisis del aprendizaje en la educación primaria y
secundaria y la formación se basará en gran medida en los datos de los sistemas adaptativos en el
futuro. Por lo tanto, cuando hablamos de analítica de aprendizaje, debemos incluir la adaptabilidad,
pero podemos distinguir entre analítica de aprendizaje y sistemas adaptativos como campo de estu-
dio, y los sistemas adaptativos en sí mismos no definen lo que llamamos analítica de aprendizaje.

3.5 Análisis de aprendizaje y privacidad

La privacidad tiene que ver con el derecho a una vida privada y el derecho a decidir sobre los propios
datos personales. Gran parte de los datos incluidos en la analítica de aprendizaje serán datos perso-
nales, es decir, datos que pueden vincularse a una persona física, directa o indirectamente. La Ley de
Datos Personales se ocupa de cómo deben procesarse y utilizarse los datos personales. El procesa-
miento ya comienza con la recopilación de datos personales, y las reglas sobre cómo debe hacerse se
basan en algunos

principios fundamentales y el Reglamento General de Protección de Datos de la UE (GDPR), que obliga

a todos los que procesan dichos datos (Datatilsynet, 2021).

Los niños tienen una necesidad especial de proteger sus datos personales y su privacidad. Esto se re-
fleja en el artículo 104 de la Constitución, que otorga a los niños el derecho individual a la protección
de su integridad personal. Además, el artículo 16 de la Convención sobre los Derechos del Niño estab-
lece que los niños no serán objeto de injerencias arbitrarias o ilegales en su vida privada. La Ley de
datos personales y el Reglamento general de protección de datos también establecen normas
especiales para los niños. En el mandato de la Comisión de6 Protección de Datos, encontramos que la
mitad de las no conformidades reportadas a la Autoridad Noruega de Protección de Datos en 2019
con respecto a los niños ocurrieron en el sector escolar.

Todas las personas tienen derecho a una esfera privada donde puedan actuar libremente sin interfe-
rencia del Estado u otras personas. Este principio está consagrado, entre otras cosas, en la Constitu-
ción y en el Convenio Europeo de Derechos Humanos. La privacidad es importante no solo para sal-
vaguardar la integridad y privacidad del individuo, sino también desde un punto de vista democrático:
"Sin el derecho a tener una vida privada, no será posible que el individuo cree un espacio para desar-
rollar reflexiones y evaluaciones de forma independiente, sin ser molestado o controlado por otros"
(La Autoridad Noruega de Protección de Datos, 2019). Esta perspectiva es extremadamente import-
ante cuando hablamos de educación.

6
https://personvernkommisjon.no/mandat/
 Boks 3.4 Datos personales

Los datos personales son cualquier información que se puede vincular a un individuo. (Artículo 4,
apartado 1, del Reglamento).

La información puede estar directamente vinculada a la persona, como el nombre, el número de

identidad nacional o la información de ubicación.

La información también puede estar vinculada indirectamente a un individuo. Esto significa que la
persona puede ser identificada en base a una combinación de uno o más elementos específicos
de la identidad física, fisiológica, genética, mental, económica, cultural o social de la persona.

Fuente: Autoridad Noruega de Protección de Datos, 2018, p. 14.

3.5.2 Principios para la protección de datos personales

En primer lugar, el procesamiento de datos personales debe ser legal, lo que significa que debe haber
una base legal para procesarlos. Con respecto al procesamiento de datos personales en el análisis del
aprendizaje, la base legal relevante a menudo será el Artículo 6 (c) del Reglamento General de Pro-
tección de Datos sobre "obligación legal" o el Artículo 6 (e) sobre "el interés público o el ejercicio de la
autoridad oficial conferida al controlador" (Autoridad de Protección de Datos, 2022).

Además, el tratamiento será justo y transparente. Esto significa que debe ser percibido como
razonable, comprensible y predecible para la persona a la que se refiere la información. Cuando se
utiliza el análisis del aprendizaje, este principio impone demandas sobre cómo explicar las consecuen-
cias del tratamiento a los estudiantes, sus padres, estudiantes, maestros y maestros.

Los datos personales solo se recopilarán cuando se vayan a utilizar para un propósito determinado. El
propósito también debe explicarse explícitamente para que todos los interesados entiendan para qué
se utilizará la información. No es posible reutilizar los datos personales para fines incompatibles con
el original. En muchos casos, los datos de Learning Analytics serán procesados por un tercero, y luego
la persona responsable del procesamiento debe asegurarse de que los datos no se divulguen o
procesen en violación del principio de limitación de propósito.

Otro principio es que los datos personales procesados deben ser correctos. Esto puede parecer obvio
y fácil de cumplir, pero dentro de la analítica de aprendizaje existe un riesgo real de que se procese
información incorrecta y, por lo tanto, termine como una fuente de error en el análisis. El proyecto KS
Datos de actividad para la evaluación y adaptación (AVT) discutió el riesgo de que un estudiante
responda a las tareas de otro estudiante, o que un estudiante manipule deliberadamente el sistema
respondiendo tareas incorrectamente para que se le asignen tareas más fáciles o menos (Datatilsy-
net, 2022). La consecuencia de tales fuentes de error puede ser que el análisis de aprendizaje da re-
comendaciones engañosas o incorrectas.
Una paradoja en el procesamiento de datos en el análisis del aprendizaje está relacionada con la can-
tidad de datos recopilados. En el caso de los análisis de aprendizaje que hacen uso del aprendizaje
automático, una mayor cantidad de datos aumentará la calidad del análisis. Al mismo tiempo, tene-
mos un principio fundamental que significa limitar la cantidad de datos personales recopilados a lo
que es necesario para realizar el propósito de la recopilación: el llamado principio de minimización
de datos . Sin embargo, cuando se utiliza el aprendizaje automático, es difícil identificar de antemano
7

qué es una cantidad suficiente de datos. La Autoridad Noruega de Protección de Datos recomienda el
siguiente enfoque para el principio de minimización de datos con respecto al aprendizaje automático
(2018, p. 11): "Si uno se adhiere al principio de minimización de datos, será natural comenzar con una
cantidad limitada de datos de entrenamiento y luego monitorear cómo se desarrolla la precisión del
modelo a medida que se alimentan nuevos datos". Este enfoque indica que la captura de nuevos da-
tos ya no es necesaria cuando la curva de valor agregado en el aprendizaje automático se aplana.

Finalmente, en el artículo 6 (1) del Reglamento General de Protección de Datos, encontramos el princi-
pio de limitación del almacenamiento, es decir, que los datos se eliminarán cuando ya no sean ne-
cesarios para el propósito, y que se protegerá la integridad, confidencialidad y disponibilidad de los
datos. Las empresas que procesan datos personales deben demostrar activamente que asumen la
responsabilidad de actuar de acuerdo con los principios.

3.5.3 ¿Cuáles son las limitaciones actuales y realistas de la analítica del aprendizaje?

Hay tres de los principios básicos para el procesamiento de datos personales que son particular-
mente relevantes con respecto a la protección de datos personales en el análisis del aprendizaje.
Estos son los principios de que el procesamiento debe ser justo, transparente y guiado por lo que es
relevante y necesario (minimización de datos). A la luz de estos tres principios, hay dos aspectos de la
analítica del aprendizaje que son particularmente interesantes de examinar desde una perspectiva de
privacidad. En primer lugar, es pertinente examinar la distinción entre la información como base para
la evaluación y la información sobre los esfuerzos en la educación primaria y secundaria. En segundo
lugar, es pertinente investigar si los alumnos y estudiantes deberían seguir siendo posibles para man-
tener una distinción entre el papel del alumno/estudiante y la vida privada. Estos aspectos se exami-
narán más adelante en el informe, por ejemplo en los capítulos 6 y 10.

3.5.4 ¿Sistema de decisión o sistema de apoyo a la decisión?

Desde una perspectiva de privacidad, es crucial si una herramienta de análisis de aprendizaje puede
considerarse como un sistema de apoyo a la toma de decisiones o como un sistema automatizado de
toma de decisiones. ¿Es un humano que toma una decisión independiente basada en la información
del análisis de aprendizaje, o la decisión está automatizada en la herramienta? La respuesta a esta
pregunta tendrá consecuencias para la evaluación de si se aplica el artículo 22 del RGPD. El artículo 22

7
Reglamento general de protección de datos, artículo 5, apartado 1, letra c).
especifica el derecho a no estar sujeto a una decisión basada únicamente en el tratamiento automa-
tizado (Autoridad de Protección de Datos, 2022).

En la práctica, sin embargo, pueden surgir algunas zonas grises. Es fácil imaginar que las re-
comendaciones de los sistemas de apoyo a la toma de decisiones en algunos casos se seguirán in-
discriminadamente debido a la falta de tiempo o falta de información sobre cómo funciona el sis-
tema. Entonces la herramienta funcionará como un sistema de toma de decisiones, incluso si esa no
era la intención. Además, hay muchos sistemas que combinan los dos enfoques en una solución
híbrida.

4 Investigación interdisciplinaria e investigación y desarrollo

La analítica del aprendizaje se refiere en parte a un campo interdisciplinario de investigación y en
parte al uso educativo en el sector educativo. Este informe trata principalmente sobre el uso pe-
dagógico de la analítica del aprendizaje y las oportunidades y desafíos que ofrece. Sin embargo, antes
de comenzar a discutir tales oportunidades y desafíos, resumiremos brevemente algunos proyectos
de investigación e investigación y desarrollo sobre análisis de aprendizaje.

Gran parte del trabajo realizado en el campo de la investigación y la investigación y el desarrollo im-
plica pruebas prácticas a pequeña escala. Hay mucha actividad, pero la investigación todavía está en
un punto en el que es difícil ver qué será posible lograr en la práctica, dónde vendrán los avances y
cuáles serán las limitaciones legales (Kluge, 2021). Además, los resultados a menudo tienen un im-
pacto directo limitado en las prácticas, productos y mercados educativos establecidos, al menos
inicialmente. El conocimiento tiende a permanecer dentro de la comunidad investigadora. En todos
los niveles de educación, se realiza poca investigación sobre la analítica del aprendizaje utilizada en la
práctica pedagógica real. Al mismo tiempo, la investigación y el trabajo de investigación y desarrollo
reflejan diferentes ideas sobre lo que es el análisis del aprendizaje y las ambiciones de lo que puede
llegar a ser.

El panorama general en Noruega es que gran parte del desarrollo comercial se centra principalmente
en la educación primaria y secundaria. Al mismo tiempo, la mayor parte de la investigación tanto en
Noruega como a nivel internacional se ha llevado a cabo en la educación superior, como se señala en
la visión general del conocimiento del centro de investigación SLATE, State of the Field Report on Lear-
ning Analytics (Misiejuk & Wasson, 2017). Sin embargo, tiene sentido considerar la investigación y el
trabajo de investigación y desarrollo en el campo de la analítica del aprendizaje como un semillero
para posibles aplicaciones prácticas de la analítica del aprendizaje en todos los niveles de la edu-
cación noruega.

El análisis del aprendizaje es un campo interdisciplinario de investigación, lo que significa que muchas
disciplinas y tradiciones de investigación establecidas contribuyen a su manera al campo. La red inter-
nacional de investigación Society for Learning Analytics Research (SoLAR) coloca el análisis del ap-
rendizaje en la intersección del aprendizaje (por ejemplo, investigación educativa, teoría de la
evaluación, tecnología de aprendizaje), análisis (por ejemplo, estadísticas, visualización, informática,
inteligencia artificial) e interacción humano-computadora (por ejemplo, usabilidad, diseño participativo,
pensamiento de sistemas sociotécnicos) (SoLAR, 2022).

Una selección de revisiones (Siemens, 2013; Misiejuk y Wasson, 2017; Sclater, 2017) complementa el
campo con sistemas de apoyo a la decisión, modelado de usuarios, bases de datos, minería de datos,
filosofía, ciencias de la información, modelado cognitivo, lingüística, procesamiento lingüístico natural,
psicología, análisis de redes y sociología, entre otros. Además, la ética es, por supuesto, central, al
igual que sus implicaciones legales.

En general, el análisis del aprendizaje es un campo de investigación joven, aunque muchas de las
disciplinas individuales naturalmente tienen una larga historia, como la ética, la filosofía, la in-
formática y el derecho. Incluso la inteligencia artificial, que en sí misma es un campo de investigación
"nuevo" e interdisciplinario, tuvo su primera conferencia ya en 1956. Los historiadores con expe-
riencia en ciencia probablemente creerán que un campo de investigación está tomando forma con
sus primeras conferencias importantes, asociaciones profesionales y publicaciones. Como se men-
cionó en el subcapítulo 3.1, la primera conferencia internacional para el análisis del aprendizaje tuvo
lugar en 2011: LAK11: 1st International Conference on Learning Analytics and Knowledge (ACM, 2011). La
red de investigadores SoLAR se estableció el mismo año, y en 2014 establecieron el Journal of Learning
Analytics. El Handbook of Learning Analytics se publicó en 2017 (Lang et al., 2017).

Nuestra ambición aquí no es proporcionar una presentación histórica adecuada de un campo com-
plejo, sino presentar brevemente una selección de temas clave de investigación e investigación y
desarrollo que puedan arrojar luz sobre el mandato del grupo de expertos, y que apuntan a algunos
dilemas relacionados con el análisis del aprendizaje, que discutimos en la segunda parte del informe.

4.1 Análisis del aprendizaje basado en la teoría y facilitación del apren-

dizaje

4.1.1 Vínculo entre el análisis del aprendizaje y el diseño del aprendizaje

Un objetivo principal de la analítica del aprendizaje es obtener una base para evaluar cómo deben or-
ganizarse y adaptarse mejor los elementos de la situación de aprendizaje individual o de toda la asig-
natura, curso o programa. Por lo tanto, un tema central de la investigación es cómo el análisis del ap-
rendizaje puede ayudar a mejorar y desarrollar entornos de aprendizaje y facilitar el aprendizaje. Una
de las perspectivas de investigación se basa en la premisa de que facilitar el aprendizaje es un
proceso de diseño (Laurillard, 2012). Tanto el proceso de diseño como sus resultados se conocen
como diseño de aprendizaje (Canole, 2010; Coper, 2006; Mangaroska y Giannakos, 2019; Wasson y Kir-
schner, 2020). El término diseño de aprendizaje no significa que el aprendizaje en sí mismo pueda di-
señarse, sino que la facilitación del aprendizaje puede. Por lo tanto, el diseño de aprendizaje debe
entenderse como diseño para el aprendizaje.

Un diseño de aprendizaje puede consistir en una serie de elementos. El punto de partida es una justi-
ficación teórica de aprendizaje para el diseño, y en función de la justificación y los objetivos relevantes
para el aprendizaje, se seleccionan formas específicas de evaluación y actividades de aprendizaje y se
describen en un orden específico. Además, eliges contenido y roles con diferentes funciones. Un di-
seño de aprendizaje es, por lo tanto, un plan educativo para el proceso de aprendizaje. El diseño de
aprendizaje es tanto una actividad basada en el conocimiento como una descripción de cómo se
diseña un programa de estudio real o un plan de enseñanza.

Parte de la investigación sobre análisis de aprendizaje trata sobre cómo se puede utilizar el análisis de
aprendizaje para examinar la calidad del diseño de aprendizaje y mejorarlo. Mejorar un diseño de ap-
rendizaje mejora las condiciones para el aprendizaje, como la calidad e idoneidad de los materiales de
aprendizaje seleccionados, las actividades de aprendizaje y las formas de evaluación.
Figur 4.1 Modelo para el desarrollo cíclico del diseño de aprendizaje, por Scla-
ter (2017, p. 67).

En su revisión de la literatura sobre análisis de aprendizaje, Sclater (2017) señala que el diseño de ap-
rendizaje "necesita" análisis de aprendizaje para validar un diseño elegido. Al mismo tiempo, el
análisis del aprendizaje requiere un diseño de aprendizaje subyacente que determine qué datos y qué
análisis son relevantes.

La interdependencia se describe utilizando un modelo cíclico (figura 4.1). Aquí vemos que las eleccio-
nes en el diseño del diseño de aprendizaje afectan el comportamiento de aprendizaje del estudiante y
la enseñanza del maestro, lo que a su vez afecta los resultados de aprendizaje. Todas las etapas del
ciclo se ven en contexto con la ayuda de análisis de aprendizaje y proporcionan retroalimentación a
los responsables del diseño del aprendizaje. El análisis del aprendizaje conduce a un mayor desarrollo
del diseño del aprendizaje. Los tipos de datos recopilados, y cómo se analizan e interpretan, depen-
den de las preguntas a las que los responsables necesitan respuestas para desarrollar el mejor diseño
de aprendizaje posible.

Mangaroska & Giannakos (2019) har gjennomgått mye av forskningen som spesifikt utforsker kob-
lingen mellom læringsanalyse og læringsdesign. I likhet med Sclater (2017) viser de til Lockyer mfl.
(2013), som betrakter «Learning Design as a form of documentation of pedagogical intent that can
provide the context for making sense of diverse sets of analytical data» (s. 1439). I tråd med dette ser
Mangaroska & Giannakos (2019) læringsdesign som «documentación de intención pedagógica que
proporciona el contexto para interpretar el análisis de los diversos conjuntos de datos» (s. 517). Rela-
sjonen mellom læringsdesign og læringsanalyse beskriver de slik:

«Sin una base teórica de análisis de aprendizaje y la interpretación contextual de los datos recopila-
dos, las capacidades de diseño de análisis de aprendizaje son limitadas. Desde esta perspectiva, el
diseño del aprendizaje es absolutamente importante, ya que proporciona el marco para analizar e
interpretar los datos, el comportamiento del alumno y los patrones de aprendizaje exitosos o ine-
ficientes». (art. 516).

Mangaroska y Giannakos (2019) examinan un total de 43 artículos e identifican dos enfoques diferen-
tes para el diseño del aprendizaje y el análisis del aprendizaje, respectivamente. Luego observan
cómo los pasos y elementos del diseño de aprendizaje pueden alinearse con los pasos y elementos
de análisis de aprendizaje.

Cuando se trata de diseño de aprendizaje, el primer enfoque es la Open University Learning Design
Initiative (Rienties et al., 2017). Este enfoque está respaldado por el proveedor de tecnología de in-
vestigación y educación superior del Reino Unido Jisc y, por lo tanto, menciona a los estudiantes. El
modelo incluido en el enfoque describe siete categorías de actividades que contiene un diseño de ap-
rendizaje (Rienties et al., 2017, p. 136):

• La categoría asimilativa incluye actividades en las que los estudiantes adquieren información
requerida por un instructor.
• La categoría de búsqueda y manejo de información promueve el desarrollo de habilidades.
• La categoría comunicativa incluye toda la comunicación entre estudiantes y entre estudian-
tes y facilitadores.
• La categoría productiva enfatiza que los estudiantes están desarrollando activamente algo.
• La categoría experiencial tiene en cuenta que los estudiantes se benefician de sus conocimien-
tos en situaciones reales o simuladas.
• La categoría interactiva/adaptativa incluye la exploración de problemas en experimentos
simulados o juegos de rol.
• La categoría de evaluación incluye todas las formas de evaluación.

El segundo enfoque es el modelo de cinco pasos de Campbell &; Oblinger (2017) de análisis de apren-
dizaje ( capturar, informar, predecir, actuar, refinar). Mangaroska y Giannakos (2019) han agregado un
nivel de elementos que reflejan la literatura general que han analizado durante cada uno de los cinco
pasos:

• La captura abarca todos los métodos de recolección de datos utilizados en los diversos estu-
dios.
• El informe se refiere a las técnicas que los investigadores utilizaron en los estudios para comu-
nicar los resultados del análisis de aprendizaje a los usuarios.
• Predict aborda el propósito detrás del uso de modelos de predicción de no respuesta y otros
factores.
• Act abarca diferentes tipos de acciones y seguimiento en los estudios.
• Refinar se refiere al cambio y rediseño de las actividades de aprendizaje en los estudios.

Además, Mangaroska & Giannakos (2019) han combinado los dos marcos: la Open University Learning
Design Initiative (Rienties et al., 2017) y el modelo de análisis de aprendizaje de cinco pasos de Camp-
bell & Oblinger (2017), incluidos los elementos que han agregado durante cada paso. La combinación
constituye un "árbol de taxonomía" genérico al que se refieren como Learning Analytics for Learning
Design Taxonomy (Figura 4.2).

Mangaroska y Giannakos (2019) enfatizan que en una práctica basada en dicho marco taxonómico, la
intención es realizar el análisis del aprendizaje basado en un diseño de aprendizaje motivado pe-
dagógicamente. El propósito del análisis es comprender los procesos de aprendizaje en el contexto
que describe el diseño de aprendizaje. Al mismo tiempo, el análisis proporcionará una base para reali-
zar cambios en el diseño del aprendizaje. Al igual que en el modelo anterior de Sclater (2017) (figura
4.1), el proceso se entiende como un ciclo destinado a proporcionar una base para mejorar el diseño
del aprendizaje y el análisis del aprendizaje paso a paso. Mangaroska y Giannakos (2019, p. 529) con-
cluyen que la taxonomía Learning Analytics for Learning Design es una:

«Proposición sobre cómo se pueden utilizar los hallazgos de los estudios seleccionados para derivar
la clasificación y establecer criterios de selección para extraer métricas de análisis de aprendizaje pe-
dagógicamente valiosas de actividades específicas de diseño de aprendizaje.»
Figur 4.2 Learning Analytics for Learning Design Taxonomy. Etter Mangaroska
y Giannakos (2019, s. 530).

4.1.2 Análisis de aprendizaje y aprendizaje colaborativo

Una visión sociocultural del aprendizaje con un enfoque en el estudiante y la actividad estudiantil ca-
racteriza gran parte de la investigación internacional sobre análisis del aprendizaje. Tal visión del ap-
rendizaje tiene una fuerte dimensión colectiva donde el aprendizaje y la creación de significado del
individuo tienen lugar en gran medida en interacción con otros a través de diferentes variantes de ap-
rendizaje colaborativo. Según el análisis de Misiejuk & Wasson (2017) de los temas en el campo de la
investigación, el aprendizaje colaborativo (CSCL) es dominante como enfoque pedagógico.
Explorar el papel de la analítica del aprendizaje en el aprendizaje colaborativo es un tema de investi-
gación clave (Chen &; Teasley, 2022). Un ejemplo noruego de este tipo de trabajo es el proyecto de
investigación de cuatro años TeamLearn – Teamwork analytics for training collaborative problem solving
in professional higher education.8 El proyecto está dirigido a la educación superior, y los investigadores
investigarán cómo la analítica del aprendizaje puede contribuir a los estudios sobre resolución de pro-
blemas y aprendizaje en equipo. Los programas de grado que analizan son enfermería, medicina y
jurisprudencia.

El proyecto investiga si el análisis del aprendizaje podría contribuir potencialmente a la formación de

grupos asistidos por computadora, proporcionar una visión general sistemática de las actividades y
contribuciones individuales, desarrollar y distribuir contenido, apoyar la interacción social y la (co)
producción, proporcionar una base para las decisiones grupales, proporcionar evaluaciones y orienta-
ción adaptativa del trabajo grupal y proporcionar retroalimentación individual automatizada y ori-
entada al proceso. Su objetivo es preparar un análisis donde las fuentes de datos pueden ser
cualquier cosa, desde la interacción en soluciones de colaboración y otros programas informáticos
hasta sensores de ubicación, micrófonos, dispositivos portátiles, simuladores de pacientes, etc. Gran
parte de la investigación se centrará en descubrir qué tipos de datos serán adecuados para diversos
propósitos para proporcionar una visión general significativa y una base para la acción.

Para el vínculo entre el análisis del aprendizaje y el aprendizaje colaborativo, el análisis de redes es
fundamental (Poquet y Joksimovic, 2022). Diferentes formas de mapas de red en un análisis de redes
sociales visualizarán las conexiones entre los participantes, la frecuencia de interacción, los roles de
interacción y los patrones de interacción. Otros tipos de análisis de redes pueden revelar patrones en,
por ejemplo, la argumentación y la importancia que el grupo otorga a diferentes temas. El autoin-
forme en tales análisis puede mostrar los roles percibidos de los participantes, los valores percibidos
de contribución y los patrones de interacción percibidos (Poquet y Joksimovic, 2022).

4.2 Investigación sobre análisis de aprendizaje y ética

Parte de la investigación sobre análisis del aprendizaje trata sobre cómo el análisis del aprendizaje
debe explorarse y usarse de manera correcta, responsable y buena, y las consecuencias de lo contra-
rio. El uso de la analítica del aprendizaje tiene una serie de dimensiones éticas que son de interés
para la investigación. Aquí, también, la mayor parte de la investigación está relacionada con la edu-
cación superior, pero los hallazgos pueden ser relevantes para todos los niveles de educación.

Pargman y McGrath (2021) revisan la literatura empírica sobre ética y análisis del aprendizaje en la
educación superior y señalan que trata poco sobre el uso de sistemas reales y los desafíos que surgen
en este sentido. Cuando se discute el uso de sistemas, a menudo se hace en términos genéricos. En
cambio, la mayoría de los estudios empíricos se refieren a las actitudes, experiencias, perspectivas y
puntos de vista de los encuestados sobre el análisis del aprendizaje. Además, la mayoría de los

8
https://www.uv.uio.no/iped/english/research/projects/teamlearn/index.html
estudios adoptan una perspectiva institucional. La perspectiva de quienes generan la mayoría de los
datos, es decir, los estudiantes, no es muy visible.

De lo contrario, Pargman y McGrath (2021) encuentran que tanto el personal como los estudiantes no
están adecuadamente informados sobre los sistemas de análisis de aprendizaje y la gestión de datos.
Los estudiantes demuestran una falta de comprensión de los sistemas de análisis de aprendizaje.
Además, no están familiarizados con las pautas éticas y de seguridad de datos en su propia institu-
ción, el uso de análisis de aprendizaje en los cursos que toman y las implicaciones que el análisis de
aprendizaje puede tener para su propio aprendizaje. Pargman y McGrath (2021) también señalan que
pedir a los encuestados que compartan experiencias y percepciones de temas éticos relacionados con
sistemas y prácticas con los que no están familiarizados es un desafío metodológico significativo en
los estudios empíricos de análisis del aprendizaje en la educación superior.

Sin embargo, se han hecho buenos intentos para ver los desafíos éticos desde el punto de vista de los
estudiantes. El capítulo sobre ética en Sclater (2017) proporciona una visión completa de la literatura,
donde también se tiene en cuenta la perspectiva de los estudiantes. Sclater comienza su revisión en-
fatizando que cuando los datos sobre los estudiantes se generan y recopilan en grandes cantidades
en sistemas de registro con fines operativos y de presentación de informes de todos modos, sería
francamente irresponsable que la institución no utilice estos datos para mejorar la enseñanza.
Señala que mejorar la calidad del aprendizaje en última instancia aumentará las oportunidades de los
estudiantes en la vida. Aquí, Sclater se refiere a los principios de Slade & Prinsloo (2013, p. 1521) para
un marco ético para el análisis del aprendizaje, donde el sexto principio establece que "[e]n la in-
formación que podría ayudar activamente a perseguir los objetivos de una institución parece miope
hasta el extremo". Desde entonces, este principio ha sido reiterado por Ferguson (2019) como un "de-
ber de actuar". En la revisión de la literatura de Sclater (2017), identifica los siguientes desafíos éticos
cuando se "establece" este deber de actuar:

Datos irrelevantes, incorrectos o incompletos

Sclater (2017) enfatiza que sacar conclusiones de una fuente de datos puede ser desafortunado, y ge-
neralmente es mejor usar datos de múltiples fuentes. Las fuentes más comunes de análisis de apren-
dizaje son los sistemas de gestión del aprendizaje y los sistemas de gestión de estudiantes. Estos cap-
turan datos de una parte limitada del trabajo de aprendizaje que realmente tiene lugar. Gran parte de
la colaboración de los estudiantes y el trabajo individual se lleva a cabo en soluciones en la nube que
están fuera del control de la institución educativa. Justificar las decisiones sobre la base de datos limi-
tados es arriesgado. Pero recopilar datos de tantas fuentes como sea posible no necesariamente pro-
ducirá mejores resultados. Las decisiones tomadas sobre la base de datos deben basarse en datos
relevantes, correctos y lo más completos posible con respecto al propósito de la recopilación. Esta
Política se basa en los Principios de Protección de Datos establecidos en la Subsección 3.5.1.

Predicciones no válidas

Aquí, Sclater (2017) señala el peligro de sacar conclusiones sobre la base de correlaciones erróneas, y
que los usuarios a menudo están confundidos acerca de las diferencias entre causalidad y
correlación. Una premisa común en el análisis predictivo del aprendizaje es que existe una correlación
entre la participación de los estudiantes en las actividades de aprendizaje y su capacidad para tener
éxito en su aprendizaje o la probabilidad de abandonar. Un alto nivel de participación en las activida-
des de aprendizaje puede significar tanto que el estudiante está luchando como que está haciendo un
gran progreso en el aprendizaje. Además, la participación en actividades de aprendizaje puede desar-
rollarse de tal manera que no genere datos a los que la institución educativa tenga acceso. Sclater
(2017) resume que es éticamente imprudente confiar ciegamente en los resultados de los algoritmos,
especialmente cuando los algoritmos provienen de actores comerciales y los usuarios no tienen una
visión completa de cómo funcionan. Es difícil verificar que los proveedores entreguen predicciones
con alta precisión, y tales algoritmos también pueden ser difíciles de transferir a nuevos contextos.
Misiejuk & Wasson (2017, p. 61) señalan en su revisión de la literatura que: "Los modelos redictivos
dependen de la situación y hay poca evidencia de que puedan ser transferibles a otros contextos".

Socavar la autonomía de los estudiantes

Según el resumen de la literatura de Sclater (2017), las ayudas de aprendizaje adaptativo pueden "in-
fantilizar" a los estudiantes al alimentarlos con sugerencias automatizadas que hacen que el proceso
de aprendizaje sea menos exigente. Además, señala que la adaptabilidad puede desarrollarse sobre
la base de patrones típicos, que pueden ser engañosos a nivel individual. Un desafío ético que
acompaña a un número creciente de decisiones tomadas por algoritmos es que corremos el riesgo de
ser tratados en función de predicciones sobre nuestras acciones futuras en lugar de lo que realmente
hacemos. Además, señala que el análisis del aprendizaje puede crear cámaras de eco que ofrecen
contenido y servicios que preferimos, en lugar de desafiarnos.

Desmotivación

Sclater (2017) señala que algunos análisis de aprendizaje predictivo proporcionan una visión general
de dónde se ubican académicamente los estudiantes entre ellos. Puede ser motivador para algunos
estudiantes ver dónde se colocan sus compañeros, para que tengan algo por lo que luchar. Para mu-
chos, sin embargo, puede tener el efecto contrario. En una encuesta de 394 estudiantes en la Univer-
sidad de Bergen, Botnevik (2021, p. 66) encontró que el 31.2 por ciento de los estudiantes no querían
un análisis de aprendizaje que mostrara cómo lo hacen en comparación con otros estudiantes. Jivet
(2021) argumenta que "los estudiantes quieren poder decidir [ ] si se comparan con sus pares" (p. 82).
Si los estudiantes se familiarizan con las predicciones, según la revisión de Sclater (2017), pueden te-
ner un efecto autocumplido. Al mismo tiempo, sería éticamente cuestionable no permitir que los
estudiantes accedan a esta información sobre sí mismos.

Consecuencias negativas de la "vigilancia"

Sclater (2017) señala que saber que las actividades de uno están constantemente sujetas a "monito-
reo" puede manifestarse en forma de estrés y que los estudiantes pueden cambiar el comporta-
miento. Si sabe que el uso de materiales didácticos y recursos de aprendizaje se registra y analiza, pu-
ede ser tentador actuar tácticamente. Sclater (2017) cita ejemplos como dejar videos encendidos,
abrir documentos con frecuencia o hacer otras cosas que dan la impresión de que uno es más activo
de lo que realmente es.

El individuo como número

Sclater (2017) señala que los algoritmos e indicadores son, por definición, reduccionistas hacia la si-
tuación general de una persona, y esto puede ser desafortunado. Señala que el análisis del apren-
dizaje puede implicar una presentación simplificada del proceso de aprendizaje de alguien, especial-
mente porque gran parte del trabajo de aprendizaje y aprendizaje se lleva a cabo fuera del control y
la visión general de la institución educativa. Sclater (2017, p. 213) menciona de su propio trabajo en
Jisc que los estudiantes querían poder ingresar una descripción de la razón por la que tuvieron un
rendimiento inferior (presentaciones retrasadas, ausencias en la enseñanza obligatoria, etc.) para que
no afectara su clasificación.

Priorización

La literatura resumida por Sclater (2017) se refiere a los beneficios potenciales para las instituciones
educativas al identificar a los estudiantes que necesitan desafíos adicionales o seguimiento. Sin em-
bargo, una clasificación de estudiantes individuales como estudiantes de alto o bajo rendimiento
sobre la base de datos de actividad puede, en primer lugar, basarse en fuentes de error. En segundo
lugar, la clasificación quita la atención y los recursos de la institución educativa a la mayoría de los
estudiantes que se encuentran entre los extremos.

4.3 Dos ejemplos noruegos de investigación y desarrollo

Dentro del campo de la analítica del aprendizaje, pocos estudios han analizado la implementación, el
uso y los resultados de la analítica del aprendizaje en situaciones reales de aprendizaje. Esto se debe
en parte a que el análisis del aprendizaje es un campo inmaduro, y porque el conocimiento a menudo
permanece en entornos de investigación sin cambiar significativamente la práctica docente. La mayor
parte de la investigación en Noruega se lleva a cabo en la educación superior, donde todo el pro-
grama de estudios examinado a menudo está diseñado precisamente para explorar el análisis del ap-
rendizaje.

Gran parte de la actividad práctica, por otro lado, tiene lugar en la educación primaria y secundaria
inferior, pero se realiza menos investigación sobre el análisis del aprendizaje. Por lo tanto, es intere-
sante destacar el proyecto noruego de investigación y desarrollo más completo y generalizado sobre
análisis del aprendizaje hasta el momento, que se lleva a cabo en la educación primaria y secundaria.
Al mismo tiempo, también se están llevando a cabo proyectos de desarrollo en la educación profesio-
nal superior, que analizaremos más de cerca a continuación.

4.3.1 Datos de actividad de evaluación y adaptación (AVT)

El proyecto Datos de actividad para la evaluación y adaptación (AVT) es un proyecto de investigación y

desarrollo que aborda el uso de la analítica del aprendizaje en la educación primaria y secundaria.
AVT es propiedad y está financiada por KS y tiene a SLATE y la Agencia de Educación de Oslo como so-
cios principales. Además, varios municipios y proveedores están asociados con el proyecto. El primer
período de proyecto de AVT (AVT1) duró de 2017 a 2019 (Morlandstø et al., 2019). SLATE lideró el
proyecto durante este período. KS luego asignó fondos para continuar el proyecto hasta 2023 (AVT2).
También participan en este segundo período del proyecto KS, la Agencia de Educación de Oslo y
SLATE. Desde 2021 hasta la primavera de 2022, el proyecto participó en el sandbox regulatorio de la
Autoridad Noruega de Protección de Datos para la inteligencia artificial responsable (Datatilsynet,
2022).

A nivel general, el proyecto AVT será una fuerza impulsora en el desarrollo de soluciones, directrices,
normas e infraestructura nacionales comunes. El proyecto tiene como objetivo investigar las posibili-
dades de compartir datos de actividad entre proveedores de recursos de aprendizaje digital en las es-
cuelas, para que puedan proporcionar una instrucción mejor diferenciada (Morlandstø et al., 2019). El
proyecto tiene como objetivo desarrollar un marco de análisis de aprendizaje que estructure los datos
generados por el trabajo de los estudiantes con herramientas digitales. Además, el proyecto trabajará
hacia una infraestructura que proporcione un flujo de datos seguro entre proveedores y que cont-
enga recursos que puedan ayudar aún más al estudiante. Otro objetivo del proyecto es proporcionar
un punto de referencia para los propietarios de escuelas y proveedores de contenido en todo el país
al adquirir y desarrollar recursos de aprendizaje digital.

A continuación, describimos brevemente algunas de las ambiciones más importantes del proyecto
AVT. Para los lectores que desean información más detallada, nos referimos a los informes de investi-
gación del proyecto (Morlandstø et al., 2019; Wasson et al., 2019) y el informe final de la Autoridad
Noruega de Protección de Datos sobre el sandbox regulatorio (Datatilsynet, 2022).

Marco de análisis de aprendizaje

Específicamente, AVT tiene la tarea de desarrollar un marco de análisis de aprendizaje compuesto por
tres elementos o modelos principales:

1. El mapa de temas. Para que los datos de actividad del mismo estudiante se recuperen de diferen-
tes recursos digitales de aprendizaje y se analicen juntos, la base de datos debe ser comparable.
Las tareas en los diversos materiales didácticos deben estar marcadas con las mismas referencias
al área temática y al tema. Como parte del proyecto, se ha desarrollado un mapa de asignaturas
basado en el plan de estudios, con una herramienta de acompañamiento para el etiquetado. Ac-
tualmente, el mapa de asignaturas solo se ha desarrollado para matemáticas e inglés. Por lo tanto,
los proveedores involucrados desarrollan ayudas didácticas para estas materias. El mapa temático
permite a los proveedores de recursos de aprendizaje digital etiquetar las tareas y los elementos
de contenido con área temática y tema de una manera común y uniforme, lo que permite utilizar
la analítica de aprendizaje para adaptar la capacitación.
2. Integración de datos de actividad. Los diferentes proveedores de recursos de aprendizaje digital de-
ben poder compartir e integrar datos entre sí de manera segura. El proyecto ha elegido xAPI9
como formato de transferencia predeterminado para los datos. Cuando el estudiante realiza
tareas en un área específica en el mapa de asignaturas, la idea del proyecto es que el proveedor
pueda consultar datos de actividad de otros proveedores donde el estudiante haya realizado
tareas bajo la misma área en el mapa de asignaturas. Es cierto que debe haber reglas claras sobre
cómo los proveedores solicitan datos, no solo para garantizar que el flujo de datos sea correcto,
sino también para garantizar la privacidad de los estudiantes.
3. Modelo de aprendizaje. El proyecto ha proporcionado un boceto para un modelo que describe la
comprensión y las habilidades de los estudiantes dentro de partes específicas del mapa de asig-
naturas (Wasson et al., 2019). En el boceto, enfatizan que se debe crear un modelo de apren-
dizaje que represente el nivel de conocimiento de los estudiantes en diferentes puntos del mapa
de asignaturas, para identificar y representar áreas en el mapa de asignaturas donde un estu-
diante o grupo necesita más capacitación, recomendar en qué parte del mapa de asignaturas
debe trabajar un estudiante individual y en qué tareas debe trabajar el estudiante. Dicho modelo
de aprendizaje se construye mediante un algoritmo de análisis basado en datos de actividad para
el estudiante individual que se obtiene de Proveedores. Cuando se preparó el esquema para el
modelo de aprendizaje, la base de datos era demasiado limitada para que fuera posible crear un
modelo más allá de la etapa de concepto. Sin embargo, el objetivo del modelo terminado es que
un algoritmo de recomendación pueda sugerir qué ayudas didácticas ayudarán al estudiante a
obtener una mejor comprensión.

Continuación a AVT2
El propósito del proyecto AVT2 es ampliar y desarrollar aún más el trabajo en la primera fase del
proyecto.10 Esto significa, entre otras cosas, que más proveedores, municipios y escuelas estarán in-
volucrados. El proyecto busca desarrollar una solución para recuperar información sobre los recursos
de aprendizaje disponibles basada en un estándar de metadatos para etiquetar los recursos de ap-
rendizaje (NS 4180). También se planea desarrollar aún más la solución de integración para datos de
actividad a través del nuevo Feide, y explorar cómo la infraestructura y las pautas pueden facilitar que
tanto los proveedores como los propietarios de escuelas cumplan con las regulaciones. El proyecto
también tiene como objetivo contribuir al desarrollo de infraestructura para probar modelos alterna-
tivos de adquisición y pago. No menos importante, el propósito es llevar a cabo una investigación ex-
haustiva sobre el análisis del aprendizaje y el uso de datos de actividad.

Otro objetivo del proyecto es ampliar el mapa de asignaturas para incluir más áreas temáticas
además de matemáticas e inglés, y actualizar la aplicación "My Subject Map" con un modelo de apren-
dizaje que proporcione información sobre la competencia de los estudiantes y se pueda utilizar para
optimizar las búsquedas de contenido de aprendizaje que necesitan. La aplicación My Subject Map

9
https://xapi.com/

10
https://slate.uib.no/projects/aktivitetsdata-for-vurdering-og-tilpasning-2
conecta los datos de actividad de los alumnos con los objetivos de competencia del currículo y analiza
el progreso de los alumnos o grupos en una asignatura y qué objetivos o temas de competencia de-
ben trabajarse más. Los resultados y recomendaciones del análisis se presentan en diferentes visuali-
zaciones para estudiantes, profesores y otros roles.

En el proyecto AVT, se ha establecido un esquema piloto para el pago de recursos de aprendizaje digi-
tal basado en el uso, como alternativa al pago por el acceso. Los estudiantes y profesores tienen ac-
ceso a todos los productos incluidos en la prueba. El argumento que el proyecto proporciona para
este esquema es que cada compra tiene un precio bajo y que, por lo tanto, las escuelas pueden ofre-
cer a los estudiantes una mayor diversidad de materiales de aprendizaje. Como parte del proyecto,
también se ha desarrollado una herramienta de gestión de la competencia (KGV) que realiza un
seguimiento del uso de los materiales de aprendizaje y garantiza que se facture a los usuarios. Las 35
escuelas de Oslo que participaron en el proyecto representan el 25% de los estudiantes de la escuela
de Oslo, mientras que las 145 escuelas de Oslo que no participaron representan el 75% de los estu-
diantes. Cuando la Agencia de Educación en Oslo informa que los estudiantes de AVT tienen tantos
inicios de sesión como los otros estudiantes, significa que el uso ha aumentado significativamente
para los estudiantes de AVT.

El proyecto AVT ha participado en el sandbox regulatorio de la Autoridad Noruega de Protección de

Datos para la inteligencia artificial responsable (Datatilsynet, 2022). El trabajo ha consistido en una
serie de talleres destinados a explorar el marco para el uso de la analítica del aprendizaje en las es-
cuelas, tanto legal como éticamente. El sandbox ha explorado los siguientes tres subobjetivos (The
Norwegian Data Protection Authority, 2022, p. 5):

• Base jurídica. Si la base legal para procesar los datos de actividad de los estudiantes cumple
con los requisitos del GDPR. Si no es así: ¿qué se necesita para cumplir con los requisitos?
• Privacidad del estudiante. ¿Qué consecuencias podría tener el sistema de análisis de apren-
dizaje para la privacidad de los estudiantes? ¿Qué deben tener en cuenta los responsables
para salvaguardar la privacidad de los estudiantes?
• Apertura. ¿Cómo proporcionar información sobre el sistema de análisis de aprendizaje a quie-
nes lo utilizarán (profesores, estudiantes y padres/tutores)? ¿Qué debe divulgarse y qué debe
informarse?

Las conclusiones del trabajo son, entre otras cosas, que la Autoridad Noruega de Protección de Datos
y el proyecto AVT tienen puntos de vista diferentes sobre la elección de la base legal (Datatilsynet,
2022). En el proyecto AVT, el tratamiento de datos personales se ha considerado una "obligación le-
gal". La opinión de la Autoridad Noruega de Protección de Datos es que "el interés público" parece ser
la base más apropiada para el procesamiento, pero no excluye el uso de una "obligación legal". El in-
forme del trabajo también destaca en particular tres riesgos para la privacidad de los estudiantes. Ex-
iste el riesgo de cambio de comportamiento, el riesgo de datos personales incorrectos en el sistema y
el riesgo de que la tecnología cause estrés indeseable a los alumnos (Autoridad Noruega de Pro-
tección de Datos, 2022). Finalmente, se señala en el informe que el amplio rango de edad en el grupo
de estudiantes es un desafío para el proyecto AVT, en términos de proporcionar información lo
suficientemente simple para los estudiantes más jóvenes al tiempo que cubre las necesidades de in-
formación de los estudiantes mayores y los tutores de los estudiantes (Datatilsynet, 2022).

4.3.2 Análisis de aprendizaje en programas de ingeniería eléctrica en línea

Las actividades de investigación y desarrollo que implican el análisis del aprendizaje también están en
curso en la educación profesional superior. Un ejemplo es el proyecto Modelo y herramientas para el
análisis del aprendizaje digital en asignaturas eléctricas en línea en escuelas vocacionales (Escuela vo-
cacional Nordland, 2022). El proyecto cuenta con el apoyo de la Agencia Noruega para la Educación
Superior y la Competencia (HK-Dir). Los participantes en el proyecto son la escuela vocacional Nord-
land, la escuela vocacional superior Trøndelag, Fagskolen i Agder, Fagskulen Vestland y Fagskolen i
Troms. Los socios y asesores en el proyecto son SLATE y dos expertos en ciencias de la educación de
la Universidad de Aalborg y la Universidad de Bergen, respectivamente.

El propósito de utilizar análisis de aprendizaje en estos cursos en línea en ingeniería eléctrica es ga-
rantizar tanto la motivación como un buen resultado de aprendizaje para los estudiantes. Pero igual-
mente importante es que los maestros y la gerencia reciban información de los análisis de apren-
dizaje de la que puedan beneficiarse. Los profesores recibirán una retroalimentación sistemática que
les permitirá ajustar su pedagogía, didáctica, estructura y contenido académico a lo largo del camino.
Los líderes tendrán acceso a datos sistemáticos sobre cómo funciona la enseñanza y cómo los
maestros logran involucrar a los estudiantes y facilitarlos en el camino. Además, se probará para utili-
zar informes del análisis del aprendizaje en la gestión y como base para el diálogo con los profesores.
Los informes también se pueden utilizar como una herramienta importante en el desarrollo de la cali-
dad y el desarrollo organizacional en las escuelas vocacionales (Escuela vocacional Nordland, 2022).

El objetivo del proyecto Modelo y herramientas para el análisis del aprendizaje digital es, por lo tanto,
explorar e implementar un modelo con herramientas digitales para el análisis del aprendizaje. Estos
análisis contribuirán a fortalecer la calidad de la práctica docente, el programa de enseñanza en línea
y el proceso de aprendizaje de los estudiantes, en otras palabras, darán a los estudiantes una mayor
motivación y resultados de aprendizaje. Al mismo tiempo, los análisis deben ayudar a desarrollar el
papel del profesor y proporcionar a los gerentes mejores datos de gestión. El análisis del aprendizaje
formará parte de un modelo didáctico para la educación en línea. El modelo debe adaptarse e in-
tegrarse en la pedagogía en línea, la práctica didáctica y la plataforma de aprendizaje de la escuela
participante individual.

Los estudiantes, los profesores y la dirección de la escuela tienen acceso a su propio panel de control
donde se presentan los datos analizados de la plataforma de aprendizaje, los datos autoinformados
sobre el progreso de los estudiantes y las indicaciones de la calidad del aprendizaje. Las indicaciones
de la calidad del aprendizaje se desarrollan haciendo coincidir las descripciones de los resultados de
aprendizaje con los datos de las actividades y evaluaciones de aprendizaje de acuerdo con la totalidad
creadora de significado (Biggs &; Tang, 2011) y organizando los objetivos de aprendizaje específicos
de los estudiantes basados en la taxonomía SOLO de Biggs & Collis (1982) (escuela vocacional Nord-
land, 2022).
 Parte 2: Dilemas del uso de análisis de aprendizaje
En esta parte del informe, consideraremos el análisis del aprendizaje a la luz de las compensaciones que
deben hacerse al usarlo. A través de esto, exploraremos las oportunidades y desafíos del uso de análisis de
aprendizaje.

Presentaremos cuatro dilemas relacionados con el análisis del aprendizaje que son relevantes para in-
vestigar más a fondo con el fin de dar a los tomadores de decisiones una mejor base para tomar deci-
siones, desarrollar aún más las regulaciones y desarrollar políticas y medidas en esta área. Además, de-
stacaremos nueve cuestiones legales relacionadas con el uso de análisis de aprendizaje.

5 Oportunidades y desafíos
Consideramos que es una parte clave del mandato revisar a fondo tanto las oportunidades para un
mejor aprendizaje que puede proporcionar el análisis del aprendizaje como los desafíos que puede
implicar el uso de los datos de los estudiantes. En resumen, se puede decir que las posibilidades del
análisis del aprendizaje son que los alumnos y los estudiantes pueden obtener una mayor com-
prensión de su propio aprendizaje, y que los profesores obtienen una mejor visión general del apren-
dizaje y una mejor base de conocimientos para tomar buenas decisiones pedagógicas. A nivel orga-
nizacional, las oportunidades tienen que ver con el desarrollo y seguimiento de la calidad basado en
el conocimiento.

Algunos de los desafíos destacados al utilizar el análisis del aprendizaje son que existe el riesgo de
que el procesamiento de datos se realice en violación de la legislación de protección de datos, que ex-
iste una falta de competencia en varios niveles del sector para realizar buenas evaluaciones y utilizar
los datos en el mejor interés de los estudiantes y estudiantes, y que hay una falta de directrices, mar-
cos e infraestructura adecuados. Además, existe la preocupación de que el análisis del aprendizaje
haga que "lo que se puede contar" reciba demasiada atención en la educación.

Para comprender qué instrumentos, supuestos y regulaciones deben considerarse en relación con el
análisis del aprendizaje, es importante evaluar las oportunidades en relación con los desafíos. Solicita-
mos aportes sobre oportunidades y desafíos en el uso de análisis de aprendizaje, de organizaciones
estudiantiles y estudiantiles, organizaciones de docentes, el sector municipal, colegios vocacionales, el
sector de educación superior, expertos legales y proveedores de sistemas de análisis de aprendizaje.
El mensaje fue el mismo de todos: lo más importante es ver todas las preguntas y problemas en con-
texto. El análisis del aprendizaje es complejo y relativamente nuevo, y lleva tiempo desarrollar la ma-
durez en los sectores y en los niveles de gobernanza. Para llegar allí, necesitamos tomarnos el tiempo
para discusiones exhaustivas que incluyan las perspectivas más importantes.

5.1 ¿Por qué el enfoque del dilema?

Discutir el análisis del aprendizaje basado en dilemas resaltará dónde hay una necesidad de más co-
nocimiento, políticas y medidas. En el diálogo con los diversos actores, se hizo evidente que el análisis
del aprendizaje plantea varios dilemas que desafían los valores pedagógicos y éticos en el encuentro
con las condiciones previas y la práctica. Los términos tecnológicos y la interpretación legal propor-
cionan algunos marcos para el uso de análisis de aprendizaje, pero tanto los términos como las prác-
ticas cambian constantemente.

Un enfoque de dilema puede aclarar qué cuestiones deben abordarse y qué valores están en juego.
Por otro lado, un enfoque de dilema corre el riesgo de establecer las llamadas falsas dicotomías,
donde los extremos parecen ser las únicas alternativas, aunque en realidad hay muchas más entre
ellos. Por lo tanto, es importante enfatizar que percibimos los dilemas como ejes, y que las discusio-
nes se mueven entre los extremos de estos ejes.

Los dilemas que hemos elegido presentar no abarcan todas las cuestiones que son relevantes para el
análisis del aprendizaje. Sin embargo, los dilemas elegidos incorporan gran parte de lo que han
preocupado a las diversas partes interesadas de las que hemos recibido aportes. Los dilemas también
reflejan los debates más destacados en el grupo de expertos. Además, los dilemas son relevantes
para todos los niveles de educación. Además, tienen aspectos educativos, éticos, legales y tecnológi-
cos y, por lo tanto, son adecuados para una discusión interdisciplinaria y completa.

En el debate sobre el aprendizaje de la analítica, a menudo se presta mucha atención a la privacidad,

especialmente a los aspectos legales. Al mismo tiempo, las cuestiones de privacidad deben ir
acompañadas de discusiones sobre las consecuencias éticas del uso de análisis de aprendizaje. Mu-
chos de los que nos han dado su opinión han hecho hincapié en tales aspectos éticos. Un enfoque de
dilema para el análisis del aprendizaje puede facilitar la obtención de consideraciones éticas porque
un dilema resalta las compensaciones y las consecuencias. Las cuestiones jurídicas mencionadas en
las descripciones de los dilemas se examinarán con más detalle en el capítulo 10.

Cuando se discuten dilemas en relación con el análisis del aprendizaje, a veces será difícil distinguir
entre lo que se aplica específicamente a la analítica del aprendizaje y lo que se aplica al uso de la
tecnología digital u otros aspectos de la educación en general. También podemos encontrar proble-
mas en la intersección de la analítica del aprendizaje y otras innovaciones digitales en la educación,
como la tecnología de juegos y la adaptabilidad. En muchos casos, no es el caso de que el dilema surja
del uso de la analítica de aprendizaje, sino que su uso refuerza problemas que ya existen.

Es una observación interesante en sí misma que es difícil discutir la analítica del aprendizaje sin actitu-
des prominentes y experiencias con la digitalización y el uso de la tecnología. Muchas de las conside-
raciones generales sobre la digitalización y la tecnología son, por supuesto, relevantes en la discusión
porque el análisis del aprendizaje abarca el uso de la tecnología digital. Pero para hacer buenas
evaluaciones de análisis de aprendizaje específicamente, debemos ser conscientes de cuándo el análi-
sis de aprendizaje real es decisivo. Sin embargo, nos gustaría hacer hincapié en que las evaluacio-
nes de la analítica del aprendizaje deben realizarse en línea con el conocimiento actualizado sobre la
digitalización en el sector educativo.

En este contexto, es importante señalar que la digitalización del campo de investigación en educación
parece fragmentada y débil en términos de investigación con respecto a proporcionar a los
responsables de la toma de decisiones y a los docentes buenas directrices para el uso de las tecno-
logías digitales (Universidad de Oslo, 2021). La falta de una base de conocimientos suficiente para to-
mar buenas decisiones se destaca en el plan de acción para la digitalización en la educación primaria
y secundaria, donde el fortalecimiento de la base de conocimientos es una de las cuatro áreas priori-
tarias (Ministerio de Educación e Investigación, 2020). La estrategia para la transformación digital en el
sector universitario y universitario también señala que existe la necesidad de una base de cono-
cimientos más sólida sobre métodos digitales de enseñanza y evaluación (Ministerio de Educación e
Investigación, 2021a).

A pesar de que aún no se ha creado una base sólida de conocimientos para el análisis del aprendizaje,
es necesario debatir diversas cuestiones. Las discusiones que hacemos en esta parte del informe se
basan principalmente en los aportes que hemos recibido de los actores que discutimos en el
subcapítulo 1.2.3, y extractos de proyectos de investigación e investigación y desarrollo que resu-
mimos en el capítulo 4.

6 Dilema 1: La necesidad de información y protección de la in-

formación
Los alumnos y estudiantes deben tener condiciones que proporcionen las mejores condiciones po-
sibles para el aprendizaje. Esos requisitos previos requieren un desarrollo de calidad basado en el co-
nocimiento en todos los niveles de la educación. En las escuelas profesionales terciarias y en la edu-
cación superior, existen requisitos para el seguimiento y la calidad pedagógica, por ejemplo, en el in-
forme de la escuela vocacional y en el informe de calidad (Ministerio de Educación e Investigación,
2016a; 2017b). Para la educación primaria y secundaria, los requisitos de calidad se suman al princi-
pio de instrucción diferenciada, lo que significa que los maestros deben facilitar una instrucción que
proteja tanto a la comunidad como a cada estudiante individual, para que los alumnos obtengan el
mejor beneficio posible de la instrucción (Dirección Noruega de Educación y Capacitación, 2022).

Para que los docentes y las instituciones educativas cumplan su ambición de calidad y seguimiento,
dependen de tener suficiente información. Necesitan estar familiarizados con el conocimiento previo
de los estudiantes y cómo aprenden. Pueden acceder a dicha información de varias maneras, incluso
cuando los estudiantes trabajan con recursos digitales. Los datos que de diversas maneras docu-
mentan el trabajo de aprendizaje son, por lo tanto, un recurso potencial en el trabajo para mejorar el
aprendizaje y desarrollar la educación, aunque es difícil demostrar un efecto directo del análisis del
aprendizaje en la investigación (Kluge, 2021). Si desea análisis tan buenos como sea posible, es lógico
recopilar tantos datos significativos de los recursos digitales como sea posible.

Por otro lado, hay una serie de factores que argumentan en contra de recopilar la mayor cantidad de
información posible sobre el aprendizaje de alumnos y estudiantes. Un argumento en contra obvio es
el derecho a la privacidad, especialmente el principio de minimización de datos, que implica limitar la
cantidad de datos personales recopilados a lo necesario para realizar el propósito. Otro factor es que
existe un equilibrio desigual de poder entre los estudiantes y los estudiantes y quienes los evaluarán,
y este desequilibrio aumenta cuando los maestros tienen acceso a grandes cantidades de
información sobre el proceso de aprendizaje y el comportamiento de los estudiantes y los estudian-
tes. Además, no está claro para muchos estudiantes qué tipo de datos se recopilan y cómo se in-
cluyen o no en las evaluaciones de su rendimiento académico. El aprendizaje en entornos digitales
también puede difuminar la línea entre lo que es público y lo que es privado.

¿Cuál es una cantidad suficiente de información para proporcionar una buena enseñanza y una base
para el desarrollo de calidad? ¿Cómo se puede procesar la información recopilada sobre los estudian-
tes de acuerdo con su derecho a la autodeterminación y la integridad? ¿Y qué hace con la relación en-
tre estudiantes, estudiantes y sus maestros cuando los maestros tienen acceso a tanta información
sobre estudiantes y estudiantes?

6.1 Información para el desarrollo de la calidad

Un argumento principal para recopilar información para el análisis del aprendizaje es que puede me-
jorar la calidad de la enseñanza.

En Meld. St. 16 (2016–2017) Cultura para la calidad en la educación superior , se hace referencia a
una cultura de calidad y un desarrollo continuo de calidad que caracterizará la educación superior.
Como parte de la reforma de la calidad en 2003, se introdujeron requisitos de calidad educativa para
la educación superior. Los requisitos incluyen la enseñanza y el aprendizaje activos de los estudiantes,
el seguimiento cercano de los estudiantes y formas variadas de evaluación que promueven el apren-
dizaje (Ministerio de Educación e Investigación, 2001). El artículo 1 a 6 de la Ley relativa a las universida-
des y colegios universitarios y el artículo 2-1 del Reglamento de calidad de los estudios exigen que las institu-
ciones establezcan un sistema interno de garantía de la calidad para garantizar y seguir desarrollando la cali-
dad de la educación.

En el Libro Blanco sobre la formación profesional terciaria encontramos un objetivo claro de las es-
cuelas profesionales de alta calidad. Esto se basa en un enfoque del concepto de calidad centrado en
el estudiante y orientado a los procesos y resultados (Ministerio de Educación e Investigación, 2016a).
Las escuelas profesionales terciarias deben tener un sistema de garantía de calidad, de conformidad
con el tercer párrafo del artículo 4 de la Ley de formación profesional terciaria, el artículo 49 del Re-
glamento de la enseñanza profesional terciaria y el artículo 4-2 del Reglamento de supervisión de la
enseñanza profesional terciaria. El trabajo de calidad contribuirá a la adquisición sistemática de cono-
cimientos sobre las condiciones que son de importancia significativa para la calidad de todos los pro-
gramas de estudio ofrecidos por la escuela profesional. La Agencia Noruega para la Garantía de la Ca-
lidad en la Educación (NOKUT) ha preparado una guía para el trabajo de calidad de la escuela vocacio-
nal, donde la recopilación sistemática de información de fuentes relevantes y su propio control in-
terno para evaluar el logro de objetivos es una parte importante del trabajo (NOKUT, 2022b).

En la educación primaria y secundaria, las autoridades municipales y comarcales tienen el deber de

"garantizar que la escuela evalúe en qué medida la organización, facilitación e implementación de la
capacitación ayuda a alcanzar los objetivos establecidos en el Plan de Estudios para la Promoción del
Conocimiento. Los alumnos participarán en esta evaluación"; Ley de educación § 13-3e. Además, se ex-
plica que "el municipio y la municipalidad del condado son responsables de garantizar que se cumplan los
requisitos de la Ley de educación y los reglamentos de la Ley, también de poner a disposición los recursos ne-
cesarios para cumplir los requisitos". Ley de educación § 13-10. El desarrollo de calidad en la educación y
la formación primaria y secundaria inferior consiste en facilitar el bienestar, el aprendizaje y el desar-
rollo de los alumnos de la mejor manera posible. Las autoridades nacionales, los propietarios de es-
cuelas, los directores de escuelas y los maestros tienen diferentes necesidades de información para
cumplir con sus responsabilidades en este ámbito.

A la luz del uso generalizado de los recursos de aprendizaje digital y los recursos de aprendizaje y la
aparición de análisis de aprendizaje, vemos los contornos de nuevos métodos para impulsar el desar-
rollo de calidad respaldado por la evidencia.11 Los nuevos métodos proporcionan una cantidad con-
siderable de datos que, con el apoyo de la analítica del aprendizaje, pueden documentar el trabajo de
aprendizaje y los procesos de aprendizaje de los alumnos y estudiantes y proporcionar una base para
medidas en diferentes niveles. Por lo tanto, el análisis del aprendizaje puede ser un complemento útil
para obtener más información para apoyar el aprendizaje, tal vez especialmente en aquellos niveles y
programas donde los maestros y educadores tienen muchos estudiantes o estudiantes. Además, el
análisis del aprendizaje puede simplificar el trabajo de evaluación y documentación.

Slade & Prinsloo (2013) y Sclater (2017) señalan que puede ser éticamente problemático no considerar
cómo se puede utilizar el análisis del aprendizaje para obtener la mayor comprensión y comprensión
posibles del aprendizaje. Si se documenta a fondo que algunas formas de análisis del aprendizaje of-
recen mejores oportunidades de aprendizaje y adaptación, también puede considerarse desde una
perspectiva jurídica como una medida necesaria para garantizar una instrucción buena y diferenciada
y un trabajo sistemático de calidad.

6.2 Primeros esfuerzos

Los programas informáticos son muy adecuados para detectar patrones. Al hacer uso de esta
capacidad, el análisis de aprendizaje se puede utilizar para identificar rápidamente a los estudiantes
que necesitan un seguimiento adicional de alguna manera. La intervención temprana es un concepto
clave en la educación noruega, y aunque a veces se critica por no ser significativa (Kaurel, 2018), existe
un amplio acuerdo en que es importante intervenir temprano en relación con los niños y jóvenes que
necesitan apoyo adicional. Sin embargo, el concepto de intervención temprana no solo está dirigido a
los primeros años de escuela, sino a intervenir temprano independientemente de cuándo surja la ne-
cesidad (Grupo de Expertos sobre el Papel del Maestro, 2016).

11
«Algunos responsables de la formulación de políticas educativas, políticos y docentes
utilizan el término 'basado en la evidencia' cuando hablan de instrucción y enseñanza, mientras
que otros (nosotros, por ejemplo) usamos el término 'informados por la evidencia' [...] Práctica
basada en la evidencia todavía se basa en evidencia empírica, pero reconoce el hecho de que es
más difícil para la práctica real en el aula determinar qué funciona para quién y en qué circunstan-
cias» (Kirschner & Surma, 2020).
En 2019, Meld fue publicado. St. 6 (2019–2020) – Tett på – intervención temprana y comunidades inclu-
sivas en jardines de infancia, escuelas y OFS, que se basa en el trabajo del comité de expertos para
niños y jóvenes que necesitan una adaptación especial (el Comité Nordahl) y el comité de expertos
sobre diferencias de género en la educación (el Comité Stoltenberg) (Nordahl et al., 2018; NOU 2019:
3). El informe enfatiza que existe una clara correlación entre las condiciones tempranas en la vida de
los estudiantes y la probabilidad de que completen la educación secundaria superior (Ministerio de
Educación e Investigación, 2019).

La prevención de la deserción escolar y el aumento de la finalización es un objetivo en la educación

primaria y secundaria inferior, la educación profesional superior y la educación superior. Si uno pu-
ede detectar un patrón que anuncia una apostasía, tendrá una herramienta efectiva para tomar medi-
das que lo eviten (Kluge, 2021). Es precisamente el análisis del aprendizaje el que tiene el potencial de
predecir y revelar qué estudiantes están en riesgo de abandonar la escuela y, por lo tanto, proporci-
ona una base para implementar medidas. Esto es también para lo que el análisis del aprendizaje en la
educación superior se usa más comúnmente en muchos otros países. En Noruega, sin embargo, no
está particularmente extendido. Al mismo tiempo, no hay que olvidar que la investigación problema-
tiza que las conclusiones pueden extraerse sobre una base incorrecta, como mencionamos en el
capítulo 4.2. Si los análisis predictivos asumen que mucha actividad significa mucho aprendizaje, o
que los datos proporcionan una imagen completa de las actividades de aprendizaje de los estudian-
tes, puede haber un alto riesgo de falacias.

La intervención temprana a menudo se asocia con varias formas de mapeo para identificar qué estu-
diantes necesitan instrucción diferenciada. El propósito de intervenir en una etapa temprana es, entre
otras cosas, prevenir el abandono y la exclusión en el futuro. Si utiliza la analítica de aprendizaje para
obtener información sobre los desafíos en los procesos de aprendizaje de los estudiantes, puede
obtener una buena base para implementar medidas y realizar ajustes en una etapa temprana de la
capacitación. Además, el análisis del aprendizaje puede proporcionar una visión general sistemática
del desarrollo de un estudiante y, por lo tanto, también puede ser útil para detectar tendencias que
necesitan apoyo adicional.

Un ejemplo concreto es el proyecto Gameplay12, donde el objetivo es desarrollar un método para de-
tectar posibles dificultades de lectura y escritura en niños de primer grado a través de un juego de
lectura que utiliza algoritmos de aprendizaje automático. A medida que los estudiantes juegan, el
juego proporciona información más precisa sobre el desarrollo de la lectura de los estudiantes, lo que
permite que se brinde el apoyo adecuado en una etapa temprana cuando sea necesario. Es import-
ante destacar que se trata de medidas preventivas en el marco de la educación general, no de la edu-
cación especial. En Noruega, el diagnóstico de las dificultades debe ser realizado por expertos.

12
https://www.uis.no/nb/gameplay
6.3 ¿Cuándo la recopilación de información se convierte en vigilancia?
El dilema que surge entre la necesidad de información y la necesidad de protección se hace más evi-
dente cuando exploramos la frontera entre la recopilación adecuada de información y la vigilancia in-
vasiva.

Las organizaciones estudiantiles que nos han dado su opinión están preocupadas por una situación
en la que los profesores tienen una visión completa del comportamiento de aprendizaje de los estu-
diantes porque puede tener un efecto desafortunado en los estudiantes individuales. Las organizacio-
nes hablan de estudiantes que se vuelven inseguros frente a lo que perciben como un registro com-
plejo de "todo" que hacen, y que, por lo tanto, no se atreven a participar en el trabajo de aprendizaje
de la misma manera que lo harían de otra manera. También dicen que el registro extensivo puede
llevar a los estudiantes a tomar medidas, como abrir una presentación desde el LMS, únicamente
para dar al instructor la impresión de que han hecho algo académico. Las organizaciones estudianti-
les expresan que no entienden cuál debería ser el propósito de saber exactamente quién ha visto un
video de aprendizaje en particular. Preguntan si los datos agregados a nivel de grupo o para estudian-
tes individuales a lo largo del tiempo proporcionarán información suficiente para poder hacer un
seguimiento y facilitar a los estudiantes de una buena manera.13

En una situación de enseñanza tradicional, la información sobre el comportamiento de los estudian-

tes a menudo será más observaciones efímeras, y estará más estrechamente vinculada al contexto
que cuando se registra, almacena y reutiliza en un análisis de aprendizaje. Esta distinción refuerza la
incertidumbre entre estudiantes y estudiantes. Dentro de la privacidad, hablamos de un efecto de
enfriamiento, que se define como un cambio no deseado en nuestro propio comportamiento causado
por la incertidumbre sobre cómo y por qué se procesan nuestros datos personales, qué información
se procesa y quién la procesa (Datatilsynet, 2022). En el informe final de la participación del proyecto
AVT en el entorno de pruebas regulatorio de la Autoridad Noruega de Protección de Datos, el efecto
de enfriamiento utilizando análisis de aprendizaje se describió de la siguiente manera (The Norwegian
Data Protection Authority, 2022, p. 14):

"Si los estudiantes cambian su comportamiento cuando trabajan con recursos de aprendizaje digi-
tal, porque se sienten monitoreados a través del sistema de análisis de aprendizaje, puede haber un
efecto de enfriamiento. Los alumnos estaban particularmente preocupados por ser monitoreados
sobre cuánto tiempo pasan en las tareas. Señalaron que dicho cronometraje puede percibirse como
una presión para resolver las tareas lo más rápido posible, a expensas de la calidad y el resultado
de aprendizaje de la resolución de problemas. Otra manifestación de un efecto de enfriamiento pu-
ede ser que los estudiantes no se sienten tan libres de 'prueba y error' en la resolución de proble-
mas, porque todo lo que hacen en los recursos de aprendizaje digital se registra y puede afectar

13
En el proyecto SLATE OXALIC, los datos de los MOOCs de Open edX se analizan y presentan
en grupos sin referencias a nombres u otro tipo de información que faciliten la identificación de
los estudiantes. El instructor también puede enviar un mensaje personalizado a un grupo sin sa-
ber quiénes son los estudiantes (Khalil & Belokrys, 2020).
 potencialmente el resultado de la elaboración de perfiles realizada por la herramienta de análisis de
aprendizaje".

En el caso de los estudiantes más jóvenes, dar a los maestros una idea de cuándo y cómo los estu-
diantes trabajan con el trabajo escolar puede sacar a la luz otras cuestiones éticas. Por ejemplo, mu-
chos maestros tienen acceso a datos que indican si un estudiante a menudo trabaja en el trabajo
escolar por la noche. Es información a la que el maestro no necesariamente habría tenido acceso de
otra manera. ¿Qué tipo de necesidades de seguimiento desencadena para que un maestro sepa que
un niño está despierto regularmente por la noche? ¿Qué pasa si hay un estudiante que les preocupa
por otras razones?

A través del uso de recursos digitales, se recopila potencialmente una enorme cantidad de datos que
dan indicaciones de cómo les está yendo a los estudiantes, tanto en la vida escolar cotidiana como en
el hogar. Algunos propietarios de escuelas, líderes escolares y maestros afirman que es éticamente
difícil tener acceso a toda esta información, mientras que al mismo tiempo sienten que no tienen la
capacidad de darle un buen seguimiento. Por otro lado, muchos profesores quieren tener acceso a la
mayor cantidad de información posible sobre sus alumnos porque creen que esto contribuye a un
seguimiento más cercano y preciso.

En general, es difícil encontrar una distinción clara entre la información que contribuye a un mejor ap-
rendizaje y seguimiento, y la información a la que sólo es "agradable" tener acceso. Desde una
perspectiva de privacidad, esto está relacionado con el principio de minimización de datos, lo que sig-
nifica limitar la cantidad de datos personales recopilados a lo necesario para lograr el propósito. Lo
que sea necesario para el propósito se basará en la base legal para la recopilación. Los propietarios
de escuelas expresan su preocupación de que varios sistemas utilizados en la capacitación recopilen,
compilen y produzcan datos personales más allá de lo que existe una base para el procesamiento
(condados de Vestfold y Telemark, 2022).

En el proyecto AVT, el propósito del análisis del aprendizaje se definió de la siguiente manera: "Usar el
análisis del aprendizaje para apoyar a los maestros en su trabajo de evaluación, diferenciar mejor la
instrucción y dar a los estudiantes una idea de su propio trabajo de aprendizaje" (Autoridad Noruega
de Protección de Datos, 2022, p. 8). Sobre esta base, la Autoridad Noruega de Protección de Datos
(2022, p. 7) considera que no será necesario recopilar información sobre, por ejemplo, el calendario:

Por ejemplo, para realizar evaluaciones y adaptar la instrucción a un estudiante, es necesario

procesar información sobre las actividades de aprendizaje del alumno en diferentes materias, pero
no es necesario procesar información sobre las actividades de ocio del alumno o el momento en que
el alumno hizo los deberes, incluso si la información podría haber sido relevante para la evaluación.
Sin embargo, el tiempo de presentación se registra automáticamente en la gran mayoría de las plata-
formas de aprendizaje o sistemas similares para la entrega del trabajo a domicilio. Por lo tanto, dicha
información debe recopilarse para un fin distinto de la evaluación y la formación diferenciada.
6.4 ¿Dónde trazamos la línea para la privacidad?
El hecho de que el profesor o profesor reciba mucha información sobre el proceso de aprendizaje de
los alumnos o estudiantes también se refiere a la distinción entre escuela/estudios y tiempo libre.
Cuando los alumnos y estudiantes trabajan en entornos de aprendizaje digital, el límite entre la insti-
tución educativa y la esfera privada a veces es borroso. Muchos estudiantes tienen solo un dispositivo
digital que usan para la escuela, el estudio y las actividades privadas. Por lo tanto, los datos recopila-
dos mediante el uso de estos dispositivos pueden incluir información sobre para qué usan el disposi-
tivo durante su tiempo libre.

La difuminación de los límites de la privacidad se hizo especialmente evidente cuando hubo edu-
cación en el hogar durante la pandemia de coronavirus, pero para los estudiantes que asisten a estu-
dios en línea, esta es la vida cotidiana también en circunstancias normales. Sin embargo, las organiza-
ciones estudiantiles informan que estos estudiantes a menudo tienen una relación más clara para
llevar a los maestros y compañeros "a la sala de estar", porque ya han aceptado tal superficie de estu-
dio.

La digitalización de la educación en general y el análisis del aprendizaje en particular desafía la

capacidad de los alumnos y estudiantes para mantener una distinción hacia la vida privada. El "efecto
secundario" del uso de dispositivos digitales en el trabajo de aprendizaje es que los maestros y
maestros adquieren mucho conocimiento sobre la vida de los estudiantes y estudiantes fuera de la
institución educativa que antes no tenían. El derecho a la privacidad también está regulado por la ley
y se aplica tanto a la integridad personal física como mental. El artículo 102 de la Constitución y el
artículo 8 del Convenio Europeo de Derechos Humanos, El derecho al respeto de la vida privada y fa-
miliar, presuponen y defienden que todas las personas puedan mantener una distinción entre una
esfera pública y una privada.

De acuerdo con los principios de que el tratamiento de los datos personales debe ser justo, transpa-
rente y regirse por lo que es pertinente y necesario (minimización de datos), puede ser necesario de-
cidir a cuánta información sobre la esfera privada de los estudiantes y estudiantes debe tener acceso
realmente la institución educativa. Por lo tanto, puede ser necesario aclarar qué tipo de información
puede considerarse generalmente privada y, por lo tanto, no debe incluirse en el análisis del apren-
dizaje.

6.5 ¿La información da una imagen correcta?

La información que obtenemos de la analítica de aprendizaje obviamente no nos da una imagen com-
pleta del punto de vista de los estudiantes y los estudiantes. Siempre debe ser interpretado y visto en
conjunto con otra información que tengamos. Pero, ¿podemos confiar en que los datos recopilados a
través de los recursos de aprendizaje digital y los recursos de aprendizaje proporcionan in-
formación correcta?

Es un principio de privacidad importante que la información recopilada debe ser correcta. La in-
formación incorrecta e imprecisa utilizada en el análisis del aprendizaje puede tener un impacto
directo en la interpretación de la competencia de un estudiante individual o estudiante, lo que puede
afectar tanto la evaluación del profesor como los recursos recomendados para el estudiante (Autori-
dad Noruega de Protección de Datos, 2022).

No es solo el efecto de enfriamiento, como describimos en la subsección 6.3, lo que puede afectar la
exactitud de los datos. Los maestros dicen que si los estudiantes trabajan en materiales de apren-
dizaje adaptativo en casa y reciben una amplia ayuda de los padres y tutores para ingresar respuestas
correctas a las tareas, el sistema les dará tareas demasiado difíciles cuando trabajen de manera más
independiente. También creará "ruido" en los algoritmos si varios estudiantes trabajan juntos para
resolver las tareas. La consecuencia es que la herramienta de aprendizaje construirá rutas de apren-
dizaje sobre la base de datos erróneos. Una falacia similar puede ocurrir en las ayudas y pruebas de
aprendizaje adaptativo si un estudiante o estudiante responde deliberadamente incorrectamente
para que se le asignen tareas más fáciles o menos (Egelandsdal, 2019). Los mecanismos que describi-
mos en esta sección también se conocen a partir de contextos no digitales. No se trata solo de requi-
sitos tecnológicos previos, sino también de actitudes y conciencia del propio proceso de aprendizaje
(Autoridad Noruega de Protección de Datos, 2022).

Hemos recibido aportes de padres que dicen que sus hijos rápidamente "descifran el código" si las
respuestas en una herramienta de aprendizaje adaptativo siguen un patrón que no tiene nada que
ver con la tarea académica, como la longitud de la respuesta en una pregunta de opción múltiple o
combinaciones de colores de alternativas de respuesta. Tales mecanismos pueden llevar a que los
alumnos reciban puntajes artificialmente altos en las tareas y dar una impresión incorrecta de lo que
saben.

Una pregunta con respecto al riesgo de tales falacias es si la información de los materiales de apren-
dizaje adaptativo y el análisis del aprendizaje se percibe como más autorizada que otra información
que los maestros tienen sobre el aprendizaje de los estudiantes. Es posible limitar el riesgo de falacias
viendo los resultados del análisis de aprendizaje con un ojo crítico. Sin embargo, hemos recibido in-
formación que indica que los docentes confían demasiado en los datos de los recursos de aprendizaje
digital. Cuando los maestros tienen esta actitud hacia los datos, adoptan una actitud más pasiva con
respecto a la evaluación de los resultados de aprendizaje de los estudiantes y dirigen sus esfuerzos
hacia tareas más sociales (Municipalidad del Condado de Møre og Romsdal, 2022). Tal cambio en el
papel del maestro es muy desafortunado y no está en línea con la intención de utilizar análisis de ap-
rendizaje.

6.6 ¿La evaluación está influenciada por la información sobre el com-

portamiento de aprendizaje?
El Reglamento de Evaluación establece que la base para la evaluación en la 14
educación y formación
primaria y secundaria serán los objetivos de competencia en el plan de estudios de la asignatura, y

14
Forskrift til opplæringsloven § 3-3.
que los requisitos previos, el esfuerzo, la ausencia, el orden y el comportamiento no se incluirán en la
evaluación. Sin embargo, cuando se utiliza el análisis del aprendizaje, existe el riesgo de que la in-
formación que dice principalmente algo sobre el esfuerzo tenga mucho espacio. Dicha información
puede incluir, por ejemplo, el momento en que el alumno realizó y entregó el trabajo, y cuánto
tiempo pasó el alumno.

El análisis del aprendizaje también conlleva el riesgo de que no esté claro qué se incluye en la
evaluación. Por lo tanto, la analítica del aprendizaje puede contradecir un principio importante en la
educación que debe quedar claro para los estudiantes lo que van a aprender y lo que se espera de
ellos. El análisis del aprendizaje también puede crear estrés e incertidumbre para los alumnos y estu-
diantes si sienten que están continuamente en una situación de evaluación. Si es así, las condiciones
para que se atrevan a intentar y fracasar en el proceso de aprendizaje son más pobres. Por otro lado,
es posible obtener una imagen más precisa de la competencia de los alumnos y estudiantes al recopi-
lar información de situaciones de aprendizaje ordinarias, en comparación con las situaciones de
evaluación tradicionales. También puede ayudar a reducir el estrés.

Los estudiantes de educación superior y de educación profesional superior han indicado que les
preocupa que la información sobre cuándo, cómo y cuánto tiempo trabajan pueda afectar su
evaluación. Los estudiantes de la escuela vocacional terciaria también informan que es un desafío adi-
cional que tanto los estudiantes como los maestros a menudo estén conectados a la misma industria
en la vida laboral. Por ejemplo, a los estudiantes les preocupa que el conocimiento de los maestros
sobre sus procesos de aprendizaje pueda tener un impacto adverso en el reclutamiento.

6.7 Resumen
Puede ser difícil definir qué información es relevante, correcta y significativa sobre el aprendizaje de
los alumnos y estudiantes, y no menos importante lo que es información suficiente para garantizar
una buena facilitación y un desarrollo de calidad. También hay diferentes interpretaciones de lo que
constituye un procesamiento legal y éticamente justificable de dichos datos. Por lo tanto, la práctica
también varía. Además, estas preguntas no son solo sobre privacidad, sino también sobre el hecho de
que la relación entre estudiantes y estudiantes y sus maestros se ve afectada por qué información se
recopila, de qué manera y cómo se procesa.

En algunos casos, las interpretaciones legales restringen las posibilidades inherentes a la analítica del
aprendizaje. Esto es confirmado, entre otros, por el proveedor de servicios del sector del cono-
cimiento, Sikt, que ha optado por no facilitar el análisis del aprendizaje y la recolección de datos en
sus servicios debido a obstáculos legales (Sikt, 2022). La aplicación de la legislación, que tiene por
objeto proteger a los alumnos y estudiantes como individuos, puede tener consecuencias que limiten
sus derechos a una instrucción buena y diferenciada. Discutiremos estos temas más adelante en el
Capítulo 10.
 Con el fin de salvaguardar la privacidad de los alumnos y estudiantes, vemos la necesidad de una
discusión e investigación exhaustiva de qué datos deben incluirse en el análisis del aprendizaje en
los diversos niveles de educación. La libertad de las autoridades y profesiones responsables debe
quedar clara, para que puedan explorar el potencial de la analítica del aprendizaje dentro de un
marco sólido. Además, se debe facilitar la ética profesional y las discusiones pedagógicas sobre
qué tipo de información es necesario obtener del análisis del aprendizaje. Las discusiones requi-
eren transparencia sobre qué datos y procesos se incluyen en el análisis del aprendizaje y cómo se
utilizan los datos para apoyar el aprendizaje.

7 Dilema 2: el aprendizaje como proceso individualizado y social

Las ambiciones para la educación noruega se caracterizan principalmente por el hecho de que el ap-
rendizaje se entiende como un proceso activo y exploratorio que tiene lugar a través de la interacción
con los demás. Encontramos confirmación de esto en la parte principal del plan de estudios para la
educación primaria y secundaria y la formación (Ministerio de Educación e Investigación, 2017c, p. 15):
"Los estudiantes piensan, experimentan y aprenden en interacción con otros a través de procesos de
aprendizaje, comunicación y cooperación". Para la educación superior, una visión similar del apren-
dizaje se expresa claramente en el libro blanco sobre la calidad (Ministerio de Educación e Investiga-
ción, 2017b, p. 51): "El aprendizaje es un proceso activo que tiene lugar en interacción y coproducción
entre estudiantes y profesores y entre estudiantes". En Meld. St. 9 (2016–2017) – Profesionales para
el futuro – La educación vocacional terciaria se refiere a la vida total del estudiante en la escuela vo-
cacional, desde la admisión hasta la recepción de un diploma, como un camino de aprendizaje. La
descripción de la calidad en las vías de aprendizaje destaca que la interacción y la participación son
factores importantes: "Una ruta de aprendizaje exitosa se beneficia de la interacción con otros, y la
ruta de aprendizaje del estudiante individual es la suma de la participación en todas estas comunida-
des" (Ministerio de Educación e Investigación, 2016a, p. 76).

En la educación primaria y secundaria inferior, un número cada vez mayor de aulas noruegas son las
llamadas aulas individuales, lo que significa que todos los estudiantes tienen su propio dispositivo di-
gital. Si la interacción y la colaboración se enfatizan en mayor o menor medida en tales aulas depende
de cómo se utilicen los dispositivos digitales (Harper y Milman, 2016). Un mayor acceso a la tecnología
digital puede proporcionar mayores oportunidades de interacción, pero hay varios investigadores que
investigan la tecnología en las escuelas que han destacado el peligro de lo contrario (Blikstad-Balas,
2016; Selwyn, 2016). Los estudios de las aulas noruegas muestran, por ejemplo, que la digitalización
puede ayudar a reforzar los métodos de trabajo individuales (Blikstad-Balas & Klette, 2020; Gilje et al.,
2020). Además, las auditorías de la educación profesional terciaria técnica basada en la web han de-
mostrado que los recursos digitales se utilizan en gran medida para la comunicación unidireccional
con los estudiantes, mientras que se utilizan en menor medida para promover la actividad estudiantil,
la interacción entre estudiantes y la interacción entre estudiantes y profesores (Ministerio de Edu-
cación e Investigación, 2016a). Encontramos indicios de algo similar en la estrategia para la trans-
formación digital en el sector universitario y universitario, donde se señala que existe la necesidad de
desarrollar principios pedagógicos y métodos didácticos que contribuyan al uso de diferentes méto-
dos digitales de enseñanza y evaluación para involucrar a los estudiantes y darles un mejor apren-
dizaje (Ministerio de Educación e Investigación, 2021c).

Muchos de los recursos digitales que se utilizan en la educación hoy en día tienen precisamente un
diseño que asume un enfoque individualizado del aprendizaje. Esto se aplica en particular a los
medios didácticos adaptativos. La gran ventaja de un enfoque individualizado es adaptar mejor una
ruta de aprendizaje a las necesidades de cada estudiante o alumno. Aunque la analítica del apren-
dizaje también puede ayudar a mejorar la enseñanza a nivel de grupo, en algunos casos se trata de
promover el aprendizaje adaptando la enseñanza y la retroalimentación al individuo. Varias de las
partes interesadas de las que hemos recibido información destacan la individualización como una de
las mayores ventajas de la analítica del aprendizaje: "La analítica del aprendizaje puede ayudar a dar
al estudiante individual tareas completamente adaptadas para que la zona de desarrollo próximo se
pueda cumplir con mayor precisión" (Asociación de Líderes Escolares, 2022, p. 1). Sin embargo, los
procesos individualizados deben sopesarse frente a la interacción que subyace a un buen apren-
dizaje.

¿La analítica del aprendizaje ayudará a reforzar un enfoque individualizado del aprendizaje, o más
bien contribuirá a un buen equilibrio entre el aprendizaje individual y el colaborativo? ¿Y la práctica de
la enseñanza digital en la educación noruega actual proporciona una base suficiente para usar el
análisis del aprendizaje para apoyar el aprendizaje en la interacción?

7.1 Métodos de trabajo individuales con recursos digitales

Cada material de aprendizaje, analógico y digital, está integrado en una visión del aprendizaje y las
evaluaciones de lo que es importante en el tema. Hemos recibido aportes de varias organizaciones de
docentes que están preocupadas de que el análisis del aprendizaje pueda reforzar el uso de recursos
de aprendizaje digital que proporcionan resultados cuantificables, lo que puede reducir la amplitud
de la tarea educativa y las asignaturas. Los profesores enfatizan que el análisis del aprendizaje debe
apoyar la variación en la instrucción.

Sin embargo, aunque la investigación muestra que el aprendizaje en el aula digital hoy en día implica
un predominio de métodos de trabajo individuales (Blikstad-Balas &; Klette, 2020; Gilje et al. 2020),
este no tiene que ser necesariamente el caso. Muchos recursos digitales se prestan bien a la colabo-
ración y al diálogo, y es el uso didáctico de los recursos lo que determina si promueven procesos de
aprendizaje colectivo. Gilje et al. (2020) argumentan que el acceso uno a uno a la tecnología digital ti-
ene el potencial de nuevas y más oportunidades para variar los métodos de enseñanza. Sin embargo,
enfatizan que es crucial que el maestro tome decisiones conscientes con miras a usar la tecnología de
manera adecuada. Un metaestudio que incluye investigaciones sobre el acceso uno a uno de 2004 a
2014 muestra que la medida en que dicho acceso se utiliza para aumentar el uso del aprendizaje cola-
borativo y la interacción en lugar de formas más individuales de trabajo varía (Harper y Milman,
2016).
7.2 Aprendizaje activo y exploratorio en interacción con otros
El aprendizaje activo del estudiante y del estudiante a menudo se ve en el contexto del aprendizaje
como un proceso exploratorio en interacción con otros. Esto se destaca en varios documentos recto-
res de los programas de estudio. En Meld. St. 28 (2015-2016) Asignaturas – Especialización – Com-
prensión. La investigación de Håkansson y Sundberg (2012), que señala que la enseñanza cualitati-
vamente buena se caracteriza por que los estudiantes se basen en los conocimientos, experiencias y
perspectivas de los demás (Ministerio de Educación e Investigación, 2016b). En el propio currículo, el
enfoque social del aprendizaje se combina con una perspectiva exploradora: "La colaboración inspira
la innovación y el espíritu empresarial, de modo que las nuevas ideas puedan traducirse en acción"
(Ministerio de Educación e Investigación, 2017c, p. 7).

En la Reforma de la Calidad de la Educación Superior, Informe Nº 27 al Storting (2000-2001), y no me-

nos importante en el informe de calidad, Meld. Calle 16 (2016-2017) encontramos lo mismo. Ya en el
predecesor de la Reforma de la Calidad, NOU 2000: 14 (p. 210), se enfatizó que el aprendizaje pre-
supone "métodos de enseñanza que permitan a los estudiantes participar activamente [...], mediante
el uso de métodos de enseñanza como el aprendizaje basado en problemas, el aprendizaje colabora-
tivo, el aprendizaje grupal y el trabajo por proyectos".

Con respecto a la educación profesional superior, se aplican principios similares para que los estu-
diantes de escuelas profesionales terciarias logren un buen aprendizaje (Ministerio de Educación e
Investigación, 2016a). Además, se hace hincapié en que la buena interacción entre los estudiantes de
las escuelas profesionales terciarias y la vida laboral es importante para garantizar la exactitud y la
pertinencia en su educación.

Para que la analítica de aprendizaje proporcione información sobre el aprendizaje activo y de investi-
gación en interacción con otros, los recursos digitales deben usarse de esa manera. Hemos recibido
aportes de varios maestros y propietarios de escuelas que dicen que tienen experiencia en que los
recursos de aprendizaje digital se utilizan para "perforar" habilidades simples, y que los métodos de
trabajo creativos y exploratorios tienen menos espacio (Municipalidad del Condado de Møre og
Romsdal, 2022). Tal práctica aleja el aprendizaje tanto de la interacción social como del enfoque activo
y exploratorio. La práctica también puede llevar a que el aprendizaje se reduzca en comparación con
los objetivos de la capacitación.

Si los recursos de aprendizaje digital se diseñan y utilizan principalmente para dicha "perforación",
esto limitará los beneficios de la analítica de aprendizaje basada en datos de los recursos de apren-
dizaje. Los padres individuales se han puesto en contacto con nosotros y nos han proporcionado
ejemplos de cómo se mide el aprendizaje de los alumnos de manera sencilla donde el objetivo es re-
sponder lo más rápido posible. Los padres sienten que tal evaluación reduce la disposición de los
estudiantes a reflexionar sobre las respuestas que dan y el proceso para llegar a una buena re-
spuesta. Sin embargo, tal reflexión es necesaria para desarrollar una buena comprensión de los pro-
pios procesos de aprendizaje.
La Asociación Noruega de Líderes Escolares (2022) señala que la falta de competencia académica en
el análisis del aprendizaje a nivel del propietario de la escuela puede conducir a soluciones "simples" y
que el aprendizaje se reduce. También expresan una gran preocupación por cómo se salvaguarda
una amplia comprensión de la competencia en el análisis del aprendizaje: "Debe reflejarse en cómo
se cumple el concepto de competencia en LK2015 en el análisis del aprendizaje digital, cómo, por
ejemplo, debería reflejarse la resolución de problemas, el pensamiento crítico, etc. en el análisis del
aprendizaje?" (Asociación de Líderes Escolares, 2022, p. 2).

7.3 Confianza para intentar y fallar

Un enfoque activo y exploratorio del aprendizaje que salvaguarde la amplitud del concepto de com-
petencia no entra en conflicto con el hecho de que los alumnos y los estudiantes a veces trabajan in-
dividualmente con recursos digitales. Como describimos en la introducción al dilema 2, nuestro
propósito es observar el contraste entre el enfoque individualizado del aprendizaje que vemos un
predominio en los entornos de aprendizaje digital de hoy, y la percepción de que el aprendizaje es
algo que sucede en la interacción con los demás.

Un ejemplo concreto de un método de trabajo que se puede utilizar tanto individual como conjunta-
mente es el método de resolución de problemas de pensamiento algorítmico (Dirección Noruega de
Educación y Formación, 2019). Está estrechamente relacionado con el uso de la tecnología digital y
requiere un enfoque curioso y exploratorio para resolver problemas. El método consiste en descom-
poner problemas complejos en subproblemas más pequeños y manejables, organizar y analizar la
información de manera lógica y crear procedimientos (algoritmos) para llegar a la solución deseada.
Tal resolución de problemas a menudo implica una "estrategia de prueba y error", y mantiene la
perspectiva activa y exploratoria sobre el aprendizaje.

En un contexto de análisis de aprendizaje, puede ser difícil crear suficiente espacio para el ensayo y
error si los estudiantes están demasiado preocupados por recopilar datos sobre el proceso de apren-
dizaje mientras trabajan: "Todas las respuestas incorrectas, todas las de registro, afectan a los estu-
diantes y pueden contrastar con los valores y principios de crear las condiciones para explorar, pro-
bar, ser creativo: valores y principios para la renovación profesional" (condados de Vestfold y Tele-
mark, 2022). Si el análisis del aprendizaje es para apoyar el aprendizaje activo y de investigación, los
estudiantes deben sentirse lo suficientemente seguros como para experimentar, incluso si los datos
sobre su proceso de aprendizaje se almacenan en el camino. Esta confianza no se trata solo del análi-
sis del aprendizaje en sí, sino también de la relación entre los estudiantes y los estudiantes y sus
maestros e instituciones educativas. La relación debe basarse en una confianza fundamental en que
la privacidad de los alumnos y estudiantes está bien salvaguardada, que las instituciones educativas y
los profesores tienen suficiente competencia y conciencia ética del uso de datos sobre el aprendizaje
de alumnos y estudiantes, y que esto se refleja en la práctica docente.

15
El currículo del Programa de Promoción del Conocimiento 2020 (educación primaria y
secundaria).
7.4 ¿Se pueden usar datos individuales para decir algo sobre la in-
teracción?
En la analítica de aprendizaje, son los datos los que son el punto de partida para qué tipo de in-
formación podemos extraer del análisis. Una pregunta fundamental es, por lo tanto, qué tipo de da-
tos necesitamos para obtener información sobre lo que queremos y si tenemos acceso a los datos
que necesitamos.

Para que la analítica del aprendizaje se utilice para apoyar el aprendizaje como un proceso social, ne-
cesitamos datos que nos digan algo sobre la interacción. Sin embargo, hemos recibido información de
que a veces puede ser difícil separar la información sobre el rendimiento individual y la información
sobre el aprendizaje en interacción con otros en los recursos de aprendizaje digital. Aquellos que
señalan esto creen que puede conducir a un cambio hacia análisis de aprendizaje más individualiza-
dos (condados de Vestfold y Telemark, 2022). Para que el análisis del aprendizaje iguale el equilibrio,
los datos que informan sobre la interacción en los materiales de aprendizaje también deben recopi-
larse e incluirse en el análisis de aprendizaje. Algunos ejemplos de esto pueden ser datos sobre cómo
y cuánto se involucra un estudiante en la interacción, quién se comunica con quién y cómo se lleva a
cabo la comunicación. Dichos datos pueden incluirse en un análisis de red o en otras formas de análi-
sis de aprendizaje.

Para los estudiantes en línea, las plataformas de interacción a menudo serán parte de la vida co-
tidiana de los estudiantes, y los análisis de aprendizaje que proporcionan información sobre la in-
teracción de estos estudiantes serán información particularmente importante para sus maestros, ya
que no están con los estudiantes en la institución educativa y pueden observar y apoyar el proceso de
aprendizaje social allí.

Para los estudiantes y estudiantes en el campus, el uso de plataformas de colaboración es menos ex-
tenso. Sin embargo, es posible obtener datos sobre la interacción de, por ejemplo, herramientas de
co-escritura y otras herramientas de comunicación digital. Durante la pandemia de coronavirus,
cuando muchos de los alumnos y estudiantes del país fueron educados en el hogar la mayor parte del
tiempo, hubo un uso extensivo de plataformas digitales para la comunicación y la interacción. Habla-
mos con varios propietarios de escuelas que utilizaron datos de estas plataformas para obtener in-
formación sobre cómo interactuaban los estudiantes, para que pudieran brindar apoyo cuando fuera
necesario. Varios propietarios de escuelas también experimentaron que la interacción entre maestros
y estudiantes mejoró porque los maestros tenían una idea del proceso de trabajo de los estudiantes
mientras se llevaba a cabo y podían proporcionar información en el camino (Blikstad-Balas, 2021).

Es importante tener en cuenta que la comunicación y la interacción que tiene lugar digitalmente pue-
den ser de naturaleza personal, y que la información sobre los mensajes de chat y las conversaciones
de los alumnos y estudiantes puede tener derecho a una protección especial en virtud de las regu-
laciones de privacidad y protección de la comunicación. La comunicación electrónica revela mucha
información sobre la persona que utiliza el servicio de comunicación, como dónde se encuentra la
persona en un momento dado, con quién se está comunicando, en qué momentos y durante cuánto
tiempo se está comunicando, de qué se trata la comunicación, etc. Esta es información que afecta en
gran medida la privacidad y la integridad personal de las personas.

La privacidad de la comunicación es una forma especial de privacidad que se refiere a la protección

de la comunicación y las conversaciones entre las personas. Hoy en día, la protección de las comuni-
caciones está regulada por la Ley de Comunicaciones Electrónicas (Ley de Comunicaciones Electróni-
cas), que refleja los requisitos de la Directiva de privacidad electrónica, también llamada Directiva de
privacidad electrónica16. El propósito de estas regulaciones es fortalecer la privacidad y dar a los usua-
rios de los servicios de comunicación un mejor control sobre sus datos personales. Ahora se ha
propuesto reemplazar la Directiva de privacidad electrónica de la UE con una regulación: el Regla-
mento de privacidad electrónica o el Reglamento de privacidad electrónica en noruego.17

7.5 Resumen
El análisis del aprendizaje está a merced de la práctica que tiene lugar en las aulas y en los diversos
ámbitos de aprendizaje. Esto significa que se deben generar datos que hablen sobre la interacción y
la comunicación, para que el análisis apoye el aprendizaje en la interacción. Al mismo tiempo, el di-
seño de los recursos que utilizan la analítica del aprendizaje afectará el acto de equilibrio entre el ap-
rendizaje como un proceso social y como individuo. Los recursos que destaquen y enfaticen la di-
mensión social del aprendizaje podrán apoyar y ser una fuerza motriz para la práctica docente que
esté en línea con la noción de que el aprendizaje es una actividad social.

Como presentamos en la revisión de la investigación en el Capítulo 4, la analítica del aprendizaje se

considera relevante para el aprendizaje colaborativo, en línea con la perspectiva social sobre el apren-
dizaje que caracteriza los documentos de gobernanza a los que nos hemos referido en este capítulo.
En contraste con la perspectiva colaborativa, vemos un aumento significativo en los métodos de tra-
bajo más individualizados en el aula digital, como lo demuestran las investigaciones de Gilje (2020) y
Blikstad-Balas & Klette (2020), entre otros.

Es importante para nosotros que el análisis del aprendizaje, cuando se aplique, respalde un en-
foque activo y exploratorio del aprendizaje en una interacción social. Esto supone que los datos
recopilados proporcionan información sobre dicho aprendizaje. Por lo tanto, nos preguntamos si
los recursos de aprendizaje digital actuales, los recursos que utilizan análisis de aprendizaje y
prácticas de enseñanza digital en la educación noruega generan datos suficientes para propor-
cionar análisis significativos que puedan apoyar la variación en la enseñanza y el aprendizaje como
actividad social.

16
Directiva 2002/58/CE (Directiva sobre la privacidad y las comunicaciones electrónicas)

17
https://www.regjeringen.no/no/sub/eos-notatbasen/notatene/2017/juni/forslag-til-kommu-
nikasjonsvernforordning/id2555751/
8 Dilema 3: centralización y autonomía
Aunque la consideración guía al adoptar la analítica del aprendizaje debe ser la educativa, también se
deben tomar algunas decisiones tecnológicas, éticas, legales y prácticas en el camino. Un mensaje
inequívoco de todos los actores con los que hemos hablado es que es un desafío para el profesor in-
dividual, la institución educativa individual y el propietario de la escuela individual evaluar los recursos
digitales que utilizan análisis de aprendizaje, con respecto a la calidad y la prudencia. Lo mismo se ap-
lica en la educación superior y las escuelas vocacionales. Por lo tanto, cada propietario de escuela in-
dividual y en cada institución educativa dedica muchos recursos a esto. Muchos señalan que centrali-
zar o coordinar los sistemas, las evaluaciones y el apoyo a la toma de decisiones habría sido apro-
piado y habría facilitado la adopción de análisis de aprendizaje.

Por otro lado, tenemos una fuerte tradición de autonomía en muchos niveles en el sector educativo.
Para los maestros y educadores, la libertad de método y el juicio profesional son fuertes. Por ejemplo,
encontramos varias referencias a la autonomía en la Ley de Universidades y Colegios Universitarios.
También tenemos un considerable margen de maniobra local en los planes de estudio y los planes
marco. Luego viene el principio primordial del autogobierno local en Noruega. En la educación prima-
ria y secundaria inferior, por ejemplo, es cada propietario de la escuela quien tiene la responsabilidad
general de la calidad de la formación y del cumplimiento de los deberes y derechos de las normas de
protección de datos. Centralizar las decisiones sobre el análisis del aprendizaje puede desafiar la au-
tonomía si el margen de maniobra local es demasiado pequeño. El sector del gobierno local y las or-
ganizaciones de docentes en particular expresan su preocupación al respecto. Al mismo tiempo, per-
cibimos que las autoridades nacionales son muy cautelosas a la hora de desafiar la autonomía del
sector educativo.

¿Cómo podemos satisfacer la necesidad de un apoyo centralizado y, al mismo tiempo, salvaguardar la

necesidad de adaptación local y el deseo de autonomía? ¿Y qué consecuencias tiene la centralización
para la innovación, la diversidad y los requisitos de calidad en los recursos que utilizan la analítica del
aprendizaje?

8.1 ¿Dónde se toman las decisiones?

La cuestión de quién toma las diversas decisiones que afectan a la analítica del aprendizaje ha sido
fundamental para nosotros en la comprensión del grado de centralización y adaptación local y qué
actores y niveles están involucrados. Por lo tanto, estas cuestiones han sido fundamentales para
nuestro diálogo con los grupos afectados. Las decisiones pertinentes son tomadas a diferentes nive-
les por diferentes actores y se refieren principalmente a la adquisición y el uso de plataformas, siste-
mas, materiales de aprendizaje y recursos de aprendizaje digitales.

La decisión de adquirir y adoptar un sistema digital más amplio que la gran mayoría de los alumnos y
estudiantes de una institución educativa utilizan, por ejemplo, una plataforma de aprendizaje o un
sistema de evaluación digital, casi siempre se toma a nivel nacional o a nivel de propietario de escuela
en la educación primaria y secundaria inferior y a nivel empresarial en las escuelas de formación pro-
fesional y en la educación superior. La razón principal por la que se toma la decisión en estos niveles
es que en la mayoría de los casos la adquisición requerirá un proceso extenso en el que se deben
realizar evaluaciones intensivas en recursos tanto de la calidad educativa como de la compatibilidad
tecnológica y las implicaciones de privacidad. Además, se deben realizar análisis de riesgo y vulnera-
bilidad.

El sector de la educación afirma claramente que necesita un mayor apoyo centralizado en las deci-
siones sobre grandes contrataciones, en particular con respecto a la evaluación de la legalidad y la
prudencia. Para evaluar las consecuencias para los datos personales, es necesario, por ejemplo, un
asesoramiento jurídico especializado. Sin embargo, sólo alrededor de la mitad de los municipios de
Noruega emplean a uno o más abogados.18

Además, hemos recibido aportes de proveedores de recursos digitales que dicen que diferentes mu-
nicipios e instituciones educativas llegan a conclusiones diferentes al evaluar la legalidad y solidez de
los recursos. Esto crea imprevisibilidad para los proveedores y una gran incertidumbre entre
maestros, estudiantes y padres / tutores. También conduce a diferencias sistemáticas en el tipo de
recursos digitales a los que tienen acceso los alumnos. Esto se hace particularmente evidente para los
estudiantes que se mueven entre municipios o diferentes niveles de educación. El Comité de Padres
para la Educación Primaria y Secundaria (FUG) lo expresa de esta manera (2022, p. 1):

"¿Por qué encontramos que un municipio se abre a todas las aplicaciones y programas que están
disponibles, mientras que una escuela secundaria en la misma ciudad dice no a todo, excepto a las
aplicaciones en la suite Office por motivos de GDPR y privacidad? ¿Es correcto que esto se evalúe de
manera tan diferente? Cuando no obtenemos buenas respuestas a esto, nosotros, como padres,
nos preocupamos".

Hay muchas buenas razones por las que las evaluaciones de la solidez y legalidad de los recursos que
utilizan análisis de aprendizaje deben realizarse a un nivel en el que esté presente la experiencia ne-
cesaria. Sin embargo, vale la pena señalar que si trasladamos todas las evaluaciones de la protección
de datos a los niveles administrativos, existe el riesgo de que los docentes y las instituciones educati-
vas no desarrollen una conciencia necesaria de la protección de datos. Cuando los profesores utilizan
recursos digitales en su formación, necesitan este "reflejo de la médula espinal".

Muchos educadores utilizan recursos de aprendizaje gratuitos que están disponibles abiertamente en
línea, y estos recursos no se someten a garantía de calidad y evaluación de riesgos a lo largo de un
proceso de adquisición. Por lo tanto, es importante que la competencia y la conciencia de la pri-
vacidad entre los docentes y las instituciones educativas no se vean afectadas, incluso si las evaluacio-
nes se realizan a un nivel más central. La competencia y la conciencia de la protección de la privacidad
también son importantes porque es deseable que los maestros se mantengan al tanto de los recursos
disponibles y que ellos mismos busquen nuevos recursos que sean relevantes para su materia. Si to-
das las evaluaciones de prudencia y legalidad se centralizan por razones de privacidad, también

18
https://www.juristforbundet.no/nyheter/2021/innbyggernes-rettssikkerhet-er-truet-uten-
jurister-i-kommunene/
puede conducir a esfuerzos más pasivos por parte de los educadores para familiarizarse con los
recursos disponibles.

Cuando se trata de decisiones sobre la adquisición y el uso de recursos de aprendizaje digital, la ima-
gen es algo diferente. En la educación superior, los gerentes de TI y los gerentes de bibliotecas de las
instituciones educativas son actores clave en las decisiones de adquisición. En una encuesta de la
Agencia para la Gestión Pública y la Administración Electrónica en 2017, una gran mayoría de univer-
sidades y colegios universitarios declararon que los gerentes de TI y los gerentes de bibliotecas de la
institución educativa tomaron las decisiones con respecto a la compra de recursos de aprendizaje di-
gital (UU Authority, 2017). Encontramos información sobre quién influye en las decisiones sobre la
adquisición de recursos de aprendizaje digital en la educación primaria y secundaria y la formación19
en las encuestas Monitor y en las «Preguntas para la escuela noruega» de la Dirección Noruega de
Educación y Formación . En la base de datos para la Encuesta Monitor 2019, los líderes escolares y
20

los maestros respondieron quién decide qué recursos digitales y ayudas de aprendizaje comprar.
Tanto los líderes escolares como los maestros en la encuesta afirman que la administración de la es-
cuela y los propietarios de las escuelas son los que toman la mayoría de las decisiones sobre tales
compras, pero aproximadamente la mitad de los líderes escolares y los maestros dicen que el admi-
nistrador de TIC en gran o gran medida toma las decisiones (Fjørtoft et al., 2019). Aún más interesante
es que la administración de la escuela y los maestros evalúan la influencia de los maestros de manera
muy diferente.

19
https://www.udir.no/tall-og-forskning/forskning-og-annet-kunnskapsgrunnlag/funn-fra-mo-
nitor/

20
https://www.udir.no/tall-og-forskning/publikasjoner/funn-fra-sporsmal-til-skole-norge/
Figur 8.1 Evaluación de quién decide en gran o gran medida comprar recur-
sos digitales y recursos digitales de aprendizaje en las escuelas. Cifras en por-
centaje.

Fuente: Fjørtoft et al., 2019, p. 67.

La figura 8.1 muestra que los docentes creen que ellos mismos tienen una influencia significati-
vamente menor en la compra de recursos y recursos de aprendizaje digital de lo que los líderes esco-
lares perciben que tienen los docentes. Los hallazgos de "Preguntas a la escuela Noruega" matizan
esta imagen al señalar que la elección de los recursos de aprendizaje digital se realiza sobre la base
de los aportes de los equipos de docentes o los procesos colectivos iniciados por los líderes escolares
(Bergene et al., 2021). Además, una gran proporción responde que las decisiones se toman sobre la
base de las aportaciones de los docentes individuales. En otras palabras, bien puede ser que los
maestros influyan en las decisiones, aunque sea la administración de la escuela la que las tome.
Cuando se trata de "Preguntas para la escuela de Noruega", vale la pena señalar que solo los propie-
tarios de escuelas y los líderes escolares han respondido. Por lo tanto, no tenemos información sobre
cómo los maestros perciben estas preguntas.

Varios de los proveedores de recursos de aprendizaje digital en el mercado noruego informan que
ven signos de que la clara tendencia de las evaluaciones centralizadas de los recursos de aprendizaje
está a punto de revertirse. Están experimentando un aumento en las decisiones locales, donde los
grupos de asignaturas formados por maestros hacen las evaluaciones. Los proveedores ven el desar-
rollo en el contexto del hecho de que los recursos de aprendizaje digital ya no son un complemento,
sino el trabajo principal para los docentes. Luego, las estructuras de toma de decisiones establecidas
para elegir los materiales didácticos tradicionales entran en acción, y la compra se convierte en una
decisión educativa en lugar de una decisión de TI.

Los presupuestos para la compra de material didáctico son escasos en muchos municipios. Los pro-
veedores dicen que una economía apretada en el sector de la educación puede hacer que sea más
atractivo apuntar al mercado privado. Los padres en particular son un grupo objetivo importante. Son
importantes partidarios de la escuela y deben tener acceso a recursos digitales relevantes para
ayudar a sus hijos en su educación. Por lo tanto, este acceso debe garantizarse a través de la escuela
tanto como sea posible, y debe ser sin costo para el hogar.

En la educación primaria y secundaria, las decisiones centralizadas sobre el uso de los recursos digita-
les de aprendizaje y las evaluaciones de contenidos y calidad educativa se percibirán rápidamente
como una intervención en el trabajo curricular local. Al mismo tiempo, gran parte de la interpretación
del currículo ahora está siendo realizada por los desarrolladores de materiales de aprendizaje sin que
las escuelas necesariamente tengan acceso a cómo. En la información que hemos recibido, varios ex-
presan su preocupación de que los desarrolladores de recursos de aprendizaje digital y recursos que
utilizan análisis de aprendizaje deberían tener un control demasiado fuerte sobre el contenido y la
capacitación en las escuelas. Les preocupa especialmente que se esté produciendo un cambio hacia
una formación más instrumental de las competencias, y que no se haga tanto hincapié en la for-
mación teniendo en cuenta el concepto general de competencia.

Otra preocupación expresada es que muchos de los recursos de aprendizaje digital se han desarrol-
lado para partes de asignaturas individuales, mientras que los planes de estudio en las escuelas
noruegas enfatizan la interdisciplinariedad y las habilidades básicas en todas las materias. FUG argu-
menta que las autoridades deben controlar cómo se desarrolla el uso de la analítica del aprendizaje,
para que el contenido de las escuelas no se deje a los proveedores de recursos digitales y recursos de
aprendizaje (Comité de Padres de Educación Primaria y Secundaria, 2022). Advierten que, en el peor
de los casos, la analítica del aprendizaje puede exacerbar las diferencias en la formación ofrecida en-
tre las escuelas si no se prevé una gobernanza central más fuerte en esta área.

Vemos que puede ser difícil lograr buenos procesos de adquisición si la solidez y la legalidad de los
recursos de aprendizaje digital se evalúan a un nivel más central que el contenido y la calidad de los
materiales didácticos. Está claro que existe la necesidad de esquemas de licencias más dinámicos
para los recursos de aprendizaje digital que permitan a las escuelas realizar evaluaciones locales y of-
recer recursos variados a sus maestros y estudiantes. Las decisiones de adquisición se pueden tomar
a un nivel más central donde se dispone de la experiencia necesaria, mientras que las decisiones
sobre el uso se pueden tomar localmente, más cerca de donde se lleva a cabo la capacitación. Au-
mentará la elección local y potencialmente la calidad de la instrucción porque dará a los maestros una
oportunidad más real de elegir activamente los recursos por sí mismos y adaptar la instrucción a sus
estudiantes.
A través del proyecto AVT, KS ha desarrollado un modelo de pago y una herramienta de implementa-
ción de competencia que hace posible que las escuelas y los propietarios de escuelas paguen por los
recursos de aprendizaje digital basados en el uso real, en lugar de tener que comprar licencias anua-
les de forma centralizada.21 En este modelo de pago, las decisiones de utilizar material didáctico se
acercan más al profesor y al estudiante individual, mientras que las evaluaciones más complejas de
prudencia y calidad se pueden hacer centralmente en el municipio.

8.2 ¡Centralizado = aprobado!

En la educación primaria y secundaria, actualmente no tenemos un sistema nacional de recono-
cimiento de material didáctico. Son los propietarios de las escuelas los responsables de garantizar
que los materiales didácticos cumplan con los requisitos de protección de datos, y que la selección y
la calidad sean suficientes para proporcionar una buena formación. En este sentido, contamos con
supervisores para evaluar la calidad de los materiales didácticos. Además, tenemos esquemas de sub-
venciones para el desarrollo y la compra de recursos de aprendizaje digital y soluciones nacionales
comunes para el inicio de sesión y el acceso. Estos son recursos y soluciones de apoyo centralizados,
no esquemas de aprobación. Sin embargo, de las aportaciones que hemos recibido se desprende cla-
ramente que la inclusión en planes centralizados de material didáctico se considera hasta cierto
punto como un sello de aprobación entre muchos propietarios de escuelas, directores de escuelas,
maestros, alumnos y padres/tutores. Por ejemplo, hay muchos que expresan una expectativa de
ayudas didácticas de alta calidad con un inicio de sesión Feide22.

El inicio de sesión a través de Feide ofrece acceso seguro y flujo de datos a los proveedores de ser-
vicios, pero no implica la aprobación de calidad del contenido y el diseño del material de aprendizaje.
El plan de acción para la digitalización de la educación primaria y secundaria menciona que un mayor
desarrollo de Feide es una medida importante, entre otras cosas para fortalecer la protección de la
privacidad (Ministerio de Educación e Investigación, 2020). Más adelante en el plan de acción, se pro-
pone desarrollar un catálogo de servicios nacionales para recursos de aprendizaje digital para propor-
cionar una mejor visión general de los recursos disponibles y brindar a los docentes mejores opor-
tunidades para evaluar sus fortalezas y cualidades. Del plan de acción no se desprende claramente
qué criterios deben servir de base para incluir una ayuda didáctica en el catálogo de servicios. En
cualquier caso, es importante que quienes van a desarrollar y gestionar el catálogo sean conscientes
de que tales acuerdos centralizados indican la validación.

Las organizaciones estudiantiles de las escuelas terciarias de formación profesional y educación supe-
rior expresan una gran confianza en los recursos digitales utilizados en la educación. Y al igual que los
actores de la educación primaria y secundaria, perciben que el inicio de sesión de Feide es una expre-
sión de calidad con respecto al contenido y el diseño del recurso. Al mismo tiempo, las organizaciones

21
https://www.ks.no/fagomrader/digitalisering/utviklingsprosjekter/laringsanalyse-i-sko-
len/siste-nytt-om-prosjektet---februar-2022/

22
https://www.feide.no/
estudiantiles sienten que se les pide el consentimiento para obtener acceso a plataformas de apren-
dizaje y otros sistemas, pero no perciben esto como un consentimiento genuino, ni entienden com-
pletamente lo que implica el consentimiento. Los padres de la escuela primaria se encuentran en una
situación similar. En la práctica, tendrán que dar su consentimiento para que los niños utilicen los
recursos digitales para que puedan participar plenamente en la capacitación.

8.3 ¿La centralización obstaculiza la innovación?

Es intensivo en recursos desarrollar recursos que funcionen bien y que utilicen análisis de aprendizaje
de alta relevancia para el sector educativo noruego. Por lo tanto, para los proveedores más pequeños,
puede ser difícil cumplir requisitos estrictos en los esquemas centralizados. Como es la práctica hoy
en día, son los fabricantes de materiales de aprendizaje en el mercado privado los que son más rele-
vantes para desarrollar recursos que utilizan análisis de aprendizaje. Sin embargo, se podría prever
facilitar algún desarrollo basado en la investigación por parte del gobierno, sin sofocar los mecanis-
mos de mercado sólidos.

En su diálogo con nosotros, los proveedores de análisis de aprendizaje en el mercado noruego han
enfatizado que hay mucho trabajo de desarrollo innovador por parte de los jugadores grandes y pe-
queños. Aunque la mayoría son positivos acerca de las estructuras y principios clave de apoyo para la
evaluación y la toma de decisiones, a algunos también les preocupa que los pequeños actores o las
soluciones innovadoras tengan un acceso limitado al mercado. El plan de acción para la digitalización
señala que el catálogo de servicios para los recursos digitales de aprendizaje debe ser un motor de
innovación en lugar de un obstáculo: «El catálogo de servicios también estimulará la competencia en-
tre proveedores y contribuirá a un mercado que funcione correctamente en el que también tengan
acceso los actores más pequeños, de modo que obtengamos una rica selección de recursos de apren-
dizaje innovadores e inteligentes» (Ministerio de Educación e Investigación, 2020, pág. 11). Por lo
tanto, podemos esperar que los criterios para la inclusión en el catálogo de servicios sean manejables
para cumplir también para las soluciones innovadoras y los actores más pequeños, de modo que pue-
dan incluirse en lo que se denomina en el plan de acción como el ecosistema digital para el sector
educativo.

Un ecosistema digital donde los sistemas, servicios y soluciones interactúan es un objetivo nacional
para la política de digitalización en el sector público. En el plan de acción para la digitalización de la
educación primaria y secundaria, por ejemplo, se destaca como medida importante la cogestión for-
malizada de un ecosistema digital para la educación y la formación primarias y secundarias. Las auto-
ridades educativas, el sector municipal y los proveedores participarán en esta área (Ministerio de Edu-
cación e Investigación, 2020). Dicho ecosistema podría contener procesos, componentes, soluciones y
estándares comunes. Para garantizar la libertad de elección local y contrarrestar la monopolización, el
ecosistema debe ser una interacción en la que los actores con el mismo papel tengan igual acceso
para formar parte del sistema.
8.4 Trabajo de estandarización centralizado
Una norma es una norma especializada o establecida, y el trabajo de normalización puede abarcar
cualquier cosa, desde la estandarización de los procesos de trabajo, plantillas comunes, contratos
estándar o normas relacionadas con la tecnología (Ministerio de Educación e Investigación, 2020). El
plan de acción para la digitalización en la educación primaria y secundaria especifica que las autorida-
des centrales deben desempeñar un papel activo en el trabajo de normalización porque la industria
de la tecnología del aprendizaje es relativamente inmadura (Ministerio de Educación e Investigación,
2020).

El análisis del aprendizaje impone altas exigencias a la estandarización, ya que implica en gran
medida la integración de datos de múltiples fuentes (Samuelsen et al., 2021). En muchos casos, el
valor de la analítica del aprendizaje aumentará cuando el análisis se base en datos de múltiples fuen-
tes (Mangaroska et al., 2021). El valor aumenta porque múltiples fuentes proporcionan una diversidad
y una imagen más amplia del aprendizaje de los estudiantes y los estudiantes. Cuando se recopilan
datos de varias fuentes, será posible tratar diferentes partes de una asignatura o asignatura en con-
texto, proporcionar información entre asignaturas y arrojar luz sobre diversos aspectos de las estrate-
gias de aprendizaje de los alumnos y estudiantes.

Para que los datos de diferentes fuentes se intercambien y compilen en un sistema, deben estar en
un formato estandarizado. Dichos estándares hacen que los datos sean compatibles y transferibles y
también permiten que el contenido se mueva de una plataforma a otra. Los estándares más utiliza-
dos para la tecnología de aprendizaje son Learning Tools Interoperability (LTI), Experience API (xAPI),
SCORM y cmi5. En23 2016, el comité de aprendizaje de Standards Norway eligió xAPI como el formato
estándar para compartir datos en el análisis del aprendizaje. xAPI también se utiliza en la formación
básica en el proyecto AVT (Morlandstø et al., 2019). El estándar xAPI es abierto y almacena datos en el
formato de sintaxis sujeto-verbo-objeto de nivel base como una instrucción xAPI. La declaración se pu-
ede ampliar con una amplia gama de información adicional (Morlandstø et al., 2019; Samuelsen et al.,
2021).

Los estándares que funcionan bien para el intercambio de datos en el análisis del aprendizaje pueden
aumentar la latitud local porque facilitan la variación y la oportunidad de adaptaciones sin problemas.
Sin embargo, construir un buen conjunto de estándares es un trabajo que lleva tiempo. La analítica
de aprendizaje es relativamente nueva, lo que también caracteriza a los proveedores en el mercado
noruego. Por ejemplo, cuando comenzó el proyecto AVT en 2017, ninguno de los proveedores parti-
cipantes tenía experiencia previa con el estándar xAPI (Morlandstø et al., 2019). Al mismo tiempo, esto
significa que existe un gran potencial para construir un conjunto de normas acordadas en gran
medida desde cero. Entonces será importante utilizar el desarrollo de dicho conjunto de normas
como un motor para la diversidad en el mercado.

23
https://www.standard.no/standardisering/komiteer/sn/snk-186/
8.5 Resumen
La adquisición y el uso de recursos que utilizan análisis de aprendizaje requiere procesos complejos
de evaluación y toma de decisiones en diferentes niveles en el sector educativo. Es un ejercicio desa-
fiante pero necesario encontrar el equilibrio adecuado entre tener estructuras de apoyo centralizadas
en torno a las decisiones más intensivas en recursos y mantener un espacio para el juicio educativo y
la adaptación a las condiciones locales. Especialmente cuando se trata de evaluar la prudencia y la le-
galidad, muchas instituciones educativas y propietarios de escuelas llegan a conclusiones diferentes.
Esto crea un terreno fértil para la incertidumbre y la incertidumbre en el sector y crea imprevisibilidad
entre los proveedores.

Hay muchos buenos argumentos para tener estructuras de apoyo centralizadas en torno a las
evaluaciones de solidez y legalidad al adquirir recursos que utilizan análisis de aprendizaje. Sin em-
bargo, es importante que tales estructuras no se produzcan a expensas de una conciencia de pri-
vacidad por parte de aquellos que adoptan la analítica de aprendizaje. El trabajo de estandarización
puede ser un apoyo importante en términos de la complejidad de la analítica del aprendizaje. Tam-
bién puede garantizar condiciones técnicas como la interoperabilidad, la transferibilidad y la reutiliza-
ción de los recursos. Las cuestiones jurídicas relativas al intercambio de datos se abordan en el
capítulo 10.

Vemos que existe la necesidad de hacer una evaluación exhaustiva de qué decisiones con
respecto a la analítica del aprendizaje deben centralizarse de diferentes maneras, y cuáles deben
proporcionar un mayor margen para la flexibilidad y la adaptación local. Dicha evaluación debe
considerarse en el contexto del trabajo de normalización gestionado centralmente dentro del
análisis del aprendizaje. El objetivo de este trabajo debe ser desarrollar buenos estándares que
salvaguarden y permitan la diversidad educativa dentro del espacio de maniobra local.

9 Dilema 4: necesidades de competencia y realidad de compe-

tencias
En la educación noruega, ha habido una tremenda prevalencia de entornos de aprendizaje digital
desde el cambio de milenio. Este desarrollo ha sido acompañado por una discusión continua sobre
las competencias requeridas para explorar críticamente y explotar el potencial inherente al encuentro
entre sujetos, tecnología y práctica pedagógica. Como veremos, en todos los niveles de la educación
noruega existen grandes brechas entre lo que son las ambiciones de competencia y lo que parecen
ser las realidades. Aunque esta brecha se aplica a las ambiciones y realidades de la competencia digi-
tal en general, es de relevancia directa para la cuestión de qué competencia se requiere para adoptar
el análisis del aprendizaje.

En la descripción de este dilema, nos concentraremos principalmente en la tensión entre la visión y la

realidad cuando se trata de la competencia digital de maestros y educadores. Su competencia digital
es importante por las oportunidades que tienen de utilizar la analítica del aprendizaje para hacer un
seguimiento de sus propios alumnos o estudiantes y adaptar su propia enseñanza. No abordamos las
necesidades de competencia relacionadas con la adquisición de recursos digitales o las necesidades
de competencia en las organizaciones para utilizar la analítica de aprendizaje para evaluar la en-
señanza y los cursos.

¿Qué tipo de competencia se necesita para utilizar la analítica del aprendizaje y cuáles son los requisi-
tos razonables para el desarrollo de competencias en los profesores y profesores? ¿Qué mecanismos
pueden afectar la necesidad de competencia y qué sucede si no se satisface la necesidad?

9.1 Visión y realidad

Para utilizar la tecnología digital y el análisis del aprendizaje de manera que promuevan el apren-
dizaje, es esencial que los profesores y educadores tengan suficiente competencia digital. El Centro
para las TIC en la Educación desarrolló el Marco para la Competencia Digital Profesional de los
Docentes, dirigido a los programas de formación docente y la educación primaria y secundaria, para
describir algunas áreas de competencia clave (Kelentric et al., 2017).

Este marco tiene por objeto especificar qué tipo de competencia necesita un profesor para hacer un
buen uso de la tecnología digital en la enseñanza. También se pretende contribuir a los esfuerzos
para aumentar la calidad de la formación del profesorado y la educación y formación continuas de los
docentes. Una ambición importante del marco es establecer un marco conceptual común y un marco
de referencia común para lo que implica la competencia digital profesional del profesor (Kelentric et
al., 2017).
Figur 9.1 Marco para la competencia digital profesional del profesor.

Fuente: Kelentric et al., 2017.

Las grandes ambiciones con respecto a qué tipo de competencia digital debe tener un profesor en la
escuela actual se reflejan en el marco y, no menos importante, en las expectativas de que los pro-
fesores de todas las materias deben apoyar a los estudiantes en sus esfuerzos por desarrollar habili-
dades digitales básicas (Ministerio de Educación e Investigación, 2017c). El nuevo plan de estudios
también pone mayor énfasis en la tecnología digital en las asignaturas, entre otras cosas al incluir pro-
gramación y pensamiento algorítmico en varias materias. Sin embargo, la investigación indica que la
competencia digital es mucho menor de lo que se describe como deseable, tanto en las escuelas
como en los programas de formación docente. Las escuelas han dependido durante mucho tiempo
de los llamados "entusiastas digitales" cuando se trata de competencia digital (Egeberg et al., 2016;
Gudmundsdottir y Hatlevik, 2018). La medida y cómo un maestro implementará la tecnología en su
enseñanza ha dependido en muchos casos del maestro individual. La última encuesta de TALIS24
muestra que uno de cada cinco profesores noruegos cree que necesita más conocimientos sobre
cómo integrar la tecnología digital en su propia enseñanza. La tecnología digital también es el área
donde la mayoría de los docentes noruegos creen que necesitan educación y capacitación continuas

24
Encuesta Internacional de Enseñanza y Aprendizaje.
(Throndsen et al., 2019). En el marco de Competencia para la calidad25, hay varias ofertas de edu-
cación superior en competencia digital para docentes. La Dirección Noruega de Educación y For-
mación también ha desarrollado varios paquetes de competencias en competencia digital para los
empleados escolares.26 A pesar de estas ofertas, el plan de acción para la digitalización en la edu-
cación primaria y secundaria señala que todavía es necesario fortalecer la competencia digital de los
docentes (Ministerio de Educación e Investigación, 2020).

Durante la pandemia de coronavirus, la enseñanza se llevó a cabo exclusivamente en ámbitos digita-

les durante períodos más largos. Sin embargo, es demasiado pronto para decir si la experiencia de
esto ha llevado a cambios en el nivel de competencia y práctica docente de los docentes. La base de
conocimientos del grupo de trabajo que debía proponer medidas para compensar la pérdida de ap-
rendizaje académico y social en las escuelas después de la pandemia aún no muestra ningún cambio
importante en la competencia digital de los docentes (Grupo de Trabajo sobre Aprendizaje Perdido,
2021).

Los programas de formación del profesorado se han considerado un factor importante para aumen-
tar la competencia digital de los docentes. En un análisis de los documentos de gobierno nacionales y
locales para la formación docente, Instefjord y Munthe (2016) encontraron que la tecnología digital
juega un papel menos prominente. Señalaron que las descripciones de la competencia digital en los
planes locales no contenían descripciones claras de los resultados, lo que significa que la competencia
digital no se incluye como una parte central y explícita de lo que un maestro necesita saber. En otro
estudio, Instefjord y Munthe (2017) investigaron cómo los diferentes programas de formación
docente integran la competencia digital en la educación de los estudiantes. Luego descubrieron que
solo el 35 por ciento de los formadores de docentes se consideraban buenos modelos digitales para
sus estudiantes. Además, el estudio de Madsen et al. (2018) muestra que pocos formadores de docen-
tes consideran que la tecnología digital es importante para una buena enseñanza. Otro estudio de
356 profesores noruegos recién titulados encontró que casi la mitad de ellos creen que ellos mismos
tienen baja competencia digital. Estos docentes afirman que su formación docente ha contribuido
poco al desarrollo de esta competencia (Gudmundsdottir y Hatlevik, 2018).

Existen expectativas claras de que los profesores de educación superior también deberían poder ha-
cer uso de la tecnología digital al facilitar el aprendizaje de los estudiantes. Sección 2-3 del Regla-
mento de Supervisión. Los requisitos relativos a los entornos académicos (punto 2) estipulan que un
entorno académico afiliado a un programa de estudios debe tener la competencia educativa perti-
nente, y la Asociación Noruega de Instituciones de Educación Superior ha elaborado directrices para
la competencia docente básica en las universidades y colegios universitarios. Las directrices incluyen
una cláusula que establece que los docentes deben poder "contribuir a la innovación académica y

25
https://www.regjeringen.no/no/dokumenter/kompetanse-for-kvalitet/id2439181/

26
https://bibsys.instructure.com/search/all_courses?design=udir
pedagógica a través de la elección de métodos de enseñanza variados que incluyan el uso de her-
ramientas digitales".27 Los cursos que superan un mínimo de doscientas horas en pedagogía universi-
taria y universitaria son obligatorios para el empleo permanente o la promoción en algunas cate-
gorías, pero corresponde a las propias instituciones educativas diseñar su oferta.

Los entornos de apoyo de las instituciones educativas ofrecen muchos programas dentro de la en-
señanza y el aprendizaje con tecnología, pero solo los programas ofrecidos en las calificaciones bási-
cas de enseñanza en universidades y colegios universitarios son obligatorios. Por lo tanto, es parti-
cularmente interesante cómo se organizan. Muchas instituciones educativas han enfatizado que la
tecnología debe usarse pedagógicamente en sus asignaturas, y que el aprendizaje de los estudiantes
debe facilitarse con tecnología, cuando han diseñado la competencia docente básica ofrecida por uni-
versidades y colegios universitarios. Al mismo tiempo, de Digital tilstand 2021 (Ørnes et al., 2021) se
desprende que este está lejos de ser el caso para todos. El informe estatal para la educación superior
2020 (Diku, 2020, p. 37) también indica que casi la mitad de los empleados académicos afirman que no
se les ha ofrecido capacitación en el uso educativo de la tecnología digital, mientras que un poco más de
la mitad cree que necesitan más capacitación en esto.

La imagen que hemos esbozado aquí contrasta marcadamente con las grandes ambiciones del in-
forme de calidad (Ministerio de Educación e Investigación, 2017) sobre las oportunidades educativas
de la digitalización y su contribución a la calidad de la educación superior. La estrategia para la trans-
formación digital en el sector de la educación superior también establece que todavía hay un camino
por recorrer antes de que la enseñanza digital interactúe lo suficientemente bien con el contenido de
aprendizaje para promover el aprendizaje de los estudiantes (Ministerio de Educación e Investigación,
2021a). La estrategia asume que el papel del docente en la educación superior debe poner mayor én-
fasis en el conocimiento sobre el aprendizaje y la enseñanza, y que los docentes reciban capacitación
en el uso de la tecnología digital en la enseñanza.

En un informe que analiza el uso de la tecnología digital durante la pandemia de corona, se destaca la
competencia relevante y suficiente entre el personal académico como quizás el mayor desafío que
enfrentamos cuando se trata del uso pedagógico de la tecnología digital en la educación superior
(Korseberg et al., 2022).

Con respecto a la educación vocacional superior, no tenemos una visión general, pero en la auditoría
de NOKUT de nueve educaciones vocacionales terciarias técnicas basadas en la web, los expertos
señalaron que había una falta de competencia pedagógica en línea en los entornos académicos en
varias de las escuelas vocacionales (NOKUT, 2018). La guía de NOKUT para el Reglamento de Super-
visión de la Educación Vocacional Terciaria establece lo siguiente sobre la competencia digital de los
maestros: "La competencia digital es particularmente importante si la educación está basada en la
web. En este caso, el proveedor debe demostrar que el personal docente tiene competencia y expe-
riencia con la pedagogía en línea y el uso de herramientas para la implementación de la educación"

27
https://www.uhr.no/temasider/karrierepolitikk-og-merittering/nasjonale-veiledende-ret-
ningslinjer-for-uh-pedagogisk-basiskompetanse/
(NOKUT, 2018, p. 7). Vale la pena señalar que son los proveedores de la educación los responsables
de elaborar especificaciones de los requisitos para las cualificaciones que deben tener los profesores,
incluso en el ámbito de la competencia digital. Sin embargo, cuando NOKUT (2018) llevó a cabo su au-
ditoría, encontraron que muchas escuelas vocacionales tienen una descripción poco clara de la com-
petencia digital del entorno académico. Cuando se describe la competencia, NOKUT también encon-
tró que a menudo es en forma de competencia de herramientas y, en menor medida, competencia
pedagógica en línea. NOKUT (2018) cree que la falta de descripción de la competencia digital de los
profesores puede indicar que es algo inadecuada. Esta suposición está respaldada por el hecho de
que la mayoría de las escuelas vocacionales utilizan un alcance limitado de actividades de enseñanza
en línea dirigidas por maestros.

9.2 Necesidades de competencia relacionadas con el análisis del apren-

dizaje
La competencia discutida en el subcapítulo 9.1 no está directamente relacionada con el análisis del
aprendizaje. Sin embargo, debe considerarse un requisito previo para que los profesores puedan be-
neficiarse de la analítica del aprendizaje en su seguimiento de alumnos y estudiantes, y para que pue-
dan ajustar su entorno de enseñanza y aprendizaje. El uso competente de los recursos digitales es un
requisito previo para que la analítica del aprendizaje sea útil. Por lo tanto, se puede argumentar que
la competencia en el uso de la analítica del aprendizaje debe basarse y verse como una extensión de
la competencia que ya es necesaria para un buen uso pedagógico de la tecnología.

Como hemos descrito anteriormente, ya existe una brecha significativa entre, por un lado, las ambi-
ciones de utilizar los recursos digitales en el trabajo de aprendizaje de los alumnos y estudiantes y,
por otro, la competencia necesaria para lograrlo. Esta necesidad de competencia se ve reforzada por
el uso de análisis de aprendizaje para promover el aprendizaje. La Asociación de Líderes Escolares
resume los desafíos en su aporte a nosotros (Asociación de Líderes Escolares, 2022, pp. 2-3):

"Tanto los maestros como los líderes escolares necesitan un impulso profesional tanto en términos
de uso, oportunidades / limitaciones, ética / privacidad, pero sobre todo el efecto que tendrá en el
aprendizaje de los estudiantes [...] Se necesita competencia en el buen uso pedagógico de la
analítica del aprendizaje, [...] cómo los docentes pueden usar la analítica del aprendizaje de buenas
maneras pedagógicas y cómo liderar dicho trabajo a nivel escolar".

En las siguientes secciones, describiremos en términos generales cómo el uso apropiado de las her-
ramientas para el análisis del aprendizaje disponibles en la educación noruega hoy en día impone
nuevas demandas a la competencia digital de los maestros y los maestros.

Evaluación crítica
Los docentes y educadores deben ser capaces de evaluar críticamente las directrices académicas y
pedagógicas integradas en los recursos digitales y el análisis de aprendizaje asociado. Las directrices
académicas y pedagógicas están codificadas en los algoritmos de los recursos, por lo que no siempre
es fácil evaluarlas.
Los algoritmos están escritos por humanos, y los humanos tienen diferentes horizontes de com-
prensión. Esto significa que los algoritmos pueden caracterizarse por sesgo, es decir, sesgo, favori-
tismo o sesgo. Las ayudas de aprendizaje adaptativo a menudo construyen un modelo del nivel actual
de competencia de los estudiantes sobre la base del trabajo que realizan, y lo comparan con el nivel
de competencia que es deseable, para determinar cómo el material de aprendizaje debe gobernar el
proceso de aprendizaje. ¿Cómo sucede esto? ¿Qué incluye este modelo?

Durante el proceso de aprendizaje, el análisis del aprendizaje proporcionará información sobre el

comportamiento de aprendizaje de los estudiantes y los estudiantes. Pero, ¿en qué tipos de datos se
basa esta respuesta y qué dice realmente? ¿Son solo datos de actividad de una herramienta de apren-
dizaje relevante o los datos se recuperan de múltiples fuentes? En los aportes que hemos recibido, se
enfatiza que es muy importante que los maestros puedan evaluar la funcionalidad y la base de datos
del material de aprendizaje individual, para que puedan evaluar lo que una herramienta de apren-
dizaje nos dice sobre el nivel académico de los alumnos y estudiantes (Utdanningsforbundet, 2022).

Académicamente, también surgen preguntas que requieren competencia crítica: ¿Hasta qué punto el
análisis del aprendizaje, tal como lo conocemos, recompensa ciertos tipos de habilidades instrumen-
tales, preferiblemente a nivel individual? ¿En qué medida se apoya el concepto amplio del currículo de
competencia y procesos de aprendizaje complejos en asignaturas sin respuestas claras? ¿Cómo se
debe utilizar todo esto a la hora de facilitar el aprendizaje? Las respuestas bien razonadas a todas es-
tas preguntas se refieren directamente al papel de la analítica del aprendizaje en la enseñanza y el
aprendizaje. Además, requiere tiempo para las pruebas, y no menos importante competencia en los
planes de estudio y la evaluación.

Competencia analítica
Los materiales de aprendizaje con análisis de aprendizaje proporcionarán a los profesores y pro-
fesores diferentes tipos de informes a nivel individual y grupal basados en el análisis de los datos de
actividad de los materiales didácticos, posiblemente complementados con otros datos. Dichos infor-
mes son visualizaciones de datos, ya sea agregados a lo largo del tiempo o como una instantánea, y a
menudo se presentan en una presentación separada llamada paneles (Klerkx et al., 2017). El tablero
proporcionará una base para la orientación, la capacitación diferenciada y diferentes tipos de inter-
venciones, como la evaluación formativa. Sin embargo, es importante tener competencia analítica (Pe-
dersen &; Caviglia, 2018) y competencia digital profesional para determinar la importancia de lo que
informa el tablero y en qué base se basa el informe. El desarrollo de cuadros de mando fáciles de
usar es un área de investigación clave (Misiejuk & Wasson, 2017). Sin embargo, es importante men-
cionar que se requiere una considerable experiencia analítica para evaluar y traducir de un tablero a
la práctica pedagógica.

Ética y privacidad
La dimensión ética de la situación de uso está estrechamente relacionada con el desafío de compe-
tencia descrito anteriormente. Las decisiones tomadas sobre la base de datos deben basarse en
datos relevantes, correctos y lo más completos posible dado el propósito de la recopilación. Esto tam-
bién se refleja en los principios de privacidad. Pero, ¿qué significa que los datos son relevantes, cor-
rectos y completos? ¿Cómo lo sabemos?

Los educadores deben tener experiencia en ética y privacidad para decidir qué es correcto hacer
sobre la base de los datos analizados. También deben tener conocimiento de las regulaciones que re-
gulan la educación. Otro desafío ético que afecta la privacidad es que la distinción entre institución
educativa y hogar se está aboliendo en gran medida en los entornos de aprendizaje digital. Los
aportes que hemos recibido indican que los estudiantes pueden sentir que son monitoreados, por
ejemplo, cuando los maestros reciben informes sobre la hora del día en que el estudiante está traba-
jando (Universidad de Oslo, 2022). Los maestros deben tratar una amplia gama de temas de este tipo
con sabiduría y competencia ética.

Supervisión de alumnos y estudiantes

Los recursos digitales que proporcionan diferentes formas de respuesta, retroalimentación e infor-
mes pueden, en el mejor de los casos, proporcionar una base para una instrucción y evaluación for-
mativa mejor diferenciadas, pero también deben ser interpretados y comprendidos por alumnos y
estudiantes para que puedan obtener una mejor metaperspectiva sobre su propio aprendizaje. Aquí,
los maestros y educadores y sus líderes tienen un papel importante en el apoyo y la orientación de los
estudiantes para que desarrollen las habilidades y la comprensión necesarias.

Si los estudiantes no desarrollan competencia bajo los auspicios de la institución educativa, será difícil
para ellos utilizar el análisis de aprendizaje de una manera crítica y productiva. En cuanto a los alum-
nos de educación primaria y secundaria inferior, deben poder hacer uso de las presentaciones comu-
nicadas a través del análisis del aprendizaje y por el profesor, de tal manera que proporcione
mayores resultados de aprendizaje y deseo de aprender (condados de Vestfold y Telemark, 2022).
Para los estudiantes con necesidades especiales, es especialmente importante que la retroalimenta-
ción basada en el análisis del aprendizaje se evalúe cuidadosamente para tener un efecto motivador y
promotor del aprendizaje (Statped, 2022).

9.3 ¿A qué nos arriesgamos si no se cierra la brecha entre la visión y la

realidad?
Tanto la digitalización en general como el análisis del aprendizaje en particular requieren que los pro-
fesores y los profesores tengan una competencia relevante en línea con la descripción anterior. Sin
embargo, requiere una enorme reestructuración y uso de recursos si se quiere desarrollar una com-
petencia que satisfaga las expectativas. En la educación primaria y secundaria inferior, la educación
vocacional superior y la educación superior, actualmente no existen pautas que establezcan que to-
dos los maestros o maestros deben o deben usar análisis de aprendizaje. Tampoco tenemos una
base de conocimientos sólida sobre el potencial de la analítica del aprendizaje con respecto a la me-
jora del aprendizaje. Al mismo tiempo, existe una clara percepción de que el análisis del aprendizaje
puede ayudar a dar a los profesores y educadores una mejor comprensión de los procesos de apren-
dizaje que están tratando de promover en sus alumnos y estudiantes.

Por un lado, podemos imaginar que no hacemos nada para aumentar el conocimiento de los pro-
fesores y educadores sobre la analítica del aprendizaje. Existe entonces el riesgo de que las diferen-
cias en el entrenamiento se exacerben aún más. También corremos el riesgo de no hacer uso de una
gran cantidad de información que podría haber promovido el aprendizaje de diversas maneras.
Además, la falta de competencia entre los maestros y los maestros puede llevar a que la tecnología se
use de manera no sistemática y acrítica, no porque alguien haya identificado el deseo de usar análisis
de aprendizaje, sino porque la tecnología existe y es accesible.

En los aportes que hemos recibido, está claro que no son principalmente los propios maestros quie-
nes buscan activamente oportunidades para el análisis del aprendizaje. Más bien, dicha funcionalidad
aparece en varios sistemas que utilizan, como las plataformas de aprendizaje (Universidad de Oslo,
2022). Tanto los propietarios de escuelas como las instituciones educativas informan que adquirieron
los sistemas para fines completamente diferentes a los del análisis del aprendizaje. Si los profesores y
los profesores utilizan la analítica del aprendizaje sin tener suficiente conocimiento de las premisas en
el recurso en cuestión o suficiente competencia analítica para interpretar los resultados en contexto,
esto es problemático tanto pedagógica como éticamente. En otras palabras, hay una serie de riesgos
asociados con no invertir sistemáticamente en aumentar la competencia de los docentes y los docen-
tes en el análisis del aprendizaje.

Por otro lado, un enfoque sistemático en el análisis del aprendizaje proporcionará mejores requisitos
previos para utilizar el análisis del aprendizaje de una manera educativa, ética y legalmente sólida. Esa
iniciativa también podría aprovechar y ampliar los conocimientos existentes. Pero incluso un compro-
miso con el desarrollo de competencias no está exento de riesgos. Además de la obvia cuestión de los
recursos, algunos pueden percibir que la mejora de las competencias específicas desafía la auto-
nomía de los municipios y las instituciones educativas y la autonomía de los maestros y maestros.

Un plan de desarrollo de competencias también debe basarse en una necesidad y demanda que esté
arraigada en la profesión. Un plan que parece ser impuesto desde el exterior puede ser percibido
como una directriz micro-impulsada de que se debe utilizar un tipo particular de tecnología, lo que en
sí mismo puede crear resistencia al análisis del aprendizaje. Además, hay una importante cuestión sin
resolver sobre si el precio vale la pena, es decir, si los proveedores y desarrolladores de sistemas de
análisis de aprendizaje en el mercado noruego pueden ofrecer algo que es tan útil que justifica tal
mejora de la competencia en el sector.

9.4 ¿Es el desarrollo de habilidades la única respuesta?

No hay duda de que existe la necesidad de una competencia específica para utilizar el análisis del ap-
rendizaje de una manera buena y que promueva el aprendizaje. También está claro que la brecha en-
tre las necesidades de habilidades y la realidad de las habilidades es significativa. Parte de esta
brecha debe cubrirse mediante el desarrollo de habilidades. Al mismo tiempo, existen otros mecanis-
mos que también pueden permitir a los profesores y profesores adquirir suficiente competencia en el
uso de análisis de aprendizaje. Estos mecanismos consisten principalmente en tener más en cuenta la
competencia que ya tienen los profesores y los docentes. Esto significa, entre otras cosas, que los
recursos que utilizan análisis de aprendizaje deben desarrollarse y adaptarse a la práctica docente
actual de una manera más fluida que en la actualidad.

La innovación se caracteriza por el desarrollo que interactúa con la experiencia existente y la práctica
existente, mientras que al mismo tiempo agrega algo sustancialmente nuevo que se pone en uso. Si la
funcionalidad de los recursos y las condiciones para usarlos están demasiado alejadas de la práctica
actual, pueden crear estrés y trabajo adicional en lugar de utilidad. Por lo tanto, los requisitos de cali-
dad de los recursos, el trabajo de normalización y la regulación del mercado de la analítica del apren-
dizaje también deben basarse en la comprensión de la situación de las competencias en el sector.

Otro mecanismo que puede ayudar a los profesores y educadores a adquirir suficiente competencia
en el uso de análisis de aprendizaje es una mayor transparencia en los recursos. Esto se puede lograr,
entre otras cosas, aclarando cómo funcionan los recursos y cómo la información que producen encaja
en las teorías que los maestros y educadores usan sobre el aprendizaje.

Egelandsdal et al. (2019) muestran que se requiere una competencia considerable para investigar
críticamente la propia retórica de los proveedores de material didáctico sobre el potencial pedagógico
de sus propios materiales didácticos. Una alternativa a los educadores que desarrollan habilidades
sofisticadas de evaluación crítica para determinar su potencial educativo es exigir transparencia en la
comunicación de los proveedores con el sector. Este requisito será particularmente importante para
apoyar a los maestros que evalúan los materiales didácticos en relación con la adquisición.

9.5 Resumen
Hemos visto que hay una gran diferencia entre ambiciones y realidades cuando se trata de competen-
cia para utilizar la tecnología para facilitar el aprendizaje. Ser capaz de utilizar el análisis de apren-
dizaje de manera que promueva el aprendizaje también requiere un impulso adicional. La necesidad
de desarrollo de competencias es grande y, por lo tanto, hemos esbozado una serie de cuestiones
con las que el profesor competente y el profesor deben tener una relación activa. Al mismo tiempo,
también hay otros mecanismos que pueden ayudar a equilibrar el desequilibrio entre necesidades y
realidades. Tales mecanismos implican tomar medidas para reducir la complejidad de las necesidades
de competencia a nivel docente. Por ejemplo, se puede exigir que las herramientas jueguen mejor
con la competencia existente de los profesores, y que se debe aumentar la transparencia con
respecto al funcionamiento de los recursos.

Las medidas que hemos mencionado requieren el deseo de explorar y explotar la analítica del apren-
dizaje para desarrollar las condiciones para el aprendizaje en la educación noruega. Hemos discutido
brevemente las posibles consecuencias de no implementar medidas sistemáticas de desarrollo de
competencias para aumentar la capacidad de los docentes y los docentes para evaluar las posibilida-
des y limitaciones del análisis del aprendizaje. También hemos descrito los efectos que puede tener
un compromiso sistemático con tales medidas. Sin embargo, dado que no tenemos un conocimiento
cierto de lo que la analítica de aprendizaje podrá ofrecer en términos de resultados, ambas alternati-
vas están asociadas con diferentes tipos de riesgo.

Vemos que existe la necesidad de desarrollar competencias entre los docentes si se va a utilizar la
analítica del aprendizaje para apoyar el aprendizaje. Al mismo tiempo, el diseño de los recursos
digitales debe tener en cuenta la competencia de los docentes y basarse en la práctica actual de la
educación. Las expectativas sobre qué tipo de competencia deben tener los maestros deben ser
razonables. La experiencia más allá de esto debe salvaguardarse en otros niveles del sector.

10 Cuestiones jurídicas

10.1Fondo
En NOU 2019: 23 New Education Act, la Comisión de Derecho de Educación se comprometió a reali-
zar una evaluación legal inicial del uso de análisis de aprendizaje en escuelas y jardines de infancia
noruegos. Prestaron especial atención a la protección de la privacidad y la interacción entre la Ley de
Educación y el Reglamento General de Protección de Datos, y concluyeron que la regulación actual,
que consiste principalmente en varios requisitos de prudencia en la Ley de Educación y las normas de
la Ley de Datos Personales, son probablemente límites suficientes a nivel legislativo (NOU 2019: 23, p.
407). Al mismo tiempo, señalaron una serie de desafíos con la interpretación y aplicación de la legis-
lación.

Por ejemplo, claramente será apropiado usar información sobre la velocidad de lectura de un estu-
diante para planificar e implementar la instrucción de lectura de la mejor manera posible. También
puede ser apropiado utilizar información sobre la competencia de un estudiante en una materia para
adaptar la instrucción en otra materia, pero no es seguro que esto sea objetivo en todos los casos
(NOU 2019: 23, p. 405).

Con respecto a la aplicación, el Comité está profundamente preocupado. Señalaron la falta de

evaluación legal de la privacidad al usar análisis de aprendizaje en muchos municipios (NOU 2019: 23,
p. 402), los requisitos para los acuerdos de procesamiento de datos donde el procesamiento de los
datos personales de los estudiantes es central (p. 404) y la evaluación de los desafíos legales relacion-
ados con el uso del aprendizaje automático (p. 406), lo que en la práctica significa que son las empre-
sas / proveedores de tecnología quienes definen los estándares, y no el controlador de datos (p. 403).
La Comisión también señaló que la Autoridad Noruega de Protección de Datos ha realizado conclusio-
nes en relación con auditorías en el sector que indican que existe "ambigüedad sobre qué son los da-
tos personales, control interno inadecuado, seguridad de la información inadecuada, flujo de in-
formación poco claro y responsabilidades poco claras" (NOU: 2019: 23, p. 403).

Estamos de acuerdo con las evaluaciones de la Comisión de Derecho de Educación de que estos te-
mas son relevantes, que siguen siendo desafíos en el sector escolar y que necesitan una evaluación
más exhaustiva. Nuestro mandato menciona explícitamente que consideraremos si es necesario
aclarar qué tipos de procesamiento de datos personales están permitidos para salvaguardar los
derechos de los estudiantes y estudiantes. Además, las cuestiones jurídicas en la enseñanza profesio-
nal superior y en la enseñanza superior no son exactamente las mismas que en la enseñanza prima-
ria y secundaria inferior. Por ejemplo, en la Ley de universidades y colegios universitarios no hay obli-
gación de ofrecer instrucción diferenciada. Esto significa que la posibilidad de justificar el uso de análi-
sis del aprendizaje en virtud del artículo 6, apartado 1, letra c), «obligación legal» es más limitada.
Además, las prácticas de privacidad son diferentes en la educación vocacional superior y la educación
superior que en la educación primaria y secundaria inferior. Los comentarios que hemos recibido in-
dican que la introducción de la analítica del aprendizaje en la educación superior se ha detenido por
temor a que constituya una violación del GDPR, sin un análisis exhaustivo del criterio de necesidad
(Sikt, 2022).

Además de estas preguntas, creemos que hay una serie de otras cuestiones jurídicas que también
son pertinentes y que deben debatirse:

• La primera se refiere a la distinción entre datos personales y datos anonimizados. Los avances
en la tecnología significan que en la práctica esta distinción es exigente y cambiante con el
tiempo. El mandato del grupo de expertos indica que consideraremos las consecuencias de
diferentes tipos de intervenciones de privacidad en el campo de la analítica del aprendizaje. 28
• El segundo se refiere al acceso a la codecisión para alumnos, estudiantes, padres, profesores y
profesores en los procesos de toma de decisiones para la selección y el uso de recursos con
análisis de aprendizaje. ¿En qué medida es aplicable y relevante su derecho a la participación,
y posiblemente a la autonomía, en particular con respecto a la protección de datos y la
elección de recursos?
• El tercero se refiere a un desarrollo legal acelerado en inteligencia artificial en relación con la
toma de decisiones automatizada, tanto en el GDPR como en la nueva legislación sobre la re-
gulación de la inteligencia artificial que está en preparación en la UE. Nuestro mandato menci-
ona explícitamente que "consideraremos si cualquier uso de análisis de aprendizaje consti-
tuirá una forma de elaboración de perfiles" en virtud del artículo del Reglamento General de
Protección de Datos. 22, que restringe las posibilidades de tratamiento automatizado.
• El cuarto es la ambigüedad jurídica en los contratos celebrados entre empresas de tecnología
e instituciones educativas/propietarios de escuelas. Esto plantea preguntas sobre quién "po-
see" los datos (tiene derechos de uso y control), y si la Ley de Adquisiciones se cumple y es
adecuada para el uso bueno y constructivo del análisis de aprendizaje.

Por lo tanto, el grupo de expertos ha enumerado nueve cuestiones jurídicas generales, que reflejan
en parte los temas discutidos en el Libro Verde NOU 2019: 23, pero también reflejan las directrices

28
De acuerdo con su mandato, el grupo de expertos "distinguirá entre el análisis del apren-
dizaje para su uso con el estudiante / estudiante individual y el uso de datos de herramientas
analíticas de aprendizaje para la investigación y el desarrollo más general de la educación", pero
no siempre es fácil demostrar dónde va esta distinción.
específicas del mandato, las discusiones en el grupo de expertos y las aportaciones de varias partes
interesadas. Las nueve cuestiones son:

1. ¿Qué datos para el análisis de aprendizaje pueden considerarse datos personales?

2. ¿Cuál es la legitimación para el tratamiento de datos personales?
3. ¿Cuándo es posible la reutilización de datos personales?
4. ¿Cómo debe y puede minimizarse el riesgo de procesar datos personales?
5. ¿Qué derechos tienen las personas registradas y cuándo es un derecho la participación/co-
gestión?
6. ¿Cómo se maneja el procesamiento y la transferencia de datos personales en terceros países?
7. ¿Cómo se regulan las decisiones automatizadas a través del análisis del aprendizaje y bajo qué
circunstancias es legal?
8. ¿Quién tiene derechos para usar y controlar los datos en el análisis del aprendizaje en Noruega?
9. ¿Cuáles son las limitaciones con y en la Ley de Adquisiciones?

Estas cuestiones deben considerarse, por supuesto, en el contexto de los aspectos educativos,
tecnológicos y éticos. Por ejemplo, la utilidad educativa es fundamental para la evaluación de la ne-
cesidad, y las soluciones tecnológicas influyen en la evaluación de riesgos bajo el esquema de pro-
tección de datos y la regulación propuesta de la inteligencia artificial. El grado de desafíos éticos tam-
bién influirá en las evaluaciones de políticas legales.

Un aspecto que creemos que debe ser coherente para todos los temas que se discutirán es la pro-
tección especial a la que los niños y jóvenes tienen derecho bajo el GDPR. Esto se expresa tanto en el
preámbulo como en artículos específicos del Reglamento. Por ejemplo, la Sección 38 del GDPR estab-
lece que:

"Los datos personales de los niños merecen una protección especial, ya que los niños pueden ser me-
nos conscientes de los riesgos, consecuencias y salvaguardias actuales, así como de sus derechos con
respecto al procesamiento de datos personales. Esta protección especial debe aplicarse, en particular,
al uso de datos personales de menores con fines de comercialización o para crear perfiles de perso-
nalidad o de usuario, así como a la recogida de datos personales de menores cuando utilicen servicios
ofrecidos directamente a menores.».

Además, existe protección de los niños en virtud de la Convención de las Naciones Unidas sobre los
Derechos del Niño, y en particular el derecho de los niños a la privacidad de conformidad con el
artículo 16.

En el resto de este capítulo, discutiremos brevemente las cuestiones mencionadas anteriormente, y

las cuestiones que examinaremos en el grupo de expertos en la labor futura. Todas las cuestiones de-
ben debatirse con respecto al estatuto especial de los niños con respecto a la privacidad y la pro-
tección de datos personales.
10.2Datos anónimos y datos personales
El mandato del grupo de expertos comienza con la importante distinción entre datos anonimizados y
datos personales.29 Esta distinción es importante porque el Reglamento General de Protección de Da-
tos (y el derecho a la privacidad) solo se aplica cuando se procesan datos personales. Los datos anóni-
mos no están definidos en el RGPD. Algunos consideran lo contrario de los datos personales30, que se
definen en el artículo 4 (1) del Reglamento General de Protección de Datos como:

"cualquier información relativa a una persona física identificada o identificable ("interesado"); Una
persona física identificable es aquella que puede ser identificada, directa o indirectamente, en
particular por medio de un identificador, como un nombre, un número de identificación, datos de ubi-
cación, un identificador en línea o uno o más elementos específicos de la identidad física, fisiológica,
genética, mental, económica, cultural o social de esa persona física" (cursiva nuestra).

Lo más importante a señalar es que la información que solo puede identificar indirectamente a una
persona se considera datos personales. Esta definición amplia crea un gran desafío para el uso de da-
tos que contienen muchas variables o no están estructurados (como texto, audio y video). Incluso si
no se identifica directamente a ninguna persona, puede ser posible identificarlas mediante la recopi-
lación de datos. Por ejemplo, los datos sobre la clase y las discapacidades de aprendizaje de un estu-
diante pueden ser suficientes para identificar a un estudiante específico en un recurso de análisis de
aprendizaje que de otro modo se utilizaría a nivel anónimo y agregado.

Por lo tanto, esta amplia definición de datos personales plantea dos cuestiones legales relevantes
para el análisis del aprendizaje. La primera se refiere a la aplicación práctica del RGPD. La capacidad
de identificar individuos a partir de un conjunto de datos no identificados es un problema tecnológico
y organizativo difícil (Montjoye et al., 2013). Los avances tecnológicos hacen que esto sea aún más
difícil, ya que las nuevas tecnologías permiten identificar más fácilmente a las personas y protegerse
contra los intentos de identificación. Desde el punto de vista organizativo, es difícil saber si las rutinas
de almacenamiento, seguridad y uso compartido de cada organización funcionarán según lo
planeado.

La segunda cuestión se refiere a la interpretación del propio régimen de protección de datos, a saber,
el estándar jurídico pertinente para lo que es identificable. El preámbulo 26 del RGPD establece los
siguientes criterios:

"Al determinar si una persona física es identificable, deben tenerse en cuenta todos los medios por
los cuales sea razonablemente concebible que el responsable del tratamiento u otra persona pueda
ser empleada para identificarla directa o indirectamente, por ejemplo, la designación. A fin de deter-
minar si pueden utilizarse razonablemente medios para identificar a la persona física, deben

29
"Los datos recopilados se pueden utilizar de forma agregada y anónima para mejorar la pe-
dagogía o para adaptar el aprendizaje a nivel individual, a través de materiales de aprendizaje con
tareas adaptadas al estudiante individual".

30
Se ICO (2012, s. 11).
 tenerse en cuenta todos los factores objetivos, como el costo y el tiempo necesarios para realizar la
identificación, teniendo en cuenta la tecnología disponible en el momento del tratamiento y los
avances tecnológicos."

En la práctica, estos criterios significan que la cuestión de si una persona física es identificable se refi-
ere a una probabilidad razonable de identificación, ya sea por el controlador o por otra persona que
utilice tecnología avanzada.31Este es un llamado enfoque basado en el riesgo.32

En 2014, sin embargo, el Grupo del Artículo 29 optó por33 un enfoque más estricto. En el documento
de trabajo 216, el preámbulo 26 de entonces actual se interpretó de manera muy restrictiva.34 El
Grupo del Artículo 29 identificó tres riesgos que son esenciales para la anonimización: separación (la
posibilidad de aislar algunos o todos los registros que identifican a un individuo en el conjunto de da-
tos), concatenación (la capacidad de vincular al menos dos registros pertenecientes al mismo intere-
sado) y extracción (la capacidad de derivar, con considerable probabilidad, el valor de un atributo a
partir de los valores de un conjunto de otros atributos). El Grupo del Artículo 29 utilizó entonces lo
que se ha denominado una "prueba de riesgo cero". Afirmaron que "la anonimización es el resultado
del procesamiento de datos personales para evitar irreversiblemente la identificación".35 Esto sig-
nifica que la anonimización puede ser imposible para la mayoría de los conjuntos de datos, especial-
mente los conjuntos de datos no estructurados, lo que también puede significar que en la práctica los
datos no pueden ser procesados por máquina y con un propósito general como un mejor aprendizaje
(Weitzenboeck et al., 2022).

No está claro qué interpretación es la correcta. Artículo 29 El documento de trabajo 216 no ha sido
aprobado expresamente por el Comité Europeo de Protección de Datos (CEPD). La Junta se refiere a
ambas opciones de interpretación, y los académicos han argumentado que el enfoque basado en el
riesgo es una mejor interpretación del considerando 26 (Esayas, 2015; Weitzenboeck et al., 2022).
También hay debates en curso en el CEPD sobre cuál es el enfoque correcto.

Por lo tanto, será importante para nosotros echar un vistazo más de cerca a estas dos interpretacio-
nes de la anonimización en el contexto de la analítica del aprendizaje, y cómo se pueden aplicar a los
datos típicos utilizados en la analítica del aprendizaje, especialmente en un campo en rápido desar-
rollo.

31
Se para eksempel Article 29 Working Group, «Statement of the WP29 on the role of a risk-
based approach in data protection legal frameworks» (Working Paper 218, 30. mai 2014).

32
Grupo de Trabajo del Artículo 29, «Dictamen 04/2007 sobre el concepto de datos persona-
les» (Documento de trabajo 136, 20. juni 2007)

33
Órgano Consultivo de Protección de Datos de la UE

34
Declaración sobre técnicas de anonimización (documento de trabajo 216)

35
Documento de trabajo 216, art. 3
10.3Base jurídica para el tratamiento de datos personales
La cuestión de la base legal para el procesamiento de datos personales para el análisis del apren-
dizaje ha sido relevante en algunas instituciones educativas. En la educación superior, ha habido du-
das particulares sobre si el análisis del aprendizaje puede justificarse legalmente. En su mayor parte,
estamos de acuerdo con la evaluación de la Comisión de Derecho de la Educación de los fundamen-
tos jurídicos pertinentes, pero señalamos otras posibilidades y limitaciones, algunas de las cuales re-
quieren una mayor aclaración.

10.3.1 La Constitución y el Convenio Europeo de Derechos Humanos (CEDH)

La Comisión de Derecho de la Educación mencionó inicialmente el derecho a la privacidad en el

artículo 102 de la Constitución y el artículo 8 del Convenio Europeo de Derechos Humanos (CEDH);
Sección 2 de la Ley de Derechos Humanos (NOU 2019: 23, p. 396). El Tribunal Europeo de Derechos
Humanos (TEDH) ha reconocido que la protección de los datos personales es de importancia funda-
mental para el derecho de una persona al respeto de la intimidad (Satakunnan Markkinapörssi Oy y
Satamedia Oy v. Finland [GC], 2017, § 137; Z c. Finlandia, 1997, § 95). Al igual que el Reglamento Gene-
ral de Protección de Datos, el CEDH también establece que los datos personales pueden ser tanto di-
rectos como indirectos.36

Cuando los datos se procesan para el análisis del aprendizaje, debe hacerse de acuerdo con el
derecho a la privacidad, pero los estados pueden infringir este derecho de acuerdo con ciertos crite-
rios. El Tribunal Supremo ha sostenido que una injerencia en el derecho a la intimidad consagrado en
el artículo 102 de la Constitución requiere una base jurídica adecuada, que el Estado persigue un fin
legítimo y que la intervención es proporcionada; Rt. 2014 página 1105 párrafo 28 y Rt. 2015 página 93
párrafo 60. Para estar en línea con el artículo 8 del CEDH, el análisis del aprendizaje con datos perso-
nales debe justificarse sobre la base de que es "conforme a la ley y es necesario en una sociedad de-
mocrática". Esto significa que debe tener una base jurídica adecuada en el Derecho nacional (senten-
cia Taylor-Sabori c. Reino Unido, 2002, §§ 17-19), que debe perseguir un objetivo legítimo (sentencia Le-
ander c. Suecia, 1987, § 49), que debe satisfacer una necesidad social acuciante y que no debe ser
desproporcionada con respecto al objetivo legítimo perseguido (Z c. Finlandia, 1997, § 94). Por ejem-
plo, el TEDH determinó que los datos médicos sensibles en un certificado destinado a diversos usos
eran innecesarios (Frâncu v. Romania, 2020, §§ 52).

36
Guillot c. Francia, 1996, §§ 21-22; Benedik c. Eslovenia, 2018, §§ 107-108. En sus sentencias, el
Tribunal explica el término "datos personales" con referencia al Convenio n.º 108 del Consejo de
Europa para la protección de las personas con respecto al tratamiento automatizado de datos de
carácter personal, de 28 de enero de 1981, que entró en vigor en 1985 y se actualizó en 2018. El
Tribunal ha indicado que el término datos personales en el sentido del artículo 2 del Convenio 108
se define como "toda información relativa a una persona física identificada o identificable" (Amann
c. Suiza [GC], 2000, § 65; Haralambie c. Rumania 2009, § 77).
En comparación con el Reglamento General de Protección de Datos, la Constitución y el CEDH tienen
ciertas limitaciones con respecto a la evaluación de la legalidad de un procesamiento de datos perso-
nales en términos concretos. En primer lugar, y a pesar de la creciente jurisprudencia del TEDH sobre
el derecho a la privacidad y los datos personales, el GDPR es más detallado. En la práctica, esto signi-
fica que el GDPR es más aplicable, y algunos pensarán que protege más la privacidad. En segundo lu-
gar, la Constitución y el CEDH solo obligan a las autoridades públicas u organismos privados en los
que el Estado ha delegado responsabilidades. Eso significa que los proveedores privados no están
atados, y tampoco lo están la mayoría de las escuelas privadas e instituciones educativas. Por lo tanto,
por ejemplo, el CEDH solo examinará si el Estado ha cumplido con sus obligaciones positivas de sal-
vaguardar el derecho a la privacidad en la legislación y la regulación cuando las medidas que inter-
fieren con la protección de los datos personales son tomadas por un individuo o entidad que perte-
nece exclusivamente al sector privado (Craxi v. Italy (No. 2), 2003, §§ 68-76).

En parte debido a estas limitaciones prácticas, el enfoque en el derecho a la privacidad en el resto de

este primer informe será sobre el GDPR en lugar de la Constitución y el CEDH. Pero es importante
recordar que el derecho a la privacidad es un derecho humano, protegido por el artículo 102 de la
Constitución y la Ley de derechos humanos, es decir, una norma de "lex superior".

10.3.2 El RGPD y la principal base jurídica

El artículo 6 (1) del Reglamento General de Protección de Datos contiene seis bases legales diferentes
para el procesamiento de datos personales. Algo simplificado, existen los siguientes motivos de trata-
miento alternativo:

a. asentimiento
b. necesario para cumplir un acuerdo
c. necesario para cumplir una obligación legal
d. necesario para proteger intereses vitales
e. necesario para el cumplimiento de una misión realizada en interés público o en el ejercicio del
poder público
f. necesario para salvaguardar intereses legítimos – ponderación de intereses37

La Comisión de Derecho de la Educación mencionó dos fundamentos como los más relevantes para el
análisis del aprendizaje, con los que generalmente estamos de acuerdo. El primero es el cumpli-
miento de una obligación legal establecida en el artículo 6, apartado 6. 1 letra c. Para procesar datos
personales sobre esta base, el controlador debe estar obligado a procesar datos personales. Además,
el propósito debe indicarse en una base jurídica complementaria, cf. art. 6 No. 3. Solo se pueden
procesar los datos personales necesarios para cumplir con este propósito (la obligación legal). Esto
significa que no hay alternativas reales para lograr el propósito, mientras que al mismo tiempo identi-
fica específicamente qué datos personales son necesarios para el procesamiento (el principio de mi-
nimización de datos).

37
Según lo simplificado por la Comisión de Derecho de Educación (NOU 2019: 23, p. 398).
Sin embargo, la base jurídica es limitada. Se ha interpretado que la disposición incluye solo obligacio-
nes en la legislación o disposiciones reglamentarias, no contratos privados (Kuner et al., 2020, p. 332).
Además, ha habido una falta de claridad en cuanto a si las autoridades públicas pueden invocar los
motivos, ya que las bases jurídicas del artículo 6, apartado 1, letra e), están dirigidas a las autoridades
públicas (Kuner et al., 2020, p. 333). También hay precaución en la aplicación del artículo 6, apartado
1, letra c), porque los interesados no tienen derecho a oponerse al uso de datos personales cuando el
tratamiento se base en esta base jurídica. Este derecho existe en virtud del artículo 6, apartado 1, le-
tra e). En 2014, el Grupo del Artículo 29 ofreció una solución a la impugnación de la interpretación. Las
autoridades públicas podrán invocar la letra c) del apartado 1 del artículo 6 si el fundamento jurídico
se encuentra en la legislación y es claro (parte III.2.3, p. 19):

«Además, la obligación legal en sí misma debe ser suficientemente clara en cuanto al procesa-
miento de datos personales que requiere. Por lo tanto, el artículo 7, letra c), se aplica sobre la base
de disposiciones legales que se refieren explícitamente a la naturaleza y el objeto del tratamiento. El
responsable del tratamiento no debe tener un grado indebido de discreción sobre cómo cumplir
con la obligación legal.»

El Grupo del Artículo 29 está abierto al uso de reglamentos, pero establece requisitos para el
propósito y el contenido que deben establecerse en la legislación (Parte III.2.3, p. 20):

«En algunos casos, la legislación puede establecer solo un objetivo general, mientras que las obliga-
ciones más específicas se imponen a un nivel diferente, por ejemplo, ya sea en el Derecho derivado
o mediante una decisión vinculante de una autoridad pública en un caso concreto. Esto también
puede dar lugar a obligaciones legales en virtud del artículo 7, letra c), siempre que la naturaleza y el
objeto del tratamiento estén bien definidos y sujetos a una base jurídica adecuada.»

Estas limitaciones del artículo 6, apartado 1, letra c), plantean al menos dos cuestiones jurídicas que
requieren un análisis más profundo. En primer lugar, está la cuestión de qué resultado del análisis del
aprendizaje es necesario en virtud del artículo 6, apartado 1, letra c), a la luz de la interferencia de la
protección de datos en el contexto. No está claro dónde va el umbral, especialmente si se compara
con el criterio de necesidad del artículo 6, apartado 1, letra e). En segundo lugar, se trata de determi-
nar si las obligaciones jurídicas pertinentes de la legislación noruega son suficientemente claras e
inequívocas. De conformidad con el artículo 1-3 de la Ley de educación, es posible argumentar que el
análisis del aprendizaje puede considerarse una medida necesaria para garantizar una instrucción di-
ferenciada, si está suficientemente justificada pedagógicamente. Lo que está menos claro es si las ob-
ligaciones generales para garantizar la garantía de la calidad en la educación primaria y secundaria
inferior, la educación profesional superior y la educación superior38 son suficientemente claras y re-
quieren el uso de un análisis de aprendizaje relevante. Las respuestas a estas preguntas conducirán
naturalmente a una evaluación de la política judicial sobre si el análisis del aprendizaje debería ha-
berse definido más claramente en la legislación. Nuestro mandato nos obliga a considerar las impli-
caciones de la protección de datos en nuestro trabajo legislativo.

38
Por ejemplo, para garantizar un "sistema interno de garantía de la calidad que garantice y
desarrolle aún más la calidad de la educación" (universitets- og høyskoleloven §1-6).
La segunda base jurídica es el artículo 6, apartado 1, letra e), que contiene dos bases distintas para el
tratamiento de datos personales: que sea necesario para el ejercicio del poder público o para el
cumplimiento de una misión realizada en interés público. Es cierto que la Comisión de Derecho de la
Educación solo discute la primera (ejercicio de la autoridad pública), pero creemos que ambas pueden
ser relevantes. Esto se debe a que el análisis del aprendizaje no es necesariamente un ejercicio de au-
toridad pública, es decir, una decisión sobre una decisión individual (véase la Ley de Administración
Pública § 2, primer párrafo, letra a). El análisis del aprendizaje se puede utilizar activamente en la en-
señanza sin evaluación formal o retroalimentación sobre un logro.39 Por lo tanto, es natural mirar la
segunda base: realizar una tarea de interés público. Puede cubrir otros tipos de análisis de apren-
dizaje, como el uso de un recurso para analizar el progreso en lectura o escritura, sin ejercer autori-
dad.

Cualquiera que sea el motivo establecido en el artículo 6, letra e), se utilice, hay una serie de requisi-
tos que deben cumplirse, incluso si son inferiores a los previstos en el artículo 6, letra e). 1 c). En pri-
mer lugar, el propósito debe indicarse en una base jurídica complementaria (artículo 6, apartado 3),
que puede ser legislación o reglamentos. Por ejemplo, el deber de las universidades y escuelas uni-
versitarias de "salvaguardar la responsabilidad por la calidad de la educación mediante un trabajo
sistemático de calidad que garantice y contribuya al desarrollo de la calidad de los programas de estu-
dio" en la sección 2-1 del Reglamento relativo a la garantía de la calidad y el desarrollo de la calidad en
la educación superior y la educación profesional terciaria es un candidato potencial para la base
jurídica complementaria para el análisis del aprendizaje. Pero luego hay que hacer una evaluación
concreta, que depende en gran medida de qué tipo de análisis de aprendizaje se utilizará, los propósi-
tos del uso de análisis de aprendizaje y el alcance de la minimización de datos. Y aunque la base legal
complementaria no tiene que regular el procesamiento en detalle, y el controlador tiene espacio para
definir el propósito en sí, la base legal debe estar "diseñada de tal manera que haga que el procesa-
miento sea predecible para el interesado" (Autoridad de Protección de Datos, 2022, p. 7).

En segundo lugar, debe requerirse tratamiento. La propia institución educativa debe documentar que
el análisis del aprendizaje es necesario para lograr el propósito, independientemente de si se trata de
realizar una tarea de interés público o de ejercer la autoridad pública (Schartum, 2020). Sin embargo,
como señaló la Comisión de Derecho de la Educación, el sector carece de normas de comportamiento
y buenas rutinas que puedan facilitar la evaluación de si el tratamiento es necesario. Discutiremos
esto más a fondo en nuestro trabajo. También invitamos a las instituciones educativas y otras partes
interesadas a compartir sus experiencias o rutinas como una contribución para facilitar esta
evaluación.

39
Input to the Universities and University Colleges Law Commission, Unit – Directorate for ICT
and Joint Services in Higher Education and Research, p. 21.
10.3.3 RGPD y otras bases jurídicas

En nuestra opinión, los fundamentos jurídicos restantes son menores o en su mayoría no son perti-
nentes. Pero dos merecen una breve discusión, especialmente en el contexto de la investigación
sobre análisis de aprendizaje.

La base jurídica que consiente el artículo 6, apartado 1, letra a), es, a efectos primarios del análisis del
aprendizaje, únicamente una posibilidad teórica. Existen requisitos estrictos para un consentimiento
válido. Debe ser voluntario, específico, informado e inequívoco, cf. art. GDPR art. 4 Núm. 11. En el sec-
tor de la educación, es particularmente difícil cumplir la condición de participación voluntaria debido
al desequilibrio fundamental o desequilibrio en la relación de poder entre la institución y los alumnos
o estudiantes, y en cierta medida entre la institución y el personal. Además, el consentimiento puede
retirarse en cualquier momento, cf. art. 7 No. 3. Esto dificultará el logro del propósito de aprender
análisis como se describe.

Sin embargo, el procesamiento de datos personales con fines de investigación puede basarse en el
consentimiento. Como se muestra en el Capítulo 4, gran parte del trabajo sobre análisis del apren-
dizaje se basa actualmente en la investigación, por lo que el consentimiento puede ser relevante en
muchos proyectos. Sin embargo, es importante tener en cuenta que el consentimiento puede re-
tirarse y que, por lo tanto, es necesario mantener separados los objetivos de investigación y el trabajo
de desarrollo de calidad. Esto puede resultar desafiante en proyectos que combinan investigación y
trabajo de desarrollo de calidad a lo largo del tiempo.

El RGPD también permite el procesamiento de datos personales necesarios para los fines de los "inte-
reses legítimos" perseguidos por el controlador, véase el Artículo 6 (1) (f). Esta base para el procesa-
miento ha sido discutida en la educación superior como relevante solo para el tratamiento que no se
lleva a cabo como parte del desempeño de las tareas de la institución, cf. art. 6 Nº 1, segundo párrafo.
No es aplicable al ejercicio del poder público. Es dudoso que cualquier análisis de aprendizaje pueda
basarse en esta base y, en cualquier caso, solo puede decidirse después de una evaluación concreta y
solo en los casos en que sea obvio que la interferencia con la privacidad es baja y el interés de la insti-
tución educativa en procesar datos personales supera los intereses o los derechos y libertades funda-
mentales de los interesados. Si los alumnos cuyos datos personales se procesan son menores de 18
años, la privacidad de los niños pesa especialmente, véase la redacción del arte. 6 1) f).

Apoyamos esta línea de razonamiento, y creemos que el artículo 6(1)(f) no es particularmente rele-
vante como base jurídica para utilizar la información del análisis del aprendizaje para la investigación.
En nuestros futuros debates, nos concentraremos en el artículo 6, apartado 1, letras c) y e), y las
cuestiones jurídicas que plantean.

10.3.4 Categorías especiales de datos personales y usos secundarios

En principio, está prohibido procesar ciertas categorías especiales de datos personales, véase el
artículo 9 (1) del Reglamento General de Protección de Datos. El artículo prohíbe específicamente el
procesamiento de información sobre:
 "el origen racial o étnico, la opinión política, la religión, las creencias filosóficas o la afiliación sindical,
así como el procesamiento de datos genéticos y biométricos con el fin de identificar inequívoca-
mente a una persona física, información de salud o información sobre la relación sexual u orienta-
ción sexual de una persona física".

No obstante, el tratamiento de estas categorías de datos podrá estar justificado sobre la base de uno
de los motivos de tratamiento establecidos en el artículo 9, apartado 2.

En los recursos que pueden ser una fuente para el análisis del aprendizaje, pueden aparecer cate-
gorías especiales de datos personales, por ejemplo, en indicadores de dificultades de lectura y escri-
tura o en textos donde los alumnos y estudiantes revelan sus propias opiniones sobre política, reli-
gión u orientación sexual.

Así pues, para que este tipo de información pueda utilizarse lícitamente para el análisis del apren-
dizaje, debe concurrirse uno de los motivos establecidos en el artículo 9, apartado 2. En nuestra opi-
nión, dos de las excepciones se aplican en particular al uso de análisis del aprendizaje, a saber, el con-
sentimiento de conformidad con el artículo 9, apartado 2, letra a), y el tratamiento que es necesario
para fines de investigación científica o histórica, o con fines estadísticos de conformidad con el
artículo 89, apartado 1, de conformidad con el artículo 9, apartado 2, letra j). Si las fuentes para el
análisis del aprendizaje pueden contener realmente información que cae bajo la definición de cate-
gorías especiales de datos personales, y si es así, qué base legal debe formar la base para el procesa-
miento, es un tema que estamos considerando explorar.

10.4Reutilización de datos personales para nuevos fines

Un elemento común en el desarrollo de muchos recursos de análisis de aprendizaje es utilizar los da-
tos existentes que se han recopilado para otros fines. Si se prevé que el análisis del aprendizaje se
utilice con vistas a adaptar la instrucción al estudiante individual o grupo de estudiantes, debe auto-
rizarse específicamente el uso para otros fines, como el desarrollo de la calidad, la investigación y el
desarrollo posterior del software.

Al recopilar datos personales, siempre existe el riesgo de que se recopile información excedente y
que se destine a nuevos usos (deslizamiento de propósito). Una posible razón por la que esto sucede
puede ser que la legislatura no decide qué información no debe incluirse, o para qué no se debe
usar la información. Cuando se gestiona mucha información, es importante para confiar en el sistema
que se tomen algunas decisiones basadas en principios y valores, especialmente cuando se trata de
niños y jóvenes.

El principio de limitación de la finalidad de la protección de datos establece que los datos personales
se recopilarán para fines específicos, explícitamente declarados y legítimos, y que no se procesarán
de manera incompatible con esos fines, véase el artículo 5 (1) (b) del Reglamento general de pro-
tección de datos. 1 letra b. El principio establece además que los fines estadísticos y los fines relacion-
ados con la investigación científica o histórica no se consideran incompatibles con los fines originales.
Sin embargo, esto requiere que el tratamiento se lleve a cabo de conformidad con el artículo 89,
apartado 1.40 Otros propósitos requieren un análisis más profundo.

El artículo 6, apartado 4, del Reglamento general de protección de datos contiene normas específicas
sobre cuándo se permite, no obstante, el tratamiento de datos personales con fines incompatibles.
Esto es 1) si el interesado da su consentimiento, 2) si la legislación nacional permite el tratamiento
para fines incompatibles contemplados en el artículo 23, apartado 1, o 3) si, tras una evaluación amp-
lia y concreta, puede demostrarse que los fines no son incompatibles. En la mayoría de los casos, sólo
será pertinente la regla 3. Esto se debe a que rara vez se obtiene el consentimiento para el análisis del
aprendizaje. Además, es dudoso que esta base sea suficiente para el análisis del aprendizaje.

Con respecto al artículo 23, apartado 1, los fines no son particularmente pertinentes para la edu-
cación.

De conformidad con el artículo 6 (4) de la Ley de datos personales, se debe llevar a cabo una llamada
prueba de compatibilidad para determinar si los datos personales pueden procesarse legalmente. De-
ben describirse y tenerse en cuenta los siguientes puntos:

a. cualquier conexión entre los fines para los que se han recopilado los datos personales y los
fines del procesamiento posterior previsto;
b. el contexto en el que se han recogido los datos personales, en particular por lo que respecta a
la relación entre los interesados y el responsable del tratamiento;
c. la naturaleza de los datos personales, en particular si se tratan categorías especiales de datos
personales, de conformidad con el artículo 9, o si se tratan datos personales relativos a conde-
nas e infracciones penales, de conformidad con el artículo 10;
d. las posibles consecuencias del tratamiento posterior previsto para los interesados
e. si existen salvaguardias adecuadas, que pueden incluir cifrado o seudonimización;

En resumen, los puntos anteriores significan que el controlador debe cumplir una serie de obligacio-
nes antes de que los datos personales procesados en relación con el análisis del aprendizaje para la
instrucción diferenciada puedan procesarse posteriormente. El responsable del tratamiento deberá:

• identificar todo el procesamiento basado en la reutilización de datos personales

• Realizar y documentar una prueba de compatibilidad cuando sea necesario
• Salvaguardar el derecho de información de los interesados

40
Dette innebærer en 1) el tratamiento estará sujeto a garantías adecuadas de conformidad
con el presente Reglamento para salvaguardar los derechos y libertades del interesado; 2) las ga-
rantías garantizarán que se han establecido medidas técnicas y organizativas, en particular para
garantizar el cumplimiento del principio de minimización de datos; 3) las medidas podrán incluir
la seudonimización, siempre que dichos fines puedan cumplirse de esta manera; 4) si dichos fines
pueden cumplirse mediante un tratamiento ulterior que no permita o deje de permitir identificar
a los interesados, los fines se cumplirán de esta manera (anonimización)
Los requisitos impuestos al controlador de datos requieren un análisis exhaustivo. A partir de hoy, sin
embargo, no se han desarrollado normas o rutinas de comportamiento que puedan ayudar a las insti-
tuciones educativas y desarrolladores con dicho análisis. En nuestra labor futura, consideraremos la
necesidad de medidas que puedan apoyar este proceso de análisis.

10.5 Minimización del riesgo

En el preámbulo del GDPR, se recuerda repetidamente el propósito de las regulaciones, y que la obli-
gación principal del controlador de datos es ser responsable y garantizar la proporcionalidad en todo
para lo que se utilizan los datos personales. Una parte importante para garantizar la proporcionalidad
es llevar a cabo evaluaciones de riesgos e implementar medidas que reduzcan efectivamente el riesgo
de violaciones de datos personales. El párrafo 4 del preámbulo dice lo siguiente:

"El procesamiento de datos personales debe tener el propósito de servir a la humanidad. El derecho
a la protección de los datos personales no es un derecho absoluto; Debe considerarse en el con-
texto de su función en la sociedad y ponderarse con otros derechos fundamentales de conformidad
con el principio de proporcionalidad. El presente Reglamento respeta todos los derechos funda-
mentales y las libertades y principios reconocidos en la Carta (...), en particular en lo que respecta a
la intimidad y la vida familiar, el domicilio y la comunicación, la protección de los datos personales,
la libertad de pensamiento, creencias y religión, la libertad de expresión y de información, la libertad
de empresa, el derecho a un juicio efectivo y a un juicio justo, y la diversidad cultural, religiosa y ling-
üística.»

El punto 4 subraya que el derecho a la protección de los datos personales no es absoluto, sino que
debe sopesarse con otros derechos fundamentales. Por otro lado, el Reglamento deja claro que los
grupos vulnerables, incluidos los niños, tienen derecho a una protección especial. El derecho a la pro-
tección especial se expresa tanto en el preámbulo como en artículos específicos del RGPD. En el pár-
rafo 38 del preámbulo se dice lo siguiente:

"Los datos personales de los niños merecen una protección especial, ya que los niños pueden ser
menos conscientes de los riesgos, consecuencias y salvaguardias actuales, así como de sus
derechos con respecto al procesamiento de datos personales. Esta protección especial debe apli-
carse, en particular, al uso de datos personales de menores con fines de comercialización o para
crear perfiles de personalidad o de usuario, así como a la recogida de datos personales de menores
cuando utilicen servicios ofrecidos directamente a menores.».

Las señales dadas en el apartado 38 impregnan el Reglamento y, por consiguiente, influirán en su in-
terpretación y práctica. Sin embargo, el Reglamento contiene una serie de mecanismos que en sí mis-
mos son adecuados para garantizar la proporcionalidad antes mencionada. Si estos mecanismos se
implementan e implementan de manera exhaustiva, existe una mayor posibilidad de que se sal-
vaguarden los derechos de los interesados. Algunos ejemplos de tales mecanismos son los códigos de
conducta (artículo 40) y la certificación (artículo 42). Algunos de los mecanismos también son obligato-
rios, como la protección de datos desde el diseño (artículo 25) y la evaluación de impacto relativa a la
protección de datos (artículo 35).
10.5.1 Privacidad por diseño

La obligación de proporcionar privacidad desde el diseño significa que se deben implementar medi-
das y garantías adecuadas en el procesamiento de datos personales. Las medidas y garantías garan-
tizarán la salvaguardia efectiva de los principios de protección de datos y de los derechos y libertades
de los interesados. Al desarrollar recursos con análisis de aprendizaje de acuerdo con el principio de
privacidad incorporada, uno tendrá, por ejemplo, que tomar una posición concreta sobre cómo el
recurso salvaguardará el derecho de los alumnos y estudiantes a la información, el acceso y el control
sobre la información sobre ellos mismos.

Algunos ejemplos de funcionalidad que pueden proteger la privacidad por diseño son:

• Transparencia: buenas soluciones de acceso que brindan fácilmente a los estudiantes acceso
a información sobre sí mismos y que a menudo les dan la oportunidad de usar la información
para sus propios fines (portabilidad de datos)
• Minimización de datos: requiere que se haya tomado una decisión concreta sobre qué in-
formación no debe almacenarse, acumularse, utilizarse, etc.
• Seudonimización y anonimización

Creemos que se debe considerar establecer requisitos específicos para la privacidad por diseño en
recursos que utilizan análisis de aprendizaje, y la privacidad por diseño será un tema en nuestro tra-
bajo futuro.

10.5.2 Desarrollo de certificaciones y códigos de conducta

La certificación41 es una forma formalizada de evaluación que conducirá a la emisión de un certifi-

cado. La certificación no es una obligación, pero el preámbulo del RGPD hace hincapié en que los
mecanismos de certificación pueden ayudar a los interesados a evaluar el nivel de protección de los
datos personales en un producto o servicio. El uso de la certificación en relación con el análisis del ap-
rendizaje puede demostrar que los propietarios de escuelas y las instituciones educativas se toman
en serio la protección de datos personales y contribuyen a la confianza. La Autoridad de Protección de
Datos también enfatiza que la certificación se puede utilizar para demostrar que se cumple con el re-
quisito de privacidad incorporada. La certificación puede incluir, por ejemplo, medidas técnicas y or-
ganizativas para aplicar los principios de protección de datos y la gestión real de las medidas.

Un código de conducta42 es un conjunto de directrices para asociaciones que representan a un grupo

de controladores o procesadores. El sector educativo puede ser una asociación de este tipo, y pueden
decidir crear un código de conducta, es decir, pautas sobre cómo procesar los datos personales que
tienen en común, para cumplir con los requisitos del GDPR.

41
https://snl.no/sertifisering

42
https://www.datatilsynet.no/regelverk-og-verktoy/atferdsnorm/
El Comité Europeo de Protección de Datos (CEPD) ha adoptado directrices sobre códigos de conducta.
Estos explican qué requisitos debe cumplir una solicitud de código de conducta para que las autorida-
des europeas de protección de datos lo procesen y aprueben bajo el GDPR. Los requisitos son est-
rictos, pero independientemente de si presenta una solicitud, la guía es una herramienta útil para
crear pautas que sean adecuadas para procesar datos personales de acuerdo con las regulaciones y
las expectativas de los interesados.

En el capítulo 8, discutimos el equilibrio entre centralización y autonomía, y tanto la certificación como

las normas de comportamiento son relevantes en la exploración de este dilema. Por lo tanto, in-
vestigaremos el papel que la certificación y las normas de comportamiento pueden desempeñar en
un contexto educativo noruego.

10.5.3 Evaluación del impacto de la protección de datos y mitigación de riesgos elevados

El objetivo de la obligación de evaluar las consecuencias de la protección de datos es identificar las

medidas adecuadas para reducir los riesgos con respecto a los derechos y libertades de los interesa-
dos. El uso de la analítica de aprendizaje, como lo hemos descrito en este informe, a menudo implica
procesar mucha información sobre un grupo vulnerable (niños y adolescentes) de una manera que no
es tan fácil de explicar. Es especialmente desafiante cuando se trata de aprendizaje automático o ap-
rendizaje basado en reglas con muchas operaciones. Al mismo tiempo, el procesamiento de datos
personales en el análisis del aprendizaje probablemente caerá bajo la definición de procesamiento
que conlleva un alto riesgo para los derechos y libertades de los interesados.

Por lo tanto, es fundamental que los recursos se desarrollen teniendo en cuenta las medidas de miti-
gación de riesgos en el procesamiento de datos personales en el análisis del aprendizaje. Deben
cumplir los requisitos de una auténtica cogestión, una transparencia auténtica, una previsibilidad real
y una confianza (artículo 35). Si los recursos utilizados se desarrollan de acuerdo con el principio de
privacidad por diseño, tiene un buen punto de partida para cumplir con estos requisitos. Sin em-
bargo, sabiendo que el procesamiento de datos implica un alto riesgo, es importante tener en cuenta
que no es suficiente para cumplir con los requisitos mínimos para, por ejemplo, información y acceso.
Por el contrario, deben encontrarse y aplicarse medidas que "sobrecumplan" las obligaciones estable-
cidas en el capítulo 3 del Reglamento.

Ejemplos de medidas que pueden reducir el riesgo de que no se cumplan los derechos y libertades en
virtud del RGPD incluyen:

• un derecho de reserva
• para obtener las opiniones de los interesados/representantes sobre el tratamiento
• un mayor deber de divulgación (información continua, información en múltiples canales, in-
formación específica sobre la vinculación entre conjuntos de datos y los resultados de la
vinculación, etc.)
• Un portal de acceso especialmente adaptado
• Medidas específicas de minimización de datos (monitoreo solo por períodos de tiempo espec-
íficos o áreas específicas, instantáneas en lugar de monitoreo continuo, abstenerse de
procesar datos específicos, etc.)
• para facilitar la portabilidad de los datos y que los interesados puedan utilizar la información
para sus propios fines;
• Eliminación automática o anonimización a intervalos más cortos de lo requerido por la ley
• Impedir la vinculación entre conjuntos de datos

La mayoría de los actores del sector pueden evaluar e implementar algunas de estas medidas, mient-
ras que otros requieren más conocimientos técnicos y jurídicos. En nuestra opinión, las medidas con-
cretas para reducir el riesgo de que no se cumplan los derechos y libertades de los interesados serán
cruciales para lograr la proporcionalidad en el procesamiento de datos personales para el análisis del
aprendizaje. Por lo tanto, un siguiente paso natural sería considerar qué medidas deberían ser obliga-
torias. Esto puede verse, por ejemplo, en el contexto de las evaluaciones relativas a las normas y certi-
ficaciones de comportamiento.

10.6Derechos y participación de los interesados

La protección de datos personales se refiere en gran medida al derecho del interesado a controlar o
codeterminar cómo deben procesarse sus datos personales. Hemos identificado una serie de
derechos de diversas regulaciones que se aplican a los alumnos (y sus padres), estudiantes, maestros
y educadores. Estos deben analizarse para obtener una imagen general de la medida en que estas
categorías de interesados tienen derecho a participar en los procesos relativos a la selección y el uso
de datos personales en el análisis del aprendizaje.

En primer lugar, el RGPD contiene derechos específicos que son relevantes para el procesamiento de
datos personales. Estos incluyen el derecho a la información y al acceso (artículos 12-15 del RGPD),
que es un requisito previo para todos los demás derechos, el derecho a objetar (artículo 14 (2), el
derecho a que se rectifiquen los datos personales incorrectos (artículos 16-20) y el derecho a la porta-
bilidad de los datos (artículo 20). Muchos de estos derechos se pueden encontrar en la jurisprudencia
del Tribunal Europeo de Derechos Humanos con respecto al artículo 8 del Convenio Europeo de
Derechos Humanos (CEDH). Una pregunta importante es hasta qué punto estos derechos (que están
incluidos en el derecho a la privacidad en el artículo 102 de la Constitución y el artículo 16 de la Con-
vención sobre los Derechos del Niño) pueden realizarse con el uso actual y futuro de la analítica del
aprendizaje.

En segundo lugar, los alumnos y estudiantes tienen derecho a participar y expresar su opinión. Por lo
tanto, una pregunta relevante es de qué manera los estudiantes, de conformidad con la Sección 4-3
de la Ley relativa a las universidades y colegios universitarios, tienen derecho a participar en el uso de
la analítica del aprendizaje desde una perspectiva pedagógica y el uso de datos personales para el
análisis del aprendizaje. También podemos preguntar de qué manera los estudiantes tienen derecho
a participar de conformidad con la Sección 9 A-8 de la Ley de Educación y el Artículo 12 de la Conven-
ción sobre los Derechos del Niño.
En tercer lugar, podemos preguntarnos si los maestros y educadores tienen derecho a participar en el
análisis del aprendizaje. Por ejemplo, ¿qué derechos tienen los profesores con libertad académica
(Sección 1-5 de la Ley de Universidades y Colegios Universitarios)? ¿Y hasta qué punto esta autonomía
puede verse limitada por la analítica del aprendizaje?

Estas preguntas son relevantes para que las prosigamos en nuestro trabajo futuro.

10.7Tratamiento y almacenamiento de datos personales en terceros

países
Uno de los propósitos del GDPR es establecer un alto nivel de seguridad para el procesamiento de da-
tos personales de residentes de la UE / EEE, independientemente de dónde se procesen los datos. Los
países fuera de la UE / EEE pueden tener reglas diferentes sobre cómo se deben procesar los datos
personales que las estipuladas en el Reglamento General de Protección de Datos. Esta es la razón por
la que las empresas, antes de poder transferir datos personales fuera de la UE / EEE, deben tener una
base de transferencia además de la base legal para procesar datos personales. La base para la trans-
ferencia garantizará que se mantenga la sólida protección de los datos personales almacenados
dentro de la UE / EEE (véanse los artículos 44 a 50 del RGPD).

En 2020, el Tribunal de Justicia de la Unión Europea emitió la llamada sentencia Schrems II, que estab-
lece que no es suficiente basar una transferencia de datos personales fuera de la UE / EEE en las cláu-
sulas estándar de la Comisión Europea. Además, es necesario garantizar que el alto nivel de pro-
tección que tenemos en la UE/EEE se mantenga en la práctica. Por ejemplo, si los datos personales se
transfieren a los Estados Unidos utilizando análisis de aprendizaje, se aplicarán los requisitos de-
rivados de esta sentencia. Esto significa que la persona responsable del procesamiento debe evaluar,
antes de aplicar el análisis de aprendizaje, si la base de transferencia salvaguardará realmente el alto
nivel de protección proporcionado por el GDPR. Si la base de transferencia no garantiza una pro-
tección adecuada, deben aplicarse otras medidas.

Tal como se ve el mercado hoy en día, varios de los proveedores de recursos digitales en el mercado
de la educación almacenan datos personales fuera de la UE / EEE. Probablemente podamos esperar
lo mismo de los proveedores de recursos de análisis de aprendizaje. Un informe sobre el uso educa-
tivo de la tecnología en la educación superior afirma que la sentencia Schrems II impide el uso de im-
portantes recursos digitales (Korseberg et al., 2022, p. 105):

"En las entrevistas de los grupos focales, hubo un amplio acuerdo en que el desafío más central
para el uso de la tecnología digital en el sector de la educación superior noruego hoy en día son las
nuevas directrices legales introducidas a raíz de la llamada "sentencia Schrems II" de 2020. [...]
Varios de los informantes señalaron que ya no se les permite usar herramientas que han utilizado
anteriormente, y que esto impide que las instituciones utilicen las nuevas tecnologías en la en-
señanza. [...] Esto fue descrito como 'casi crítico para la educación'".

Por lo tanto, es importante que las cuestiones relacionadas con la transferencia de datos personales a
países fuera de la UE / EEE se consideren en el contexto de las evaluaciones sobre el uso de análisis
de aprendizaje. Además, las evaluaciones mencionadas anteriormente requieren muchos recursos
tanto en términos de tiempo como de experiencia. Por lo tanto, es importante considerar las posibili-
dades de que estos problemas se resuelvan con un nivel de autoridad más alto que en la actualidad.

10.8Regulación de las decisiones individuales automatizadas

Una parte cada vez mayor de la analítica del aprendizaje utiliza inteligencia artificial que incluye la
toma de decisiones automatizada. Este también será el caso de las ayudas de aprendizaje adaptativo.
Existen regulaciones explícitas y relevantes para este tipo de inteligencia artificial en el Artículo 22 (1)
del Reglamento General de Protección de Datos, que contiene una prohibición condicional de las deci-
siones individuales automatizadas:

«El interesado tendrá derecho a no ser objeto de una decisión basada únicamente en el tratamiento
automatizado, incluida la elaboración de perfiles, que produzca efectos jurídicos para él o le afecte
significativamente de manera similar.»43

Según el punto 71 del preámbulo, la elaboración de perfiles significa una evaluación de los aspectos
personales de una persona física. Dicha evaluación se realiza, en particular, para analizar o predecir
aspectos relacionados con el rendimiento laboral, la situación financiera, la salud, las preferencias o
intereses personales, la fiabilidad o el comportamiento, la ubicación o los movimientos del intere-
sado.

No obstante, el artículo 22, apartado 2, establece que el apartado 1 no se aplicará en determinados

casos. La Comisión de Derecho de la Educación señaló, por ejemplo, que el artículo 22, apartado 2,
permite la toma de decisiones individual automatizada si la decisión está permitida por la legislación
nacional y se han establecido medidas adecuadas para proteger los derechos, libertades e intereses
legítimos del interesado. Por otra parte, en el preámbulo 71 se hace explícito que estas excepciones
no deben aplicarse en los casos que afectan a niños. En el preámbulo 38 también se describe que la
protección de los niños se aplica en particular a la elaboración de perfiles.

Hasta ahora, el uso de la toma de decisiones individual automatizada en el sector educativo es limi-
tado, al menos en Europa. El uso más comentado de algoritmos para decisiones individuales en edu-
cación se intentó durante la pandemia de coronavirus en el Reino Unido. Aquí, se suponía que un al-
goritmo ajustaría la calificación final en ausencia de calificaciones de examen.El 44
modelo de estan-
darización generó una predicción de la calificación en cada materia, y los resultados fueron muy con-
trovertidos. El 40 por ciento de las calificaciones establecidas por la escuela se ajustaron a la baja en

43
Oversettelse fra: https://www.regjeringen.no/conten-
tassets/c907cd2776264a6486b8dd3ee00a4e3d/uoffisiell-norsk-oversettelse-av-personvernforord-
ningen.pdf

44
UNIO EU Law Journal, 26. Octubre 2020: https://officialblogofunio.com/2020/10/26/artificial-
intelligence-2020-a-level-grades-in-the-uk-as-an-example-of-the-challenges-and-risks/
toda Inglaterra. Los estudiantes de un entorno más desfavorecido también obtuvieron peores punta-
jes, mientras que a los de escuelas privadas les fue mucho mejor.

La Oficina del Comisionado de Información (ICO) expresó su comprensión del ensayo. Al mismo
tiempo, señalaron que el GDPR impone restricciones estrictas a las organizaciones que toman exclu-
sivamente decisiones automatizadas que tienen un efecto legal o similarmente significativo en las
personas, y que la ley requiere que el procesamiento sea justo, incluso cuando las decisiones no
están automatizadas. El Ministro de Educación defendió el sistema como justo y sólido, pero el sis-
tema fue abolido y los resultados finales se basaron en las calificaciones evaluadas por los maestros.

El caso del Reino Unido muestra las dificultades legales, éticas, educativas y políticas de introducir de-
cisiones individuales automáticas en el sector. Además, hay poco espacio en la educación superior
hoy en día para utilizar la evaluación automática. Esta precaución también tiene sus raíces en la regu-
lación de IA propuesta por la UE: la Ley de Inteligencia Artificial45. La inteligencia artificial en la edu-
cación está clasificada como de alto riesgo en áreas específicas (de la versión oficial danesa):

a) Sistemas de IA destinados a determinar si las personas físicas deben ser admitidas o cómo deben
asignarse en los centros educativos;

b) Sistemas de IA destinados a la evaluación de estudiantes en instituciones educativas y a evaluar a

las personas en relación con las pruebas normalmente requeridas para la admisión en los estab-
lecimientos educativos;

El capítulo 2 del Reglamento contiene una serie de requisitos para un sistema de alto riesgo, incluido
un sistema de gestión de riesgos, buenos modelos de formación y buena gestión de datos, docu-
mentación técnica, registro de los procesos de datos, transparencia y difusión de información a los
usuarios, supervisión humana, exactitud, solidez y ciberseguridad (artículos 8 a 15).

El sector europeo de EdTech ha expresado su preocupación de que una interpretación demasiado

estricta tanto de GDPR como de la regulación de IA propuesta por la UE podría limitar los resultados
de aprendizaje para los estudiantes. La European EdTech Alliance dio la bienvenida a la regulación,
pero señaló que se deben aprender lecciones de "los problemas regulatorios derivados de las imple-
mentaciones técnicas del GDPR y cómo el GDPR fue interpretado por muchas empresas, el sector
educativo, los clientes y los reguladores nacionales y de la UE".46 También tuvieron en cuenta que "las
regulaciones europeas también influyen en el desarrollo técnico en todas las regiones del mundo".
Por lo tanto, les preocupaba lo siguiente:

«Si los nuevos reglamentos propuestos sobre IA se diseñan bien y se implementan correctamente,
asegurarán el bastión del sector educativo europeo, asegurarán las habilidades futuras para las ge-
neraciones venideras y, al mismo tiempo, asegurarán la innovación en el sector y potencialmente

45
https://eur-lex.europa.eu/legal-content/DA/TXT/?uri=CELEX:52021PC0206

46
https://www.edtecheurope.org/blog/an-open-letter-concerning-ai-regulations-for-edtech
 abrirán nuevas áreas de negocio para la industria europea de EdTech y, por lo tanto, la creación de
empleo».

Creemos que debemos examinar más de cerca los requisitos legales existentes y propuestos para el
uso de la IA para la toma de decisiones automatizada individual. Las preguntas importantes son qué
tipos de análisis de aprendizaje y ayudas de aprendizaje adaptativo pueden caer bajo las regulacio-
nes, y qué tipo de mecanismos de protección deben existir.

10.9Propiedad de los datos

La ambigüedad en torno a los derechos de control y acceso a los datos ("propiedad de los datos")
utilizados en los recursos de análisis de aprendizaje se ha mencionado en varios comentarios al grupo
de expertos. Los datos de aprendizaje son considerados por varios actores como un recurso valioso.
Pueden ser de valor para muchos actores dentro y fuera del sector educativo, y pueden ser utilizados
por desarrolladores o proveedores para un mayor desarrollo de los recursos digitales.

Esta situación crea rápidamente varios problemas legales. En primer lugar, los actores que han
obtenido el control de los datos pueden intentar restringir el acceso de otros a los datos alegando
que ellos mismos tienen los derechos sobre ellos porque los han reelaborado. Por ejemplo, podría
ser un gran jugador privado que restringe el acceso de un desarrollador más pequeño o de una es-
cuela. Sin embargo, aclarar el alcance de estos derechos puede ser difícil en la práctica.47

En segundo lugar, los actores que han renunciado al control sobre los datos, como los datos que con-
tienen datos personales, pueden enfrentar preguntas sobre si estaba en línea con el derecho a la pri-
vacidad dar este control a otra persona. Las instituciones educativas pueden encontrarse en una si-
tuación difícil si han renunciado al control sobre los datos. El desafío también puede convertirse en lo
contrario cuando estos temores son exagerados. En Meld. En Report to the Storting No . 22 (2020–
2021) – Data as a resource – Data-driven economy and innovation, se enfatiza que los actores "experi-
mentan una falta de margen de maniobra porque temen infringir la legislación difícil y compleja", re-
firiéndose, entre otras cosas, a la protección de la privacidad (Ministerio de Gobierno Local y Moder-
nización, 2021, p. 22).

No está claro hasta qué punto estas cuestiones jurídicas se plantean en la práctica. Obtener una vi-
sión general de eso requiere una visión general de los muchos contratos que se han firmado entre
instituciones educativas, proveedores privados y actores públicos, y una mejor comprensión de las
prácticas de distribución de datos. En el trabajo futuro, trataremos de crear una imagen del alcance
de las cuestiones jurídicas y las cuestiones jurídicas a fin de evaluar mejor no sólo las cuestiones dog-
máticas jurídicas, sino también las de política jurídica.

47
https://khrono.no/hvem-eier-data/514353
10.10 La Ley de Contratación Pública y la contratación de recursos
digitales
Al final de este capítulo, señalaremos el papel de la Ley de Contratación Pública y las regulaciones
relevantes. Hasta ahora se han planteado dos preguntas en nuestro trabajo con respecto a la
adquisición de recursos digitales que incluyen oportunidades para el análisis del aprendizaje.

La primera se refiere al cumplimiento de la normativa en materia de contratación pública. Las normas

están diseñadas para garantizar un uso eficiente de los recursos en la contratación pública sobre la
base de la equidad empresarial y la igualdad de trato. Las normas también contribuirán a salvaguar-
dar procesos de contratación transparentes y verificables. Como mencionamos en el capítulo 9, la
contratación pública es un proceso intensivo en recursos y competencias. En Meld. St. 22 (2018–
2019) Contratación pública más inteligente: contratación pública eficiente y profesional, se discute la
cuestión de la experiencia en adquisiciones (Ministerio de Comercio, Industria y Pesca, 2019, p. 13):

"En Noruega, la contratación pública está descentralizada con aproximadamente 3.000 clientes. En
otras palabras, el sector público no es un grupo unificado y unificado, sino que consta de varios mi-
les de clientes con requisitos previos muy variados para realizar buenas compras. Algunos clientes
tienen funciones de compra grandes y profesionales. Otros pueden tener solo una persona que tra-
baje a tiempo parcial en adquisiciones y tenga recursos y experiencia limitados en adquisiciones
públicas. Si queremos tener éxito con la reestructuración a través de la contratación pública, se de-
ben construir funciones de compra más profesionales y sólidas con una sólida experiencia y recur-
sos suficientes para resolver estas tareas de buena manera".

El libro blanco también menciona un "Programa de Adquisiciones Digitales", que facilitará el uso de
herramientas digitales para apoyar el proceso de adquisición. El objetivo de este programa es que

• Todas las agencias públicas utilizan herramientas digitales durante todo el proceso de
adquisición
• Existen formatos estándar y soluciones comunes que permiten un flujo continuo de in-
formación entre diferentes herramientas a lo largo del proceso de adquisición y a través de las
fronteras.
• Todos los subprocesos se pueden llevar a cabo digitalmente en todas las adquisiciones
• La digitalización ofrece a proveedores y clientes menores costes en la implantación de la con-
tratación pública

En el trabajo futuro, consideraremos cualquier desafío en la adquisición de recursos con análisis de

aprendizaje a la luz de las regulaciones.

La segunda pregunta es en qué medida las regulaciones de adquisiciones facilitan la innovación en el

análisis del aprendizaje y estimulan el desarrollo de recursos y recursos de aprendizaje digitales. Los
proveedores del mercado con los que hemos mantenido conversaciones hacen hincapié en la ne-
cesidad de que las regulaciones en esta área tengan en cuenta la innovación. Dentro de la educación
primaria y secundaria, hay proyectos de desarrollo que exploran enfoques alternativos a la
adquisición tradicional de recursos de aprendizaje digital en el sector, como se describe en el
subcapítulo 4.3.1.
Queremos investigar cómo y en qué medida las regulaciones de adquisiciones pueden abrirse a la in-
novación en el análisis del aprendizaje.

10.11 Resumen
Después de una breve discusión de la evaluación legal de la Comisión de Derecho de Educación sobre
el análisis del aprendizaje en las escuelas noruegas, en este capítulo hemos esbozado nueve cuestio-
nes legales relevantes con relevancia directa para el análisis del aprendizaje en la educación noruega.

Las cuestiones incluyen qué datos en el análisis del aprendizaje pueden considerarse datos persona-
les, la base jurídica para el procesamiento de datos personales, la reutilización de datos personales
para fines nuevos y diferentes para los que se recopilaron, la minimización del riesgo en el procesa-
miento de datos personales, los derechos y la cogestión de los interesados, el procesamiento de da-
tos personales fuera de la UE / EEE, la regulación de las decisiones automatizadas (inteligencia artifi-
cial), la propiedad y el control de los datos, así como restricciones a la Ley de Contratación Pública
en relación con los recursos digitales.

Estas cuestiones constituirán un punto de partida para nuestro trabajo futuro y para recomendacio-
nes sobre la necesidad de regulación, desarrollo de políticas y medidas en nuestro informe final en
2023.

11 Final
El propósito de este subinforme es proporcionar respuestas a lo que es el análisis del aprendizaje y
qué implicaciones puede tener el uso del análisis del aprendizaje para la educación noruega hoy y en
el futuro cercano. A continuación se presenta un breve resumen de los puntos principales del in-
forme.

En el capítulo 1, describimos el mandato del grupo de expertos y cómo lo hemos interpretado. Aquí
dejamos claro que no vemos el uso de la analítica de aprendizaje principalmente como un asunto
tecnológico o legal, sino como algo que siempre involucrará también cuestiones educativas y éticas
para todos los involucrados. Consideramos crucial evaluar continuamente los aspectos tecnológicos,
educativos, normativos y éticos del uso de la analítica del aprendizaje y discutir principalmente estos
aspectos en conjunto entre sí, en lugar de mantenerlos separados. Hacemos hincapié en que en el
primer subinforme hacemos hincapié en la perspectiva de la educación primaria y secundaria, de con-
formidad con el mandato. La educación superior también ocupa un lugar importante en este informe,
mientras que las características especiales de la educación profesional superior son poco discutidas.
En nuestro informe final, los diferentes niveles de educación se equilibrarán en mayor medida. En el
primer capítulo del subinforme, también mostramos cómo hemos obtenido una serie de aportacio-
nes iniciales de los principales actores del sector, y cómo nos hemos abierto a una amplia parti-
cipación de todos los que deseen contribuir a la labor del grupo de expertos.

Un punto importante en este subinforme es que es difícil distinguir la analítica del aprendizaje del uso
de recursos digitales en general y otros aspectos de la capacitación. Nuestra experiencia es que existe
una gran necesidad de contextualizar lo que es y no es el análisis del aprendizaje, en relación con ot-
ros conceptos relacionados. En la parte 1, por lo tanto, explicamos los puntos de partida importantes
y el propósito de utilizar la analítica del aprendizaje, describimos diferentes formas y fuentes de análi-
sis de aprendizaje, destacamos cómo la privacidad está vinculada a la analítica del aprendizaje y expli-
camos el campo de investigación.

El capítulo 2 analiza definiciones y conceptos importantes que son cruciales para comprender la
analítica del aprendizaje, como el aprendizaje, la tecnología, la digitalización y la inteligencia artificial.

En el capítulo 3 discutimos el concepto de análisis de aprendizaje. Pasamos por diferentes definicio-

nes y diferentes formas en que los rastros de los entornos de aprendizaje digital se pueden utilizar
para mejorar el aprendizaje de los estudiantes y los estudiantes. Un punto importante de las de-
finiciones que hemos destacado es que nos preocupa cómo se utilizan las huellas de alumnos y estu-
diantes en entornos de aprendizaje digital para mejorar el aprendizaje a nivel del sistema y para los
individuos. También enfatizamos que es importante distinguir entre los datos potenciales para el
análisis del aprendizaje y los datos que realmente se utilizan para dicho análisis. Un desafío para
nosotros en el grupo de expertos, que también es parte de la razón por la que se nombró al grupo en
primer lugar, es que existe una gran brecha entre la cantidad de datos generados por alumnos y estu-
diantes y la medida en que se utilizan estos datos. Sabemos que hoy en día una serie de datos de pla-
taformas digitales y material didáctico se almacenan en la educación primaria y secundaria inferior,
las escuelas de formación profesional y la educación superior. Sin embargo, sabemos mucho menos
sobre cómo se utilizan estos datos y con qué frecuencia se incluyen en el análisis del aprendizaje.

En el capítulo 4 proporcionamos una visión general del análisis del aprendizaje como campo de in-
vestigación y una visión de algunos proyectos seleccionados de investigación y desarrollo sobre el
análisis del aprendizaje en el contexto noruego. Aunque se ha realizado una gran cantidad de investi-
gación sobre análisis de aprendizaje, la base de conocimientos en este campo es inadecuada,
especialmente cuando se trata de investigación sobre implementación. Como explicamos, hay con-
siderablemente más estudios que se ocupan de la educación superior que sobre la educación prima-
ria y secundaria inferior y la educación vocacional superior. Además, pocos estudios analizan los ci-
clos completos y repetidos asociados con el uso de análisis de aprendizaje, en otras palabras, cómo
se pueden usar los datos recopilados para mejorar el aprendizaje y luego proporcionar nuevos datos
que se pueden usar más. Gran parte de la información que tenemos de los estudios científicos sobre
análisis de aprendizaje proviene de proyectos de investigación donde los estudiantes son reclutados
como participantes, y donde todo el programa de estudio que se investiga a menudo se diseña preci-
samente como entrada en un estudio científico. Aunque tales estudios proporcionan información im-
portante, carecemos de datos o experiencias sistemáticas de situaciones en las que los estudiantes
están en un rol ordinario de estudiante o estudiante, y donde los maestros que utilizan el análisis del
aprendizaje para mejorar la enseñanza no realizan investigaciones sobre el análisis del aprendizaje.
Además, hay muy pocos estudios de un contexto nórdico que analicen sistemáticamente el análisis
del aprendizaje. Cuando se trata de educación vocacional superior, también hay muy pocos estudios
en los que apoyarse. Una última deficiencia que nos gustaría destacar en el campo de la investigación
es que se ha realizado poca investigación sobre los proveedores comerciales de análisis de
aprendizaje, a pesar de que estos son los que dominan tanto en la educación primaria como en la
secundaria inferior y en la educación superior. Sin embargo, hay algunos proyectos de investigación y
desarrollo que se centran en el análisis del aprendizaje, y hemos optado por discutir dos de ellos, uno
de la educación primaria y secundaria inferior y otro de la educación vocacional superior.

La Parte 2 de este subinforme es una descripción de cuatro dilemas clave que capturan algunas opor-
tunidades y desafíos en el uso de análisis de aprendizaje en la educación primaria y secundaria infe-
rior, la educación vocacional superior y la educación superior. Nuestra ambición al discutir el análisis
del aprendizaje dentro de una estructura de dilema de este tipo no es crear falsas contradicciones,
sino resaltar dónde hay una necesidad de más conocimiento, conciencia y reflexión. Los cuatro dile-
mas se basan en discusiones en el grupo, aportes de actores clave en el campo e investigaciones pre-
vias. Ilustran las complejas compensaciones que deben hacerse cuando se va a aplicar la analítica del
aprendizaje, desde un punto de vista educativo, ético, legal y tecnológico. En las descripciones de dile-
mas, tanto las oportunidades como los desafíos en el uso de la analítica de aprendizaje se establecen
claramente. Una visibilidad tan amplia de los problemas y el potencial contribuirá a la participación en
torno a nuestro trabajo y proporcionará información que será importante que llevemos con nosotros
en el trabajo futuro.

Los cuatro dilemas que presentamos en este subinforme abordan la necesidad de los profesores y
educadores de información sobre los estudiantes para apoyar el aprendizaje, equilibrados con la pro-
tección de la información sobre los estudiantes (capítulo 6), cómo el análisis del aprendizaje afecta el
acto de equilibrio entre el aprendizaje en interacción y el aprendizaje como un proceso individuali-
zado (capítulo 7), el equilibrio entre el apoyo centralizado y la autonomía en el uso de la analítica del
aprendizaje (capítulo 8), y el rango entre los requisitos de la analítica del aprendizaje. a la competen-
cia de los profesores y profesores, y la competencia real en el sector educativo (capítulo 9).

Nuestra experiencia es que las cuestiones legales relacionadas con la analítica del aprendizaje son
algo que concierne en gran medida a diferentes partes del sector. En la educación primaria y
secundaria inferior, la educación profesional superior y la educación superior, existe confusión sobre
cómo deben interpretarse las regulaciones actuales y variaciones en cómo se cumplen las regulacio-
nes. En la práctica, esto significa que varía entre municipios e instituciones educativas, por ejemplo,
qué tipos de procesamiento de datos personales se consideran dentro de las regulaciones. En el
capítulo 10, destacamos nueve cuestiones legales generales que creemos que deben explorarse más
a fondo utilizando el análisis del aprendizaje.

Esperamos que este subinforme pueda ayudar a aclarar y matizar qué es el análisis del aprendizaje, y
a articular y problematizar qué dilemas se pueden poner en juego si uno elige usar análisis de apren-
dizaje, o si elige no hacerlo. También esperamos que nuestra discusión de dilemas clave y cuestiones
legales pueda poner preguntas importantes sobre el análisis del aprendizaje en la agenda e inspirar el
compromiso y la participación en el tema del análisis del aprendizaje y el trabajo futuro del grupo de
expertos.
Referencias
ACM (2011). LAK '11: Actas de la 1st International Conference on Learning Analytics and Knowledge.
Nueva York: Association for Computing Machinery. Dirección URL: https://dl.acm.org/doi/procee-
dings/10.1145/2090116
Grupo de Trabajo de Aprendizaje Perdido (2021). Escuela después de la pandemia de coronavirus.
Un impulso para el bienestar y el aprendizaje. Dirección URL: https://www.regjeringen.no/conten-
tassets/637a7dd9f97b42c49eab111a0fce074e/taptlaring_raport_tiltak_a4_final.pdf
Avella, J.T., Kebritchi, M., Nunn, S.G., Kanai, T. (2016). Métodos de análisis de aprendizaje, bene-
ficios y desafíos en la educación superior: una revisión sistemática de la literatura. Aprendizaje en
línea, 20:2, s. 13–29. Dirección URL: https://olj.onlinelearningconsortium.org/index.php/olj/ar-
ticle/download/790/201
Bergene, A.C., Vika, K.S., Denisova, E., Steine, F.S., Vennerød-Diesen, F.F. (2021). Preguntas para la
escuela de Noruega. Análisis y resultados de la encuesta de la Dirección Noruega de Educación y For-
mación a escuelas y propietarios de escuelas en otoño de 2021. Informe NIFU 2021:25. URL:
https://www.nifu.no/publications/1982968/
Biggs, J. (2014). Alineación constructiva en la docencia universitaria. HERDSA Review of Higher Edu-
cation, 1, s. 5–22. URL: https://www.herdsa.org.au/system/files/HERDSARHE2014v01p05_0.pdf
Biggs, J., Collis, K. (1982). Evaluación de la calidad del aprendizaje: La taxonomía SOLO. Prensa
Académica
Biggs, J., Tang, C. (2011). Enseñanza para un aprendizaje de calidad en la universidad: Qué hace el
estudiante. McGraw-Hill
Blikstad-Balas, M. (2016). Skolens nye alfabetización. Learning Tech, 1:1, s. 77–98. Dirección URL:
https://doi.org/10.7146/lt.v1i1.107724
Blikstad-Balas, M. (2021). Evaluar las competencias de los estudiantes a través de las tecnologías
digitales. Kapittel 11 i Reimers, F.M., Opertti, R. (rojo, 2021). Aprender a reconstruir mejores futuros
para la educación: Lecciones de la innovación educativa durante la pandemia de Covid-19. Oficina In-
ternacional de Educación de la UNESCO. Dirección URL: http://www.ibe.unesco.org/sites/de-
fault/files/resources/book_ibe_-_global_education_innovation_initiative.pdf
Blikstad-Balas, M., Klette, K. (2020). Todavía queda un largo camino por recorrer: uso estrecho y
transmisivo de la tecnología en el aula. Nordic Journal of Digital Literacy, 1/2020, s. 55–68. Dirección
URL: https://www.idunn.no/doi/10.18261/issn.1891-943x-2020-01-05
Bohn, E.D. (2022). La filosofía de la tecnología: cuestiones metafísicas. Cappelen Damm
Botnevik, S. (2021). Percepciones de privacidad de los estudiantes en Learning Analytics: un estudio
cuantitativo de estudiantes noruegos. Masteroppgave. Centre for the Science of Learning & Techno-
logy (SLATE) og Institutt for informasjons- og medievitenskap, Universitetet i Bergen. Dirección
URL: https://hdl.handle.net/11250/2757115
Campbell, J.P., Oblinger, D.G. (2007). Análisis académico. Publicaciones EDUCAUSE. Dirección URL:
https://library.educause.edu/-/media/files/library/2007/10/pub6101-pdf.pdf
Chen, B., Teasley, Dakota del Sur (2022). Análisis de aprendizaje para comprender y apoyar la colabo-
ración. Kapittel 9 (s. 86–95) i Lang mfl. (2022)
Dahl, M. (ed., 2015). Análisis de aprendizaje. Centro para las TIC en la Educación. URL:
https://www.udir.no/globalassets/filer/laeringsanalyse.pdf
La Autoridad Noruega de Protección de Datos (2018): Inteligencia artificial y privacidad. Dirección
URL: https://www.datatilsynet.no/globalassets/global/dokumenter-pdfer-skjema-ol/rettigheter-og-
plikter/rapporter/rapport-om-ki-og-personvern.pdf
La Autoridad Noruega de Protección de Datos (2019). ¿Qué es la privacidad? Dirección URL:
https://www.datatilsynet.no/rettigheter-og-plikter/hva-er-personvern/
La Autoridad Noruega de Protección de Datos (2021). Sobre la Ley de Datos Personales con regu-
lación y cuándo se aplica. Dirección URL: https://www.datatilsynet.no/regelverk-og-verktoy/lover-
og-regler/om-personopplysningsloven-og-nar-den-gjelder/
La Autoridad Noruega de Protección de Datos (2022). AVT. Informe final del proyecto sandbox con
KS, SLATE en la UiB y la Agencia de Educación del municipio de Oslo. Dirección URL: https://www.data-
tilsynet.no/regelverk-og-verktoy/sandkasse-for-kunstig-intelligens/ferdige-prosjekter-og-rappor-
ter/avt---sluttrapport/
Diku (2020). Informe estatal de educación superior 2020. Serie de Informes Diku 03/2020. URL:
https://diku.no/rapporter/diku-rapportserie-03-2020-tilstandsrapport-for-hoeyere-utdanning-2020
Drachsler, H., Greller, W. (2016). Privacidad y análisis: es un tema DELICADO. Una lista de verifi-
cación para análisis de aprendizaje confiables. I Gašević, D., Lynch, G. (2016). Actas de la sexta
conferencia internacional sobre análisis y conocimiento del aprendizaje, s. 89-98. Dirección URL:
https://dl.acm.org/doi/abs/10.1145/2883851.2883893
Egeberg, G., Hultin, H., Berge, O. (2016). Monitor Escuela 2016. El estado digital de la escuela. Centro
para las TIC en la Educación. Dirección URL: https://www.udir.no/globalassets/filer/tall-og-forsk-
ning/rapporter/2016/monitor_2016_bm_-_2._utgave.pdf
Egelandsdal, K., Smith, M., Hansen, C.J.S., Ness, I.J., Wasson, B. (2019). Adaptiv læring i matematikk.
Empirisk rapport om Multi Smart Øving i grunnskolen. Informe de investigación SLATE 2019-4. Centro
para la Ciencia del Aprendizaje y la Tecnología (SLATE). Dirección URL: https://bora.uib.no/bora-
xmlui/bitstream/handle/1956/21354/ALMAT_Egelandsdal%20et%20al_2019.pdf?sequence=1&isAl-
lowed=y
El Grupo de Expertos sobre el Papel del Docente (2016). Sobre el papel del profesor. Una base de
conocimientos. Fagbokforlaget
Enciclopedia de Multimedia (2016). Oppslag: «Realidad Aumentada». Enciclopedia de Multimedia.
Salmer. Dirección URL: https://link.springer.com/referenceworkentry/10.1007/0-387-30038-4_10
Esayas, S.Y. (2015). El papel de la anonimización y la seudonimización en virtud de las normas de
privacidad de datos de la UE: más allá del enfoque de «todo o nada». European Journal of Law and
Technology, 6:2, s. 1-23. Dirección URL: https://papers.ssrn.com/sol3/pa-
pers.cfm?abstract_id=2746831
Comisión Europea (2019). Pautas éticas para una IA confiable. Dirección General de Redes de
Comunicaciones, Contenido y Tecnología. Dirección URL: https://data.eu-
ropa.eu/doi/10.2759/177365
Ferguson, R. (2019). Desafíos éticos para el análisis del aprendizaje. Journal of Learning Analytics,
6:3, s. 25–30. URL: https://learning-analytics.info/index.php/JLA/article/view/6587/7310
Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T.,
Vuorikari, R. (2016). Evidencia de investigación sobre el uso de la analítica del aprendizaje: Implicacio-
nes para la política educativa. Informe sobre la ciencia para la política del Centro Común de Investi-
gación, 28294 euros. Dirección URL: https://dx.doi.org/10.2791/955210
Fjørtoft, S.O., Thun, S., Buvik, M.P. (2019). Monitor 2019. Un mapeo descriptivo del estado digital en
escuelas y jardines de infancia noruegos. SINTEF. Dirección URL: https://www.udir.no/conten-
tassets/92b2822fa64e4759b4372d67bcc8bc61/monitor-2019-sluttrapport_sintef.pdf
Comité de Padres de Educación Primaria y Secundaria (2022). Aportes de FUG al grupo de ex-
pertos para análisis de aprendizaje digital. Dirección URL: https://files.nettsteder.regje-
ringen.no/wpuploads01/sites/496/2022/03/Innspill-fra-FUG-til-ekspertgruppen-for-digital-laerings-
analyse.pdf
Giannakos, M.N. (bajo utgivelse). Estudios experimentales en tecnología de aprendizaje e in-
teracción niño-computadora. SpringerBriefs en Comunicaciones Educativas y Tecnología
Gilje, Ø. (2021a). Inteligencia artificial y analítica de aprendizaje para el aprendizaje y la
evaluación. Utdanningsnytt.no. Dirección URL: https://www.utdanningsnytt.no/bedre-skole-fagar-
tikkel-kunstig-intelligens/kunstig-intelligens-og-laeringsanalyse-for-laering-og-vurdering/308614
Gilje, Ø. (2021b). En nuevos caminos: ayudas didácticas y herramientas digitales desde la promo-
ción del conocimiento hasta la renovación de asignaturas. Norsk pedagogisk tidsskrift, pp. 227–241.
Dirección URL: https://www.idunn.no/doi/10.18261/issn.1504-2987-2021-02-10
Gilje, Ø., Bjerke, Å., Thuen, F. (2020). Buenos ejemplos de práctica. Enseñanza individual en el aula.
Universidad de Oslo. Dirección URL: https://www.uv.uio.no/forskning/satsinger/fiks/kunnskaps-
base/digitalisering-i-skolen/gepp-rapport--undervisning-i-en-til-en-klasseromme/gepp-rap-
port_15.05.20_fiks.pdf
Gilje, Ø., Ingulfsen, L., Dolonen, J.A., Furberg, A., Rasmussen, I., Kluge, A., Knain, E., Mørch, A., Naal-
sund, M., Skarpaa, K.G. (2016). Con ARK&APP. Uso de materiales y recursos de aprendizaje para el ap-
rendizaje a través de métodos de trabajo. Universidad de Oslo. Dirección URL:
https://www.uv.uio.no/iped/forskning/prosjekter/ark-app/arkapp_syntese_endelig_til_trykk.pdf
Goodwin, M. (2020). AI: El mito de las máquinas. Editorial Humanista
Greeno, J.G. (2006). Aprendizaje en actividad. Kapittel 6 (s. 79–96) i Sawyer, R.K. (red.). The Cam-
bridge Handbook of the Learning Sciences. Cambridge University Press
Gudmundsdottir, G.B., Hatlevik, O.E. (2018). Competencia digital profesional de los docentes re-
cién titulados: implicaciones para la formación del profesorado. European Journal of Teacher Educa-
tion, 41:2, s. 214–231. Dirección URL: https://doi.org/10.1080/02619768.2017.1416085
Håkansson, J., Sundberg, D. (2012). Excelente enseñanza. Factores de éxito en la iluminación sueca e
internacional. Naturaleza y Cultura
Harper, B., Milman, N.B. (2016). Tecnología uno a uno en aulas K-12: una revisión de la literatura
desde 2004 hasta 2014. Journal of Research on Technology in Education, 48:2, s. 129–142. Dirección
URL: https://doi.org/10.1080/15391523.2016.1146564
ICO (2012). Anonimización: Gestión del riesgo de protección de datos – Código de buenas prácticas. Oficina
del Comisionado de Información, Reino Unido. Dirección URL: https://ico.org.uk/media/1061/anony-
misation-code.pdf
Instefjord, E.J., Munthe, E. (2017). Educar a profesores digitalmente competentes: un estudio sobre
la integración de la competencia digital profesional en la formación del profesorado. Enseñanza y
formación del profesorado, 67, s. 37–45. Dirección URL: https://doi.org/10.1016/j.tate.2017.05.016
Instefjord, E.J., Munthe, E. (2016). Preparación de los docentes en formación para integrar la
tecnología: un análisis del énfasis en la competencia digital en los planes de estudio de formación
docente. European Journal of Teacher Education, 39:1, s. 77-93. Dirección URL: https://www.tand-
fonline.com/doi/abs/10.1080/02619768.2015.1100602
Jivet, I. (2021). The Dashboard that Loved Me: Designing adaptive learning analytics for self-regulated
learning. Ph.D.-avhandling. Open University, Nederland. Dirección URL: https://rese-
arch.ou.nl/en/publications/the-dashboard-that-loved-me-designing-adaptive-learning-analytics
Jivet, I., Scheffel, M., Specht, M., Drachsler, H. (2018). Licencia para evaluar: Preparación de paneles
de análisis de aprendizaje para la práctica educativa. I Actas de la 8ª conferencia internacional sobre
análisis del aprendizaje y conocimiento, s. 31-40. Asociación de Maquinaria Informática. Dirección
URL: https://scholar.google.com/scho-
lar_url?url=https://dl.acm.org/doi/pdf/10.1145/3170358.3170421&hl=no&sa=T&oi=ucasa&ct=ufr&e
i=sPVmYpL9HI2ymgHg1rfQDQ&scisig=AAGBfm0TfK3_4nmz7cSp16uXoeAY0BZuew
Kaurel, J. (2018). Intervención temprana en la política educativa: motivos, objetivos y contradicciones.
Memorándum temático 2/2018 de la Asociación Noruega de Educación. URL: https://www.utdan-
ningsforbundet.no/var-politikk/publikasjoner/2018/tidlig-innsats-i-utdanningspolitikken--motiver-
mal-og-motsetninger/
Kay, D., Harmelen, M. (2015). Datos de actividad: beneficios del diluvio de datos: una introducción al
potencial de los datos de actividad y cómo pueden contribuir a los objetivos de su institución. Jisc. Di-
rección URL: https://www.jisc.ac.uk/guides/activity-data-delivering-benefits-from-the-data-deluge
Kelentric, M., Helland. K, Aarstorp, A.-T. (2017). Marco para la competencia digital profesional del pro-
fesor. Centro para las TIC en la Educación. Dirección URL: https://www.udir.no/pfdk
Khalil, M., Belokrys, G. (2020). OXALIC: Una herramienta de análisis de aprendizaje avanzado de
Open edX. I Proceedings of Learning With MOOCS 2020: «The 4th Industrial Revolution: Challenges
and Opportunities», s 185–190. Dirección URL: https://www.academia.edu/44198277/OX-
ALIC_an_Open_edX_Advanced_Learning_Analytics_Tool
Kirschner, P., Surma, T. (2020). Pedagogía basada en la evidencia. Impacto, 14. septiembre. Di-
rección URL: https://my.chartered.college/impact_article/evidence-informed-pedagogy/
Klerkx, J., Verbert, K., Duval, E. (2017). Paneles de Learning Analytics. Kapittel 12 (s. 143–150) i Lang
mfl. (2017). URL: https://www.solaresearch.org/wp-content/uploads/2017/05/chapter12.pdf
Kluge, A (2021). Aprendizaje con tecnología digital. Teorías y desarrollos. Cappelen Damm
Ministerio de Gobierno Local y Modernización (2019). Un sector público digital: Estrategia de digitali-
zación para el sector público 2019-2025. Dirección URL: https://www.regjeringen.no/no/dokumen-
ter/en-digital-offentlig-sektor/id2653874/
Ministerio de Gobierno Local y Modernización (2020). Estrategia nacional de inteligencia artificial.
URL: https://www.regjeringen.no/no/dokumenter/nasjonal-strategi-for-kunstig-intelli-
gens/id2685594/
Ministerio de Gobierno Local y Modernización (2021). Notificar. St. 22 (2020–2021) – Los datos
como recurso – Economía e innovación basadas en datos. Dirección URL: https://www.regje-
ringen.no/no/dokumenter/meld.-st.-22-20202021/id2841118/
Korseberg, L., Svartefoss, S.M., Bergene, A.C., Hovdhaugen, E. (2022). Uso pedagógico de las tecno-
logías digitales en la educación superior. Informe NIFU 2022:1. URL: https://nifu.brage.unit.no/nifu-
xmlui/bitstream/handle/11250/2838067/NIFUrapport2022-1.pdf?sequence=1&isAllowed=y
Kuner, C., Bygrave, L., Docksey, C., Drechsler, L. (2020). El Reglamento General de Protección de Da-
tos de la UE: Un comentario. Oxford University Press
Ministerio de Educación e Investigación (2001). Informe No. 27 (2000-2001) al Storting: Cumpla con
su deber – Reclame su derecho. Reforma de la calidad de la educación superior. Dirección URL:
https://www.regjeringen.no/no/dokumenter/stmeld-nr-27-2000-2001-/id194247/
Ministerio de Educación e Investigación (2016a). Notificar. St. 9 (2016–2017) – Profesionales para
el futuro – Formación profesional terciaria. Dirección URL: https://www.regjeringen.no/no/dokumen-
ter/meld.-st.-9-20162017/id2522412/
Ministerio de Educación e Investigación (2016b). Notificar. St. 28 (2015-2016) Asignaturas –
Especialización – Comprensión. Una renovación del programa de Promoción del Conocimiento. Di-
rección URL: https://www.regjeringen.no/no/dokumenter/meld.-st.-28-20152016/id2483955/
Ministerio de Educación e Investigación (2017a). Futuro, renovación y digitalización. Estrategia de di-
gitalización para la educación primaria y secundaria y la formación 2017-2021. URL: https://www.re-
gjeringen.no/contentassets/dc02a65c18a7464db394766247e5f5fc/kd_framtid_fornyelse_digitalise-
ring_nett.pdf
Ministerio de Educación e Investigación (2017b). Notificar. St. 16 (2016–2017) – Cultura para la cali-
dad en la educación superior. Dirección URL: https://www.regjeringen.no/no/dokumenter/meld.-st.-
16-20162017/id2536007/
Ministerio de Educación (2017c). Parte general: valores y principios para la educación primaria y
secundaria. Establecido como reglamento por Real Decreto. El currículo para la Promoción del Co-
nocimiento 2020. URL: https://www.udir.no/lk20/overordnet-del/
Ministerio de Educación e Investigación (2019). Notificar. St. 6 (2019–2020) – Tett på – intervención
temprana y comunidades inclusivas en jardines de infancia, escuelas y OFS. Dirección URL:
https://www.regjeringen.no/no/dokumenter/meld.-st.-6-20192020/id2677025/
Ministerio de Educación e Investigación (2020). Plan de acción para la digitalización de la educación
primaria y secundaria (2020-2021). Dirección URL: https://www.regjeringen.no/conten-
tassets/44b8b3234a124bb28f0a5a22e2ac197a/handlingsplan-for-digitalisering-i-grunnoppla-
ringen-2020-2021.pdf
Ministerio de Educación (2021a). Estrategia para la transformación digital en el sector universitario y
universitario 2021-2025. Dirección URL: https://www.regjeringen.no/conten-
tassets/c151afba427f446b8aa44aa1a673e6d6/no/pdfs/kd-strategi-digital-omstilling.pdf
Ministerio de Educación (2021b). Estrategia para el desarrollo de la calidad en las escuelas a la luz de
la renovación de asignaturas. URL: https://www.regjeringen.no/no/dokumenter/strategi-for-kvali-
tetsutvikling-i-skolen-i-lys-av-fagfornyelsen/id2865484/
Ministerio de Educación (2021c). Estrategia para una educación descentralizada y flexible en escuelas
de formación profesional, colegios universitarios y universidades. Dirección URL: https://www.regje-
ringen.no/no/dokumenter/desentralisert-og-fleksibel-utdanning-ved-fagskoler-hoyskoler-og-uni-
versiteter/id2861368/
Lang, C., Siemens, G., Wise, A.F., Gašević, D. (2017). Manual de Learning Analytics – Primera edición.
Solar. Dirección URL: https://www.solaresearch.org/publications/hla-17/
Lang, C., Siemens, G., Wise, A.F., Gašević, D., Merceron, A. (rojo, 2022). Handbook of Learning Analy-
tics – Segunda edición. Solar. Dirección URL: https://www.solaresearch.org/publications/hla-22/
Laurillard, D. (2012). Enseñanza como ciencia del diseño: construcción de patrones pedagógicos para
el aprendizaje y la tecnología. Routledge
Lave, J., Wenger, E. (2011). Aprendizaje situado: participación periférica legítima. Cambridge Univer-
sity Press
Lockyer, L., Heathcote, E., Dawson, S. (2013). Informando la acción pedagógica: Alinear Learning
Analytics con Learning Design. American Behavioral Scientist, 57:10, s. 1439–1459. Dirección URL:
http://www.sfu.ca/~dgasevic/papers/Lockyer_abs2013.pdf
Madsen, S.S., Thorvaldsen, S., Archard, S. (2018). Percepciones de los formadores de docentes
sobre el trabajo con tecnologías digitales. Nordic Journal of Digital Literacy, 13:3, s. 177–196. Di-
rección URL: https://doi.org/10.18261/issn.1891-943x-2018-03-04
Mangaroska, K., Giannakos, M. (2019). Learning Analytics for Learning Design: A Systematic Litera-
ture Review of Analytics-Driven Design to Enhance Learning (Análisis de aprendizaje para el diseño
basado en el aprendizaje: una revisión sistemática de la literatura sobre el diseño basado en
análisis para mejorar el aprendizaje). IEEE Transactions on Learning Technologies, 14:4, s. 516–534.
Dirección URL: https://ntnuopen.ntnu.no/ntnu-xmlui/bits-
tream/handle/11250/2582773/IEEE_TLT.pdf?sequence=1
Mangaroska, K., Vesin, B., Kostakos, V., Brusilovsky, P., Giannakos, M.N. (2021). Arquitectura de
análisis en múltiples sistemas de aprendizaje electrónico para mejorar el diseño de aprendizaje.
IEEE Transactions on Learning Technologies, 14:2, s. 173–188. Dirección URL:
https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/2990200
Misiejuk, K. y Wasson, B. (2017). Informe sobre el estado del terreno sobre Learning Analytics. Informe
SLATE 2017-2. Bergen: Centro para la Ciencia del Aprendizaje y la Tecnología (SLATE). Dirección
URL: https://bora.uib.no/bora-xmlui/handle/1956/17740
Montjoye, Y.-A., Hidalgo, C.A., Verleysen M., Blondel, V.D. (2013). Único en la multitud: los límites
de privacidad de la movilidad humana. Scientific Reports, 3:1, s. 1–5. Dirección URL:
https://www.nature.com/articles/srep01376
Comité MOOC (2013). Tiempo para los MOOCs. Informe provisional de la Comisión MOOC. Dirección
URL: https://www.regjeringen.no/globalassets/upload/kd/vedlegg/uh/styrer_rad_utvalg/moocut-
valget_delrapport_1_13122013.pdf
Consejo del Condado de Møre og Romsdal (2022). Aporte al grupo de expertos para análisis de
aprendizaje digital. Dirección URL: https://files.nettsteder.regjeringen.no/wpuploads01/si-
tes/496/2022/04/more-og-romsdal.pdf
Morlandstø, N.I., Hansen, C.J.S., Wasson, B., Bull, S. (2019). Aktivitetsdata for vurdering og tilpasning.
Sluttrapport. Informe de investigación SLATE 2019-1. Centro para la Ciencia del Aprendizaje y la
Tecnología (SLATE). Dirección URL: https://bora.uib.no/bora-xmlui/handle/1956/20825
NOKUT (2018). Supervisión de la formación profesional técnica basada en la web. Informes de au-
ditoría de NOKUT. Dirección URL: https://www.nokut.no/globalassets/nokut/rapporter/tilsyn-fags-
koletilbud/2017/tilsyn_nettbaserte_tekniske_fagskoleutdanninger_2017.pdf
NOKUT (2022a). Áreas de calidad para los programas de estudio en la educación superior. Dirección
URL: https://nokut-publicweb-staging.quesnay.com/siteassets/akkreditering-hu/kvalitetsomrader-
for-studieprogram-i-hoyere-utdanning_mars-2022.pdf
NOKUT (2022b). Orientación al trabajo de calidad de la escuela vocacional. Dirección URL:
https://www.nokut.no/utdanningskvalitet/tilsyn-med-det-systematiske-kvalitetsarbeidet--hoyere-
yrkesfaglig-utdanning/veiledning-til-fagskolens-kvalitetsarbeid/
Nordahl, T. et al. (2018). Comunidades inclusivas para niños y jóvenes. El grupo de expertos para niños
y jóvenes que necesitan una adaptación especial. Fagbokforlaget
Escuela Vocacional Nordland (2022). Aporte al grupo de expertos para análisis de aprendizaje digi-
tal. https://files.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/03/Informasjon-til-Eks-
pertgruppen-for-digital-laeringsanalyse.pdf
NOU 2000: 14 Libertad con responsabilidad. Sobre educación superior e investigación en Noruega. Di-
rección URL: https://www.regjeringen.no/no/dokumenter/nou-2000-14/id142780/
NOU 2014: 5 MOOCs a Noruega. Nuevos métodos de aprendizaje digital en la educación superior. Di-
rección URL: https://www.regjeringen.no/no/dokumenter/NOU-2014-5/id762916/
NOU 2014: 7 El aprendizaje de los alumnos en la escuela del futuro. Dirección URL: https://www.re-
gjeringen.no/no/dokumenter/NOU-2014-7/id766593/
NOU 2019: 23 Ny opplæringslov. Dirección URL: https://www.regjeringen.no/conten-
tassets/3a08b44df1e347619e32db47d13ac0cd/no/pdfs/nou201920190023000dddpdfs.pdf
NOU 2019: 3 nuevas oportunidades – mejor aprendizaje. Diferencias de género en el rendimiento esco-
lar y la trayectoria educativa. Dirección URL: https://www.regjeringen.no/no/dokumenter/nou-
2019-3/id2627718/
Ministerio de Comercio, Industria y Pesca (2019). Notificar. St. 22 (2018–2019) – Contratación
pública más inteligente: contratación pública eficiente y profesional. Dirección URL: https://www.re-
gjeringen.no/no/dokumenter/meld.-st.-22-20182019/id2641507/
Pargman, T.C., McGrath, C. (2021). Mapeo de la ética de la analítica del aprendizaje en la edu-
cación superior: una revisión sistemática de la literatura de la investigación empírica. Journal of
Learning Analytics, 8:2, s. 105–122. Dirección URL: https://pdfs.semanticscho-
lar.org/5b5b/6847257423a38593ea3a3531e4bcd819bfec.pdf?_ga=2.119911115.271674581.165091
7217-964792831.1650917217
Pedersen, A.Y., Caviglia, F. (2019). La alfabetización de datos como competencia compuesta. I Anti-
pova T., Rocha A. (rojo, 2019). Ciencia digital. Actas de la Conferencia Internacional de 2018 sobre
Ciencia Digital (DSIC'18), Avances en Sistemas Inteligentes y Computación, vol. 850, s. 166-173. Sal-
mer. Dirección URL: https://link.springer.com/chapter/10.1007/978-3-030-02351-5_21
Poquet, O., Joksimovic, S. (2022). Cacofonía de redes en Learning Analytics. Kapittel 4 (s. 38–45) i
Lang mfl. (2022). URL: https://solaresearch.org/wp-content/uploads/hla22/HLA22_Chap-
ter_4_Poquet.pdf
Samuelsen, J., Chen, W., Wasson, B. (2021). Descripciones de contexto enriquecedoras para una
escalabilidad mejorada de LA: un estudio de caso. Research and Practice in Technology Enhanced
Learning, 16:6, s. 1–26. Dirección URL: https://doi.org/10.1186/s41039-021-00150-2
Schartum, D.W. (2020). El GDPR – un libro de texto. Fagbokforlaget
Schmidt, A. (2017). Tecnologías para amplificar la mente. Computadora, 50:10, s. 102–106. Di-
rección URL: https://ieeexplore.ieee.org/document/8057322
Schneider, M., Stern, E. (2010). La perspectiva cognitiva sobre el aprendizaje: diez hallazgos funda-
mentales. Kapittel 3 (s. 69–90) i Dumont, H., Istance, D., Benavides, F. (red.). La naturaleza del ap-
rendizaje. Uso de la investigación para inspirar la práctica. Publicaciones de la OCDE. Dirección URL:
https://www.academia.edu/18503998/The_cognitive_perspective_on_learning_Ten_corners-
tone_findings
Sclater N., Bailey, P. (2015). Código de prácticas para el análisis del aprendizaje: Establecer las
responsabilidades de las instituciones educativas para garantizar que el análisis del aprendizaje se
lleve a cabo de manera responsable, adecuada y efectiva. Jisc. Dirección URL:
https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics
Sclater, N. (2016). Desarrollo de un código de prácticas para el aprendizaje analítico. Journal of
Learning Analytics, 3:1, s. 16–42. Dirección URL: https://learning-analytics.info/index.php/JLA/ar-
ticle/view/4512/5430
Sclater, N. (2017). Análisis de aprendizaje explicado. Routledge
Self, J. (2015). El nacimiento de IJAIED. Revista internacional de inteligencia artificial en la edu-
cación, 26:1, s. 4-12. Dirección URL: https://link.springer.com/content/pdf/10.1007/s40593-015-
0040-5.pdf
Selwyn, N. (2016). ¿La tecnología es buena para la educación? Prensa Polity
Shneiderman, B. (2020). Inteligencia artificial centrada en el ser humano: confiable, segura y confi-
able. International Journal of Human-Computer Interaction, 36:6, s. 495–504. Dirección URL:
https://www.tandfonline.com/doi/epub/10.1080/10447318.2020.1741118?needAccess=true
Siemens, G. (2013). Learning Analytics: El surgimiento de una disciplina. American Behavioral Scien-
tist, 57:10, s. 1380–1400
Plazo (2022). Aporte al grupo de expertos para análisis de aprendizaje digital. URL: https://fi-
les.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/04/sikt.pdf
Asociación de Líderes Escolares (2022). Aporte al grupo de expertos para análisis de aprendizaje
digital. Dirección URL: https://files.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/04/sko-
lelederforbundet.pdf
Slade, S., Prinsloo, P. (2013). Learning Analytics: Ethical Issues and Dilemmas. American Behavioral
Scientist, 57:10, s. 1509–1528
SLATE (sin fecha). Datos de actividad de evaluación y adaptación 2 (AVT2). Dirección URL:
https://slate.uib.no/projects/aktivitetsdata-for-vurdering-og-tilpasning-2
SoLAR (2022). ¿Qué es Learning Analytics? Dirección URL: https://www.solarese-
arch.org/about/what-is-learning-analytics/
Statped (2022). Aporte al grupo de expertos para análisis de aprendizaje digital. Dirección URL:
https://files.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/04/Innspill-om-laeringsana-
lyse.pdf
Tienda norske leksikon (2020). Entrada "ética". Tienda norske leksikon. Dirección URL:
https://snl.no/etikk
Tienda norske leksikon (2021). Búsqueda de "tecnología". Tienda norske leksikon. Dirección URL:
https://snl.no/teknologi
Throndsen, I., Carlsten, T.C., Björnsson, J.K. (2019). TALIS 2018. Primeros hallazgos principales de la
escuela secundaria inferior. Departamento de Formación Docente e Investigación Escolar, Univer-
sidad de Oslo / NIFU. Dirección URL: https://nifu.brage.unit.no/nifu-xmlui/handle/11250/2601320
Unidad (2019). Aportes a la Comisión de Derecho de Universidades y Colegios Universitarios. URL:
https://www.unit.no/sites/default/files/media/filer/2019/11/Sak%2053%20-%20Ved-
legg%2053A%20-%20Unit-Innspill-om-digitalisering.pdf
Universidad de Oslo (2021). ¿Qué sabemos sobre la digitalización en las escuelas y hacia dónde
vamos? URL: https://www.uv.uio.no/om/aktuelt/aktuelle-saker/fakultet/2021/digitalisering-i-sko-
len.html
Universidad de Oslo (2022). Aporte al grupo de expertos para análisis de aprendizaje digital. Di-
rección URL: https://files.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/03/Innspill-fra-
UiO.pdf
Dirección Noruega de Educación y Formación (2019). Pensamiento algorítmico. Dirección URL:
https://www.udir.no/kvalitet-og-kompetanse/profesjonsfaglig-digital-kompetanse/algoritmisk-
tenkning/
Dirección de Educación (2022). Formación personalizada. Dirección URL: https://www.udir.no/la-
ring-og-trivsel/tilpasset-opplaring/
Unión de la Educación (2022). Aporte al grupo de expertos para análisis de aprendizaje digital. Di-
rección URL: https://files.nettsteder.regjeringen.no/wpuploads01/sites/496/2022/04/Laeringsana-
lyse-innspill-Utdanningsforbundet.pdf
UU Inspección (2017). Mapeo de recursos digitales de aprendizaje y plataformas de aprendizaje
en el sector educativo. Dirección URL: https://www.uutilsynet.no/andre-rapportar/kartlegging-av-
digital-laeremidler-og-laeringsplattformer-i-utdanningssektoren/943
Consejo del Condado de Vestfold y Telemark (2022). Aporte al grupo de expertos para análisis de
aprendizaje digital. Dirección URL: https://files.nettsteder.regjeringen.no/wpuploads01/si-
tes/496/2022/04/vestfold-og-telemark.pdf
Wasson, B., Kirschner, P.A. (2020). Learning Design: European Approaches (Diseño del aprendizaje:
enfoques europeos). TechTrends, 64, s. 815–827. Dirección URL: https://link.springer.com/con-
tent/pdf/10.1007/s11528-020-00498-0.pdf
Wasson, B., Morlandstø, N.I. & Hansen, C.J.S. (2019). Sammendrag av SLATE Report 2019-1, levert til
KS juni 2019. Centro para la Ciencia del Aprendizaje y la Tecnología (SLATE). Dirección URL:
https://bora.uib.no/bora-xmlui/bitstream/handle/1956/20189/AVT%20sammendrag.pdf?se-
quence=5&isAllowed=y
Weitzenboeck, E.M., Lison, P., Cyndecka, M., Langford, M. (2022). El RGPD y los datos no estruc-
turados: ¿es posible la anonimización? Ley Internacional de Privacidad de Datos. Dirección URL:
https://doi.org/10.1093/idpl/ipac008
Ørnes, H., Oboza, A., Refsnes, S., Landøy, A. (2021). Estado digital 2021. Apoyar el trabajo de los
entornos sobre digitalización y calidad de la educación en universidades y colegios universitarios. Di-
rección de Educación Superior y Competencia de Noruega: Informe n.º 06/2021. URL:
https://diku.no/content/download/4708/file/Digital_tilstand_2021.pdf