Learning Analytics Dashboards

 
Relatório de síntese
Informar a conceção da formação por meio dos painéis de dados de analítica de aprendizagem

Relatório original elaborado por:

Kai Brobeil

Kai Brobeil

Founder of Adornis
1. Contexto operacional

 

Em 2020, foi solicitado pelo gabinete do diretor da formação, um relatório que apresentasse recomendações de alto nível sobre a consolidação do sistema de analítica de aprendizagem do Centro à luz da transformação digital global do Centro.  O relatório propôs duas grandes visões e cinco desafios, incluindo um roteiro de curto, médio e longo prazo para dotar o gabinete do diretor da formação de ferramentas para analisar e interpretar sistematicamente os dados de aprendizagem. Os autores, Drachsler e Kalz, usaram o modelo de sofisticação da analítica de aprendizagem para avaliar o estado atual da analítica de aprendizagem no Centro e avaliaram-no como estando situado entre a etapa 2 e a etapa 3.

 

O objetivo do relatório é apresentar um roteiro para alcançar a etapa 3 do modelo de sofisticação da analítica de aprendizagem. Com base no relatório de 2020 da Drachsler e da Kalz, o estado atual da analítica de aprendizagem do CIF-OIT é analisado em termos da conceção do painel de dados e da sua aplicação nos processos organizacionais.

 

LA Sophistication model

 

Consulte o relatório anterior para conhecer as ações recomendadas.
 

O roteiro, as etapas técnicas e organizacionais recomendadas neste relatório pretendem ser o ponto de partida para um processo de melhoria duradouro que envolve a reinvenção contínua da analítica de aprendizagem no Centro, a melhoria contínua para atingir, e ultrapassar, a etapa 3, com o objetivo de ser pioneiro na transformação digital enquanto organização de formação.

2. Principais conclusões do relatório de 2020

 

O Centro está situado entre a etapa 2 e a etapa 3 do modelo de sofisticação da analítica de aprendizagem

 

  • São oferecidos diversos painéis de dados a diferentes partes interessadas na organização; no entanto, há pouco enfoque nos dados de aprendizagem reais.
  • Atualmente, os painéis de dados servem sobretudo para identificar os indicadores-chave de desempenho (ICD) existentes com base em dados financeiros e estatísticas de alcance.
  • A mudança para a etapa 3 abrange a disponibilização a todas as partes interessadas de um painel de dados que forneça uma visão de um conjunto de dados totalmente conectado nos níveis micro, médio e macro

 

Os painéis de dados de analítica de aprendizagem devem:

  • basear-se num conceito educativo claro, em vez de mostrar todos os dados disponíveis;
  • utilizar quadros de referência bem definidos (social, de realização e/ou de progresso);
  • centrar-se na aprendizagem construtivista.

 

As fontes dos dados devem não só incluir os dados da atividade, mas também ter em conta o conteúdo dos trabalhos concluídos

Vários grupos de indicadores relativos a aprendentes, ações, conteúdos, resultados, contexto e fatores sociais exigem diferentes tipos de fontes dos dados.

 

Objetivos

  • Os painéis de dados micro podem incluir o progresso metacognitivo, cognitivo, comportamental e emocional do/a aprendente.
  • Os painéis de dados médios centram-se em cursos e estudantes com alto nível de risco e permitem uma análise em pormenor para descobrir o motivo e tomar as medidas apropriadas.

  • O CIF-OIT opera em quatro domínios: estratégia, desenvolvimento empresarial, clientes pontuais e clientes habituais. Os dados de aprendizagem não são um deles.

  • Os sistemas não suportam a autenticação única (SSO) o que aumenta a dificuldade da recolha de dados relacionados com o utilizador em ferramentas de terceiros.

Mudar o paradigma do Centro para uma plataforma de prestação de cursos baseada em dados, centrando-se mais na aprendizagem ao longo da vida e no desenvolvimento profissional contínuo

  • Os/as participantes que repetem a sua participação devem ser tidos em consideração
  • Devem ser utilizados como ICD indicadores mais complexos baseados nos dados de aprendizagem
  • Os donos do produto devem estar habilitados a iterar sobre os painéis de dados existentes e modificá-los ao longo do tempo.

 

Infraestruturas

  • Foi recomendada uma nova tecnologia para um controlo mais granular da atividade do utilizador
  • A recolha de dados deve ser aplicada a todos os serviços ao cliente, incluindo as atividades de aprendizagem realizadas com recurso a software de terceiros
  • Pode ser considerada uma solução de lago de dados como uma forma de melhorar a infraestrutura.

 

Dados e indicadores

  • Aumentar o enfoque na recolha de dados de aquisição de conhecimento
  • Os indicadores existentes que mapeiam os dados recolhidos devem ser reformulados e reunidos em indicadores compostos mais significativos e aplicáveis.
  • No nível médio, a recolha de dados de satisfação e envolvimento ainda não foi disponibilizada aos utilizadores do painel de dados.

 

O ciclo PDCA

Este ciclo deve ser usado para apoiar a futura conceção de aprendizagem centrada em dados concretos, usando os dados e o conhecimento reunidos como parte integrante da conceção de aprendizagem para novos cursos ou a revisão dos existentes.

 

Enfoque no utilizador

  • Os painéis de dados futuros devem enfatizar a priorização e evitar complicações excessivas
  • Considerar a experiência de utilizador criando painéis simples que beneficiem da comunicação clara e da redução de mensagens visuais
  • Proporcionar oportunidades de formação para alcançar uma maior literacia em dados; deve ser fornecido aos utilizadores do painel de dados um Código de Prática para aumentar a sensibilização sobre a aplicação proveitosa dos painéis de dados ao trabalho quotidiano.
 

Um painel de dados de analítica de aprendizagem simples deve considerar a experiência de utilizador, que beneficia de uma comunicação clara e da redução das mensagens visuais ao mínimo necessário para passar a mensagem desejada.

3. Concetualização

 

O diagrama a seguir ilustra a infraestrutura técnica para tratar os dados da analítica de aprendizagem. Não se trata apenas do estado atual, mas inclui também modificações e medidas de organização previstas para um futuro próximo.

 

ITCILO LA infrastructure

 

 

Infraestrutura atual do CIF-OIT

 

Embora o seu enfoque não seja exclusivamente na aprendizagem, o IBI concentra-se na perspetiva macro. No eCampus, há um painel de dados do/a gestor/a de atividades de nível micro, que dá acesso ao estado de conclusão e à classificação do curso e das atividades, por utilizador/a.

  • The micro-dashboard has been built to track course completion rates. It gives the activity manager the ability to drill down into the performance of every participant and see which activities have been completed and with which grade (if applicable). This data is also made available to the participants by means of a progress bar on their dashboard and on the course landing page.
  • Several activity types were added or used more often in 2021 to accommodate the increase in distance-learning. These include webinars (via Zoom and Webex), increased use and evaluation of KATs, and other TinCan-compatible tools like Padlet and Articulate. With the exception of the KATs, user interaction during use of these tools cannot be measured at present.
  • It collects data from the MAP and eCampus systems, maps and pushes it to the IBI, where it can be displayed.
  • Kettle snapshots the data once every 24 hours (at night) and processes it into its own structured SQL database. 
  • The time dimension of the data is not taken into consideration
  • It provides a macro overview of the Centre’s activities, historically focused on financial and governance data and KPIs, including their achievement rates. 
  • The user can drill down to the precise participant or activity that generated the data and find out exactly how the aggregated data is constructed.
  • There are several additional dashboards that show only high-level KPIs, in accordance with the biennial planning cycle.

It will soon be integrated into the eCampus as a Moodle module. In this way, data will no longer need manual extraction via Excel sheets, but can be collected by Kettle, like all other quiz results.

The system allows insights into many aspects such as sharing credentials on social media, automating credential creation and linking to the correct person.

  • It holds all relevant metadata about Centre activities and participants. It is one of the two primary sources of data alongside the eCampus but is not visible to end users. 
  • MAP data hides behind the data warehousing software, is collected automatically, and can be made available on existing and future dashboards.
 

Esta proposta de um plano para criar futuros painéis de dados de analítica de aprendizagem tenta integrar as soluções existentes da melhor maneira possível para evitar duplicação e esforço desnecessário. Globalmente, a configuração atual é capaz de alcançar a etapa 3 do modelo de sofisticação da analítica de aprendizagem.

4. Modelagem

 

Este processo será baseado nas dimensões da analítica de aprendizagem propostas por Drachsler e Kalz no relatório anterior.

 

Dimensions of learning analytics

 

I. Análise das partes interessadas

 

Precisam de ser criados diferentes painéis de dados em função das diferentes necessidades. Uma solução única violaria não só vários objetivos, como também seria contrária aos princípios da conceção que considera a experiência de utilizador.

Ao considerar diferentes grupos de partes interessadas, é importante notar que alguns estão interessados num espaço de informação bem definido, enquanto outros desempenham um papel transversal.

 

 

  • Participantes
  • Treinadores/tutores/gestores de atividades e respetivas equipas (perspetiva micro)
  • Gestores de grupos/gestores de programas (perspetiva média)
  • O Programa Inovação na Aprendizagem (abordagem transversal)
  • O diretor de formação e a gestão de topo (perspetiva macro, orientada para ICD)
  • Garantia da qualidade (abordagem transversal)
  • TIC

 

As atividades mais comuns incluem a participação na formação, a própria formação, a avaliação das atividades de formação atuais ou passadas, a elaboração de relatórios sobre atividades passadas e a inovação do próprio processo de formação. Esta matriz é essencial para entender que indicadores são úteis, para que funções na organização.

 

Actions

 

São necessários vários painéis de dados. À primeira vista, uma opção óbvia seria haver quatro painéis, para os níveis micro, médio e macro, com o nível micro separado em micro interno para gestor de atividades e micro externo para os/as utilizadores finais.

No CIF-OIT, há várias pessoas que trabalham na melhoria da qualidade da formação, por isso vale a pena projetar os painéis de dados com esta situação em mente.

 

 

Ao comunicar os números do relatório bienal, as questões colocadas e os dados apresentados devem ser diferentes dos dados utilizados na análise da situação para o ganho a longo prazo do processo educativo. Os painéis de dados, especialmente a nível macro, devem permitir uma diferenciação entre a comunicação bienal de ICD e uma análise aprofundada fundamental dos processos educativos que não é adequada para a comunicação regular, mas que é desesperadamente necessária para a inovação na aprendizagem.

II. Análise dos objetivos

 

Há quatro objetivos principais para preencher o delta entre o status quo e o que pode ser considerado como estando na etapa 3 do modelo de sofisticação da analítica de aprendizagem.

 

  • The current effort made to collect data is in support of existing KPIs, mostly outside of the learning process.
  • Via the dashboard indicators, we suggest a first set of parameters that need to be adjusted in an ongoing process. 
  • By proactively defining learning KPIs in addition to existing knowledge-acquisition and application KPIs, the Centre puts itself in the driver’s seat and in a position to actively intervene in educational processes.

 

Currently, data is only collected before and after the complete journey. This is largely due to the shift from comparatively short face-to-face courses to distance learning on a very large scale. Given the intended further expansion of distance learning, collecting relevant data early and often needs to be a major focus. Ideally, there should be several arrows in each row for collecting real-time learning data. 

 

Current data-collection points

ITCILO's current data-collection points  

 

 

  • New indicators need to be crafted to best represent the Centre’s plethora of different didactic modes in an abstract summary on the meso or macro layer. 
  • The different objectives of different stakeholders need to be taken into account when considering which data to show on the respective dashboards.
  •  A requirement to keep in mind is the transversal view necessary to accommodate the everyday work of the Quality Assurance and Learning Innovation teams. 

 

 

  • Currently, the progress of a participant in a course is tracked exclusively through completion and the grade assigned for a completed activity.This does not necessarily allow for sensible conclusions to be drawn about the participant’s engagement or fundamental understanding of the topic at hand. 
  • There needs to be a way of measuring participant’s involvement that does not rely purely on exposure rates, but takes into consideration whether or not the participant can be considered to have understood whatever learning outcome the lesson was to convey. Ex. Analyzing forum posts contents.

 

 

  • The design of the dashboard-user experience can help to ensure that the data is used in an effective way. 
  • When designing dashboards, it is essential to ask the right questions.
  • Objective analysis should be repeated regularly in the ongoing effort to improve learning design. 
  • When such awareness is created it is useful to think what story the dashboard needs to tell in order to answer these questions.
  • A dashboard should not include any information that has not been asked for in the form of a question that reflects a stakeholder’s everyday concerns. Rather, it should focus on the user journey that best fits the requirements defined in the “Plan” stage of the PDCA cycle, and should offer that information directly without the need of interpretation. 
  • Using graphic representations rather than text output further increases usability.
  • Warn the user when the data displayed on a dashboard could wrongly be thought to answer a particular question, when in fact it answers a different question.
 

Um bom painel de dados não é um relatório Excel, mas sim as informações condensadas que alguém já tratou, o que lhe permite tirar conclusões sobre como agir em função desses dados.

III. Análise de dados

 

  • As diferenças na conceção dos cursos devem ser respeitadas e salientadas em todos os casos. As atividades do Centro são diversas e exigem diferentes indicadores para melhor captar os dados.
  • Os diferentes modos de formação do Centro incluem a aprendizagem presencial, em linha apoiada por tutor/a, auto-orientada em linha e mista.
  • Os tipos de atividade utilizados são diversos e incluem atividades para descarregar e não rastreáveis, interativas e não rastreáveis, vídeos, fóruns, questionários, webinars, trabalhos escritos e atividades de conclusão de perfil do Moodle.
  • Há três tipos de certificação no CIF-OIT: certificados de participação, certificados de aproveitamento e diplomas.
  • Ao analisar direta ou indiretamente o desempenho dos/as participantes, podem e devem ser tidas em conta várias dimensões dos/as participantes; a região, participantes que repetem a sua participação, participantes que pagam a sua formação e o contexto profissional.
 

Desbravar o caminho com um projeto é significativamente mais fácil se houver uma narrativa atraente que o acompanhe

-Tesla

IV. Análise do instrumento

 

Os indicadores e a estrutura do painel de dados foram definidos a partir dos primeiros princípios; em seguida, foi determinada a origem dos dados que precisam de ser mostrados e, finalmente, foram aplicados os princípios de conceção UX para torná-los tão fáceis de entender quanto possível.

 

Visualization of data and what is really measured

  • A categoria de dados selecionada é classificada em termos de profundidade de interação.
  • Começando apenas com metadados e níveis de satisfação autorrefletidos, que atualmente são usados como ICD, as métricas são cada vez mais envolvidas.
  • Dependendo da perspetiva do utilizador, podem ser exibidos dados verdes ou roxos.
  • Compor estas métricas é um procedimento delicado, uma vez que é o fator decisivo para fornecer indicações relevantes e precisas. A alternativa exigiria um grau extraordinário de literacia de dados e investimento de tempo por parte de todos os utilizadores do painel de dados.
  • Certos utilizadores do Centro devem ter sempre a possibilidade de analisar mais aprofundadamente os indicadores compostos, a fim de lhes permitir melhorar os indicadores e compreender melhor os dados. Uma visão «avançada» será, portanto, considerada, dando acesso gradual a mais camadas de complexidade.
  • É essencial que o processo de composição automático dê acesso a dados detalhados e aprofundados das próprias fontes dos dados, em vez de apenas dados agregados para a etapa lógica anterior.

 

  • O relato relativo implica um contexto imediato na mente do utilizador, enquanto o relato absoluto amplia o foco. Tal pode ser conseguido mostrando os dados do ano passado ou dados de cursos semelhantes acima de qualquer indicador. Quanto menos um utilizador estiver envolvido com os dados, mais essa abordagem suporta a tomada de decisões na direção desejada.
  • A estruturação deliberada dos painéis de dados através da inclusão ou omissão de dados relacionados com a alteração comportamental desejada, e a exibição de comparações relativas como meio de provocar a ação na mente do utilizador, é uma ferramenta adequada para acelerar a normalização e a formalização de cursos em linha de uma forma informal.
  • Outra dimensão relativa de uso é a comparação de coortes, que pode ser aplicada ao teste A/B de uma nova ferramenta ou abordagem didática.
  • Para determinar a similaridade, as relações correntes devem ser altamente priorizadas. No entanto, há outros atributos a ter em consideração: um curso semelhante pode ser encontrado examinando os metadados e o histórico de aprendizagem dos/as aprendentes participantes.
  • Este indicador tem em conta os metadados do MAP.
  • Fornece uma visão geral dos diferentes atributos das dimensões do/a participante.
  • Estes dados já estão bem estabelecidos e representados no IBI. Podem ser aplicadas abordagens semelhantes neste caso.
  • Desses dados podem extrair-se mensagens simples para ajudar o/a gestor/a de atividades e as suas equipas a obter uma visão global dos respetivos/as aprendentes.
  • É prejudicial mostrar gráficos deste indicador em primeiro lugar. Apenas devem ser mostradas mensagens predefinidas com a respetiva proporção ou métrica.
  • Ao interagir com o indicador, passando por cima com o rato ou clicando, pode, opcionalmente, ser exibido um gráfico útil, para permitir uma análise mais profunda dos dados, sempre que necessário.
  • Proporciona um acesso rápido aos dados recolhidos em inquéritos de satisfação.
  • Pode ser mostrada, e opcionalmente expandida, uma lista dos cinco itens com um maior desvio – em direção positiva ou negativa.
  • Na prossecução do objetivo I (medir cedo e medir frequentemente), seria prudente recolher dados de satisfação rudimentares dos/as participantes à medida que estes progridem ao longo do curso.
  • Se recolhidos, os dados de satisfação contínuos podem ser apresentados como uma distribuição ao longo do tempo. Não devem ser misturados com os resultados do inquérito.

Satisfaction

 

  • É um indicador do estado atual da atividade no curso.
  • O seu principal objetivo é dar uma visão global sobre se os participantes estão devidamente integrados e quantos estão devidamente integrados e começaram a participar ativamente no curso.
  • Tem em conta os dados agregados das camadas do nível de presença, envolvimento e atividade, bem como os metadados recolhidos do MAP.
  • Os/as participantes são separados/as em diferentes estados de inscrição: Registado, Envolvido, Ativo, Bem-sucedido, Com certificação, Desistiu.
  • Grande parte destes dados já é exibida no painel de dados do/a gestor/a de atividades atual no eCampus. Esta exibição pode ser alargada para exibir indicações de estado mais detalhadas para cada participante.
  • É essencial analisar em pormenor e entender o que está exatamente a acontecer ao nível micro e ter a oportunidade de fazer uma análise tangente no nível médio.
  • Quando os níveis de participação são exibidos por tipo de atividade, os problemas podem ser rastreados até aos seus motivos reais.
  • Este indicador apenas considera os utilizadores interativos e exibe dados ao longo do tempo.
  • Este indicador destina-se a gerar uma pontuação e distribuição de participação agregada nos diferentes tipos de atividade.
  • Este indicador agrega dados das camadas de atividade, qualidade dos resultados e eficácia.
  • Mostra as pontuações de testes e as classificações de trabalhos, além de considerar a taxa de conclusão. Como próxima etapa, pode ser incluída a análise das entradas escritas do fórum.
  • As avaliações pré-KAT e pós-KAT, que são obrigatórias para todos os cursos, podem ser usadas como uma medida de sucesso confiável depois do facto ocorrido. A melhoria de pré-KAT para pós-KAT pode ser usada como um teste de adequação para os dados de sucesso recolhidos no curso que está a ser ministrado.

Learning Effectiveness

 

  • Especialmente a nível macro, é necessária uma visão global de todos os/as participantes.
  • Um gráfico de barras empilhadas é adequado para exibir o número total de participantes ativos/as ao longo do tempo no curso médio e a respetiva profundidade de envolvimento. Uma dada barra representa a enésima semana de um curso. Perto do final do curso, deve ver-se a parte de participação bem-sucedida aumentar, enquanto a parte de participantes que são apenas ativos diminui.
  • Os/as utilizadores/as devem ser autorizados a fazer distinções por modo de formação.
  • Dependendo do objetivo, também deve ser possível usar números agregados de participantes em vez de medições semanais, ou adicionar a dimensão de certificação como uma quarta cor, ao mesmo tempo, estendendo o cronograma para após o final oficial do curso.

Activity, participation and success

 

  • Este meta-indicador é uma etapa importante para alcançar uma melhor qualidade dos dados e fornece uma avaliação externa de como um curso pode ser medido em termos dos indicadores utilizados.
  • O conhecimento adquirido com este indicador pode também ser utilizado no painel de dados para mostrar o nível de confiança noutros indicadores.

Availability of data

  • O ICD de disponibilidade de dados pode ser o rácio entre as atividades num curso que fornecem dados e as que não fornecem. Todas as atividades podem ser extraídas através da API Moodle, que também indica o tipo da atividade.

Availability of data - detailed

 

 

A forma como as conclusões são tiradas deve ser continuamente monitorizada e melhorada. Os painéis de dados devem ser continuamente adaptados às questões em evolução colocadas pelos utilizadores e considerar novas questões que sejam relevantes para os desafios atuais enfrentados pelas diferentes partes interessadas.

5. Criar um protótipo

 

Esta ligação mostra várias ideias para indicadores que podem ser exibidos nos painéis existentes.

  • Para alcançar um alto nível de adoção e participação no desenvolvimento contínuo das ferramentas recém-introduzidas, é importante usar métodos de conceção de última geração «Efeito de Usabilidade Estética».
  • Os indicadores nos painéis de dados da analítica de aprendizagem são concebidos para orientar a atenção do utilizador para uma ação específica que a gestão considera desejável. No entanto, para evitar o efeito da habituação, os painéis de dados só devem mostrar o que é pertinente e os indicadores que transmitem pouca informação devem ser ocultados.
 

Dar  espaço  às  informações  para  respirar  resulta  numa  melhor  adesão  dos utilizadores

6. O caminho a seguir
  • It is essential to establish an officially endorsed process or “ritual” that encourages joint discussion of the topic across the different programmes. The PDCA cycle is well suited to providing a structure for these innovation meetings.
  • The PDCA cycle is well suited to accommodate all kinds of stakeholders in learning analytics: experts, users on various levels, outside observers and uninvolved staff. 

 

PDCA cycle

 

  • When leading the meetings, it should not be a priority for the Office of the Director of Training to home in on governance KPIs, but rather to detach itself from existing KPI structures so that new and improved metrics can be found. 
  • To truly report on quality of learning, it is important to attempt to cover the innumerable subtle differences in learning design necessary to accommodate the various topics represented at the ITCILO. These nuances can only be discovered and reported on by the activity managers, tutors and coaches working directly with

    participants. 

 

Innovative meetings for LAD development along the PDCA cycle

 

  • Establishing an overarching data-lake system to be integrated with the existing data warehouse to speeds up many everyday processes.
  • MOOCs should be integrated into the current data flow (listed in MAP) and regarded as “first-class citizens” due to their increasing importance.
  • Establish a way of measuring similar courses.
  • Proposed roadmap (implementation through an agile process/PDCA cycle): 1) collecting missing data, 2) extraction via Kettle, 3) processing and possibly taking the time dimension into consideration, 4) tracking the success of new indicators, 5) creating new stakeholder interfaces, and 6) integrating new interfaces into existing systems and workflows.
  • To ensure high quality across all offers, and especially to allow for the tracking and analyzing of learner performance, some aspects should be standardized. This should be the ongoing result of the continuous PDCA process, which sets and refines minimum quality benchmarks for all courses.
  • Standardization should always follow first principles and merely provides a necessary shared skeleton for each course.
  • the KPI reporting structure should also respect the innumerable subtleties in learning design and allow for free-flowing innovation to occur, without adding rigid constraints to the process.
  • Tools should be recommended based on the desired outcome. Details of these tools could be published in an internal knowledge base to save all activity managers time during course design and to enforce the minimum quality criteria set for tools used in ITCILO courses.
  • Establish a Standard Operating Procedure for Course Activities. This collection of documents could serve as a common basis for all activities within the organization. A standardization metric  could be devised to determine what percentage of courses follow the procedure.
  • The knowledge base should also convey examples of good practice, not only for a complete course set-up in different scenarios but also for specific niche edge cases. 
  • Due to the ever-increasing demand for a high degree of data literacy and good digital skills on the part of all Centre staff, we suggest that a concerted effort be made to improve the average skills level in these fields. We recommend making these opportunities mandatory in certain situations and focusing on quickly spreading the knowledge gained. Also, these considerations should  be taken into account in the recruitment process.
 

Os painéis de dados só serão eficazes se forem feitas as perguntas corretas durante a sua conceção e utilização.

7. Rumo ao nível 4!

 

  • É necessário prestar uma especial atenção ao exame de correlações complexas entre dados ou áreas inteiramente novas de aprendizagem e inovação que vão ainda mais longe.

  • Reiterar os níveis micro de painéis de dados.

  • Análise epistémica das contribuições dos/as utilizadores/as dos cursos.

  • Aprendizagem profunda aplicada à composição de dados do indicador.

  • Medir o impacto dos painéis no pessoal e nos/as participantes.

  • Reforçar a utilização de certos cenários didáticos.

  • Introduzir ferramentas para análise profunda.

  • Integração mais profunda de módulos TinCan arbitrários.

  • Os indicadores descritos neste relatório podem servir de base para uma comunicação proativa com os/as participantes, por e-mail ou notificação push.

  • Poderia ser usado um algoritmo de aprendizagem inteligente para identificar os/as participantes que estão em risco desde o início, com base em perfis semelhantes que estiveram em risco no passado (analítica preditiva).

  • O painel de dados pode notificar proativamente o pessoal sobre os/as participantes que estão em risco, sem a necessidade de verificação regular de painéis de dados pormenorizados.