Escrito por Mark Tse, desenvolvedor de software, desenvolvimento de plataforma D2L
Com o lançamento dos conjuntos de dados do Brightspace, nossa estratégia de dados evoluiu para fornecer aos clientes os dados brutos no nível do usuário de que precisam para responder a perguntas diferenciadas específicas de sua instituição. Neste artigo, exploraremos vários fatores que moldam seus dados e como isso se traduz em insights exclusivos de sua instituição.
Entendendo como os dados são moldados
Os dados brutos no nível do usuário nos Conjuntos de dados do Brightspace são a acumulação de muitas fontes e fatores diferentes. Vamos explorar o que é necessário para moldar os dados.
Dados migrados de outros produtos de aprendizagem
Se você migrou para o Brightspace de outra plataforma de aprendizado, os dados incluídos durante o processo de migração se tornarão parte dos dados em suas extrações de dados. Seus dados são influenciados pela forma como a plataforma de aprendizado anterior foi configurada, como os usuários interagiram com ela e como os dados foram transformados durante a migração para o Brightspace. Esses dados migrados agora disponíveis por meio das extrações de dados serão afetados por esses fatores e devem ser levados em consideração.
Padrões de uso e integrações
Os padrões de uso diferem de instituição para instituição, dependendo do segmento (ou seja, K-12, Ensino Superior ou Corporativo), localização (por exemplo, idioma, diferenças culturais, requisitos de conformidade), estilos de ensino e aprendizagem (incluindo diferenças entre ambientes combinados e online) e outras diferenças que tornam sua instituição única. Além disso, os padrões de uso são influenciados pelas ferramentas que você ativa no Brightspace e pelos produtos com os quais você se integra, como SIS, LTI e outras ferramentas exclusivas da sua instituição que utilizam as APIs do Brightspace.
Os dados em suas extrações de dados refletirão quando determinadas ferramentas são integradas ao Brightspace e como os padrões de uso e as ferramentas no Brightspace foram alterados.
Alterações de versão para versão
Cada versão do Brightspace introduz alterações no código para melhorar o Brightspace, sejam elas pequenas melhorias ou adições de recursos. À medida que o sistema evolui, os dados também evoluem, e a pegada dessa evolução é exclusiva de uma determinada instituição, dependendo de quantas liberações os dados passaram e da interseção com outros fatores. Além disso, cada integração que você tem também passa por um ciclo de lançamento, aumentando o número de fatores que moldam seus dados.
Atualizações ao vivo à medida que a extração de dados está sendo gerada
Quando uma extração de dados é gerada, extraímos o máximo possível até o momento da extração. No entanto, para minimizar o impacto do sistema ativo, é possível que um pequeno subconjunto de dados esteja obsoleto, ausente, duplicado ou presente quando já foi excluído. Isso também pode significar que os dados podem ser inconsistentes entre dois conjuntos de dados diferentes (por exemplo, os dados nas respostas do usuário do questionário podem não corresponder aos dados nas tentativas do questionário).
Fique tranquilo, garantimos que quaisquer lacunas e inconsistências de dados sejam reconciliadas quando sua próxima extração de dados for gerada. No entanto, ao importar os dados para seus sistemas, é importante ter em mente que essas nuances devem ser consideradas.
Outras fontes de dados
Por fim, os conjuntos de dados do Brightspace são apenas uma fonte de dados potencial entre muitas em seu ecossistema institucional e sempre podem ser combinados com outras fontes de dados para fornecer uma visão mais holística do seu sistema.
Minerando seus dados
Como você pode ver, muitos fatores diferentes influenciam a formação dos dados de cada instituição. Cada um desses fatores pode influenciar a forma como você aborda os dados.
Por exemplo, se uma ferramenta LTI integrada à ferramenta de conteúdo no outono passado gerou mais pontos de dados por interação do usuário, um aluno pode parecer menos engajado nos anos anteriores ao lançamento da integração devido a um número menor de pontos de dados. Ao saber quando a integração foi lançada e contabilizá-la em sua análise, você pode evitar a distorção dos dados de engajamento ao comparar o ano atual com os anos anteriores. Você também pode usar esses dados para demonstrar a eficácia de uma integração ou ferramenta.
Outro exemplo pode ser determinar a competência ou a realização após o fato ao mudar para um novo modelo de competência. Ao aproveitar os conjuntos de dados do Brightspace para determinar quais cursos, questionários, tarefas etc. foram concluídos, os alunos podem ser rastreados rapidamente no novo modelo de competência em massa, em vez de caso a caso.
Existem muitos outros exemplos não listados acima, pois a combinação de fatores e perguntas feitas torna cada cenário único. Ao fornecer os dados brutos no nível do usuário, você tem acesso a dados não opinativos que contêm insights exclusivos e disponíveis apenas para sua instituição.
Resumo
Exploramos o que é necessário para moldar os dados que você vê hoje e como fornecer dados brutos no nível do usuário se traduz nos insights exclusivos disponíveis para sua instituição. Adoraríamos saber como você está usando os conjuntos de dados do Brightspace, quaisquer insights que você tenha descoberto, bem como quaisquer perguntas ou comentários abaixo!