Pee aa eS ee Nee a ay la Maestria en Entornos Virtuales de Aprendizaje crim it Ceo 4 ~ GR: 7. * CORBY osteo eordl interés en Big Data (cantidad masiva de datos y de caracter heterogéneo) esta ereciendo de manera exponencial. Hoy a educacién es un enclave fundamental en el que Proliferan y ganan credibilidad los aspectos de Big Data y las técnicas algoritmicas de la mineria y el anélisis de datos desde métodos analiticos. Las llamadas de investigacién, los conocimientos co- ‘merciales y las iniciativas tanto de empresas como gubernamentales parecen centrarse en explotar el Potencial de la tecnologia para capturar y analizar cantidades masivas de datos de maneras cada vez mas poderosas. Los Big Data son demasiado grandes para que un software de base de datos estndar (como Access) los procese, y por ello requieren de “la capacidad de busqueda, agregacién y referencia cruzada de gran- des conjuntos de datos” (Boyd y Crawford, 2012), Para algunos, Big Data representa un cambio de Paradigma en la forma en que entendemos y estu- diamos nuestro mundo, y al menos se ve como una forma de utllizar mejor y analizar creativamente los datos detallados para beneficio puiblico y privado. ‘Tras esta introduccién, podemos definir el Big Data como un gran volumen de datos que provienen de fuentes de datos diferentes (variedad) y que trata la manera de extraerlos y analizarlos sistemética- mente en procesos emergentes de visualizacién de ‘esos datos. En términos més amplios, grandes desafios que incluyer existen unos captura de datos, el almacenamiento de datos, el andlisis de datos, la @rvesvones © Octubre -Dicemve 2019 busqueda, el intercambio, la irs ferencia, la Visua. lizaci6n, la consulta, la actualizacin, la privacidag de la informacién extraida y la fuente de datos Sus caractersticas las dimensiones del Big Day estén en las 8 "Vs" que propuso Doug Laney en 2001: volumen, velocidad y variedad (Cabalero y Martin, 2015): EL VOLUMEN se refiere a la ingente cantidad de datos desestructurados que nos esperan para su tratamiento y analisis. {A VELOCIDAD se refiere al tiempo del procesa- iento de esos datos con la ingente cantidad de datos. Se tiende a que sea en tiempo real. {A VARIEDAD es otra dimensién que se refiere @ 'a pluralidad de formatos de los datos (estruc- turados, semiestructurados, desestructurados 0 nO estructurados) procedentes de fuentes muy diversas, Cambiar imagen por otra traducida Patgiri y Ahmed (2016) y otros autores expanden 'a familia con 8 *Vs" mas que complementan & las anteriores: veracidad, validez y valor. LA VALIDEZ/VERACIDAD trata de la integridad 42 '0S datos y de la fiabilidad de la informacién re Cogida, eliminando cualquier inexactitud. A Pa tir de confirmar la veracidad se puede compro” bar la validez de estos,BIG DATA: Expandicidose en tres frentes a un ritmo creciente eee oe ne Geciens Data Volumen Los datos en sino tienen VALOR. Lo que hace Big Data es extraer valor de esos datos. Por €s0, los Conjuntos de datos masivos se procesan para dar Un valor en el proceso de mineria de esos datos. 8ig Data (en espafiol, hablamos de grandes vold- menes de datos, “macrodatos” como recomienda ‘ulttud de tendencias tecnolégicas que venian Madurando desde la primera década del siglo XI, Y Que se han consolidado durante los afios 2011 22013, cuando han explosionado e irrumpide con Sran fuerza en organizaciones y empresas, en partl- Data Velocidad cular, y en la sociedad, en general: movilidad, redes sociales, aumento de la banda ancha y reduccién de su coste de conexin a Internet y del almacena- miento de los datos, medios sociales (en concreto, tios de redes sociales), Internet de las co- en los sas, geolocalizacion, y de modo muy significativo, la computacién en la nube (cloud computing) (Jo- yanes, 2013). El uso de la analitica en la educacién ha crecido en os tltimos afios por cuatro razones principales (Baker y Siemens, 2014): © un aumento sustancial en la cantidad de datos, ovesvonese ceov-Deionbre 2010formatos de datos mejorados, avances en computacién, y © una mayor sofi tas disponibles para la analitca. La “dataficacién” (término no admitido todavia por la RAE como neologismo) es una tendencia tecno- légica que convierte muchos aspectos de nuestra vida en datos que posteriormente se transtieren a informacién realizada como una nueva forma de Valor. Kenneth Cukier y Victor Mayer-Schéenberger (2013) introdujeron el término datafication como algo emergente y que ya nos va invadiendo des- us de 6 afios. Posteriormente escribieron Apren- der con Big Data (2018) y argumentaron que a partir de estos macrodates se “reconfiguraré el aprendi- zaje" a través de la “dataficacién” de los procesos de aprendizaje de tres formas: BEy 22aitn’: 2 fetoatimentacion en tiempo reat en los cursos on-line y los libros de texto elec- {ronicos, capaces de “aprender” del uso que se hace de ellos y “replicar” al profesor. Podemos jeder més allé y decir que las herramientas (i bros de texto), tal y como las entendemos aho. ra, no se necesitan; 'e individualizacién y personalizacién do Ia experiencia educativa a través de slatemas adaptativos de aprendizaje cue permite, adecuar los materiales a las nacesidades por sonales de cada estudiante mediante al andlons automatizado y en tiompo real, dando kar excsv0Ms « O2ubr- Deemer zo19 aprendizaje adaptativo y, como conseo enc, ala personalizacién; y, nes probabilisticas predic generadas aciéndetesheramion: BBY eGiante analticas do datos que permiten reunir datos a partir de las acciones estudiante, aprender de ellos, y generar predicciones sobre los probables resultados futuros del estudiante (lo que trabaja ia analtiog predictiva). Los autores imaginan la escuela como una “plataforma de datos” donde la dataficacién en tiempo real de la persona pasa aser “la piedra angular de un ecosistema de Big Data”, y en la que “los materiales educativos se customizarén” algoritmicamente y ‘se ‘mejoraran” permanentemente. El Center for Data Innovation’ establece cuatro ob- jetivos (New, 2016) para conseguir que las escuelas ‘se datifiquen dentro de un sistema educativo basa- do en datos (data-driven education): "© PERSONALIZACION: los educadores, en vez de seguit utiizando un sistema similar al de la produccién en masa, adaptan dinamicamente la ensefianza alos, Puntos fuertes y débiles de cada estudiante (gene- rar el aprendizaje adaptativo). ‘APRENDIZAJE BASADO EN LA EVIDENCIA® Administradores no deciden por intuicién, sino Po" profesoresy 1 ing M8 informacion en httosu/Avw. datainnovationg Nos aprendizaje basado en la evidencia {Evidence-Based Leaming) describe una clase de Gntoctues, procesos y estratagias que han demostaco emPlleamente producir resultados de aprendizale. Fela detinicién incluye otra posible detnicion a 6® sanldencia de que ha ocuride el aprencizaje” que ‘pone que eaprencizaje puede medise,evidencia, ante la multiud de datos procesados del alumno. Conocen el modo de actuar en el aula y en los centros, informados por una gran cantidad de datos sobre las necesidades individuales y colectivas, EFIDIENCIA DE LA ESCUELA: se debe tener una asigna- cién éptima de los recursos. Para ello se sirven de tructiferas ideas sacadas de los datos para analizar las relaciones entre los logros del alumno, la actua- cién del profesor y las decisiones administrativas, \nnovacién continua: investigadores, educadores, padres, legisladores, desarrolladores de tecnolo- ias y otros pueden elaborar productos y servicios educativos de gran valor y amplia disponibitidad ara descubrir nuevas ideas, tomar decisiones, y Con ello mejorar el sistema educativo. Se puede datificar casi todos los campos del co- nocimiento (economia, artes, en lo juridico y poll- tico, en salud y medicina, en biologia, en Ambitos de la sociedad, en el deporte, en el trabajo del dia dia, etc., y, por supuesto, en la educacién). Todo ‘que se procesa digitalmente o esté en Internet es Susceptible de ser tratado bajo el paraguas de Big Data, y esto produce cantidades de datos ingentes. Hace 20 aios, M. Lesk (1997) establecié que a nivel Planetario habia 12,000 petabytes (PB) de informa- clon, que Significan 12.000 millones de gigas. Sien 1997 la cantidad de datos ya era grande, para 2022 el trafico anual de IP global alcanzaré 4.8 ze- ‘byte (28) por afi, o 396 exabytes (EB) por mes. Para mas informacién ver el Visual Networking In- dex de Cisco! Seguin el estudio del International Data Corporation (DC), también se prevé que para el 2025 haya 175 ZB, un incremento grande con respecto a 2018, que fue de 93 ZB, Esto es debido a sistemas de cloud computing, méviles y su amplio desarrollo de aplicaciones con miltiples dispositivos conectados al “Internet de las cosas" y sensores en “Internet de Jas cosas”, con el ancho de banda mayor con 5G y 1 protocolo IPv6. 3 hitp//bit.iy/2p8woHn 4 hitpz/bit.y/S2EGnTg ree (Cotubre- Diciembre 201948 > En educacién, dentro del Big Data, existen princi- palmente dos campos de trabajo o Investigacion: la mineria de datos educativos (Educational Data Mining, EDM) y el analisis de aprendizaje (Lear- ning Analytics, LA) (Bienkowski, Feng y Means, 2012); y un tercero concomitante con estos cam- pos: la visualizacién de datos o Analitica Visual’. Segiin L. Calvet y J. Pérez (2015) el objetivo princl- pal de EDM y LA es extraer informacién de los da~ tos educativos para apoyar la toma de decisiones fen educacién, donde la informacién puede estar orientada hacia diversas partes interesadas. Los instructores pueden obtener comentarios mas ob- jetivos para evaluar tanto la estructura de sus cur- ‘sos como la efectividad del proceso de aprendiza- je. El monitoreo del proceso de aprendizaje de los estudiantes puede ayudar a detectar répidamente 5 ____LaAnaliica Visual combina téonicas de sndlisie atomatizados con vievalzaciones interactives para crear un proceso de comprensién,razonamiento ¥ toma de decisioneseficaces, basados en conjuntos de datos muy grandes y complejo (D. A. Kem, Kohinammer, Gls, Mansmann, 2010), mientras la visualizovin de datos es de nivel mas bajo y se dedica ala representacion de fa informacion de manera intutva con a utizecton de, todo tipo de grtcos que permiten entre otras cosas descubrir conocimiento oculto en gran eantided ae datos. La Analtica Visual se ha desarrllado come Consecuencia de los campos de visualzacin doa informacion, que es propia dela conceptualzacise del disoho io, ef vvalzctn contioa que entra on ol azanamiento anallico fal interfaces visuales interactivas, eee @Prerwones © Cotubs- diciombre 2019 a aquallos que tienen diiades para sep: g curso © las unidades aue generan més conus, para poder mejorarlas (incluso hacer fen aly blema antes de que llegue con analtica peda Aungue no existe una distincion clara entre esos dos campos © comunidades, han tenido historsg y evolucién de investigacién algo diferentes y 9, estén desarrollando como reas de investigacién distintas. En general, la EDM busca nuevos patrones en los datos y desarrolla nuevos algoritmos y models, mientras que el LA aplica modelos predictivos co- nocidos en los sistemas de instruccién (Bienkows- , Feng y Means, 2012).En el 2° congreso de Learning Analytics and knowledge (LAK), Siemens y Baker (2012) también establecieron unas diferenciaciones entre las dis- tintas comunidades, Learning Analytics (LA) con Leaning Analytics & Knowledge (LAK) asi como la de Mineria de Datos Educacional (Educational Data Mining, EDM) que posteriormente ampliaron en un artigulo Baker y Siemens, 2014, Baker e Inventado (2014) son mas laxos en la dife- renclacién y van més alla del aprendizaje. EDM tie- re un mayor enfoque en el aprendizaje como tema deinvestigacién, mientras que el LA tiene un mayor enfoque en los aspectos de la educacién. En la opi- nién de estos autores, la superposicién y las dife- rencias entre las comunidades es en gran medida organica, desarrollandose a partir de los intereses y valores de investigadores espe: reflejar una division o antagonismo mas profundo, John Behrens ofrecié la diferencia entre las ‘comunidades en una ponencia reciente en la conferencia LAK 2012, donde deciaré que EDM tiene un mayor enfoque en el aprendizaje como icos en lugar de tema de investigacién, mientras que el analisis de aprendizae tiene un mayor enfoque en los aspectos. de la educacién (algo contrario a los nombres de las dos comunidades). Los articulos acerca de la investigacién hecha en Learning Analytics (LA) y Educational Data Mining (EDM) revelan cémo ol uso de grandes datos es be- neficioso para la educacién en sus diferentes ramas «@ incluye varios aspectos de la analitica del apren- dizaje que examinan de cerca el proceso educative para mejorar el aprendizaje. Algunos de los benefi- Clos incluyen el uso de andlisis académicos a partir de algoritmos a varios puntos de datos en las bases de datos. Los beneficios educativos son amplios y se pue- de establecer Ios siguientes aspectos dentro de ‘Aprendizaje Analitico y Mineria de Datos educacio- nal (Avella, Kebritchi, Nunn y Kanal, 2018; Papas, 2019; Klagnja y Budimac, 2017; Landeta, 2018): vero ctubro - Diclembre 2019IDENTIFICAR EL TARGET U OBJETIVOS DE LOS CURSOS. Un beneficio inicial que evoluciona desde el uso de andlisis de datos grandes en la educa- mn es la capacidad de las instituciones educati- vas para identificar los cursos dirigidos que mas estrechamente se alinean con las necesidades de los estudiantes y las preferencias de su programa de estudio, MEJORA CURRICULAR. El uso de macrodatos permite a los instructores hacer cambios y ajustes para mejorar el desarrollo curricular en el sistema educativo, como en el uso del mapeo curricular de datos. A través del analisis de datos grandes, los ‘educadores pueden determinar aspectos débiles de su aprendizaje y la comprensién de los estu- diantes para determinar si pueden 0 no ser nece- ‘arias mejoras en el plan de estudios. RESULTADOS DEL APRENDIZAJE DEL ESTU- DIANTE, COMPORTAMIENTO Y PROCESO. Otro benefi- cio clave de la mineria de datos y textos se centra en la capacidad de las escuelas y los instructores para determiner los resultados de aprendizaje de los estudiantes en el proceso educativo, asi como establecer cémo mejorar ol desempento de los es- tudiantes, para ellos se usan técnicas de analisis de sentimiento (Sentiment Analysis) y técnicas més avanzadas como el tracking en las plataformas de aprendizaje de todas sus interacciones y en pre- sencial con la grabacién de los movimientos en el aula. HLEADONES © Octubre - Diciembre 2018@ APRENDIZAJE PERSONALIZADO. Junto con la Inte- jigencia Artificial (A) permitiré una personalizacion de contenidos y la adaptacién del proceso de aprendiza- jeacada alumno (aprendizaje adaptativo). La enaltica de aprendizaje permite al profesorado utilizar los datos reoopitados por el sistema de gestion del aprendizaje para observar la frecuencia de acceso de los estudian- tes. Losinstructores también pueden vera interaccién el estudiante dentro del curso, el compromiso total, eirtmo y las calificaciones. Estos componentes sir- ven como predictores del éxito o fracaso potencial dol estudiante. El andlisis de aprendizaje permite la recepcién en tiempo real de los datos pertinentes, la revision, asi como la incorporacién de datos, y la re- ‘roaimentacién en tiempo real para cada estudiante. La Universidad de Pordue nos da un ejemplo (Amold yy Pili, 2012) proporcionando una retroalimentaci6n alestudiante en tiempo real mediante la comunicacién através de su correo electrénico y un dashboard sen- cilo de un semaforo a partir del cimulo de datos de cada estudiante. ‘© COMPRENSION DEL PROCESO DE APRENDIZAJE, Alutilzar Big Data en el aprendizaje electrénico, los ‘maestros pueden ver qué partes de un curso 0 exa~ ‘en fueron demasiado faciles y qué partes fueron tan dit les que el alurnno no pudo resolver. Otras Partes de la ruta del alumno y que los maestros Pueden analizar son las paginas re-entradas con Frecuencia, los estilos de aprendizaje preferidos, las secciones recomendadas a los compafieros 0 @ U8 horas del dia el aprendizaje funciona mejor de Manera ind ual. ‘8 MEJORA DEL RENDIMIENTO DEL INSTRUCTOR 0 TUTOR, El uso de estos datos también ayuda a eva- |uar el rendimiento del instructor identificando las reas en las que necesita progresar (Mardikyan y Badur, 2011), dando la oportunidad de que estén ™ejor preparados para trabajar con los estudiantes en una plataforma de aprendizaje y facilitando las interacciones entre tutor y estudiante. Esto se llama Ani ica de la Ensefianza (Teaching Analytics). ‘| MOTIVAGION, Si los macrodatos se implemen- tan adecuadamente, los alumnos posiblemente se comprometerdn a ingresar datos en el proceso por que entenderdn el poder de su funcionamiento. Los alumnos deben estar motivados para ser proactivos. (6 EFICIENCIA. E1 Big Data puede ahorrar mu- chas horas de tiempo y esfuerzo, cuando se trata del logro de nuestros objetivos y de las estrategias que necesitamos para conseguirlos. | @ REDUCIR LOS ABANDONOS POSIBLES. Con la anal a predictiva se ayudar a mejorar los resul- tados de los estudiantes, las tasas de desercién en las escuelas y en las universidades. Con dichas predicciones también se puede ayudar a ejecutar el andlisis de escenarios en un programa de un curso antes de que se introduzca en el plan de estudios, mminimizando ast la neoesidad de ensayo y error en estos casos. De hecho, los macrodatos también se pueden usar para monitorear el desempeiio de los ‘estudiantes en el mercado laboral después de gra- duarse do la universidad. Esto también ayudaré a Se Octubre - Diciembre 2019 vernon 51> los futuros estudiantes a elegir la universidad y el curso correcto. | MM RECLUTAR ALUMNOS INTERNACIONALES. Las instituciones pueden analizar los posibles factores que afectan el proceso de solicitud y predecir con més precisién la selecci6n de estudiantes. También en plataformas MOOCs, Coursera 0 Edx se hace lo mismo, teniendo en cuenta los resultados del par- ticipante. ‘= ©. EMPLEO POST-EDUCATIVO, El uso de Big Data favorece que las instituciones educativas identii- quen posibles oportunidades de empleo para sus graduados y ayuda a que las instituciones educa- tivas se alineen mas estrechamente con las nece- sidades del mercado laboral. También se puede predecir e! empleo de los graduados, el desempleo o situaciones indeterminadas laborales. El uso de macrodatos puede faciltar, alos interesados en el sistema educativo, la comprensién de las perspec- tivas vocacionales de los estudiantes y la evalua- cién de los programas de aprendizaje estudiantil para la compatibilidad laboral ‘© ANALISTAS PROFESIONALES DEL APRENDIZAJE Y COMUNIDADES DE INVESTIGACION. La comunidad de investigacion también se beneficia del uso de macrodatos en educacién. Los investigadores pue- den compartir informacion y colaborar mas fécil- mente, e identificar brechas entre la industria y la academia para poder determinar cémo superar los problemas. La metodologia utlizada os Ia invost!- @rrcwons © Osteo - Deiombre 2010 gacion intensiva en datos, mineria de datos textug, seguimiento de interacciones entre usuarios y ang. lisis de redes en datos no estructurales de las stog de redes sociales entre otros métodos d gacién. Mas informacién en Methodologies for Big Data Analytics®. Exceptuando MOOCs masivos, los datos de un curso no suelen ser comparados con otras areas y acciones, lo cual no implica que los métodos sean idénticos a los masivos. Los Sistemas de Gestién del Aprendizaje (LMS) no suelen resolver las demandas de Ia analitica del aprendizaje. Por lo general traen paneles que ind can las veces que ha interaccionado el alumno, si ha empleado el debido tiempo para hacer las tareas Y précticas, si ha entregado la tarea atrasado, la ae- tividad general del curso por fecha o dias. Otros aspectos hasta ahora no son tan estimados de it~ plementar en los paneles analiticos de los LMS Por lo tanto, son mas especializados para LA, com? on el analisis de las interacciones en foros, 6! tiP de lenguaje usado y otros aspectos de mineria 3° datos y analitica predictiva, que en un futuro seré frecuente en las plataformas de aprendizaje. Pode” Mos ver un ejemplo en el LMS Canvas de andliss sencill 6 hitp//bit.y/3414RUePresentacones Estén surgiendo plataformas de aprendizaje inte- ligentes que van mas alla de estos LMS clasicos (@sto no quiere decir que se queden atrés, sino Que su estructura no la hace muy factible para *sl08 nuevos desarrollos), basadas en los datos Y con procesos de Inteligencia Artificial. Estas se han bautizado con el nombre de Smart Learing Environment y tienen un contexto principalmente '®6ric9 acerca de lo que los entornos inteligentes Sanifcan © aportan en la evolucién de los entornos e aprendizaje. Hay una serie de caracteristicas (Zhu, 2016) que describen este tipo de entornos de aprendizaje inteligente: el aprendizaje inteligente, la ubica fen tiempo real es informacién impor- tante que los sistemas necesitan para adaptar el contenido y la situacién al alumno, Octubre - Diciembre 2019exploran diferentes escenarios_ de actividad e informacién. detectan las re- laciones sociales. establecen estanda- res para diferentes recursos, servicios y plataformas. proporcionan un servicio conti- nuo cuando se conecta un dispositivo. impulsan los recursos de aprendizaje de acuerdo con el acceso, las preferencias y la demanda, predicen las demandas del alumno hasta que se exprese clara- mente, proporcionando acceso visual y transparente a los recursos y servicios de aprendizaje. registran los datos de la ruta de aprendizaje en la mina y analizan en profundidad, y luego proporcionan una evaluacién razonable, sugerencias y un servicio a peticién, transfieren los sentidos de la interaccién multimodal incluido el reconocimionto de posicién © Octubre - Diciembre 2019 rrerwon y expresién facial. mersi6n en experiencias de aprendizale interactivo multidireccional en entornos enriquecidos con tecnologia. En resumen, en el aprendizaje inteligente, la ubi- cacién en tiempo real puede ser importante para adaptar el contenido y la situacién al alumno. Sin embargo, la ubicacién no siempre es una condi- cién necesaria en el aprendizaje inteligente. La ca- racteristica mas importante es que el sistema po- dra aconsejar y predecir las necesidades de cada alumno. El aprendizaje inteligente es un sistema de aprendizaje que proporciona asesoramiento a los estudiantes para aprender en el mundo real. Dado que las tecnologias educativas de Big Deta todavia estan en pafales en Europa, todas las Par tes interesadas relevantes deberian tener la port” nidad de entablar una discusién conjunta lo antes Posible. Dicho diélogo deberia centrarse en un jesgos. En pt flejo critico de las promesas y los ‘mer lugar, debe tener en cuenta aspectos como ® Privacidad, la proteccién de datos, la transpare” Cla y las libertades individuales. Después de t04°" rastrear y analizar una carrera educativa complet®«rea implicaciones imprevisibles tanto para los indi- viduos como para la sociedad en general (Jdlicher, 2018) ¥, Por otfo lado, la investigacién desde un concepto amplio como es la “Ciencia de los Datos Educativos" mas que Big Data como tal. Quedan ™uchos retos por delante en los préximos afios que Se irén solventando en acuerdos, estandares e inte- Toperabilidad entre distintos dispositivose Qpwerwones.e octubre Diciembre 2019Bibliografia ARNOLD, K. E, & PISTILLI, M. D. (2012). Course Signals at Purdue: Using Learning Analytics to increase Student Success. Proceedings of the 2Nd International Con- ference on Learning Analytics and Knowledge, 267- 270. https://dol.org/10.1145/2330601.2830665 AVELLA, J. T., KEBRITCHI, M., NUNN, S.G. & KA- NAl, T. (2016). Learning analytics methods, bene- fits, and challenges in higher education: A systema- tic literature review, Online Learning, 20 (2), 13 - 29. BAKER, R. S., & Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. En J. A. La- russon & B. White (Eds.), Learning Analytics: Research to Practice (pp. 61-75). New York, NY: Springer New York. Recuperado a partir de https:// doi.org/10.1007/978-1-4614-3305-7_4 ‘rom. BAKER, R., & SIEMENS, G. (2014). Educational Data Mining and Learning Analytics. En R. Sawyer (Ed), The Cambridge Handbook of the Learning Sciences (pp. 253-272). https://doi.org/10.1017/ (€B09781139519526.016 BIENKOWSKI, M. A, FENG, M., & MEANS, B. (2012), Enhancing Teaching and Leaming Through Educatio- ral Data Mining and Learning Analytics: An Issue Brief, Recuperado de U.S. Department of Education Ottice of Educational Technology website: hitps:/ech ed, ‘gov/wp-content/uploads/2014/03/edm-la-brief pat © Octubre - Diciembre 2018 Big Data is attracting huge interest in ditfe- rent sectors, including education. The au- thor clarifies the concept of Big Data throu. ghout the article and shows a great number of investigations, theories and proposals, ‘Among them, it presents the fact that lear- ning and its processes can be reconfigured through realtime feedback, in the indivi dualization and personalization of the edu- cational experience by the use of adaptive learning systems, or in the probabilistic pre- dictions generated via data analytics. On the other hand, it reveals what schools will eed to do to function with Big Data, and dee-pens in the three fields of work or re- ‘search: Educational Data Mining, Learning Analysis and Visual Analytics. Finally, it na- rrates the benefits of Big Data in education and what are the features of different plat- forms or intelligent learning environments.