3.1. Método inductivo de desarrollo de categoría

El método de análisis de contenido cualitativo de Mayring fue desarrollado en la década de los ochenta para analizar encuestas de pregunta abierta y transcripciones de entrevistas (Mayring, 2003). Este desarrollo de categoría inductiva incluye seis pasos iterativos, como muestra la figura 3.

Se aplicó el método inductivo de desarrollo de categoría formulando una descripción inicial del significado de un clúster y escribiendo una memoria sobre el mismo. A continuación, se creó una versión inicial de las categorías alrededor de los términos centrales: aprendizaje híbrido (hybrid learning), diseño (design), flexibilidad (flexibility), calidad de contenido (quality of content), aprendizaje a lo largo de la vida (lifelong learning), aprendizaje colaborativo (collaborative learning), apertura (openness) y aprendizaje centrado en el estudiante (student-centered learning). Dentro de un círculo de retroacción se discutió la definición de cada categoría con el fin de asegurarse de que se obtenía una comprensión similar de su significado. A continuación, dos expertos con experiencia en MOOC que trabajan independientemente realizaron un mapeo de todas las respuestas de la encuesta. Los resultados de este paso fueron dos listas de categorías marcadas con segmentos textuales que son relevantes para cada categoría. Estas listas se confirmaron aplicando fórmulas estadísticas de fiabilidad entre evaluadores para medir el grado de consenso logrado. La tabla 1 muestra el resultado de la fiabilidad interevaluador de los dos expertos basándose en la Kappa de Cohen y el Alfa de Krippendorff.

Los coeficientes de fiabilidad interevaludaor Kappa de Cohen y Alfa de Krippendorff son 0,848, lo cual indica un consenso casi total (87,3%) en el mapeo de las respuestas a las categorías.

3.2. Método de análisis de concepto Leximancer

Adicionalmente al método inductivo de desarrollo de categoría manual, se utilizó el análisis conceptual Leximancer para realizar el análisis de agrupación de las respuestas de la encuesta. Leximancer es un método automático de minería de texto que extrae los conceptos principales de las respuestas de la encuesta. En este método los conceptos no son meramente palabras clave sino clústeres de términos definidos y relacionados, conceptualizados por el autor del texto (Leximancer, 2013). Los procedimientos de Leximancer están basados en la teoría estadística Bayesiana, en la que piezas de prueba fragmentadas pueden ser utilizadas para predecir lo que sucede en un sistema (Smith y Humphreys, 2006).

El método Leximancer permitió analizar y clarificar los hallazgos cuantitativos del contenido textual de las respuestas de la encuesta, así como para ilustrarlos como dimensiones de concepto de patrones en los MOOC mediante los procesos de (1) llevar a cabo una recuperación de conceptos semánticos de los objetivos de participantes en MOOC, (2) generar de manera gráfica mapas de concepto de objetivos y (3) agrupar los conceptos de tal modo que se pueda observar la manera en la que están interrelacionados (Cretchley et al., 2010; Smith y Humphreys, 2006; Watson, Smith y Watter, 2005).

Con el fin de cargar los datos de la encuesta en el sistema Leximancer, se creó un archivo CSV con las 158 respuestas. Se generó automáticamente un mapeo de conceptos mediante la extracción de los conceptos más importantes de los objetivos de los participantes en MOOC. Los algoritmos utilizados para generar este mapa conceptual analizan no solo texto bien estructurado sino texto en el que los participantes utilizan puntos o respuestas cortas. Este mapa conceptual ilustra una visión más profunda del modo en que los objetivos están relacionados entre sí, como se muestra en la figura 4. Cada concepto en el mapa representa alguno de los objetivos de los participantes en los MOOC indicados en la encuesta. Cada concepto tiene texto de color que indica la relación de este concepto con otros conceptos del mismo color en el mapa. Las líneas coloreadas no solo tienen en cuenta la relación entre el mismo grupo de conceptos (es decir, dentro del mismo clúster), sino también las intersecciones entre diferentes grupos de conceptos.

En un siguiente paso, Leximancer agrupa conceptos relacionados que ocurren al mismo tiempo que otros conceptos en el mapa. Como resultado, conceptos similares son agrupados juntos en un clúster, como se ilustra en la figura 5.

El paso final del análisis Leximancer es identificar la etiqueta que mejor representa cada clúster. Para asignar etiquetas significativas a los clústeres, se evaluaron aquellas que el sistema Leximancer propuso y se combinaron con las categorías utilizadas en el método de análisis de contenido cualitativo de Mayring de la sección 3.1. Como resultado, se identificaron los siguientes ocho clústeres: aprendizaje mezclado (blended learning), flexibilidad (flexibility), contenido de alta calidad (high quality content), diseño instruccional y metodologías de aprendizaje (instructional design & learning methodologies), aprendizaje a lo largo de la vida (lifelong learning), aprendizaje en red (network learning), apertura (openness) y aprendizaje centrado en el estudiante (student-centered learning).

Los resultados de esta agrupación fueron validados aplicando el coeficiente de fiabilidad interevaluador entre los mapeos de las respuestas al etiquetado de los clústeres entregados por los dos expertos y por Leximancer. La tabla 2 muestra los resultados del consenso porcentual de pares, para el coeficiente Kappa de Cohen y el Alfa de Krippendorff. Los altos coeficientes Kappa de Cohen y el Alfa de Krippendorff para fiabilidad interevaluador (0,893) revelan una agrupación adecuada de las respuestas.

La figura 6 muestra los diferentes patrones de los participantes en MOOC (esto es, sus objetivos al participar en los cursos). El siguiente paso del análisis es la investigación de la relación entre estos clústeres aplicando el método de agrupación a partir de códigos Nvivo 10 (Richards, 1999).

3.3. Método de agrupación a partir de códigos Nvivo 10

Una medida de similitud es un método estadístico utilizado para calcular la correlación entre clústeres. El método de agrupación a partir de códigos Nvivo 10 permite analizar los datos agrupados en términos de similitudes en atributos basados en el coeficiente de correlación Pearson, el coeficiente Jaccard y el coeficiente Sørensen (Bazeley y Jackson, 2013; Richards, 1999).

Los ocho clústeres finales de participantes en MOOC y sus respuestas asociadas fueron proporcionados como input a Nvivo 10. A continuación, se aplicó la medida de similitud de codificación para medir las similitudes entre los clústeres. El resultado fue un diagrama horizontal que muestra los elementos similares en la misma rama y elementos disimilares en ramas diferentes, como se muestra en la figura 7.

Existen pocos intentos de documentar la relación entre los objetivos de los participantes al participar en MOOC y el tipo de MOOC mismo. El resultado de la agrupación a partir de códigos ofrece el potencial de detectar las relaciones entre los objetivos de los participantes y el tipo de MOOC. Como se muestra en la figura 7, el aprendizaje mezclado (blended learning), la flexibilidad (flexibility), el contenido de alta calidad (high quality content) y el diseño instruccional y metodologías de aprendizaje (instructional design and learning methodologies) se encuentran agrupados en la primera rama. Este agrupamiento refleja las principales características de xMOOC caracterizadas por la replicación de prácticas tradicionales de educación que utilizan las instituciones de enseñanza formales. Los xMOOC tienen estructuras de curso predefinididas, se centran en la provisión de contenido de alta calidad y siguen metodologías de diseño instruccional dirigidas por profesores. Además, los xMOOC proporcionan un acceso flexible a una amplia variedad de materiales de enseñanza y ofrecen la oportunidad de juntar la enseñanza presencial con la enseñanza en línea.

Por otro lado, el aprendizaje a lo largo de la vida (lifelong learning), el aprendizaje en red (network learning), la apertura (openness) y el aprendizaje centrado en el estudiante (student-centered learning) están agrupados en otra rama. Esta agrupación refleja las principales características de los cMOOC. A diferencia de los xMOOC, que se centran en el aprendizaje formal, los cMOOC a menudo se utilizan para proporcionar aprendizaje abierto, en red, autoorganizado y para toda la vida. Este tipo de enseñanza tiende a ser experimental, espontánea y sin planes de estudio rígidos y por ende ofrece oportunidades para el desarrollo personal (Fernández, 2013).

La tabla 3 resume la relación entre las perspectivas de los participantes en MOOC de acuerdo con el tipo de curso. Además de las de xMOOC y cMOOC, se presentan posibles perspectivas de participantes en sMOOC y bMOOC, según la figura 2 y las características de estos tipos de MOOC tal y como se tratan en la literatura (Coates, 2013; Gaebel, 2013; Yousef et al., 2014a).

4.1. Análisis cuantitativo

La figura 6 muestra los resultados del agrupamiento en clústeres y el número de participantes en cada clúster. Cerca de un tercio de los participantes en MOOC (49 de 158) consideran el aprendizaje a lo largo de la vida el principal objetivo para participar en MOOC. El 30% de los participantes están interesados en diseño instruccional y metodologías de aprendizaje, así como en el contenido de alta calidad. Los clústeres restantes, es decir, aprendizaje en red, flexibilidad, apertura, aprendizaje mezclado y aprendizaje centrado en el estudiante incluyen relativamente menos participantes.

La gran cantidad de participantes asignados al clúster de aprendizaje a lo largo de la vida puede explicarse mediante la información demográfica en la encuesta. De hecho, la mayoría de los encuestados (82%) son adultos mayores de 30 años y el 46% son mayores de 40 años. Este resultado coincide con los resultados de Liyanagunawardena et al. (2013), de Waard et al. (2011) y de Hill (2013), quienes demostraron que la mayoría de los participantes en MOOC son estudiantes adultos mayores de 30 años, a los que a menudo se les denomina estudiantes para toda la vida.

4.2. Análisis cualitativo

El objetivo del análisis cualitativo es construir una mejor comprensión de las perspectivas de los participantes en MOOC. Esto puede ayudar a los proveedores de MOOC a diseñar e implementar ambientes MOOC exitosos que cumplan los objetivos de sus participantes. En las subsecciones siguientes se discutirán las perspectivas de los participantes en cada clúster.