FORMA DE INVESTIGAR:

Mtodo Cientfico a traves de planteamientois estadsticos:

.A partir de tests de asertividad, personalidad, actitudes...veremos que

condicionamientos tienen los usuarios-alumnos, para buscar las herramientas sdncronas
y asncronas que les sern necesarias.

.A partir de estos tests, y con la informacin que nos proporciones, propondremos una
Tipologa de Evaluacin Inicial, que expondremos a Administradores y docentes de E-
learning-Inclusivo.

.Tambin empleartemos mecanismos de observacin y rastreo de herramientas, segn

las tendencias formativas del momento que nos han proporcionando ls Coolhunters.

.Estableceremos los parmetros de los Coachings en cada curso formativo, segn sea
para universitarios, empresarios, profesionales...

.A partir de las Estadisticas que saquemos en cunto a posibilidades, tipologas de

alumnos, diversidad y eficacia de los materiales...antes, durante y al finalizar la
formacin...lo utilizaremos para plantear posibles metodologas retroactivas, tanto en
los materiales, planteamientos metodolgicos, cmo variaciones estructurales en ls
cursos.

. Emplearemos el mtodo cientfico; Teora con su planteamiento de hiptesis (que ya

hemos comentado), una posterior observacin y una comprobacin emprica
(cientfica), centrndonos en la teora del ERROR, la base del E-Learning-Inclusivo.

.En la Estadstica, eutilizacemos un muestreo en un conjunto de Usuarios y aqu lo

haremos con una doble variante,; primero por sacar una estadstica que nos conduzca
afuturos planteamientos y segundo, por el tema de la inclusividad, ya que las personas
son diferentes y sus necesidades, aptitudes y actitudes, tambin, poor eso lo
necesitamos, con las variables, segn l comentado que puedan llevarnos a frmulas de
retroaccin adecuadas, tant o en aspectos personalizados como socializadores.

Naturalmente siempre tendremos especial incidencia en la Relacin de un medio tan

especial cmo es Internet y su aplicacin en E-Learning-Inclusivo, un planteamiento
que tiene diferentes vaiantes, por una parte es formaci (educacin) y adems inclusiva,
y por otra , tenemos los aspectos ms tecnolgicos, propios de la tecnologa Educativa
(medios electrinicos y trabajos con web).

.La Recogida de datos la Realizaremos mediante planteamientos sncronos y asncronos,

en los primeros hartems es pecal incidencia en formatos 2.0, como los RSS,
especialmente en Wikis, tal cmo ya hemnos comentado y los aspectos evaluativos los
realizaremos con rbricas, nuestro buque insignia dentro del control evaluativo del
proceso.

.Con los programas Informticos que hemos expuesto en el Proyecto 1, revisaremos los
aspectos cuantitativos y cualitativos del marco de formacin E-learning-Inclusivo, el
cul nos permitira establecer caminos diferentes (inclusivos) para la realizacin del
mismo.

.Estableceremos modelos estandarizados , para que a partir de ellos podamos introduciar

las variables y los condicionamientos personalizados de todo el proceso, siempre
teniendo presente las peculiaridades de los usuarios.

Emplearemos el SPSS :

El sistema de mdulos de SPSS, como los de otros programas (similar al de algunos lenguajes
de programacin) provee toda una serie de capacidades adicionales a las existentes en el
sistema base. Algunos de los mdulos disponibles son:

Modelos de Regresin (retroaccin)

Modelos Avanzados
Reduccin de datos: Permite crear variables sintticas a partir de variables
colineales por medio del Anlisis Factorial.
Clasificacin: Permite realizar agrupaciones de observaciones o de variables
(cluster analysis) mediante tres algoritmos distintos.
Pruebas no paramtricas: Permite realizar distintas pruebas estadsticas
especializadas en distribuciones no normales.
Tablas: Permite al usuario dar un formato especial a las salidas de los datos para su
uso posterior. Existe una cierta tendencia dentro de los usuarios y de los desarrolladores
del software por dejar de lado el sistema original de TABLES para hacer uso ms extensivo
de las llamadas CUSTOM TABLES.
Tendencias
Categoras: Permite realizar anlisis multivariados de variables normalmente
categoras. Tambin se pueden usar variables mtricas siempre que se realice el proceso
de recodificacin adecuado de las mismas.
Anlisis de Conjunto: Permite realizar el anlisis de datos recogidos para este tipo
especifico de pruebas estadsticas.
Mapas: Permite la representacin geogrfica de la informacin contenida en un fichero
Pruebas Exactas: permite realizar pruebas estadsticas en muestras pequeas.
Anlisis de Valores Perdidos: Regresin simple basada en imputaciones sobre los
valores ausentes.
Muestras Complejas: permite trabajar para la creacin de muestras estratificadas, por
conglomerados u otros tipos de muestras.
SamplePower (clculo de tamaos muestrales).
Todas estas comprobaciones nos servirn para r readaptando nuestro E-Learning-Inclusivo,
eso si, a partir de los Estandares que hemos mencionado en un principio.

A partir de aqu, elaboraremos cuestionarios sobretodo para, antes , durante y despus del
proceso, ..para todos los componntes intervinientes en el proceso; usuarios, profesores,
administradores, coaching, coolhunters...para que de esta manera tengamos la informacion
regogida de primera mano y poder estableces las correcciones oportunas.

Y todo ello lo realizaremos para poderlo aplicar tanto en las EVEAS, cmo en las Redes
Sociales, con las que seguramente haremos ms incidencia, ya que consideramos que en
menos de un ao el nuevo MOODLE 2.0, quedar superado por las mismas, por lo que la
situacin en Tecnologas Educativas ir hacia este camino, con el refuerzo de planteamientos
de Inteligencia Artificial, que ya hemos comentado y que tenemos presente investigar:

.Simulaciones en entornos vuirtuales y aumentados, con tratamiento inmersivo y/o no inmersivo

(este con aplicacin de herramientas de la web 2.0 sncronas y asncronas) y el inmersivo,
para reproducir virtualmente el foprmato de E-learning-Inclusivo, y a travs de observar sus
errores y sus progresos, llegar a la realidad dede trabajo en WEB Y A DISTANCIA, de una
manera ms fiable.

rboles de Clasificacin: Permite formular rboles de clasificacin y/o decisin con lo

cual se puede identificar la conformacin de grupos y predecir la conducta de sus
miembros.
Validacin de Datos: Permite al usuario realizar revisiones lgicas de la informacin
contenida en un fichero.sav. y obtener reportes de los valores considerados extraos. Es
similar al uso de sintaxis o scripts para realizar revisiones de los ficheros. De la misma
forma que estos mecanismos es posterior a la digitalizacin de los datos.
 SPSS Programmability Extension (SPSS 14 en adelante). Permite utilizar el lenguaje
de programacin Python para un mejor control de diversos procesos dentro del programa
que hasta ahora eran realizados principalmente mediante scripts (con el lenguaje SAX
Basic). Existe tambin la posibilidad de usar las tecnologas .NET de Microsoft para hacer
uso de las libreras del SPSS. Aunque algunos usuarios han cuestionado sobre la
necesidad de incluir otros lenguajes, la empresa no tiene esto entre sus objetivos
inmediatos.

Desde el SPSS/PC hay una versin adjunta denomina SPSS Student que es un programa
completo de la versin correspondiente pero limitada en su capacidad en cuanto al nmero de
registros y variables que puede procesar. Esta versin es para fines de enseanza del manejo
del programa