Analítica del Aprendizaje Conectado
David López Cosano
Actividad 1
Análisis ideas clave Data & Civil Rights: Education Primer
El concepto de violencia simbólica describe una relación social donde el "dominador" ejerce un modo de violencia indirecta y no físicamente directa en contra de los "dominados", los cuales no la evidencian o son inconscientes de dichas prácticas en su contra, por lo cual son "cómplices de la dominación a la que están sometidos” (Bourdieu, 1994). Constituye las bisagras que abren puertas a otros tipos de violencia más explícitos, garantizando que ocurran de forma efectiva. Para Rita Segato (2003) “cuanto más sutil, más efectiva”.
Este tipo de violencia es el que ha permitido que, en el caso de Estados Unidos, las comunidades negra y latina hayan sido (y sean) discriminadas en el ámbito educativo. Las tasas de segregación escolar, graduación en institutos y universidades, así como la disparidad de recursos entre estos grupos sociales con respecto al estudiante blanco promedio establecen un sumatorio de injusticias silenciosas que propician el fracaso escolar para ellos, lo cual ha naturalizado las diferencias entre clases y razas en la educación estadounidense.
La comunidad educativa y científica se ha afanado en las últimas décadas en proporcionar herramientas para paliar la brecha cultural descrita. Una de las mayores ayudas reside en las innovaciones tecnológicas que procesan cientos de miles de datos con la finalidad de medir las diferencias individuales entre los grupos sin éxito escolar y comprenderlas para establecer hojas de ruta encaminadas a aportar un escenario más esperanzador.
El procesamiento de datos permite detectar las debilidades y fortalezas de los sistemas educativos y predecir en qué ámbitos específicos los estudiantes necesitarán apoyo y atención personalizada. Ahora se analizan datos que anteriormente se observaban de forma segmentada, como si el contexto del alumno fuera independiente de su rendimiento o motivación en la escuela. El estudio masivo de la información sobre el proceso de aprendizaje de los alumnos, su evolución, itinerario, asistencia, problemas de conducta conjuntamente con su situación socioeconómica permite establecer unas políticas educativas más conscientes y coherentes, dotando a la educación de una mejor calidad y asistencia a quien la necesite. Esta combinación de datos deja obsoletas a las tradicionales pruebas estandarizadas que no tienen en cuenta las características individuales de los estudiantes y los diferentes estilos de aprendizaje y lo sitúa a todos en un mismo contexto.
Con este análisis, la educación basada en datos permite mapear dominios de aprendizaje, alertar sobre resultados anormales, evaluar el apoyo pedagógico, detectar plagio o trampas así como la identificación e intervención temprana de estudiantes en riesgo.
Asimismo, el big data en la educación ofrece también grandes ventajas a los profesores , ya que permite mejorar los procesos de enseñanza-aprendizaje, en cuatro niveles (Rojas, 2011):
- Descriptivo: qué ocurre.
- Diagnóstico: por qué ocurre.
- Predictivo: qué puede suceder.
- Prescriptivo: cómo se puede mejorar.
Esto nos permite trazar planes individualizados para el alumnado dependiendo de sus necesidades formativas y ritmos de aprendizaje personales.
La innovación tecnológica también asiste al alumnado en los procesos de inscripción identificando y evaluando las necesidades económicas reales y registrándolo en el proceso. Se evita de esta forma que los alumnos con dificultades económicas o que no tengan acceso a becas renuncen al proceso formativo.
Un claro ejemplo de este tipo de educación adaptativa y, en este caso, autorregulada, son los MOOC (cursos masivos abiertos en línea), los cuales se basa en datos para optimizar la instrucción que ofrecen. Una gran ventaja de estos cursos creados por instituciones académicas es que son, por lo general, de carácter gratuito, por lo que permite acercar una educación de calidad a la población que no tiene otra vía de acceder a ella.
Pero no todo lo que ofrece el manejo de grandes datos son ventajas.
Una de las preocupaciones de trabajar con números tan grandes es la desventaja acumulativa que se puede originar. La dificultad en la detección de sesgos y discriminaciones reales obstaculiza un análisis objetivo. Se ha comprobado que los estudiantes negros y latinos reciben castigos más severos y desproporcionados en comparación con los estudiantes blancos.
Otro reto es conocer quién tiene acceso a los datos. por una parte, normalmente son individuos pertenecientes a grupos privilegiados los que tienen acceso a estos datos, lo cual hace factible la posibilidad de que estos estén manipulados y carezcan de fiabilidad. Las estadísticas manipuladas ayudan a apoyar y oscurecer la discriminación.
Continuando con la influencia del componente humano a la hora de superar los desafíos que nos ofrecen las nuevas tecnologías, nos encontramos con los errores y negligencias que los alumnos cometieron en el pasado. Todo queda registrado en las bases de datos y afectan tanto a profesores como a alumnos. Por una parte, los profesores se encuentran con una serie de informes sobre sus alumnos antes de conocerlos, lo cual puede generar juicios previos que afecten en el trato con ellos. Por otra, los alumnos toman esas referencias como profecías cumplidas, llegando a autoinducirse al fracaso. El efecto Pigmalión afecta ”el comportamiento y la autoestima de una persona con la información que recibe sobre su conducta y la forma de ser tratada” (Rosenthal y Jacobson, 1968).
Continuando con los conflictos surgidos del acceso de terceros a los datos y que estos los descontextualicen para esgrimir argumentos en pos del beneficio propio. Al comprender los retos de trabajar con big data, podemos hacer que funcione para nosotros. Sin duda alguna uno de los principales interesados es el sector empresarial, ya que a partir de los datos obtenidos se facilita sobremanera una selección eficiente de trabajadores para sus puestos. Por otro lado, muchas universidades también aprovechan el acceso al big data con motivo de captar el perfil de alumnado que les interese, ya sea para recibir ayudas por parte del estado o para captar un perfil que pueda costearse los estudios sin necesidad de ser becado.
Para Barredo (2015) el análisis de contenido informatizado presenta algunas propiedades que lo convierten en un atractivo instrumento metodológico, entre las cuales se encuentran los vez más intuitivos diseños de las interfaces del software. Pero el problema es que, al trabajar ciras tan grandes, el análisis de big data y el carácter intuitivo de las nuevas tecnologías puede acabar generando “microminorías” debido a las burbujas de filtro producidas por el análisis de datos, que privilegia un tipo de aprendizaje sobre otros. De esta forma se estarían creando nuevos subgrupos discriminados, ya que no todo es predecible.
A las innovaciones tecnológicas se le debe exigir un compromiso ético mayor en términos de igualdad y justicia si no se quiere caer en el error que tratamos de solventar.
BIBLIOGRAFÍA Y RECURSOS WEB
Barredo Ibáñez, D. (2015). Big Data y técnicas cuantitativas: una introducción al análisis de contenido informatizado. Revista San Gregorio, 2(8), 106-111. Recuperado de http://201.159.222.49/index.php/REVISTASANGREGORIO/article/view/79/27
D, Crawford, K. (2012). Critical questions for Big Data. Information, Communication & Society, 15(5), 662-679.
Maté Jiménez, C. (2014). Big data. Un nuevo paradigma de análisis de datos.
Segato, R. L. (2003). La argamasa jerárquica: violencia moral, reproducción del mundo y eficacia simbólica del derecho.
