LEARNING ANALITICS O EL APRENDIZAJE ADAPTATIVO EN LAS AULAS

En este post trataremos de abordar a partir de un estudio analítico sintético del documento Data & Civil Rights: Education Primer. Data & Civil Rights Conference. (Alarcon, A., Zeide, E., Rosenblat, A., Wikelius, K., boyd, d., Peña, S. & Yu, C. 2014), la introducción de nuevas técnicas de elaboración de informes, a través de la recogida de datos, para la prevención y mejora del sistema educativo estadounidense.

El documento comienza esbozando una premisa adscrita a la sociedad estadounidense, la continua brecha social existente entre los estudiantes de minorías raciales y aquellos que no lo son, erigiendo a la fusión de datos como la clave para que el futuro de la educación se asiente sobre parámetros de equidad y oportunidad. Procederemos a analizar dicho documento con el objetivo de presentar la información de manera más detallada.

A pesar de que muchos investigadores y profesionales en materia educativa consideran que fusionar los datos de los estudiantes ayudaría a forjar un análisis predictivo en pro de una mejora del sistema educativo, debemos ocuparnos primero de presentar el marco contextual donde se prestan dichos estudios a tener en cuenta.

Centrándonos en el contexto socio cultural de Estados Unidos, como eje de estudio principal en el texto, la discriminación en las aulas se erige como un problema más de los derechos civiles del país, que actualmente se encuentra abocado a políticas segregacionistas. Veamos algunos de estos casos:

Las tasas de graduación escolar por ejemplo, muestran diferencias entre los estudiantes blancos y los de minorías étnicas de entre un 83% para los primeros y un 60 % para los segundos. Esto constata en un primer momento las diferencias de acceso al sistema educativo o la asistencia a escuelas con falta de recursos, bien en forma de profesionales destinados a la tarea de la enseñanza o de disciplinas no impartidas.

Además, en dichas escuelas se muestra la segregación existente todavía en un país de tendencia racista que hasta el asesinato de Martin Luther King en 1968, no reconoció de manera integral los derechos civiles y de igualdad ante la ley de la población negra. Los alumnos latinos y afroamericanos, asisten de manera separada y desigual a dichas escuelas, mientras que los estudiantes blancos suelen permanecer en entornos con mejores disposiciones técnicas para su formación. Esto desemboca en mayores tasas de inscripción en la educación superior para los alumnos blancos frente a estudiantes negros (56%) o latinos (64%).

Estos preceptos les llevan a considerar el estudio de datos en un país, con un alto nivel de fracaso escolar, para buscar soluciones a través de los mismos basándose en un aprendizaje más personalizado, una maximización de los recursos existentes o un acceso mayor a una educación asequible o incluso gratuita.

Los defensores de este nuevo sistema de adaptación al alumnado ven en el cruce de datos la panacea a una reforma educativa necesaria, con un coste más bajo y medios más efectivos para mejorar la experiencia educativa. Pero indaguemos aún más en ello para considerar que dicha afirmación podría elevarse a dogma.

En el texto se mencionan programas de instrucción complementaria a través de medios digitales como un tipo de enseñanza paralela. Como ejemplos de este tipo de acceso al conocimiento tendríamos los cursos Khan Academy o los cursos abiertos masivos (MOOC), que son programas gratuitos y de acceso abierto para aquellos estudiantes con dificultades de acceso a la educación de alta calidad. 

Es en este tipo de instituciones, donde empezarán a usarse las técnicas de Big Data para reclutar e inscribir estudiantes. Si son capaces de adelantarse a las necesidades de los alumnos: minorías, problemas económicos, de residencia, de acceso… serán capaces de proporcionar los servicios más adecuados para ellos: procesos de admisión a cursos superiores, ayuda financiera, transparencia de opciones en las ramas educativas. Y no van dejando cabos sueltos, ya en la secundaria cuentan con indicadores que analizan registros de asistencia, problemas de conducta o de rendimiento, para prevenir el abandono.

PREOCUPACIONES Y DESAFÍOS

Los críticos a este sistema de análisis de datos temen que la incursión de este tipo de investigación predictiva afiance las desigualdades existentes y contribuyan a incrementar la brecha de la desventaja de manera acumulada. Como cita el texto, puede parecer que los datos adquieran un matiz neutral y de talante científico, pero la complejidad del análisis algorítmico dificulta la detección de sesgos y la discriminación.

Walton y Cohen (2011), en su estudio sobre si la pertenencia social mejora los resultados académicos, demostraron que puede ser la misma pertenencia la "palanca psicológica donde la intervención dirigida puede tener amplias consecuencias que disminuyan las desigualdades en los logros y la salud". Y es en este contexto, donde la educación basada en datos puede tener un problema acentuado, puesto que el etiquetado persistente sobre las necesidades económicas, de aprendizaje o de motivación, pueden ser los tags permanentes para individuos con aspiraciones que ven su proyección mermada por el lastre de sus condición social. Además, la reutilización de estos datos con intereses no educativos violarían las expectativas de privacidad de las personas condicionándolas en otros contextos.

En USA, los responsables del estudio, ven la utilización de este tipo de datos cómo un lastre para que el acceso de algunos estudiantes pueda verse condicionado por aspectos financieros o a los mecanismos devenidos de este tipo de sistema. Y no sólo eso, sino que vaticinan cómo las propias universidades filtrarán los perfiles de sus alumnos en función de su nivel de ingresos.

En términos generales, se reafirman en la idea de que las herramientas educativas personalizadas pueden crear burbujas de filtros en lugar de la disminución de esta segregación. En suma, las empresas están ejerciendo presión para que estos datos se conviertan en objeto de análisis y valoración de la calidad del aprendizaje ofertado a los alumnos, e incluso, de la formulación de las políticas educativas.

Por tanto podemos hacernos una visión general del debate que se está generando en torno al uso de los datos en contextos educativos y si estos violan los derechos civiles de los estudiantes, o por si el contrario, el Big Data pueda convertirse en un imperativo para la mejora en la educación, bajo los parámetros de equidad y oportunidad para todos.

Una vez analizado en profundidad la cuestión que tratamos de dilucidar sobre la utilización del Big Data en materia educativa, trataremos de abordar el escenario desde una perspectiva Europea, sin dejar de lado los condicionante estudiados por los responsables estadounidenses.

Desde siempre se ha intentado estudiar aspectos involucrados en la experiencia de aprendizaje, pero es ahora, con la profusión masiva de datos personales de los que somos emisores, o lo que venimos denominando como Big Data, cuando el Learning Analytics, podría darnos marcos de aprendizaje adaptativo empleando herramientas tecnológicas de recolección y tratamiento de datos masivos. Educational Data Mining (Minería de Datos) supone la búsqueda de patrones dentro de este concepto de Analítica de Aprendizaje que venimos exponiendo, que supone un paso más allá de la simple recolección de los datos, sino el análisis y la interpretación de los mismos mediante técnicas pedagógicas y algoritmos propios, con la finalidad de obtener información para mejorar la práctica educativa, optimizando el rendimiento de alumnos y profesores, así como el modelo educativo.

En el vídeo vemos un excelente ejemplo del uso educativo de Big Data, a través de Learning Analytics desarrollado en la ASU (Arizona State University).

Todos esos datos analizados podría mejorar la experiencia de aprendizaje si el cruce de los mismos se hace bajo la responsabilidad de la finalidad perseguida. Expongamos algunos puntos interesantes de optimización de Learning Analytics:

• Guiar a los estudiantes a través de itinerarios personalizados, suponiendo una mayor motivación para los alumnos.
• Predecir el abandono.
• Adaptar las clases a los conocimientos reales de los alumnos, identificando las necesidades de aprendizaje.
• Conocer el comportamiento de los estudiantes en relación a la plataforma de trabajo.
• Optimizar los recursos formativos, teniendo en cuenta el empleo efectivo de los contenidos y herramientas de un curso o una asignatura.
• Comprobar el número de visitas de una página, descargas de un documento o visualización de un vídeo.
• Obtener y proporcionar feedback en tiempo real, o de un modo muy rápido, y poder actuar en consecuencia.
• Transformar enfoques, modelos, metodologías, técnicas y estrategias de enseñanza y evaluación.    
• Mejorar la comunicación entre tutores, alumnos y otros agentes educativos.
• Evaluar cursos o asignaturas en línea para adaptarlos según las posibilidades de mejora detectadas.

Por tanto, hablaríamos de Aprendizaje Adaptativo como el hito a alcanzar con la utilización de nuestros datos por parte de los responsables educativos para la mejora de la experiencia. Un aprendizaje personalizado que se va adecuando y variando en tiempo real según las necesidades y progresos detectados a través del análisis de esos datos.

Para conseguir una conciliación de las necesidades de los sujetos inmersos en la tarea de enseñanza- aprendizaje, las nuevas tecnologías se convierten en parte fundamental de esta propuesta adaptativa. Las herramientas y las plataformas digitales constituyen el apoyo necesario para monitorear de forma automática las propuestas personalizadas y adecuadas a cada alumno. Además, permiten que el profesor disponga  de información muy útil sobre aspectos esenciales de la enseñanza que de otra forma le resultaría muy complicado obtener.

Indudablemente, como venimos comentando durante el inicio de esta publicación, el uso de estos datos debe tener un enfoque moral para no caer en las críticas de las que adolece: la discriminación por filtros pasados o predicciones sin fundamento que obvian otros aspectos que se deberían considerar, o el pasado personal como eje de valoración que impida llegar a ser o la intromisión de la intimidad rozando los límites de la privacidad.

Learning Analytics está en auge como apuesta de futuro para mejorar los procesos de enseñanza y aprendizaje a través del aprovechamiento masivo de los datos. En Europa, proyectos como LACE (Learning Analytics Community Exchange) están trabajando desde ya para integrar las comunidades que trabajan la analítica del aprendizaje y la minería de datos educativos en las escuelas, lugares de trabajo y universidades, compartiendo soluciones efectivas a problemas reales.

_____________________________________________________________________________

Alarcon, A., Zeide, E., Rosenblat, A., Wikelius, K., boyd, d., Peña, S. & Yu, C. (2014). Data & Civil Rights: Education Primer. Data & Civil Rights Conference. http://dx.doi.org/10.2139/ssrn.2542268

Walton, G. M., & Cohen, G. L. (2011). A Brief Social-Belonging Intervention Improves Academic and Health Outcomes of Minority Students. Science, 331(6023), 1447–1451. https://doi.org/10.1126/science.1198364

Wesch, M. (2007, March). The Machine is Us/ing Us (Final Version) [Video file]. Retrieved from https://youtu.be/NLlGopyXT_g

Wesch, M. (2007, October). Information R/evolution [Video file]. Retrieved from https://youtu.be/-4CV05HyAbM

Wesch, M. (2011, January). “The Visions of Students Today” 2011 Remix One (trailer) [Video file]. Retrieved from https://youtu.be/-_XNG3Mndww

Common Craft (n.d.). Big data [Video file]. Retrieved from https://www.commoncraft.com/video/big-data

http://www.laceproject.eu/lace/