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
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
