La investigación de lo que actualmente conocemos como “Learning analytics” o analíticas de aprendizaje, ha experimentado un gran desarrollo desde que en 2011 se organizara la primera conferencia internacional de analíticas de aprendizaje y conocimiento.
Este primer encuentro, celebrado en Alberta (Canadá), permitió dar un gran empuje al desarrollo de las métricas educativas centradas en la visualización y el análisis de una amplia recolección de datos provenientes de distintas fuentes, es decir, la aplicación del big data en el ámbito educativo.
En este primer encuentro, Conole, Gasevic, Long y Siemens, definían el learning analytics como:
“The measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs”
(Pág. 3)
Literalmente la analítica de aprendizaje comprende así “medir, recolectar, analizar y presentar datos relacionados con los estudiantes y sus contextos buscando comprender la forma de aprendizaje, así como optimizar los procesos de aprendizaje y los contextos en los que este tiene lugar”.
Desde entonces, el campo del learning analytics se ha abierto paso en los distintos niveles educativos y hemos visto como se han desarrollado distintas Apps buscando recoger la máxima cantidad de datos en relación a los entornos de aprendizaje y la forma en que aprendemos, con el objeto de poder establecer modelos efectivos que contribuyan a incrementar nuestros resultados.
Sin embargo, hablar de learning analytics y por extensión del uso de Big Data en educación, implica acercarnos a los debates que aún hoy día existen en relación a la efectividad de los datos recolectados, la ética en el uso de estos datos y sobre todo, las implicaciones personales, sociales y educativas del uso de esta tecnología sin una adecuada formación.
Del data mining al learning analytics. Del análisis a la intervención
Lo que en años anteriores a la primera conferencia de 2011 se conocía como Educational Data Mining, “minería de datos en educación”, consistía en la aplicación de distintas técnicas de investigación sobre amplias bases de datos. Estos análisis iniciales han evolucionado en las últimas décadas buscando orientar las intervenciones en el campo educativo a partir del conocimiento extraído de estos datos.
Así, uno de los objetivos principales en el campo de las analíticas de aprendizaje, se centra en predecir qué estudiantes pueden encontrar dificultades en su aprendizaje, para facilitar al profesorado la posibilidad de atender sus necesidades de la forma más personalizada posible.
De esta forma, tal y como expresaban en 2014 Ifenthaler y Widanapathirana, el objeto principal del learning analytics, se sitúa en mejorar el aprendizaje mediante el uso de distintas técnicas con las que se intenta trazar un perfil de estudiante, para poder predecir los resultados y, sobre todo, optimizar los procesos y el contexto de aprendizaje.
En la actualidad, se busca controlar el máximo número de variables que puedan influir en el aprendizaje, para garantizar un adecuado proceso educativo y sobre todo la efectividad de los resultados.
Expresándolo de otra forma, el interés principal es recoger la totalidad de resultados de tus pruebas y exámenes, cotejarlos con tus gustos y preferencias, así como las relaciones que has establecido en tu proceso educativo; en qué aspectos pones atención, cómo organizas tu jornada de estudio, cuáles son tus puntos fuertes y por supuesto, tus puntos débiles, qué materias te resultan más o menos fáciles, cuál es tu nivel socioeconómico; para saber, cómo tus datos se relacionan con los del resto de tus compañeras y compañeros.
Conocer el learning analytics y cuestionarnos sobre su uso
En 2016, la comisión europea al servicio de la ciencia y el conocimiento, recogía más de 60 herramientas destinadas a la analítica de aprendizaje en una publicación donde exponía las implicaciones políticas de su uso. Un campo que sin duda parece que no dejará de crecer en los próximos años, convirtiéndose en una especialización de futuro en el ámbito educativo.
Así, a través de las distintas herramientas de control, obtenemos datos sobre el proceso y los resultados de aprendizaje de estudiantes. Una vez procesados estos datos, obtendremos las métricas correspondientes en relación a esos aprendizaje, posibilitándonos plantear cambios en la forma que diseñamos nuestros entornos de aprendizaje. De esta forma, el ciclo se retroalimenta hacia la mejora continua.
Estas herramientas y el análisis que realicemos a través de los datos obtenidos, nos permitirán realizar distintos tipos de analíticas: Analíticas descriptivas, de diagnóstico, predictivas y prescriptivas.
Sin embargo, ante estas forma de comprender y orientar los procesos de aprendizajes a través del análisis de datos masivos y, por consiguiente, del control y seguimiento del comportamiento de nuestras/os estudiantes; debería plantearnos distintas preguntas para enfrentar de forma crítica la implantación de los nuevos avances tecnológicos, tal y como indicábamos en otros artículos de nuestra revista.
- ¿Pueden estos datos ser suficientes para predecir un modelo de aprendizaje?
- ¿Es pedagógicamente deseable tener un “modelo” global de aprendizaje?
- ¿Qué elementos éticos no estamos teniendo en cuenta en la aglomeración de datos?
- ¿Cuáles son las responsabilidades éticas respecto a la privacidad personal?
- ¿Cómo contribuyen estas herramientas a seguir profundizando en las brechas de sociales de género, etnia y clase social?
Más allá de los datos: Ética educativa y profesional
La reciente crisis del Covid-19 y la necesidad por parte de las instituciones educativas de implantar sistemas de aprendizaje online ya ha puesto de manifiesto la necesidad de revisar muchos de las ideas que sitúan la esperanza del futuro en una suerte de “determinismo tecnológico”.
En su libro Armas de destrucción matemática: cómo el big data aumenta la desigualdad y amenaza la democracia, Cathy O´neil, expone ejemplos claros en los que el diseño de esta tecnología puede mermar, más que ayudar en la toma de decisiones. Un ejemplo reciente, son los sesgos detectados en las herramientas de proctoring, tal y como indican en este artículo.
Por otro lado, sería una irresponsabilidad como profesionales de la educación, basar la toma de decisiones educativas solamente en un reporte de datos que ignora o ensombrece características humanas invisibles a la tecnología.
“La toma de decisiones humana, aunque a menudo tenga defectos, tienen una gran virtud: puede evolucionar… los sistemas automatizados permanecen congelados en el tiempo hasta que los ingenieros bucean en ellos para modificarlos… Debemos integrar de forma explícita mejores valores en nuestros algortimos y crear modelos de big data que sigan nuestro ejemplo ético. Y a veces eso significa dar prioridad a la justicia antes que a los beneficios”
958 050 205
