By | julio 25, 2017

Los datos educativos y análisis de los mismos no contienen más que un historial de cómo se comportan los alumnos en estos entornos en línea. Llamémosle a esto como Big Data. Será el alumno el que deba añadir datos concretos y explicaciones adecuadas. Llamémosle a esto último como Small Data.

Visto de otra forma, el Small Data es ese porcentaje de error que desvirtúa la exactitud en el Big Data, o lo que es lo mismo, aunque parezca contradictorio, lo que da exactitud en el Big Data. Para eliminar este error en la detección de patrones y tendencias es necesaria la colaboración del alumno, puesto que aporta luz a sus interacciones dando las explicaciones y apreciaciones pertinentes. Así que en realidad el Big Data y el Small Data no están reñidos, se complementan, se retroalimentan y se necesitan el uno al otro para completar la totalidad de la visión del comportamiento del alumno en entornos digitales.

El concepto Big Data se identifica como un contenedor cuyos datos son de origen heterogéneo (variedad), de alta calidad (veracidad), crecen desproporcionadamente a un ritmo vertiginoso (volumen y velocidad) y tienen un potencial para el desarrollo socioeconómico (valor). Variedad, veracidad, volumen, velocidad y valor son las 5 características que definen al Big Data.

Hemos llegado a un momento en que la analítica del aprendizaje puede llegar a cumplir las 5Vs anteriores. Esto es debido a que los logs de datos empiezan a externalizarse con nuevos acercamientos tecnológicos como la xAPI. Estas externalizaciones de datos ofrecen un nuevo formato y concepto de almacenamiento de las interacciones de los alumnos. Las fuentes de datos dejan de integrarse dentro de los entornos virtuales de aprendizaje, y se rompe con la estructura rígida de base de datos con filas y columnas específicas. Esta liberación introduce nuevas posibilidades y reglas de juego -que no limitación pero sí delimitación de poderes, roles, capacidades, propietarios y usufructuarios-.

Este nuevo tipo de organización de datos crudos (interacciones) propone un nuevo horizonte en el que tienen cabida interacciones más allá del entorno virtual de aprendizaje. Todas las interacciones derivadas del clickstream, del reconocimiento facial, de la grafología o del reconocimiento sentimental (entre otras aproximaciones) ya pueden almacenarse fuera del entorno virtual de aprendizaje. Solamente considerando el clickstream nos podremos imaginar la cantidad de datos que se pueden generar y almacenar. Esta aproximación basada en clics incluye entornos virtuales de aprendizaje, redes sociales, foros, debates y cualquier entorno digital clicable (ratón) o pulsable (pantalla táctil) . La cantidad de datos que se pueden generar y almacenar es enorme.

A pesar de este escenario creciente en datos, el Big Data elimina la granularidad y se queda en la visión global de lo sucedido. Su análisis propone tendencias, patrones y puntos de vista que pueden ser equívocos, puesto que elimina la propia voz de los alumnos y se queda en la tendencia grupal. Es aquí dónde el Small Data juega un papel fundamental. La granularidad con la que se trabaja en contexto Small Data minimiza las tendencias equívocas, puesto se escucha activamente al alumno. Por consiguiente, el Small Data es la voz directa del alumno.

Es por esto que al alumno debe dársele la oportunidad de hablar, tanto en los momentos de tutoría y de evaluación, pero también en las visualizaciones. Volviendo al concepto de Dashboard Narrativo, se me ocurre que sea el propio alumno el que aporte datos en el mismo dashboard del profesor. Esta aproximación aumenta el valor del dashboard narrativo, puesto que añade explicaciones de primera mano del alumno y se comparten los insights entre roles educativos. Así pues, un Dashboard Narrativo con Small Data democratiza la analítica del aprendizaje y la hace un poco más exacta.

2 Replies to “La otra cara del Big Data: menos tendencias, menos patrones y más Small Data”

  1. Armando

    No tengo mas que decir que aquellos que manejan estos datos son unos genios. Solo un detalle, supongamos el que alumno aporta su «small data», a veces uno mismo no sabe que escribir y aporta informaciones falsas o cree que esta dando una informacion correcta pero es falsa, por ejemplo a la pregunta como te sientes en tu casa? La primera respuesta podria ser «pesimo, mis padres no me dan permiso ni para salir», sin embargo capaz esa sensacion es solo temporal. Es solo un ejemplo o el ejemplo no serviria en este caso? Hay algun corrector de small data si esto es asi?

    Reply
    1. Daniel Amo Filvà Post author

      Hola Armando,

      Contra los sesgos cognitivos se puede luchar de dos formas, con PNL y conociendo los distintos sesgos cognitivos. La distorsión de la realidad en adolescentes, y alumnos de más temprana edad, es muy común. Es el deber del profesor esclarecer estos sesgos si hay profesor captando el small data.

      Si la que captura el small data es un ordenador, es seguro que utilizando machine learning, sesgos cognitivos y un buen entrenamiento se pudiera alertar de posibles situaciones incorrectas o a corregir.

      Dani

      Reply

Responder a Armando Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *