En los ecosistemas tecnológicos de aprendizaje (García-Holgado & García-Peñalvo, 2017) el flujo de datos es constante. El tratamiento de estos datos es fundamental para que, como docentes, nos resulten relevantes. Podemos seleccionar, clasificar, filtrar, ordenar, procesar, agregar, representar, analizar y transformar datos os a conveniencia.

El uso de técnicas de análisis Big Data y de la Inteligencia Artificial en el contexto educativo presenta nuevos retos. Interesados en la materia apuntan a un futuro prometedor, que inquietante a veces, se muestra estimulante y desafiante sin duda alguna.

Muchos de estos datos tienen un aspecto en común: son medibles. Por consiguiente, son datos que explican una realidad medible sesgada de la parte imposible de medir. El uso del resultado de la medición es la diferencia entre un futuro educativo prometedor y uno de inquietante.

En el ámbito educativo se pueden medir las interacciones de los estudiantes en relación al tiempo empleado en una tarea, el porcentaje de objetivos alcanzados, el número de ejercicios realizados, el número de intentos antes de superar un desafío, el número de interacciones a lo largo del entorno virtual de aprendizaje, la asistencia y ausencia a una clase, los aciertos y errores en un cuestionario, entre otras muchas interacciones tanto en entornos en línea como en el aula. Estos datos convertidos a información de evaluación, en base a unos criterios -que suelen incluir alguna fórmula matemática que los pondere y promedie-, permiten al docente emitir una calificación numérica.

Es posible usar un algoritmo para automatizar el cálculo de calificaciones. No obstante, en la creación de los algoritmos se encierra la misma subjetividad que el criterio docente al hacer el cálculo de forma manual. Podemos decir que un algoritmo es neutro, pero no así el objetivo del algoritmo, que es sesgado si los datos de entrenamiento lo están.

Generalizando, se valora cada aspecto de la evaluación de un modo adecuado según criterio profesional del docente (y justo?). Incluso la evaluación implica una actuación consensuada -acuerdo departamental entre roles con distintos intereses-. Por consiguiente, existen matices subjetivos en los procesos de evaluación. Estos matices definen la trampa de la falsa objetividad. Automatizar la falsa objetividad mediante algoritmos genera perjuicios en los actuales y futuros estudiantes si su diseño es subjetivo y se usan datos irrelevantes o sesgados.

Y, si estamos cayendo en la trampa de la falsa objetividad, ¿por qué no asumirlo y darle valor a los datos realmente subjetivos? He aquí la diferencia fundamental entre el Big Data -datos de muchos estudiantes- y el Small Data -datos de uno o estudiantes de la misma aula-. Los datos que no podemos medir numéricamente requieren nuestra presencia, atención y capacidad de observación.

Las acciones que realiza un estudiante lo definen en términos de características, habilidades, saber hacer y saber ser. Estas acciones, comprendidas dentro del Small Data, generan datos del estudiante tanto cuantitativos como cualitativos. ¿Se puede medir el aprendizaje? Las acciones no medibles generan no-datos-numéricos (aka no-datos). La a analítica de los no-datos me puede decir por qué (y qué) ocurre, y la analítica de los datos me está diciendo qué ocurre.

La observación del docente en el aula es fundamental, en especial durante las etapas obligatorias. El desarrollo psicoevolutivo del niño y del adolescente es complejo, y no son pocos los factores -económicos, sociales, familiares, emocionales- que influyen en su capacidad para llevar a cabo el aprendizaje de manera efectiva.

Como docentes tenemos claro qué queremos que aprendan los estudiantes -objetivos y contenidos-, y cómo queremos que lo aprendan -metodología-, y qué herramientas usar para medir el resultado de ese proceso. Pero lo realmente relevante del proceso de aprendizaje, y lo difícilmente medible con datos, es de qué manera sucede el proceso, y cómo se ponen en juego factores como la motivación, la atención, el interés, la implicación en la tarea y el meta-aprendizaje.

Es cierto que muchos de esos factores son intrínsecos, pero el docente juega un papel importante a la hora de potenciarlos. Si todos los estudiantes bostezan en clase, tal vez tienen sueño porque la noche anterior hubo un partido importante o un capítulo de una serie interesante. Pero tal vez les estoy presentando los contenidos de una manera poco estimulante, o no he sido capaz de generar una expectativa que predisponga al aprendizaje. Si permanecen en silencio, puede ser que me estén escuchando con atención, o que simplemente hayan desconectado, así que buscaré pequeños elementos que me confirmen en qué situación se encuentra cada alumno. Pequeñas preguntas fáciles de responder de manera inmediata, pedir que expresen su acuerdo o desacuerdo con una premisa alzando la mano, puede ser suficiente para detectar si el flujo de comunicación está funcionando.

El reconocimiento facial es otro de los aspectos inquietantes acerca del tratamiento de datos personales en nuestra sociedad. Hemos visto incluso software de reconocimiento aplicado a escuelas, capaz de determinar el nivel de atención de los estudiantes, evaluando distintos parámetros mediante un algoritmo. No renegamos de las aportaciones que nos brindan los sistemas de reconocimiento facial en materia de seguridad. Tampoco en cuestión de clasificación de información en grandes bases de datos de fotografía y video. Pero en las distancias cortas, el mejor sistema de reconocimiento facial, de momento, somos nosotros mismos, y conocer a las personas ayuda mucho. Si no se aporta una buena base de datos de entrenamiento, el algorismo sesgará resultados.

El feedback que me proporcionan las caras, los gestos, los sonidos y todo el lenguaje no verbal de los alumnos tiene un valor incalculable. Son no-datos, parte del Small Data, que aportan mucha información relevante y que condicionan de qué manera voy a continuar el enfoque de mi clase. En algunos casos, ante grupos con dinámicas muy marcadas, me hará replantearme por completo el enfoque del curso.

García-Holgado, A., & García-Peñalvo, F. J. (2017). Definición de ecosistemas de aprendizaje independientes de plataforma. Servicio de Publicaciones Universidad de Zaragoza.

One Reply to “La analítica de los datos no-datos”

  1. Cristina Marin

    Me parece muy interesante vuestra investigación, me gustaría hacer algo semejante con mis alumnos de Esic. Estoy empezando a trabajar con ellos con Perusall.

    Reply

Deja una respuesta

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