El conjunto de datos educativos no contiene 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
Daniel Amo
La analítica del aprendizaje es Big Data. Es así ya que sus inicios se mueven en un contexto de grandes datos, donde las técnicas analíticas utilizadas hacen relación al Big Data. Si sigo esta narración puedo afirmar que la analítica del aprendizaje es Big Data, puesto que si aplicamos un análisis de datos educativos en un entorno donde hay grandes cantidades de datos, se generan a una gran velocidad y son de distintos tipos entonces se puede hablar de un entorno Big Data.
Al mismo tiempo tampoco es Big Data. Si se aplica en grupos de no más de treinta alumnos, en clases aisladas, donde cada profesor trata únicamente con esos datos, entonces se habla de Small Data. En este contexto limitado por la cantidad de alumnos también se pueden generar resultados, extraer conclusiones y accionarlas para la mejora del contexto educativo. No obstante, al Small Data le confiero otra dimensión más allá de lo contrario al Big 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.
Al tratar con grandes datos se generan resultados de tendencias, patrones y predicciones, con sus posibles errores de precisión. Para eliminar este error en la detección de patrones y tendencias es necesaria la colaboración del alumno, puesto que aporta luz a sus interacciones, da 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.
1.3.1 Big Data
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 –su valor real-. 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 xAPI – Experience API-.
xAPI aporta un marco de almacenamiento de interacciones de alumnos que aporta homogeneidad entre distintas plataformas, interoperabilidad y externalización de sus logs. 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. En consecuencia, 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 de los clics en una plataforma virtual, del reconocimiento facial, de la grafología o del reconocimiento sentimental -entre otras aproximaciones- ya pueden almacenarse fuera del entorno virtual de aprendizaje.
Si además de considerar las interacciones en el entorno virtual de aprendizaje le agregamos las ocurridas en redes sociales, foros, debates y cualquier entorno digital clicable –ratón- o pulsable -pantalla táctil- podremos imaginar la cantidad de datos que se pueden generar y almacenar. Esta cantidad es enorme y casi exponencial a medida que crece el número de alumnos.
1.3.2 Small Data
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 generalistas o incluso equívocos. En el Big Data se 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 que se escucha activamente al alumno. Por consiguiente, el Small Data es la voz directa del alumno y cada docente debe aprovecharla para aumentar la precisión en sus decisiones.
Es por lo anterior que al alumno debe dársele la oportunidad de hablar, tanto en los momentos de tutoría y de evaluación, pero también en las visualizaciones. En Small Data estas deben reflejar lo que el alumno ha realizado, cómo ha interactuado y cómo son sus reacciones ante estímulos educativos.
En las experiencias presentadas en los siguientes capítulos los profesores hacen un uso exhaustivo del Small Data. En consecuencia, esta aproximación cobra mucho más sentido en el día a día de un docente. Como podrás constatar, pocas de las experiencias presentadas en el libro usan grandes cantidades de datos o técnicas asociadas a su tratamiento, incluidas aquellas que tratan datos de todos los alumnos de un centro. No obstante, un profesor en el aula es como un gran hermano que todo lo ve, y que compartido con el resto de los profesores puede cobrar sentido usar metodologías de análisis de datos masivos.