ANALÍTICA DEL APRENDIZAJE CONECTADO - ACTIVIDAD 1

Educación, Big Data y lenguas extranjeras: ¿Eficiencia empírica o una nueva forma de exclusión social?

Introducción

Vivimos en un momento en el que los flujos de información se constituyen cada vez más en la red y donde las interacciones entre personas, entre máquinas o entre ambas van dejando una impronta electrónica cuya cantidad y características pueden ser analizadas para crear conocimiento y buscar la eficiencia y efectividad del conjunto de procesos implicados en las distintas esferas sociales. La sociedad red que describe Castells (1997) plantea la existencia de nodos interconectados entre los cuales se constituyen autopistas de la información que van definiendo tanto las relaciones entre estos como la estructura general.

Si tradicionalmente las distintas disciplinas del saber aplicaban estudios positivistas basados en la detección de evidencias científicas a partir de la observación y análisis empírico de la realidad, la computación electrónica ha supuesto en este caso un gran avance en la metodología de análisis de datos, ya que contamos cada vez más con mayor capacidad de tratamiento, gestión y procesamiento de la información. El avance exponencial de estas capacidades operacionales y la profusión de datos ha dado lugar a lo nuevas formas de creación de conocimiento y saber científico basados en el análisis masivo de datos y en el procesamiento mediante inteligencias artificialmente creadas con el fin de optimizar los distintos procesos implicados en nuestro día a día.

En este contexto, la Educación ha sido y está siendo objeto de la aplicación del big data  y de la inteligencia artificial (IA) con varios propósitos y cuyo análisis puede ayudarnos a esclarecer tanto las posibilidades como los riesgos que entrañaría tanto para los procesos de aprendizaje-enseñanza como para la democracia y la justicia social. Asimismo, abordaremos su utilidad dentro del ámbito de la didáctica de las lenguas extranjeras.

1. Big data e IA: en busca de la eficiencia de los procesos educativos

La incipiente aplicación del análisis masivo de datos en Educación va otorgando toda una serie de herramientas para el análisis de las conductas e interacciones de los alumnos con el objetivo de evidenciar patrones y optimizar los procesos de aprendizaje/enseñanza. El informe Horizon Report (2013, pp. 27-31) también insiste en situar el leaning analytics como una de las innovaciones educativas que permitirá implantar una educación más eficiente, eficaz y objetiva a partir de los datos generados por los alumnos a través de las distintas prácticas educativas diseñadas.

En este sentido, los datos son recabados para luego ser objeto de un proceso de análisis algorítmico con el fin de detectar patrones y tendencias que permitan crear perfiles y diseñar diferentes tipos de metodologías, técnicas y recursos para cada uno de estos, lo que se traduce en la posibilidad de implementar lo que comúnmente se conoce como adaptive learning. Esta nueva forma de enfocar el aprendizaje parte de la necesidad de proveer distintos itinerarios para cada uno de los perfiles encontrados y de esta manera proponer un modelo formativo personalizado que satisfaga las necesidades individuales y respete los distintos ritmos de aprendizaje, dejando de lado la concepción tradicional, unidireccional y homogeneizadora de la educación.

Por otra parte, de este análisis se pueden deducir las dificultades individuales e incluso predecir los resultados del proceso de enseñanza/aprendizaje: entre estos elementos, se pueden diagnosticar los posibles casos de abandono escolar y prescribir adaptaciones o medidas específicas destinadas a mitigarlo o erradicarlo a través de actuaciones precisas, entre las que se señalan cursos específicos o software de orientación y refuerzo como vías de atención personalizada (Johnson et al. 2013, p. 5).

La motivación es además otra de las variables afectadas, ya que aquellos “que trabajan con learning analytics visualizan la capacidad de adaptar el aprendizaje a las necesidades e intereses personales de los alumnos, apoyándose en datos para proporcionar sugerencias y ajustes meticulosamente calculados para mantener la motivación de los alumnos” (Johnson et al., 2013, p. 27). En esta misma línea se sitúa Alarcón et al. (2014, pp. 2-4) al destacar la utilización de datos combinados con herramientas tecnológicas de análisis para potenciar una instrucción personalizada, de calidad y económicamente eficiente con el fin de dar respuesta a las necesidades particulares y brindar mayores oportunidades a una masa de estudiantes hasta ahora homogéneamente tratada.

No obstante, a pesar de que el uso del big data puede favorecer nuevas políticas educativas, reducir costes y llegar a una mayor variedad de estudiantes para ofrecer más oportunidades a las minorías y reducir la discriminación y el fracaso escolar en las mismas (Alarcón et al., 2014, p. 3), lo cierto es que esta modalidad de investigación etnográfica aplicada a la Educación, posee una serie de inconvenientes que atañen a la privacidad, a la libertad y al respeto de los valores democráticos y a la inclusión social.

2. Modelización de perfiles y exclusión

El enfoque que aquí se propone se basa, como hemos visto, en la personalización e individualización del aprendizaje a través de la optimización de recursos, procesos y resultados. Esta perspectiva es cuanto más útil en determinados contextos de exclusión (racial, étnica o económica) donde el abandono escolar y las dificultades de acceder y cursar estudios superiores están a la orden del día. El acceso a recursos públicos supone otra traba para la inclusión social, ya que los centros que cuentan con alumnado perteneciente a colectivos minoritarios cuentan con mayores dificultades a la hora de acceder a recursos y son formados por personal con menor titulación que los centros de referencia (Alarcón et al., 2014, p. 1). Esto provoca un efecto de segregación escolar que propicia  el aislamiento y la concentración de estos colectivos en determinados centros educativos para culminar con lo que se conoce como proceso de guetización escolar (Castaño & Alcaraz, 2012, p. 14) una vez este fenómeno se asienta en zonas y centros concretos de forma extrema, lo que evidencia otra forma más de exclusión social a priori en base a la pertenencia o no a estos distritos escolares. El análisis predictivo y el diseño de recursos específicos a través del análisis masivo de datos, vendría, en principio, a dar respuesta a estos problemas y ofrecer guías metodológicas, institucionales y educativas para dirigir políticas educativas y sociales favorables a la inclusión y a la inserción laboral futura de estos colectivos. No obstante, desde nuestra perspectiva consideramos que esta nueva estrategia metodológica posee ciertas deficiencias:

-       Esta nueva estrategia metodológica daría lugar a toda una serie de perfiles individuales sistematizados —a través del análisis de variables mediante algoritmos— que más que proponer una educación personalizada, se concibe más bien como una ultra-segmentación de la audiencia en perfiles predeterminados;

-       La asignación de recursos y la orientación formativa se lleva a cabo en función de las habilidades y conocimientos detectados a partir de pruebas estandarizadas, sin atender a la complejidad de procesos implicados (y no directamente observables mediante las conductas efectuadas) en el aprendizaje;

-       La imposibilidad o la dificultad de revertir la asignación de estos perfiles por otros que se adecuen a los complejos procesos de transformación y maduración cognitiva y, por extensión, la asignación de etiquetas persistentes a los sujetos objeto de análisis (Alarcón et al., 2014, p. 4).

-       y sobre todo, el uso que puedan darse a estos datos por parte de intereses privados o con fines no específicamente educativos, lo que puede traducirse en el uso de esta información para ofrecer, limitar y ajustar distintos servicios básicos o agregados: acceso a la universidad según coeficiente de rendimiento, cursos privados y/o públicos en base al perfil competencial del alumno u orientación académica y/o laboral en función de los resultados del análisis sin atender a las necesidades y motivaciones intrínsecas del alumno.

Por otra parte, siendo la misión de la institución educativa el de construir una sociedad acorde con los valores democráticos que sustentan la sociedad del conocimiento, y partiendo de la intención de la analítica de datos de ofrecer una educación personalizada, no se entiende cómo el aprendizaje, en tanto práctica socialmente mediada —en entornos materiales, virtuales o híbridos—, no se analiza desde una perspectiva en la que la diferencia pueda constituirse como articuladora del conocimiento y constructora de aprendizajes significativos a partir de los distintos procesos de negociación de significados entre distintos individuos. El hecho de plantear recorridos puramente individuales se confunde, desde mi punto de vista, con el hecho de proponer una educación personalizada donde las habilidades de cada alumno se deberían entender como complementarias a las del grupo para conformar una inteligencia colectiva (Lévy, 2004).

Desde una perspectiva social del aprendizaje, la socialización y la negociación no se pueden excluir a la hora de crear conocimiento y aprendizaje significativo, y el planteamiento que ofrece el learning analytics plantea una instrucción individualizada anteponiendo la lógica económica y estadística (eficacia, eficiencia, productividad) a la lógica humanística que debería imperar en la esfera educativa. Esto podría resultar irremediablemente en la utilización de estos recursos para nuevas formas de segregación y exclusión basados en evidencias y cuya materialización se manifestaría bajo formas como la pre-asignación de recorridos formativos atendiendo únicamente a criterios estadísticos o la dedicación y adaptación de recursos de bajo coste como son los Massive Open Online Courses (MOOCs), que como su nombre indica, son masivos y se dirigen a amplias audiencias segmentadas a través de los perfiles creados por el análisis de datos. Por otra parte, esta nuevo enfoque se concibe como una nueva forma de conductismo aplicado a la educación, ya que las herramientas que propone se basan únicamente en aspectos extrínsecos al aprendizaje, dejando de lado toda una serie de variables psicológicas e internas que implicadas en estos procesos.

3. Metodología de análisis y realidad educativa

Si el análisis masivo de datos en Educación da lugar a nuevas formas de sistematizar y monitorear las prácticas educativas a partir de las evidencias constatadas mediante experiencias observables, lo cierto es que este no desemboca necesariamente en procesos transparentes o describen fielmente la realidad tan compleja que define el proceso de enseñanza/aprendizaje. La evaluación algorítmica, como hemos sugerido anteriormente, se basa en la demostración de evidencias estadísticas y numéricas de ciertos fenómenos que muchas veces no se corresponden totalmente con la realidad o que dejan de lado las particularidades de cada contexto de aprendizaje. El hecho de sistematizar la investigación supone privilegiar una serie de variables a priori relevantes para determinar el conjunto del estudio (ratio de aprobados, resultados académicos, tasa de abandono escolar, índices de participación), pero conduce irremediablemente a obviar y dejar de lado otras variables y datos no evidenciables empíricamente como pueden ser la singularidad del contexto de aprendizaje (contexto social, cultural, económico, geográfico, etc.) o los relacionados con los agentes implicados (elementos cognitivos, culturales, psicológicos, etc. tanto de los educandos como de los educadores). En este sentido, la utilización de la analítica del aprendizaje han dado lugar a dos discursos:

-       Por una parte, una “posición maximalista respecto a las posibilidades abiertas del big data” que se identifica con una obsesión desmesurada de medir cualquier tipo de conducta relacionada con el proceso de enseñanza/aprendizaje con el propósito de racionalizarlos (Domínguez, Álvarez & Gil-Jaurena, 2016, pp. 90-91).

-       Por otra parte, se propone un enfoque más heurístico de la analítica del aprendizaje donde la minería de datos y los marcos interpretativos pueden “poner en contexto los indicadores y los niveles de satisfacción deseables (Domínguez, Álvarez & Gil-Jaurena, 2016, pp. 98-99).

En este segundo caso, se plantea la necesidad de que el investigador realice un esfuerzo interpretativo que sea capaz de extraer conclusiones a través de procesos inductivos que partan de la experiencia práctica y de una concepción holística del aprendizaje. Para ello, la aproximación heurística (Domínguez, Álvarez & Gil-Jaurena, 2016, p. 99) serviría de base para superar las deficiencias de los métodos evaluativos algorítmicos y proponer medidas y estrategias adaptadas a cada contexto que tengan en cuenta tanto evidencias empíricas como los procesos inherentes al aprendizaje, dando lugar a la disociación de los conceptos de conducta y aprendizaje:

[…] se procede a identificar de un modo directo el aprendizaje con los comportamientos que suceden durante  la  adquisición  de  nuevos  conocimientos,  de  tal  modo  que  un  registro  de  esos comportamientos (…) se propone como la medida para valorar el aprendizaje en su conjunto, obviando que este es un fenómeno mucho más complejo de evaluar (Citado en Domínguez, Álvarez & Gil-Jaurena, 2016, p. 93).

A pesar de todo lo mencionado, la analítica del aprendizaje conectado puede constituir un modelo totalmente válido para iniciar la práctica de diversas estrategias orientadas, por ejemplo, a sistematizar y optimizar determinados procesos implicados en la enseñanza/aprendizaje de lenguas extranjeras.

4. Big Data y lenguas extranjeras: una propuesta de aplicación

La gestión de los procesos implicados en el aula de lenguas extranjeras entraña la dificultad de desarrollar no solo la competencia comunicativa de los alumnos, sino que además incluye la necesidad de atender a los distintos ritmos y estilos de aprendizaje y, sobre todo, al nivel madurativo del proceso de interlengua de los alumnos (Corder, 1967). La analítica del aprendizaje conectado en este contexto, podría ser una herramienta muy útil para diagnosticar los errores lingüísticos, pragmáticos, sociolingüísticos y estratégicos más recurrentes tanto a nivel individual como colectivo para proponer estrategias de comunicación personalizadas que eviten el riesgo de fosilización. En este sentido, la reorientación de los procesos de aprendizaje con vistas a la revisión, refuerzo y ampliación de conocimientos para superar estos accidentes comunicativos transitorios, basados en los resultados del análisis de tareas e interacciones grupales —en entornos virtuales, como pueden ser redes sociales, foros, blogs, podcast, etc.— puede suponer una ventaja si se sistematizan distintos canales y métodos para la práctica lingüística y discursiva, sobre todo si con ello se consigue reducir la carga de trabajo que este tipo de análisis conlleva al docente.

La creación de tutoriales en distintos formatos y la explicitación de estrategias meta-cognitivas personalizadas irían encaminadas a dar respuesta a las necesidades específicas de los alumnos lo que, combinado con la práctica discursiva recurrente, daría como resultado un aprendizaje significativo y el desarrollo y consolidación de estrategias comunicativas individuales a partir de procesos de aprendizaje socialmente mediados en entornos híbridos o virtuales.

Además, en aquellos contextos donde las necesidades educativas sean especialmente sensibles —como puede ser el caso de alumnos inmigrantes de incorporación tardía, alumnos con trastornos del lenguaje o dificultades severas de aprendizaje— y donde el mediador no suele disponer de formación específica previa, la analítica del aprendizaje y los recursos generados a partir de la misma por otros investigadores, pueden suponer un punto de partida inicial sobre el que basar futuras aproximaciones y adaptaciones heurísticas para proponer recorridos personalizados e individualizados que tengan como objetivo potencias las habilidades de cada uno de estos alumnos. Además, el intercambio de datos a través de plataformas educativas y de investigación seguras y exclusivas, permitiría el intercambio de distintas estrategias y la difusión de experiencias y buenas prácticas aplicadas educativas, conformando una serie de guías para elaborar planes personales adaptados a nuestro contexto.

Es por ello que el enfoque heurístico y la minería de datos puede proponer una vía eficaz para proponer una educación realmente heterogénea, personalizada —y no individual­ y sistémica— que sea compatible con los procesos de socialización y de construcción colectiva de significados para obtener aprendizajes contextualizados y significativos. Asimismo, a pesar de que la analítica del aprendizaje a través del big data puede ofrecer más oportunidades de acceso y de promoción a las minorías excluidas, lo cierto es que supone al mismo tiempo una forma de aislamiento social en tanto que conciben el aprendizaje como un proceso puramente individual, lo que entra en conflicto con la representación de una Educación universal, integral e inclusiva.

Bibliografía

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

Castaño, F. J. G., & Alcaraz, A. O. (2012). Segregaciones y construcción de la diferencia en la escuela. Editorial Trotta, SA.

Castells, M. (1997). La era de la información. Volumen 1: La sociedad red. Madrid: Alianza Editorial.

Corder, S. P. (1982). Error analysis and interlanguage (Vol. 198, No. 1). Oxford University Press.

Domínguez, D,. Álvarez, J. F., & Gil-Jaurena, I. (2016). Analítica del aprendizaje y Big Data: heurísticas y marcos interpretativos. Dilemata, (22), 87-103. http://www.dilemata.net/revista/index.php/dilemata/article/view/412000042/450

Johnson, L., Adams Becker, S., Cummins, M., Estrada, V., Freeman, A., & Ludgate, H. (2013). NMC Horizon Report: Edición sobre Educación Superior 2013. Austin, Texas: The New Media Consortium. https://www.puce.edu.ec/documentos/pucevirtual/2013-Horizon-Report.pdf

Lévy, P. (2004). Inteligencia colectiva. Por una antropología del ciberespacio. Organización Panamericana de la Salud. Qualitative Research in Education, 4 (3), 323.