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.
Comentarios
Publicar un comentario