MÁSTER UNIVERSITARIO EN COMUNICACIÓN Y EDUCACIÓN EN LA RED.
SUBPROGRAMA DE INVESTIGACIÓN EN E-LEARNING
Ensayo individual
Texto sintético-analítico del artículo “Data & Civil Rights: Education Primer” (Alarcón et. al. 2014).
https://www.dropbox.com/s/jk5dnqj0g8g4vty/Tarea%201.docx?dl=0
1. Resumen
El texto presentado por Alarcón et. al.(2014) centra su atención en cómo el sistema educativo, considerado como una herramienta para construir una sociedad cada vez más equitativa y con igualdad de oportunidades, puede atender a la diversidad existente dentro del mismo. Concretamente, y a raíz de los grandes progresos en cuanto a tratamiento y gestión de datos y conocimiento se refiere, el artículo mencionado trata de abordar y discutir la idoneidad del procesamiento y combinación de tales datos, vislumbrando así soluciones a grandes problemas de carácter social-educativo, a saber, la tasa de abandono escolar, segregación, disciplina o falta de recursos. A pesar de esto, la falta de investigación y progreso en este campo y otros inconvenientes en cuanto al tratamiento y manipulación de los datos en cuestión ponen de manifiesto el largo camino que aún queda por recorrer en este ámbito.
Nuestro objetivo a partir del siguiente ensayo se basa en construir una mirada crítica y analítica del tema en cuestión partiendo de la referencia anteriormente citada, así como otras que pueden concitar interés al respecto, todo ello con el objetivo de profundizar en el análisis del tema presentado.
2. El tratamiento de los datos y el conocimiento en educación: consecuencias e implicaciones
2.1 La idoneidad del procesamiento de datos en educación
La educación, al igual que otros ámbitos y contextos de conocimiento, no permanece ajena al estudio y tratamiento de datos para perfeccionar y optimizar recursos y procesos de enseñanza-aprendizaje. Como señala Alarcón et. al.(2014, p. 2) “las nuevas técnicas de analítica de aprendizaje, combinadas con información y datos educativos y extra-curriculares, introducen nuevas posibilidades para comprender y calibrar diferencias individuales”. En este sentido, se vislumbra un paralelismo con el tratamiento y gestión de datos que hacen grandes empresas para promocionar y vender sus productos, comúnmente conocido como big data. No obstante, y salvando las diferencias, los fines serían, en esencia, radicalmente distintos pues el tratamiento de datos en educación, como hemos señalado anteriormente tendría un carácter de progreso y perfeccionamiento del propio sistema educativo.
En este orden de cosas, y como señalan los autores citados con anterioridad, debido a su cada vez menor coste económico “la búsqueda, combinación y estudio de nuevos tipos de datos para evaluar y mejorar políticas de enseñanza, institucionales y públicas en educación” ya ha comenzado a llevarse a cabo por parte de las administraciones educativas (Alarcón, et. al.op. cit. p. 2). De tal forma, personal docente e investigadores perciben, a partir del análisis algorítmico de los datos en cuestión, la posibilidad de mejorar aspectos educativos como la metodología, la aptitud, progreso y compromiso del alumnado, ayudar a identificar las fortalezas, debilidades y estilos de aprendizaje de éstos… En definitiva, ayudar a maximizar y personalizar los procesos de enseñanza-aprendizaje de forma concreta y especifica, haciendo del sistema educativo una herramienta cada vez más óptima y equitativa.
Los autores referenciados señalan ejemplos concretos y específicos de instituciones y/o organismos que ya llevan a cabo el tratamiento y procesamientos de datos para optimizar los procesos enseñanza-aprendizaje, es el caso de “Khan Academy” o el estado de Georgia en Estados Unidos, a través de métodos analíticos predictivos, tal estado consigue reducir el abandono escolar en cifras realmente significativas. Otro ejemplo mencionado es el caso de los MOOC, los cuales también utilizan este tipo de procedimientos de carácter informático para proceder a dar un servicio académico más adaptado y personalizado a los usuarios.
En relación a los MOOC, es por todos conocido que éstos son fruto de la revolución social-tecnológica que de un tiempo a esta parte se está produciendo en nuestra sociedad, la cual no tiene precedentes históricos. Esta revolución conlleva lo que se denomina como sociedad de la información. En este sentido, y aludiendo a la misma, Castells (1997, p. 47) explicita que la citada sociedad tiene tres rasgos definitoritos, a saber:
primero como base una revolución tecnológica; en segundo lugar, una reorganización profunda del sistema socioeconómico, proceso conocido como globalización; en tercer lugar, un cambio organizativo no menos profundo como es el paso de las organizaciones jerárquicas verticales a las “organizaciones en red”.
De la transformación social-económica que se desprende del concepto de la Sociedad de la Información, debemos añadir los cambios generados por lo que se conoce como Sociedad del Conocimiento. Grosso modo, coincidimos con Vargas (2005, p. 33) cuando expone que tal concepto se refiere a “la aceleración sin precedente del ritmo de creación, acumulación, distribución y depreciación del conocimiento; a aquella sociedad basada en el uso crítico, racional y reflexivo de la información global y distribuida…”.
En cuanto al tratamiento de datos en los MOOC, Domínguez, Álvarez y Gil (2016, p. 89) señalan que “métodos como la minería de datos y las técnicas de análisis del aprendizaje basadas en esos datos, han proliferado especialmente a partir de la expansión de los llamados cursos abiertos masivos online”. De esta forma, este tipo de cursos podría constituir una fuente de información significativa para proceder al estudio e investigación del tratamiento de los datos en contextos educativos más formales.
2.2 Defectos e interrogantes a raíz de la posibilidad del tratamiento de información y datos en educación
A pesar de que el objetivo del tratamiento de datos y conocimiento en educación sea, en esencia y a primera vista, el mejorar el sistema en su estructura y funcionamiento, las voces críticas en este sentido también se hacen notar y deben ser consideradas y estudiadas rigurosamente. Alarcón, et. al.(op. cit. p. 4), explicitan en relación a esta problemática que el tratamiento de datos para intervenir sobre los procesos enseñanza-aprendizaje “…perpetuaría el constante etiquetado de sujetos, haría más profundo, en vez de disminuir, las preocupaciones en cuanto a recursos, violaría la privacidad de las personas y posibilitaría el uso inapropiado de los datos obtenidos en contextos educativos por parte de contextos no educativos…”.
En conexión con esta última idea, Domínguez, Álvarez y Gil (op. cit. p. 90) coinciden plenamente con Alarcon et. al. (op. cit.) cuando apuntan que de la misma forma que cuando se trata el big data en otros contextos, “uno de los elementos más controvertidos de la gestión de datos en el ámbito educativo es precisamente todo lo relacionado con su recopilación, análisis y las diversas formas de utilización, incluida su monetización”.
La generación de desigualdades e intereses más allá de la educación que conlleva el tratamiento de los datos en contextos académicos entrevé un paralelismo con las críticas por parte de las teorías del credencialismo y la reproducción hacia las teorías del capital humano. En este sentido, uno de las teorías clave del funcionalismo es la del capital humano de Gary Becker. Tomando como referencia a Guerrero (2003 p. 168), esta teoría “sostiene que la inversión más rentable que un sistema económico puede hacer para crecer es aquella que realiza en la mejora de su capital humano”. A esto, el autor mencionado añade, “se establece una analogía directa entre la inversión en capital físico (fábricas, herramientas) y en capital humano (educación y cualificación para el trabajo), al entenderse el gasto en educación más como inversión más que como consumo”.
En contraposición a esto, autores como Bourdieu, Passeron o Bernstein, entienden “que el funcionamiento del propio sistema educativo, y más en concreto, la forma en que se ejerce la transmisión cultural, explica que determinados grupos tengan prácticamente garantizado el éxito o el fracaso en su paso por el sistema de enseñanza” (Bonal, op. cit. p. 76).
Esto es ratificado por Guerrero (op. cit. p. 214) quien explicita “Bourdieu y Passeron definen los contenidos del currículo escolar como parte del capital cultural académico exactamente como arbitrario o arbitrariedad cultural”, (entendiéndose por capital cultural el conjunto de competencias culturales que se adquieren a raíz de la socialización en unos ámbitos familiares de clase). Es decir, la acción pedagógica de la escuela desarrolla una forma de coacción hacia una determinada forma de proceder. A ello el mencionado autor añade:
Lo que cuenta como significativo y que solo puede ser aprendido cuando se poseen previamente los instrumentos de su apropiación. De esta manera, solo aquellos alumnos que hereden esos medios de apropiación pueden obtener -u obtienen- más provecho de tal acción pedagógica e incrementar su capital académico. El sistema educativo está así reproduciendo la estructura del capital cultural, y con ello, la estructura de las relaciones de clase en la sociedad.
Sin duda, al igual que se critica el hecho de que el sistema educativo como tal reproduce la cultura y grupos de statuts dominantes, el tratamiento y uso de datos en educación también podría ser desvirtuado por parte de agentes externos al propio sistema en cuestión. Ello invita sin duda alguna a reflexionar más profundamente sobre este aspecto que, aún siendo realmente interesante a primera vista, deja percibir ciertos inconvenientes.
3. Conclusiones
Concita interés poner de manifiesto que aún siendo conscientes de los trances que entraña el desarrollo del tratamiento de datos en educación, queremos expresar que los retos y dificultades propios de la sociedad del siglo XXI deben ser puestos de manifiesto y trabajados en los actuales contextos educativos.
Estamos de acuerdo con Domínguez, Álvarez y Gil (op. cit. p. 99) cuando penen de manifiesto que “en lo relativo a la evaluación de procesos sociales —y educativos—, basados en datos masivos, algunas de esas dificultades pueden superarse mediante el recurso a ciertos mecanismos prácticos, teniendo en cuenta determinadas propiedades del llamado conocimiento heurístico”. Estos autores añaden al respeto que “en el campo específico de la analítica del aprendizaje, las heurísticas se considera recomendaciones generales basadas en la evidencia práctica, lo que contrasta con los conjuntos de reglas fijas —algoritmos— que no pueden variar…”.
Así y tomando todo en conjunto, las instituciones educativas que siempre han sido motor de cambio y evolución social no pueden permanecer al margen de dichos retos. La promoción y búsqueda constante de prácticas docentes eficaces e innovadoras, combinadas con la minería de datos, deben formar parte de las políticas educativas en la Sociedad del Conocimiento. De este modo, consideramos firmemente, como expresa Gómez (2013, p. 78), que “el deseo de hacer que sucedaes la clave para que los líderes educativos, todos los participantes en la escuela, vayan atendiendo a las necesidades que van surgiendo en los procesos”.
4. Fuentes documentales
4.1 Referencias bibliográficas
Alarcón, A. et. al. (2014). Data & Civil Rights: Education Primer. Data & Civil Rights Conference.
Bonal Sarró, X. (1998). Sociología de la educación: una aproximación crítica a las corrientes contemporáneas.Barcelona: Paidós.
Castells Oliván, M. (1996). The information age: economy, society and culture. Volume I: The rise of the network society.Massachusetts: Blackwell Publishers,Inc.
Domínguez Figaredo, D., Álvarez Álvarez, J.F. y Gil Jaurena, I. (2016). Analítica del aprendizaje y Big Data: heurísticas y marcos interpretativos. Dilemata 8, 22,87-103.
Gómez Hurtado, I. (2013). Dirección y gestión de la diversidad en la escuela: Hacia un liderazgo inclusivo. Revista Fuentes, 14,61-84.
Guerrero Serón, A. (2009). Enseñanza y sociedad. El conocimiento sociológico de la educación. Madrid: Siglo XXI de España Editores S.A.
Vargas Leyva, M. R. (2005). Educar en el conocimiento. Revista de la Educación Superior, 34 (136), 35-48.
No comments:
Post a Comment