DATA & CIVIL RIGHTS: EDUCATION PRIMER

Ensayo sobre el uso masivo de datos en educación. Análisis del artículo "Data & Civil Rights: Education Primer" de Andrea Alarcon, Elana Zeide, Alex Rosenblat, Kate Wikelius, danah boyd, Seeta Peña Gangadharan, and Corrine Yu.

En la actualidad soy profesora en EEUU, por lo que me he permitido la licencia de incluir al final del análisis mi punto de vista sobre el tema estudiado. 

----------------------------------------------------------------------------------------------------

En 1954 se declaró inconstutucional la segregación racial en Estados Unidos, y es pertinente afirmar que desde entonces se han conseguido algunos avances en materia de igualdad. Sin embargo, la injusticia racial todavía pervive en el sistema educativo estadounidense, con grandes desigualdades de recursos, trato, y oportunidades entre las escuelas que tienen mayoría de estudiantes blancos y las escuelas cuyos alumnos pertenecen en un gran porcentaje a diferentes minorías (sobre todo negros e hispanos). Aunque en la actualidad en Estados Unidos se usa el término afroamericano para referirse a la población americana, nosotros usaremos el término "negro" para referirnos a este segmento de población porque es el que se usa en el artículo analizado.

En el siguiente enlace sobre la historia de la segregación racial en Estados Unidos se puede obervar la evolución histórica de las diferencias raciales desde finales del siglo XIX hasta la actualidad. 

Reforma tras reforma se ha visto que una de las maneras de luchar contra estas desigualdades es basar los cambios en el análisis de los datos que se producen en el contexto educativo, en herramientas para procesarlos, y en el uso de la tecnología en el aula. Esta práctica en teoría tiene mucho potencial, pero en la práctica es difícil determinar si es efectiva. 

 En la actualidad hay diversos datos sobre desigualdades sociales que corroboran estas afirmaciones que acabamos de realizar: 

• Tasa de graduación de la escuela secundaria (APA, 2012): 
• Blancos   83%
• Minorías  60%
• Negros  50%
• Tasa de matriculación en la unversidad (US Department of Education, 2014): 
• Blancos 72%
• Latinos 64%
• Negros 56%
• Tasa de graduación en la universidad en carreras de 4 años (Orfield, G., Kucsera, J. y Siegel-Hawley, G., 2012):
• Blancos 41%.
• Negros 20%
• Las "majority-minority schools" son escuelas en las que una raza considerada de la minoría es la raza mayoritaria en la misma (Wikipedia, s.f.). En 2010 el 74, 1% de los negros y el 79,1% de los latinos asitían a este tipo de escuelas (Orfield, G.et al, 2012).
• Las escuelas formadas con un 75% de población de bajos ingresos tienen tres veces más profesores de inglés y de ciencias poco formados, o directamente sin título apropiado para ejercer la docencia en estos campos (Wirt, J. et al, 2004).
• Según Balfanz R. et al (2013) los estudiantes de color reciben castigos más duros en temas de disciplina escolar. 

La situación actual en cuanto a segregación racial en el sistema educativo americano no ha mejorado mucho desde los años de estas estadísticas, tal y como se puede observar en el el siguiente artículo titulado "La segregación en la escuela no es un mito".

La educación basada en datos se centra en la idea de que el uso de los datos, combinados con determinadas herramientas tecnológicas y un análisis apropiado de estos datos ayuda a personalizar la enseñanza, a maximizar los recursos y a facilitar el acceso a una educación superior asequible o incluso gratis. El análisis de los datos es la mejor manera de haccer llegar el mejor contenido a un espectro más amplio de estudiantes (Baker, 2010).

El siguiente blog explica que la educación basada en datos debe cuantificar cuánto aprenden los estudiantes y cómo podemos garantizar que nuestros alumnos aprenden lo que necesitan para tener éxito. 

Las nuevas técnicas analíticas, combinadas con datos intra y extra curriculares, permiten entender y medir mejor las necesidades individuales de los estudiantes. La diferencia con esta nueva era es que antes la información que proporcionaban estos datos estaba inconexa en diferentes sitios, y era mucho más caro utilizar esta información de manera efectiva.  Ahora el algoritmo permite realizar conexiones entre las variables que conforman el proceso educativo con una eficacia muy alta. (Johnson, 2014).

En la actualidad hay multitud de organizaciones educativas que fundamentan sus decisiones en la educación basada en datos, ejemplo de ello es la Fundación Michelle y Susan Dell, o el Condado de Maury (Tennessee) También hay continuos análisis como este titulado 10 pasos para establecer una cultura universitaria basada en los datos que analizan el fenómeno.

Las plataformas digitales que basan su estructura en el análisis de los datos que producen los estudiantes permiten, en teoría, una mayor movilidad social y económica a los individuos que las utilizan. Según Bienkowski et al. (2012) el Departamento de Educación de los Estados Unidos promueve la recogida de datos de y sobre los estudiantes para mejorar la evaluación de las políticas educativas institucionales públicas, para dar educación asequible a un número más extenso de estudiantes potenciales, y para crear herramientas más efectivas para hacer exámenes que los exámenes oficiales que se hacen en la actualidad.

La información que proporciona el uso de los datos puede ser usada para los siguientes aspectos:

• Construir modelos educativos para individualizar la instrucción, crear mapas de aprendizaje, evaluar el apoyo pedagógico, contribuir al desarrollo de las ciencias educativas (Johnson, 2014).
• Crear modelos para predecir matrículas, actuación y capacidad retentiva de los estudiantes. (Chadha, A. y Kumar, V., 2011)
• Detectar fraude o plagio, crear motores de recomendación, e identificar resultados anormales (Kumar Baradwaj, B. y Pal, S., 2011). 
• Propósitos administrativos de todo tipo (Deliso M., 2012)

La personalización del aprendizaje traerá una adaptación del sistema para proporcionar a los estudiantes de escala social baja entornos de aprendizaje que se adapten más y mejor a sus circunstancias y les permita llegar mejor a su necesidades y sus objetivos. Las plataformas que se basan en la adaptación del aprendizaje usan algoritmos para automatizar la personalización del proceso, y eso algoritmos se pueden aplicar a un contenido concreto, o incluso al todo el proceso de enseñanza aprendizaje Watters, A., 2013). 

Sin embargo, analizando el fenómeno de la personalización del aprendizaje más a conciencia, encontramos artículos como el siguiente blog en el que se especifica que el análisis de los datos es solo uno de los elementos necesarios para adaptar el modelo educativo al estudiante. Los otros son las instrucción con un objetivo concreto, los contenidos flexibles, y la reflexión y el empoderamiento de los estudiantes. 

Plataformas como Khan Academy o MOOC´s ofrecen instrucción fuera de los sistemas oficiales que, en el caso de la primera, puede servir como una ayuda extra al proceso de instrucción en el aula. En el caso de la segunda hablamos de grandes cursos distribuidos a gran escala, que suelen estar relacionados con universidades tradicionales. Cualquiera de las dos vías sirve como ejemplo de un sistema que beneficia a aquellos que, de otra manera, no tendrían acceso a una educación de calidad.

En MOOC´S Harvard o MOOC´S Princeton  se pueden observar las posibilidades que ofrecen estas universidades para apuntarse a estos cursos abiertos. En el siguiente artículo se realiza un análisis de la influencia que han tenido estos cursos en la enseñanza universitaria actual.

Esta corriente de análisis de datos sirve también para reclutar a los estudiantes más adecuados para diferentes proyectos educativos, para ayudar más y mejor en el proceso de admisión y para analizar la situación real de los estudiantes más desfavorecidos y proporcionarles mejor asesoramiento financiero para pagar sus estudios. La importancia del análisis de los datos es crucial en labores administrativas.

De la misma manera es útil para prevenir el fracaso escolar. Los Early Warning Indicator and Intervention System, usados sobre todo en secundaria, son un ejempo de lo que el análisis de datos puede hacer en materia de prevención.

Las críticas al uso masivo de datos para tomar decisiones estructurales de cualquier sistema educativo se basan en que se corre el peligro de que se manipulen los datos. En apariencia estos análisis parecen neutrales y de carácter científico, la manera en la que los que interpretan los datos deciden tomar decisiones basadas en determinadas conclusiones pudieran reflejar opiniones y valores personales en cuanto a lo que significa la igualdad de oportunidades (Kamenetz, A., 2015)

La complejidad del algoritmo hace que a veces sea muy difícil detectar la discriminación, y es relativamente sencillo manipular las estadísticas para satisfacer oscuros deseos personales. El siguiente artículo titulado La discriminación de los datos explica de manera muy precisa cómo la discriminación de los datos afecta no solo en educación, sino que también en otros aspectos de la sociedad.

Las críticas inciden además en que el análisis de los datos y su uso posterior para tomar decisiones perpetúa el encasillamiento, trivializa problemas educativos, no respeta la privacidad de las personas y traslada las conclusiones de estos datos a contextos no educativos. Si en una ocasión tus datos te identifican como estudiante "de riesgo" puede ser muy difícil desprenderse más tarde de esa etiqueta. Se pueden, por tanto, hacer juicios por anticipado, que se ven afectados por prejuicios personales de los que analizan los datos. 

Las críticas también se pronuncian en cuanto a la posibilidad de que estas técnicas ayuden a perpetuar las desigualdades sociales: de alguna manera se necesita redistribuir los recursos y dedicarlos a la tecnología, en lugar de a disminuir los ratios de las clases presenciales. Estos sistemas se pueden usar para incluir o excluir a determinados estudiantes de la educación universitaria, y existen instituciones como el National Research Center for College and University Admissions, que predice qué estudiantes de secundaria pueden ir a según qué universidades. Esto en principio es positivo porque ofrece a algunos estudiantes una posibilidad de acceso a la educación superior que de otra manera no se habrían planteado, pero abre la posibilidad a que las universidades elijan a estudiantes que pueden pagar sus costes sin problemas.

La realidad es que por un lado la individualización de la educación es productiva, pero por otro lado fragmenta a la sociedad y hace más difícil acceder a algunas oportunidades educactivas. Una personalización efectiva proporciona a los estudiantes contenidos y oportunidades educativas acorde con su capacidad. La personalización también crea burbujas educativas que aumentan y no disminuyen las desigualdades (Kariff, O., 2014).

De igual manera hay cierto preocupación hacia quién tiene o no tiene acceso a los datos que se recogen y para qué se recojen. Se da por hecho además que el proceso será preciso, que las predicciones serán útiles, y que la individualización de la educación garantizará el éxito de los estudiantes clasificados como "en riesgo".

Hay muchos ejemplos sobre cómo hay mucha ansiedad en cuanto al uso de la información recogida por los datos de los estudiantes. El caso de la entidad inBloom es uno de ellos, tal y como se explica en este artículo titulado El temor a perder la privacidad sobre los datos de los estudiantes causó la caída de inBloom.

Todo lo anteriormente expuesto representa una precisa radiografía de la realidad del sistema educativo americano actual, en el que trabajo como profesora. Tiene sus luces y sus sombras, pero en lo que al aprendizaje de los alumnos se refiere la recogida constante de datos tiene más sombras que luces: en teoría la personalización del aprendizaje es beneficioso, pero en la práctica resulta un completo impedimento en el proceso.

Mis alumnos están de manera constante haciendo exámenes estatales que recogerán esos preciados datos, en realidad hay periodos en los que están más tiempo examinándose que aprendiendo en el aula. Esos exámenes sirven muchas veces para catalogarlos dentro de un determinado cajón del que les cuesta salir, mucho más si son negros o hispanos. He observado además que existe cierta predisposición a sustituir aprendizaje por entrenamiento para aprobar un examen que garantice unas buenas estadísticas y considero que no es exactamente lo mismo ni se hace de la misma manera: el proceso de enseñanza aprendizaje debe ser mucho más reposado.

En mi opinión, tal y como se señala en este artículo titulado data driven versus student driven education, en el término medio está la virtud. Recoger datos es necesario para poder tomar decisiones, pero si dejamos de centrar el aprendizaje en el alumno el proceso pierde su sentido. 

BIBLIOGRAFÍA

• American Psychological Association, Presidential Task Force on Educational Disparities. (2012). Ethnic and racial disparities in education: Psychology’s contributions to understanding and reducing disparities. Recuperado de http://www.apa.org/ed/resources/racial-disparities.aspx
• Baker, Ryan S. (2010). “Data Mining for Education,” in International encyclopedia of education (3rd edition), ed. B McGaw, P. Peterson, and E. Baker. (Oxford, UK: Elsevier, 2010).
• Balfanz R. et al (2013). The Civil Rights Project, “Sent home and put off-track: The antecedents, disproportionalities, and consequences of being suspended in the ninth grade,”. Recuperado de  http://civilrightsproject.ucla.edu/resources/projects/center-for-civil-rights-remedies/school-to-prison-folder/statereports/sent-home-and-put-off-track-the-antecedents-disproportionalities-and-consequences-of-being-suspended-in-theninth-grade
• Bienkowski, et al., (2012).  "Enhancing teaching and learning through educational data mining and learning analytics: An issue brief," , 1-57. Office of Educational Technology, U.S. Department of Education. Recuperado de http://tech.ed.gov/wp-content/uploads/2014/03/edm-la-brief.pdf.
• Chadha, A. y Kumar, V. (2011). “An Empirical Study of the Applications of Data Mining Techniques in Higher Education,” International Journal of Advanced Computer Science and Applications 2, 3: 80–84.
• Deliso, M. (2012) “How Big Data Is Changing the College Experience,” Online Degrees. http://www.onlinedegrees.org/how-big-data-is-changing-the-college-experience/
• Johnson, Jeffrey A. (2014) “The Ethics of Big Data in Higher Education.” International Review of Information Ethics 21: 25, accessed August 5, 2014. http://www.i-r-i-e.net/inhalt/021/IRIE-021-Johnson.pdf
• Kariff, O. (May 1, 2014) “Privacy Fears Over Student Data Tracking Lead to InBloom's Shutdown,” Business Week. http://www.businessweek.com/articles/2014-05-01/inbloom-shuts-down-amid-privacy-fears-over-student-data-tracking. 
• Kamenetz, A. (2015) “The Test- Why Our Schools Are Obsessed with Standardized Testing—But You Don’t Have to Be,” PublicAffairs--New York.
• Kumar Baradwaj, B. y Pal, S. (2011). “Mining Educational Data to Analyze Students’ Performance.” International Journal of Advanced Computer Science and Applications 2, 6: 63–69
• Majority-minority (s.f.). En Wikipedia. Recuperado de https://en.wikipedia.org/wiki/Majority_minority
• Orfield, G. et al, (2012). The Civil Rights Project, “Civil Rights Project, E Pluribus...Separation: Deepening Double Segregation for More Students”. Recuperado de https://civilrightsproject.ucla.edu/research/k-12-education/integration-and-diversity/mlk-national/e-pluribus...separation-deepening-double-segregation-for-more-students
• Singer, N (14 septiembre, 2014) “With Tech Taking Over in Schools, Worries Rise,” The New York Times. https://www.nytimes.com/2014/09/15/technology/with-tech-taking-over-in-schools-worries-rise.html
• U.S. Department of Education, National Assessment of Education Progress (2014). Falling Further Behind: Combating Racial Discrimination in America: “Discrimination in Education.” Recuperado de http://www.civilrightsdocs.info/pdf/reports/CERD_Report.pdf
• Watters, A. (2013). “Student Data is the New Oil: MOOCs, Metaphor, and Money” (presented as part of Conversations about Online Learning at Columbia University, New York, NY, October 16, 2013). http://hackeducation.com/2013/10/17/student-data-is-the-new-oil.
• Wirt, J. et al, (2004). The Condition of Education, US Department of Education. Recuperado de  https://nces.ed.gov/pubs2004/2004077.pdf