ACTIVIDAD 3. ÉTICA Y PRIVACIDAD

En la actualidad las posibilidades de recolección, análisis y uso de datos en educación son casi infinitas. Es un campo relativamente joven que avanza rápido, y en muchos casos no se toman en cuenta determinados aspectos que garanticen un uso ético de las plataformas. Nuestro módulo deberá tener en consideración los siguientes aspectos:

EL CONSENTIMIENTO INFORMADO

Representa la aceptación expresa de las personas que han cedido sus datos para ser usados en una investigación.  Si queremos hacer un uso transparente de los datos debemos presentar a todos nuestros estudiantes la posibilidad de firmarlo antes de matricularse en el curso, para que sean conscientes de que todo aquellos que hagan en la plataforma va a quedar registrado. Tenemos que ir más allá del consentimiento informado y ser conscientes de que en el proceso educativo se generan muchos datos secundarios que deberán ser igualmente supervisados.

EMPRESA ELEGIDA PARA RECOPILAR Y ALMACENAR LA INFORMACIÓN

Tendremos especial cuidado al elegir colaboradores externos que recopilen y almacenen la información, ya que nuestros servidores no son lo suficientemente potentes y no tenemos capacidad para realizar de manera apropiada la gestión de los datos. Deberá ser una empresa que presente suficientes credenciales técnicas en el campo de la seguridad, que tenga unos protocolos actuación efectivos y seguros, y que se comprometa por escrito a no reutilizar los datos recopilados.

PRIVACIDAD DE LOS DATOS

Exigiremos a esos colaboradores externos que garanticen la privacidad de los datos recogidos, sobre todo de los que son de carácter personal.

PERTINENCIA DE LOS DATOS

Recogeremos única y exclusivamente los datos que resulten pertinentes para prevenir el abandono temprano de la plataforma. No recogeremos más que los datos que vayamos a utilizar, y en todo caso nuestro análisis evitará cualquier tipo de discriminación por motivos de raza, sexo, situación socioeconómica, o cualquier otro motivo. Es fundamental hacer un uso ético de los datos recogidos.

USO DE APLICACIONES EDUCATIVAS EXTERNAS A LA PLATAFORMA

Informaremos por escrito a los estudiantes de las aplicaciones externas a la plataforma que vamos a usar, y del uso que estas plataformas hacen de sus datos. Ofreceremos asesoramiento para otras plataformas,

CHARLAS EDUCATIVAS SOBRE EL USO DE DATOS EN INTERNET

Realizaremos charlas periódicas, en forma de videoconferencias, en las que explicaremos a los estudiantes cómo se generan los datos en Internet y cómo se usan.

BIBLIOGRAFÍA

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369

ACTIVIDAD 3. METODOLOGÍA DEL SERVICIO DE DATOS

ENFOQUE DEL SERVICIO

El servicio ofrece un análisis exhaustivo de los datos generados por la plataforma para detectar las necesidades específicas de los estudiantes matriculados; es una manera muy efectiva de prevenir el abandono temprano permitiendo, entre otras cosas, la personalización del aprendizaje tanto de estos alumnos en riesgo de abandono como de los que siguen el curso con normalidad. 

Es un sistema que puede ser aplicado en casi cualquier contexto que implique aprendizaje online y las ventajas que ofrecemos son máximas: el servicio permite conocer a los alumnos de manera exhaustiva y adaptar el curso a sus posibilidades. Es útil porque nos permite centrar nuestros esfuerzos en el estudiante, el módulo recopila todos los datos que necesitamos y el algoritmo se encarga de analizarlos; de esa manera se pueden usar los recursos en mantener los alumnos y no en captarlos. 

El análisis de datos en los cursos online permite entender por qué se matriculan los alumnos, por qué abandonan los alumnos y sobre todo qué necesitan los alumnos. 

OBJETIVOS

El objetivo principal del servicio es la detección de los alumnos en riesgo de abandono temprano. Individualizar a esos estudiantes es muy importante porque nos permitirá trabajar con ellos de manera apropiada, considerando las razones de ese posible abandono y, si es necesario, adaptando el proceso a las circunstancias individuales. 

De esa manera subirá la tasa de satisfacción final con el curso, lo que generará potenciales alumnos en cursos posteriores.

LÍNEAS DE ACCIÓN DEL SERVICIO

La línea de acción del servicio se moverá en cuatro direcciones. Estos datos nos permitirán diseñar planes de intervención temprana sobre los alumnos en riesgo de abandono y sobre el material que se usa en el curso:

1. Recogida y análisis de los datos de ingreso, tanto de profesores como de alumnos. 
2. Recogida y análisis de los datos sobre el uso de los recursos de aprendizaje, tanto de profesores como de alumnos. 
3. Recogida y análisis de los datos de interacción de estudiantes y profesores. 
4. Análisis de la actividades de los estudiantes y de los resultados de la evaluación. 

SUPUESTO PRÁCTICO

¿Cómo funciona el módulo? Hagamos un supuesto práctico para presentar cómo se reflejan las cuatro líneas de acción del servicio en un caso real.

La plataforma X ofrece un curso en línea, que tiene una tasa de abandono en línea del 70%. Recurren a nosotros para reducir esa tasa de abandono lo máximo posible, y empiezan por incluir un módulo que use el análisis predictivo.

Nosotros empezamos por recoger y analizar los datos de ingreso de profesores y alumnos. Esto nos da una idea de los niveles de participación, de la manera en la que se está usando la plataforma, y de la manera en la que se relacionan profesores y estudiantes. Presentamos tablas de datos con leyendas de fácil interpretación y cuatro consejos básicos de intervención, en función de las conclusiones a las que nos lleven los datos.

Prestamos especial atención a las veces y a la frecuencia con que los alumnos participan en los foros, las respuestas de los profesores en los mismos, el número de correos recibidos por cada profesor, la cantidad de las respuestas de los profesores y la inmediatez de las mismas. Los alumnos tienen posibilidad de rellenar un cuestionario de valoración de los profesores. Todos estos datos se presentan un informe mensual a los profesores, para que puedan ser capaces de analizar dónde necesitan redoblar esfuerzos y presentar más atención.

Analizamos también el uso que alumnos y profesores dan a los recursos de aprendizaje. Detectamos el tiempo y la frecuencia de la consulta, y analizamos también si después de esta consulta se produce interacción entre alumnos y profesores. Esto nos permite determinar si los contenidos de estudio, y la manera en la que se presentan, son apropiados.

Nuestro último campo de acción se centra en las actividades de los alumnos: analizamos cuándo se hacen, cuánto se tarda en hacerlas, si se cumplen o no los plazos, el tiempo de corrección empleado por los profesores, y la calificación que se obtiene en estas actividades. En función de las conclusiones sugerimos a los profesores programas correos automáticos que sirvan como recordatorio de estas actividades, así como mensajes que ofrezcan ayuda o incluso ánimo.

BIBLIOGRAFÍA

Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Retrieved from https://papers.ssrn.com/abstract=3124369

ACTIVIDAD 3. CAPTURA DE DATOS

La captura de datos resulta esencial dentro del análisis predictivo; los datos deben ser efectivos y pertinentes para la consecución de los objetivos propuestos:

1. Número de veces que un alumno se conecta al día y a la semana, tiempo que permanece conectado y frecuencia de esa conexión. Estos datos nos darán la clave para entender si el alumno cada vez se encuentra menos motivado para seguir el curso, y nos permitirán establecer si es necesario o no actuar. 
2. Intervenciones en los foros, frecuencia de dichas intervenciones. Las intervenciones en el foro comprenden una implicación extra del estudiante en el proceso educativo que resulta fundamental, ya que presentan la posibilidad de interactuar con otras personas que se encuentran dentro del mismo proceso. Si las intervenciones decaen podemos interpretar que el alumno se acerca al umbral del abandono, aunque es necesario asegurarse de que no existen otros canales "extraoficiales" (redes sociales, grupos de WhatsApp) en los que se produce esa conexión entre estudiantes.  
3. Consulta total o parcial de los materiales de estudio, frecuencia de esa consulta. Aspectos como la facilidad de descarga de los materiales, el funcionamiento apropiado de los enlaces o la duración de los artículos resultan claves. Un alumno que tiene dificultades para encontrar el material de estudio o que considera que los materiales no son apropiados (por aspectos como el idioma o la longitud de los mismos) es un alumno con mayores posibilidades de abandono.
4. Consultas directas a los profesores del curso, frecuencia de esas consultas. La periodicidad e intensidad de las mismas muestran de manera explícita el grado de implicación del estudiante con el curso. Exigen un grado de motivación extra, que va más allá de las simple consulta de materiales. 
5. Realización total o parcial de las actividades propuestas, anticipación en la entrega de estas tareas. Un alumno que no entrega las actividades propuestas es un alumno en riesgo de abandono. Un alumno que las entrega como mucha antelación es un alumno motivado. 

Sin embargo la recogida en bruto de los datos, por muy pertinentes que sean, no siempre garantiza el  éxito del proceso. Nosotros proponemos comparar los datos de los estudiantes de cursos previos con los datos del curso actual (en tiempo real) para predecir su comportamiento, siempre que sea posible. Es lo que se conoce como transfer learning, y consiste en usar un modelo ya desarrollado para un asunto concreto como punto de partida para analizar otro asunto diferente. Usar los datos de los alumnos que ya conocemos para predecir el comportamiento de los alumnos que no se conocen.

BIBLIOGRAFÍA

Carabaña, C. (2015, 3 noviembre). Solo el 7% de los alumnos terminan los cursos online. Aquí, algunas soluciones para retenerlos. Yorokobu. Recuperado de https://www.yorokobu.es/abandono-mooc/

Brownlee, J (2017, 20 diciembre). A Gentle Introduction to Transfer Learning for Deep Learning. Better Deep Learning. Recuperado de https://machinelearningmastery.com/transfer-learning-for-deep-learning/

ACTIVIDAD 3. PLAN DE ANÁLISIS PREDICTIVO

CONTEXTO

El caso práctico que nos ocupa nos pide usar el análisis predictivo de Ekowo y Palmer para analizar los datos y la información de un grupo determinado de estudiantes, con el objetivo general de prevenir el abandono temprano del curso. Se ha elegido este método por la importancia que tiene en la actualidad, en el presente del big data y de learning analytics, hacer un uso ético de los datos que se recogen para personalizar el aprendizaje de los alumnos. Los autores recomiendan seguir los siguientes pasos básicos:

Tener una visión de futuro y un plan.

Involucrar a los profesores en las decisiones importantes. Al preparar el plan hay que tener en cuenta el objetivo que se quiere alcanzar con el análisis predictivo, las consecuencias inesperadas del mismo y los resultados que se quieren medir.

Construir alrededor una infraestructura que apoye el uso del análisis predictivo.

Compartir los beneficios de usar analítica productiva, crear un clima positivo de trabajo, desarrollar el proceso de cambio de manera enérgica y confiar en la capacidad de tu escuela para usar análisis predictivo.

Trabajar para asegurarse que los datos se usan de manera apropiada.

Usar datos totales y de calidad, para responder las preguntas que surjan. Asegurarse de que los datos se interpretan bien, y se garantiza la privacidad de los mismos. Asegurarse de que los datos se tratan de manera segura.

Diseñar modelos de análisis predictivo y algoritmos que eviten desviaciones de los objetivos.

Diseñar modelos que produzcan resultados que sean pertinentes. Examinar y ser transparente siempre sobre los modelos predictivos, elegir bien a los vendedores de los paquetes de análisis.

Ponerse objetivos institucionales para mejorar el proceso educativo de los estudiantes y realizar las intervenciones con cuidado.

Comunicar a profesores y alumnos los cambios en las intervenciones que se realicen, insertar estas prácticas predictivas en otros procesos de éxito de los estudiantes, reconocer cuando las intervenciones predictivas no están funcionando o son dañinas, comunicar con cuidado los fracasos, entrenar a los profesores para reconocer las desviaciones y los límites del análisis de datos, entrenar a los estudiantes para que usen sus propios datos. Evaluar siempre las intervenciones.

OBJETIVOS E INDICADORES

Con estos antecedentes trabajaremos en torno a tres objetivos, que están relacionados entre sí:

1. Detectar a los alumnos en riesgo de abandono ⟾ ¿Quiénes son? ¿Cuál es el perfil de los alumnos en riesgo de abandono? ¿Es un solo perfil? 
2. Identificar las razones de ese abandono ⟾ ¿Por qué abandonan? ¿Son intrínsecas o extrínsecas al curso?
3. Identificar las necesidades específicas de ese alumnado en riesgo de abandono para adaptar el proceso educativo a sus circunstancias ⟾ ¿Qué podemos hacer para que no abandonen? ¿Es necesario ofrecer un itinerario educativo personalizado que se adapte a las necesidades específicas del alumnado en riesgo de abandono? ¿Qué variables podemos incluir en ese itinerario? 

Para medir el proceso de análisis usaremos los siguientes indicadores de logro:

1. Número de alumnos inscritos comparado con el número de alumnos que abandonan en el primer cuarto del curso, en la mitad, y en el último cuarto. Este indicador se usará para comprobar si se ha reducido el número de abandonos y en qué momento del proceso se produce. 
2. Cuestionarios de conocimiento previo realizados. Calificación obtenida en estos cuestionarios. Este indicador nos dará una idea del punto de partida de nuestros estudiantes. 
3. Consulta total o parcial de los materiales de estudio. Frecuencia de esa consulta. Este indicador nos ayudará a entender si los materiales del curso son apropiados.
4. Intervenciones en los foros, frecuencia de dichas intervenciones. Este indicador nos dará una idea del nivel de motivación de los estudiantes, y nos permitirá intervenir cuando veamos que este decae. 
5. Consultas directas a los profesores del curso, frecuencia de esas consultas. Este indicador nos permitirá entender si el alumno tiene necesidad de aclarar dudas con los profesores, o si por el contrario, es capaz de realizar las actividades sin ayuda. 
6. Número de veces que alumnos y profesores se conectan a lo largo del día, a la semana y al mes. Tiempo y frecuencia de esa conexión. Este indicador nos dará una muestra de cómo y cuánto se conecta el alumno, y si el tiempo de conexión y la frecuencia decaen podemos intervenir para resolver posibles problemas. Nos indicará también el grado de implicación de los profesores, y si es necesario reconducir sus patrones de trabajo. 
7. Formularios de satisfacción rellenados después de abandonar. Este indicador nos dará indicaciones precisas de las razones del abandono de los alumnos. 
8. Realización total o parcial de las actividades propuestas. Este indicador será muy útil para entender si las actividades de calificación son efectivas.  

BIBLIOGRAFÍA UTILIZADA

Ekowo, M., & Palmer, I. (2016). Predictive Analytics in Higher Education. Technical Report. New America Foundation, Washington, DC. Recuperado de https://www.newamerica.org/education-policy/policy-papers/predictive-analytics-higher-education/#

EL PROYECTO LRNG

El proyecto LRNG, según la información que consta en su página web, nació en torno a 2018 cuando SNHU (Southern New Hampshire University) y LRNG se unieron para crear una plataforma de trabajo y de aprendizaje que fuera la solución definitiva para empresarios en búsqueda de trabajadores y estudiantes o trabajadores con necesidades formativas específicas. 

SNHU es una universidad que tiene como compromiso fundamental mejorar el acceso a la educación superior y transformar las vidas de las personas, a través de la posibilidad de estudiar siguiendo determinados itinerarios académicos asequibles económicamente. LRNG se construyó tomando en consideración la experiencia, los recursos y las necesidades del conjunto de los ciudadanos para transformar la manera en la que los jóvenes acceden a la experiencia que supone el aprendizaje. 

La plataforma en la actualidad tiene unos 58.000 estudiantes, que están trabajando en torno a 676 "playlists", y que han conseguido ya 45.000 insignias. Su misión es crear oportunidades, tanto de aprendizaje como laborales, para que los estudiantes tengan el aprendizaje adecuado en el momento y en el lugar apropiados. Conectan juventud, pasión, gente e itinerarios para transformar, como se señala en el siguiente vídeo, el aprendizaje de algo "que se hace" a algo "que se vive".

La plataforma gira en torno a dos ejes: en un primer estadio resulta fundamental la relación entre lo local y lo global, ya que una de las fortalezas del proyecto es que se pone en conexión a personas, experiencias de aprendizaje y ofertas laborales que no se dan necesariamente en el mismo entorno físico. En el proceso de registro necesitas elegir una red primaria de trabajo por si buscas eventos o experiencias en un lugar determinado: el contenido específico de esa red primaria aparece siempre en primer lugar cuando estás buscando actividades en función de tus intereses. 

La estructura, en un segundo estadio, gira en torno a "playlists", "badges" y "pathways", cuya elección está determinada por las necesidades de los usuarios, tal y como se explica en el enlace. Para facilitar la lectura usaremos los términos en español para referirnos a estos elementos: listas de aprendizaje, insignias e itinerarios de aprendizaje. Al registrarse en la plataforma se indica que: 

• Los XP son las actividades y los eventos que hay en tu comunidad y online.
• Las listas de aprendizaje son colecciones de actividades que tienen un tema en común. 
• Las insignias son credenciales digitales que prueban las destrezas que se van adquiriendo con el uso de la plataforma. 

Dicho de otra manera: subes a tu panel un montón de listas de aprendizaje que traten sobre un tema común y generas así un itinerario de estudio determinado que se construye al conseguir insignias o certificados que prueban que has adquirido las competencias básicas en ese campo concreto.

Es evidente que esta nueva estructura del aprendizaje resulta revolucionaria en varios aspectos. Cada usuario puede construir un itinerario de aprendizaje que le resulte realmente atractivo y que responda a necesidades reales, tanto laborales como de aprendizaje. Por otro lado la obtención de insignias permite probar los conocimientos adquiridos, algo que resulta muy atractivo en la búsqueda de empleo en campos muy específicos. La plataforma, además, permite incluir en el panel "mi trabajo" insignias conseguidas fuera de LNRG: te redirige a la plataforma Badgr, una plataforma que emite y otorga insignias digitales.

En esta plataforma encontramos también un ejemplo ilustrativo de lo que es un itinerario de aprendizaje, que nos ayuda entender la importancia de los mismos. Podemos seleccionar un campo de estudio determinado, y generar un itinerario que demuestre que tenemos una formación completa no solo en el plano teórico que gira en torno al objeto de estudio, sino también en el plano práctico que tiene más que ver con determinadas destrezas que son necesarias en estos tiempos. 

A modo de conclusión presentamos un ejemplo de dos itinerarios diferentes generados a partir de listas de actividades de LNRG. Los dos tienen en común la fotografía, uno se encarga del aspecto técnico y el otro se encarga más del aspecto social; la realización de estos dos itinerarios garantiza la consecución de seis insignias que certifican un determinado nivel de conocimiento tanto de aspectos técnicos de la fotografía como de sus posibilidades como herramienta descriptiva de la realidad. 

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

HERRAMIENTAS DIGITALES PARA LA PARTICIPACIÓN

La cibercultura, o cultura que surge del uso del ordenador, ha influido desde hace relativamente poco en cómo las personas interactúan entre sí.

Tomando como referencia a Ayala (2014), sabemos que desde hace unos años se dan nuevos comportamientos sociales basados en las posibilidades que ofrece la conectividad, en la digitalización de las comunicaciones y en el uso cada vez más generalizado de diferentes dispositivos tecnológicos, y todos estos factores influyen en la manera en la que se produce la participación ciudadana.

Desde que a comienzos de los años 2000 nacieran plataformas como Twitter, Facebook, Youtube o Skype, las herramientas digitales que permiten la participación social han evolucionado mucho. En la actualidad contamos con foros, emails, servicios de mensajería instantánea, sms, blogs, redes sociales, o aplicaciones especialmente diseñadas para la participación. Estas herramientas cambian a su vez muy rápido y ofrecen actualizaciones constantes que hacen que sus utilidades varíen en función del nicho de mercado al que van dirigidas. Se suelen usar combinadas para intensificar su efectividad.

Casi todas estas herramientas permiten hacer encuestas, viralizar contenido y lanzar preguntas para que sean respondidas por los usuarios. Son muy útiles también para tener un contacto directo con las instituciones oficiales ya que algunas permiten presentar incidencias oficiales, quejas o sugerencias por este medio. De esa manera se agiliza el contacto ciudadano con las administraciones públicas, y eso genera un sentimiento colectivo que facilita la participación.

De igual manera se han creado diferentes webs o plataformas, todas con una estructura similar, que buscan facilitar la participación ciudadana. Avaaz.org, change.org, o moveon.org permiten que cualquier persona o institución cree una petición sobre un tema determinado. Se comparte a través de las redes sociales y del correo electrónico, para conseguir un número elevado de adhesiones a esa petición. Es la recogida de firmas de la era moderna.

Son plataformas que en ocasiones han resultado determinantes para conseguir pequeños logros sociales, pero que tienen detrás la losa de ser empresas privadas que buscan beneficios económicos.

En teoría son webs con el dominio .org, que las diferencia de otros por la misión social de la compañía, aunque en la práctica algunas, como change.org, se financian por el programa de socios, las peticiones patrocinadas y el crowfunding con bienes sociales. Change.org, además, tiene el certificado B-corporation, que señala que en sus estatutos se contempla la función social: ese certificado viene otorgado por otra organización privada, que se obtiene pagando y con poca base legal (Ferrer, 2018).

La participación digital ciudadana también está limitada por la brecha digital, entendida como aquello que describe las desigualdades que son fruto de la distribución irregular del uso de las nuevas tecnologías en un territorio determinado.

Según ESENCIALES Fundación BBVA - Ivie en 2017 el 16,6%  de las viviendas españolas no tiene acceso a Internet. De ese 16,6% un 43,7% no lo tiene por falta de conocimientos, un 29,9% por el elevado coste de la conexión, un 30,5% por el coste demasiado caro del equipo, un 13,5% por tener acceso desde otro lugar, el 7,5% por razones de privacidad y el 4,2% por no estar disponible la banda ancha.

Si centramos el concepto de participación ciudadana en las prácticas políticas on-line vinculadas con la representación política, Robles y De Marco (2010) señalan que debido a dicha brecha digital no es posible instaurar prácticas democráticas digitales similares a la idea de representación democrática tradicional. 

Lo que es indudable es que al analizar cómo se produce el uso de Internet debemos tener en cuenta factores como el nivel de formación de los ciudadanos, su edad, su sexo, o el grupo social al que pertenecen. Por tanto no es posible hablar de una participación ciudadana digital que englobe a la totalidad de los ciudadanos.

Ayala (2014) señala que Internet permite la interacción entre los ciudadanos, pero los efectos son más mediáticos que reales, y los temas polémicos tienen siempre mayor repercusión en parte por la gran polarización en la sociedad actual. Además, el exceso de información hace que muchas acciones se presenten a veces de manera exagerada.

A pesar de todas estas dificultades la participación ciudadana digital es un fenómeno social que en ocasiones está por encima de las entidades con ánimo de lucro. Un ejemplo de lo que estamos diciendo es la plataforma Decide Madrid.

Fue creada en 2015 y en ella todo los ciudadanos, después de inscribirse, pueden debatir, crear propuestas, valorar otras, y votar de modo on-line los Presupuestos Participativos. Si una propuesta consigue un 1% de apoyo de la población mayor de 16 años empadronada en Madrid, se somete a la aceptación o rechazo del conjunto de la ciudadanía. Y si esa votación resulta favorable el Ayuntamiento asume la propuesta.

La aplicación que usa se denomina CONSUL, con licencia AGPLv3, y está en abierto desde 2016. Se puede configurar fácilmente y está disponible en navegadores web, tablets y smartphones para que lo use el que lo necesite sin necesidad de pago ("El software de la plataforma", 2016). En la actualidad el software es usado por más de 100 instituciones, y se ha creado una página web que recoge información sobre la aplicación

La plataforma es uno de los Premios de Servicio Público de la ONU de este año (ONU, 2018). Este premio es el reconocimiento internacional a la excelencia en el servicio público con más prestigio (Wikipedia, 2018).

El usuario puede iniciar sesión, previo registro a través de correo electrónico, de la cuenta de Twitter o de la cuenta de Facebook. En teoría pueden participar todas las personas mayores de 16 años empadronadas en la ciudad de Madrid, pero en la práctica la plataforma no realiza comprobaciones pertinentes al respecto. Yo no estoy empadronada en Madrid en la actualidad y acabo de votar en varias de las propuestas.

La plataforma distingue entre debates, propuestas, votaciones y presupuestos, y en todas las secciones el mecanismo es más o menos el mismo: se puede votar a favor o en contra y se pueden presentar propuestas. Se pueden gestionar las notificaciones que se quieren recibir a través del correo electrónico y para poder presentar propuestas es necesario verificar la cuenta.

Llaman la atención dos elementos: la transparencia en cuanto al dinero presupuestado por el Ayuntamiento en cada distrito y la pestaña "datos abiertos", en la que se accede directamente a título informativo a datos de diferentes aspectos que dependen de la gestión municipal.

Decide Madrid tiene cuenta de Twitter, cuenta de Facebook, y canal de Youtube, con lo que se garantiza la participación ciudadana desde más de una fuente.

BIBLIOGRAFÍA

• Ayala P., Teresa, Redes sociales, poder y participación ciudadana. Revista Austral de Ciencias Sociales [en linea] 2014, ISSN 0717-3202. https://www.redalyc.org/pdf/459/45931862002.pdf [Fecha de consulta: 12 de enero de 2019] 

• Ferrer, S. (2018, 14 de noviembre). Change.org: así funciona el gran negocio del activismo 'online'. Recuperado de https://www.xataka.com/servicios/change-org-asi-funciona-gran-negocio-activismo-online

• García, N. (Septiembre 2018). ¿Cómo fomentar la participación ciudadana a través de las redes sociales?. Recuperado de https://nagoregarciasanz.com/participacion-ciudadana-y-redes-sociales/

• Robles, J y De Marco, S. Las fronteras de la participación digital: el caso de España. Hologramática, ISSN-e 1668-5024, Nº. 12, Vol. 2, 2010 (Ejemplar dedicado a: TICs), págs. 3-24. Recuperado de http://www.cienciared.com.ar/ra/usr/3/893/hologramatica_n12vol2pp3_24.pdf

• El software de la plataforma Decide Madrid, en abierto para todos. (2016, 16 de diciembre). Recuperado de https://www.esmartcity.es/2016/12/16/software-plataforma-decide-madrid-abierto-para-todos

• Fundación BBVA - Ivie (2018).  La brecha digital entre España y la UE‐28 en el porcentaje de  personas que usan Internet ha desaparecido y la desigualdad entre autonomías se reduce a la tercera parte desde 2008. En ESENCIALES, nº 29. Recuperado de https://www.fbbva.es/wp-content/uploads/2018/10/FBBVA_Esenciales_29.pdf

• Organización de las Naciones Unidas (2018), 2018 Unites Nations Public Service Awards Winners. Recuperado de http://workspace.unpan.org/sites/Internet/Documents/2018%20%20Winners%20with%20short%20paragraph_rev%20OD_EN_Clean.docx.pdf

• Public Service Awards (n.d.) en Wikipedia. Recuperado de https://en.wikipedia.org/wiki/United_Nations_Public_Service_Awards