Universidad y datos: ¿Hacia dónde nos dirigimos? Prácticas emergentes y retos hacia una perspectiva crítica del docente universitario.

“Retos al gobierno y la gestión universitaria: la ciencia y la crítica de los datos” es presentada por @JulianaR71 de la @UOCuniversidad en #SeminarioTelescopiColombia @UniJaveriana @TelescopiARG pic.twitter.com/TierWK7ijj

— Telescopi Chile (@telescopichile) November 21, 2018

Los datos digitalizados han entrado a formar parte de nuestra vida en una forma masiva, en los últimos diez años. Más allá del Internet de la Sociedad de la Información, estamos siendo testigos de lo que se podría considerar una sociedad “datificada”, donde grandes cantidades de datos digitalizados, el ADN de la información, están orientando prácticas sociales. Los discursos más entusiastas han enfatizado la oportunidad de generar nuevos modelos de negocios, nuevas àreas de actividad professional conectadas a la ciencia de los datos, pràcticas abiertas en ciencia y nuevo control ciudadano sobre el gobierno a través de los datos abiertos. (EMC Education Services, 2015; Scott, 2014). Más recientemente, la perspectiva más bien naif de los procesos de captura de datos articulados a través de distintos algoritmos como ejes de prácticas económicas y sociales más “objetivas”, ha sido objeto de criticismo y de discusiones en busca de la deconstrucción de sentido (Kitchin, 2015).

La Universidad no ha escapado a estas lógicas, sino que ha caído en ellas en forma más bien abrupta, mientras lucha por sobrevivir a su crisis de credibilidad  a través de formas de innovación que han ido de la mano de la digitalización de procesos y servicios (Daniel, 2015). Discursos inicialmente fervientes abrazaron las practicas guiadas por datos como una oportunidad de mejorar la eficiencia, la objetividad, la transparencia y la innovación. (Daniel, 2017).

Las dos grandes misiones de la Educación Superior, enseñar e investigar, han pasado por distintos procesos de digitalización que han implicado prácticas intensivas de recogida y procesamiento de datos.

Del lado de la didáctica, los datos recogidos a través de la enseñanza y el aprendizaje no tienen precedentes, y han dado lugar a corrientes como la minería de datos educativos (educational data mining) y particularmente a las analíticas de aprendizaje. Estos procesos, muy frecuentemente, se han basado sobre lógicas y concepciones de la calidad educativa tecno-deterministas. Mientras no podemos negar el valor de las analíticas de aprendizaje y sus desarrollos para apoyar la tarea docente, así como las competencias académicas y autoregulativas de los estudiantes, su uso indiscriminado encierra innegables problemas (Ferguson, 2012; Vuorikari et al., 2016). En este sentido, habría que reflexionar en primer lugar sobre la asunción de que los modelos y algoritmos en que se apoyan las analíticas pueden encerrar errores, estar desactualizados o bien, incluso, implicar conceptos discriminatorios, imposibilitando a docentes y estudiantes de embarcarse en prácticas transformadoras y reflexivas (Perrotta & Williamson, 2018). Más aún, los estudios en el sector han señalado que existen pocas conexiones entre los modelos adoptados por las LA y las teorías pedagógicas (Knight, Buckingham Shum, & Littleton, 2014; Nunn, Avella, Kanai, & Kebritchi, 2016); falta de evaluación en contextos auténticos, con la sucesiva dificultad de validar correctamente los instrumentos desarrollados (Vuorikari et al., 2016); y problemas sociales y éticos conectados con la recogida masiva de datos personales y sensibles  de los estudiantes (Prinsloo & Slade, 2017; Slade & Prinsloo, 2013). Así mismo, la adopción masiva de social media por parte de los estudiantes implica que los datos pueden perderse en ambientes no institucionales, no controlados, y llegar a manos comerciales, aspectos de los que los docentes y los alumnos podrían desconocer completamente. (Manca, Caviglione, & Raffaghelli, 2016).

Del lado de la investigación, el paradigma de la Ciencia Abierta (Open Science), que invita a la ciudadanía a explorar y contribuir en modo más cercano a la recolección de datos por parte de los investigadores, está generando una oportunidad de innovación para la tarea académica sea investigativa que didáctica. En efecto, podrían generarse nuevas conexiones entre la investigación y la docencia a través del uso de datos abiertos como recursos educativos abiertos (Atenas, Havemann, & Priego, 2015), hacia formas de diseminación y cultura científica más inclusivas y empoderadoras. Todavía, las prácticas actuales en la universidad revelan dificultades en la implementación de este tipo de innovación (Raffaghelli, 2018).

Por lo que parece, tenemos que apropiarnos de los datos producidos en la práctica académica en formas relevantes y a través de una práctica reflexiva y crítica, es decir, de una alfabetización crítica en datos, sea del lado de los estudiantes, sea del lado de los docentes (Raffaghelli, 2017; Wasson, Hansen, & Netteland, 2016). Particularmente, en el caso de los académicos, se podría conectar este proceso formativo a nuevas formas de profesionalismo académico en la era digital, dentro del debate ya existente en competencia digital profesional y de organizaciones. Si adoptamos el conocido modelo de Boyer sobre el profesionalismo académico (SOTL – Scholarship of Teaching and Learning) a los temas y problemas planteados por los datos digitalizados, ello nos podría llevar a formas más incisivas y contextualizadas de analizar, evaluar y compartir prácticas pedagógicas efectivas, así como de apertura y conexión de la investigación a la enseñanza y al aprendizaje formal e informal basado en la difusión del conocimiento científico. Más aún, esta estrategia podría conllevar a una práctica de apertura de datos educativos en línea con la visión de la investigación educativa en abierto, o sea, Open Education Science (Zee & Reich, 2018), donde los datasets generados a través de proyectos educativos podrían ser compartidos, re-analizados y usados para orientar nuevos diseños y prácticas educativas.

Por lo tanto, los datos generados por la actividad académica podrían ser aprovechados en modo más justo y creativo, informando la enseñanza y el aprendizaje y ayudando a mejorar los complejos procesos educativos, desde el diseño a la evaluación formativa.

Todavía, mientras el alfabetismo en datos de docentes en otros ámbitos de la educación (escuela, principalmente) ha entrado a formar parte de una agenda de investigación y política educativa en los últimos años (Mandinach & Jimerson, 2016); y mientras la alfabetización en datos es considerada una competencia profesional y cívica central en la Unión Europea (Raffaghelli, 2018), parece que en el ámbito académico aún faltan casos y experiencias que permitan reflexionar en este sentido.

Tal parece que tenemos que arremangarnos y empezar a trabajar. Pues si bien hay muchas recomendaciones e indicaciones de dirección, la investigación no ha llegado a impactar en las prácticas, a través de las cuáles comprender si se da un verdadero “mainstreaming” o aceptación y adopción de las innovaciones.

Por ello estoy trabajando en una serie de cursos y actividades en red con la Prof. Teresa Pagés y el Prof. Jordi Quintana Albalat de la Universidad de Barcelona (a través de su Institut de Desenvolupament Professional), la Prof. Davinia Hernández Leo de la Universidad Pompeu Fabra y su centro TIDE , la Prof. Meritxell Estebanell del Institut de Recerca Educativa de la Universitat de Girona, y claro està, la Universitat Oberta de Catalunya; además de las actividades con la Prof. Valentina Grion de la Universidad de Padua y la Prof. Maria Ranieri de la Universidad de Florencia y la investigadora Sr. Stefania Manca del Consiglio Nazionale delle Ricerche en Italia.

Es a través de estos espacios que discutiremos, generaremos casos de uso y buenas prácticas, y avanzaremos en la investigación educativa, más allá de ese demasiado conocido ciclo de entusiasmo tecnológico inicial.

REFERENCIAS CITADAS

Atenas, J., Havemann, L., & Priego, E. (2015). Open Data as Open Educational Resources: Towards Transversal Skills and Global Citizenship. Open Praxis, 7(4), 377–389. https://doi.org/10.5944/openpraxis.7.4.233

Daniel, B. (2015). Big Data and analytics in higher education: Opportunities and challenges. British Journal of Educational Technology, 46(5), 904–920. https://doi.org/10.1111/bjet.12230

Daniel, B. K. (2017). Big Data in Higher Education: The Big Picture. In Big Data and Learning Analytics in Higher Education (pp. 19–28). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-06520-5_3

EMC Education Services. (2015). Data Science & Big Data Analytics. Indianapolis, IN, USA: John Wiley & Sons, Inc. https://doi.org/10.1002/9781119183686

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6), 304–317. Retrieved from http://oro.open.ac.uk/36374/1/IJTEL40501_Ferguson Jan 2013.pdf

Kitchin, R. (2015). The Data Revolotion: Big Data, Open Data, Data Infrastructures and Their Consequences (Vol. 1). London: Sage. https://doi.org/10.1017/CBO9781107415324.004

Knight, S., Buckingham Shum, S., & Littleton, K. (2014). Epistemology, Assessment, Pedagogy: Where Learning Meets Analytics in the Middle SpaceNo Title. Journal of Learning Analytics, 1(2), 23–47. Retrieved from file:///C:/Users/mauro/Downloads/3538-16882-3-PB.pdf

Manca, S., Caviglione, L., & Raffaghelli, J. E. (2016). Big data for social media learning analytics: potentials and challenges. Journal of E-Learning and Knowledge Society, 12(2).

Mandinach, E. B., & Jimerson, J. B. (2016). Teachers learning how to use data: A synthesis of the issues and what is known. Teaching and Teacher Education, 60, 452–457. https://doi.org/10.1016/J.TATE.2016.07.009

Nunn, S., Avella, J. T., Kanai, T., & Kebritchi, M. (2016). Learning Analytics Methods, Benefits, and Challenges in Higher Education: A Systematic Literature Review. Online Learning, 20(2). https://doi.org/10.24059/olj.v20i2.790

Perrotta, C., & Williamson, B. (2018). The social life of Learning Analytics: cluster analysis and the ‘performance’ of algorithmic education. Learning, Media and Technology, 43(1), 3–16. https://doi.org/10.1080/17439884.2016.1182927

Prinsloo, P., & Slade, S. (2017). An elephant in the learning analytics room. In Proceedings of the Seventh International Learning Analytics & Knowledge Conference on – LAK ’17 (pp. 46–55). New York, New York, USA: ACM Press. https://doi.org/10.1145/3027385.3027406

Raffaghelli, J. E. (2017). Alfabetizzare ai dati nella società dei big e open data: una sfida formativa. Formazione&Insegnamento – European Journal of Research on Education and Teaching, 25(3), 279–304. https://doi.org/107346/-fei-XV-03-17_21

Raffaghelli, J. E. (2018). Open Data for Learning: A case study in Higher Education. In A. Volungeviciene & A. Szűcs (Eds.), Exploring the Micro, Meso and Macro Navigating between dimensions in the digital learning landscape. Proceedings of the EDEN Annual Conference, 2018 (pp. 178–190). Genoa, Italy: European Distance and E-Learning Network. https://doi.org/978-615-5511-23-3

Scott, A. (2014). Open data for economic growth. World Bank, 1–20.

Slade, S., & Prinsloo, P. (2013). Learning Analytics, Ethical Issues and Dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366

Vuorikari, R., Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., … Rienties, B. (2016). Research Evidence on the Use of Learning Analytics. Brussels. https://doi.org/10.2791/955210

Wasson, B., Hansen, C., & Netteland, G. (2016). Data Literacy and Use for Learning when using Learning Analytics for Learners. In S. Bull, B. M. Ginon, J. Kay, M. D. Kickmeier-Rust, & M. D. Johnson (Eds.), Learning Analytics for Learners, 2016 workshops at LAK (pp. 38–41). Edimburg: CEUR. Retrieved from http://ceur-ws.org/Vol-1596/paper6.pdf

Zee, T. van der, & Reich, J. (2018). Open Educational Science. https://doi.org/10.17605/OSF.IO/D9BME