Educar a la visualización de datos. Principios a partir de la justicia social, el feminismo y la pedagogía crítica.

datos abiertos

Este sería el último post en una serie, en la cuál me ocupé de plantear el problema, de recorrer la historia de la visualización de datos, y de ofrecer algunos instrumentos desde la semiótica. Además, he planteado un contexto de “policy making” que permite ver como el tema se está configurando en Europa.

Ha llegado el momento de comentar qué enfoques podríamos seguir, en tanto que educadores, para trabajar en este tema.

Me ha llevado más de dos años de lecturas y discusiones con educadores en formación inicial y continua para dar forma a algunas de mis ideas, pero también tengo que decir, con honestidad, que hay quién ha hecho mucho ya en este sentido, y cada una de mis opiniones está basada en ese trabajo. Mis lecturas se encuentran agrupadas en mi grupo en Mendeley al que quienquiera puede tener acceso. Los temas que he explorado tienen que ver con la alfabetización en datos en varias esferas, desde los Open Data a la alfabetización de alumnos y educadores, no sólo en datos en general, sino sobre una clase muy particular de datos que son los que se manejan en el proceso pedagógico, como las analíticas de aprendizaje.

El primer problema que afrontamos como educadores, en cualquier nivel, es la falta de justicia social en los datos. Es decir, una situación en la cuál, prevalecen los enfoques entusiastas hacia la visualización de datos en particular y la ciencia de datos en general, que se relacionan ampliamente con lógicas de mercado. Una situación en la cuál el enfoque de formación que se promueve es el de la adquisición de las habilidades técnicas relacionadas con la ciencia de datos, desde la escuela secundaria inclusive, sin desarrollar un espíritu crítico que permita comprender, como lo dijimos en otro post, la naturaleza compleja, culturalmente determinada de las visualizaciones y la ciencia de datos. Detrás de esto, podríamos colocar un grupo de relevantes dimensiones, compuesto sobre todo por adultos que delante de las visualizaciones pueden decirse “analfabetos funcionales” es decir, que ven y leen pero no comprenden lo que ven y leen. Se une a esto un nivel de analfabetismo digital que impide por ejemplo la interacción con visualizaciónes dinámicas, presentes desde la cuantificación del sí (apps conectadas a tecnologías vestibles o usadas a partir de la interacción del usuario). Y a todo ello agreguemos, además, que los problemas emergentes como la datificación y el uso de la visualización de datos como instrumento de manipulación llega lentamente al sistema educativo: requiere la información y la reflexión del educador de vanguardia…¡y muchos años para que un programa educativo o curriculum sea modificado!

El resultado es que hay una élite social que se beneficia de las innovaciones tecnológicas, y un gran conjunto social que las vive, las atraviesa y es su objeto, sin oportunidad de adaptación o resistencia  (boyd & Crawford, 2012; O’Neil, 2016; Zuiderwijk, Janssen, Choenni, Meijer, & Alibaks, 2012)

Las propuestas de alfabetización en datos han comenzado sobre todo a partir del movimiento de datos abiertos, que han seguido las líneas de gobierno participativo y transparencia. El caso de los Datathon o competencias en las cuáles se invita a la ciudadanía a participar en el uso libre de los datos abiertos para generar actividades y en el mejor de los casos emprendimientos con posibilidad de desarrollo económico, son de hecho un gran espacio de aprendizaje informal (Raffaghelli, 2017).  Falta todavía en la escuela y en la universidad una orientación para el aprendizaje formal, si bien ya hay muchos proyectos de colaboración entre órganos de gobierno que generan open data como es el caso de “A Scuola de Open Coesione” en Italia, o los Retos en Datos Abiertos promovidos por el ayuntamiento de Barcelona.

En casi todos los casos se puede inferir momentos de agregación y visualización de los datos. En todos los modelos, se promueven trabajos por proyectos, es decir, en los que se elije un set de datos abiertos y luego los ciudadanos o los alumnos tienen la posibilidad de desarrollar análisis que permiten más tarde una presentación de narrativas vinculadas a qué pasa con esos datos. En el caso de Open Coesione el objetivo va más allá, y se propone el monitoreo cívico por parte de los alumnos participantes, que puedan así “controlar” operaciones de gestión de gobierno y refuercen su motivación a partir de la autenticidad de la situación de aprendizaje: poder colaborar en calidad de ciudadanos más allá del ejercicio en sí de trabajo con los datos.

De extremado valor el trabajo llevado a cabo por Catherine D’Ignazio y Rahul Barghava en el laboratorio Civic Media del MIT Media Lab sobre la “Data Therapy”. y el proyecto “Data Culture“. En este enfoque los investigadores han identificado cuatro aspectos problemáticos principales de los proyectos de Big Data para la población en general, a partir de los cuáles trabajan desde una perspectiva educativa: falta de transparencia, recolección extractiva, complejidad tecnológica y control de impacto. Aprovechando el concepto de “Educación Popular” de Paulo Freire, este desbalance entre la posibilidad de apropiación de un bien y su efectiva existencia, se resuelve con la alfabetización. Así han desarrollado toda una serie de conceptos e instrumentos como los “Big Data Populares” entre los que han integrado formas de visualización controlables desde la población.

Catherine D’Ignazio ha presentado además una alternativa feminista a la discusión de la visualización de datos. En sus palabras:

Hay maneras de hacer una representación, más responsable. Hay formas de “situar” la visualización de datos y ubicarla en cuerpos y geografías concretas. Los cartógrafos críticos, los artistas de contramapeo, los cartógrafos indígenas y otros han experimentado durante años con estos métodos y podemos aprender de ellos (mi traducción).

Para Catherine hay por lo menos seis principios que pueden apoyar una visión feminista de la visualización de datos. Para cada uno de estos principios, la autora ha formulado preguntas para quien diseña la visualización, en su proceso de diseño, y para quien mira la visualización y trata de comprenderla:

  1. Repensar las dicotomías (a partir de la de hombre-mujer) que pueden orientar una visualización a categorías específicas como universales (¿Se usan imágenes de personas blancas? ¿Se asume un determinado acceso a dispositivos tecnológicos?¿Hay una visión de éxito?)
  2. Abrazar el pluralismo, considerando en particular qué voces podrían no estar representadas en una determinada visualización. La teoría feminista busca desafiar las afirmaciones de objetividad, neutralidad, y universalismo, enfatizando en cambio cómo se construye siempre el conocimiento dentro del contexto de un puesto de sujeto específico (¿Quién comunica? ¿En qué contexto histórico sucede la comunicación visual?)
  3. Examinar el sistema de poder y aspirar al empoderamiento. La visualización puede ser un instrumento de propaganda o manipulación; o bien puede ser un instrumento para apoyar su misma deconstrucción, lo que ayuda a la persona que la consulta a reflexionar y cambiar ideas.
  4. Considerar el contexto. Para la teoría feminista el conocimiento está situado, desde el contexto al cuerpo. En este caso, podemos considerar que una visualización podría tener un cierto impacto o sentido en un contexto, respecto a otro.
  5. Legitimar la presencia del cuerpo y de la afectividad. En el feminismo el conocimiento integra las vivencias emocionales y afectivas, en relación a los cuerpos que las producen. Por el contrario, la visualización aparece como una mera transmisión visual, aunque busca activad componentes afectivos: éstos deben ser explorados.
  6. Hacer el trabajo visible. Traer a la luz los distintos actores necesarios para producir una bella visualización también muestra las implicaciones técnicas y artísticas de un determinado trabajo. ¿Desde cuáles supuestos podían partir estos actores, y cuáles zonas quedaban ocultas por déformation professionnelle? ¿Cuáles zonas conviene ocultar para esta categoría profesional? Es frecuente por ejemplo la ocultación de la fase ideacional de la visualización, la fase de pre-comprensión del problema que lleva a la minería de datos y sus algoritmos, la escritura de código para la representación, etc.

Desde esta perspectiva feminista, por lo tanto, pueden usarse estas categorías para analizar críticamente una serie de visualizaciones, para activar sentido crítico y comprensión profunda de los mecanismos a la base de el producto final.

En el trabajo de Tygel & Kirsch (2016), la alfabetización  en datos, incluyendo la perspectiva de la visualización, puede ser orientada desde la pedagogía de Paulo Freire (2005[1970]). Para estos autores, las etapas van a ser las mismas que las planteadas por el gran pedagogo brasilero:

  1. Fase de la investigación, en la cuál un grupo de adultos, en una comunidad, puede buscar de comprender sus propios intereses de desarrollo. Los temas que emergen pertenecen al mundo en el que se mueven los participantes, y tienen un poder generativo pues se presentan como problemas que requieren enfoques de solución. En esta fase, los datos pueden no estar presentes, pero si lo están son representaciones de un problema (por ejemplo salud o medio ambiente) que no puede ser decodificado (los datos están pero no es posible acceder o comprenderlos).
  2. Fase de la tematización. Esta es la etapa donde los temas se codifican y decodifican, junto con la discusión sobre su significado social en el mundo. En esta fase se ajusta la comprensión en relación al problema considerado y las representaciones existentes y la recogida de datos necesaria o realizada para conseguir un dado efecto.
  3. Fase de la problematización. En esta etapa, el enfoque está en cuestionar los significados discutidos previamente, con la perspectiva de transformar la realidad. La reflexión genera preguntas sobre los mitos que rodean la propia realidad viviente. En esta fase los participantes adquieren competencias y conocimientos, desde más básicos a avanzados, para leer y comprender datos existentes, o para producir sus propios datos.
  4. Fase de la sistematización. En esta etapa, la experiencia vivida se organiza, interpreta y presenta, en un sentido comunicativo. Sistematizar, más que reunir datos e información sobre un contexto, es el ejercicio de teorizar sobre una experiencia y analizarla en profundidad. Los sistemas de pensamiento, información, gestión y acción impuestos por los poderes dominantes promueven una visión única del mundo vivido, y esta etapa tiene el objetivo de elaborar una visión alternativa, en relación a una visualización inicial o los datos que la componían. Puede surgir aquí la perspectiva crítica sobre el sentido de un primer set o visualización de datos, y la justicia que ésta representación hace a los participantes de una comunidad (por ejemplo cifras de desempleo, de salud pública, ambientales).

En síntesis, un enfoque de educación a la visualización de datos debe ir más allá de la habilidad técnica. Ésta es importantísima, como Freire mismo lo indica en su esquema de alfabetización, como el aprendizaje de la lectura y la escritura. Son medios a partir de los cuáles el mundo puede mediarse y tematizarse. Pero no puede quedarse allí. El diseño o la capacidad de lectura de visualizaciones requiere, además de habilidades técnicas de estadística y programación, un enfoque contextualizado y contextualizador, que vaya en busca no de lo nuevo o lo que otros definan como “útil” sino lo que puede ser relevante y estéticamente “equitativo” con el grupo humano que ha realizado una representación a quién la lee.

Hay varios tipos de visualizaciones: desde las generadas desde una estadística más tradicional para tratar aspectos socio-demográficos, a las científicas, a las realizadas por el periodismo, a las visualizaciones realizadas en apps y plataformas, que de alguna manera direccionan nuestro comportamiento.  Cada una de estas visualizaciones pueden ser objeto de lectura y deconstrucción. Pero es además interesante que el educador reconstruya caminos de búsqueda, re-elaboración, cuantificación, llevando a los alumnos a reconocer dicho proceso de diseño.

Por ejemplo, las actividades de cuantificación de la vida cotidiana propuestas por Stefanie Posavec y Giorgia Lupi en Dear Data permiten reflexionar sobre la visibilidad o invisibilidad de nuestro comportamiento, y el placer de la simplificación visual en las métricas que se elijan. Se puede acompañar esta actividad de análisis de uso de apps de cuantificación del sí, apoyando también la búsqueda del origen y el fin de los datos que entregamos en dispositivos móviles y vestibles.

Otro ejemplo es el del análisis y comprensión de datos estadísticos desde sitios nacionales (como las oficinas de estadísticas) y el mismo EUROSTAT, apuntando a comprender qué cosa se clasifica, cuáles son las lógicas de recogida y análisis de datos, en eventual relación con una agenda política nacional.

Respecto a los Open Data, el camino es aún más rico, pues su disponibilidad permite explorar los criterios de elaboración de estructuras de datos, buscarlos, organizar análisis y luego comentar/representar/generar dinamismos de interacción con sets de datos escogidos en el universo Open. Basta recordar que los Open Data pueden encontrarse en el ámbito público en general, pero también en particular en el contexto de la investigación científica. Si bien estos últimos datos pueden ser complejos, la elaboración de proyectos conjuntos de “ciencia ciudadana” con científicos abiertos a tal perspectiva, puede formar en un modo único a comprender la manipulación del dato hasta en el campo de la ciencia, deconstruyendo la pretensión de objetividad que aparece en ésta.

La visualización, en fin, es un proceso creativo. Si es entendido así, permite innumerables caminos de deconstrucción creativa con fines educativos.

He hablado de la visualización en general, desde un proceso de alfabetización para la vida cotidiana y la participación ciudadana. Sin embargo, tendré que dedicar un capítulo especial a los problemas y culturas de datos en la educación misma. Aunque está conectada, esa es otra historia.

 


Referencias

boyd,  danah, & Crawford, K. (2012). Critical questions for Big Data. Information, Communication & Society, 15(5), 662–679. https://doi.org/10.1080/1369118X.2012.678878

D’Ignazio, C. & Klein, L. Feminist Data Visualization. Published in the proceedings from the Workshop on Visualization for the Digital Humanities at IEEE VIS Conference 2016.

Freire, P. (2005[1970]) Pedagogy of the Oppressed (30th ed.). New York: Continuum. http://doi.org/10.1007/BF02195128

O’Neil, C. (2016). Weapons of math destruction : how big data increases inequality and threatens democracy. New York: Penguin.

Posavec, S., Lupi. G. (2016) Dear Data. London: Penguin Random House.

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

Tygel, A. F., & Kirsch, R. (2016). Contributions of Paulo Freire for a Critical Data Literacy: a Popular Education Approach. The Journal of Community Informatics, 12(3). Retrieved from http://www.ci-journal.net/index.php/ciej/article/view/1296

Zuiderwijk, A., Janssen, M., Choenni, S., Meijer, R., & Alibaks, R. S. (2012). Socio-technical Impediments of Open Data. Electronic Journal of E-Government, 10(2), 156–172. https://doi.org/10.1641/b570402?ref=search-gateway:885882d1830675b0f27af0760faeaef8

2 thoughts on “Educar a la visualización de datos. Principios a partir de la justicia social, el feminismo y la pedagogía crítica.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.