S• 5•2 • Analíticas de aprendizaje para la calidad educativa: ¿un oxímoron? •

Con el tiempo, como señalamos en el apartado anterior, se esperaba que la mayor capacidad de procesamiento de macrodatos (big data), el avance en el estudio de los algoritmos y testeo de interfaces de interacción persona-computador eficaz en relación a las visualizaciones, llevarán a respaldar acciones necesarias como la orientación pedagógica de los educadores, el apoyo a los alumnos en riesgo, el empoderamiento y la personalización y la autorregulación (Viberg et al., 2018).

El enfoque de analíticas de aprendizaje se ha ido extendiendo rápidamente a todos los niveles educativos (educación escolar, educación superior, aprendizaje profesional) e incluso tipos de aprendizaje (formal, informal y no formal), generando en cada uno de esos niveles preguntas respecto a la factibilidad de aplicación de los sistemas de analíticas, las dificultades de trazado y elaboración de macrodatos con el dinamismo necesario para que los usuarios puedan tener efectivo acceso a sistemas de recomendaciones y visualizaciones que orienten su comportamiento en la dirección pedagógica hipotetizada. Las preocupaciones de los desarrolladores de de analíticas colocan unas cuestiones iniciales de discusión de la calidad de las analíticas, que quedan aún del lado tecnológico y de la interacción humana. Sin embargo, esa pregunta por la calidad no ha ido mucho más allá de buscar que los sistemas generados funcionen correctamente. El ir más allá del problema dado, en cambio, pensando en aspectos de calidad que engloban la inclusión, la justicia social y en general la crítica a los fines últimos del desarrollo tecnológico para servir una concepción neoliberal del desarrollo, no se cuestionan, aparentemente.

  • En relación con la educación infantil y pre primaria, se observó un uso creciente de juguetes que están conectados a aplicaciones web, generando el fenómeno de la “Internet de los juguetes”. El trazado digital de las actividades de los niños se usaría para informar a los padres sobre las rutinas de juego y el desarrollo cognitivo, abordando la posible intervención para la educación y la estimulación temprana. En este caso, las numerosas inversiones comerciales reunirían con entusiasmo teorías pedagógicas con avances neurocientíficos (Chaudron et al., 2017; Holloway & Green, 2016).
  • En la escuela (ciclo de primaria y secundaria) las mismas arquitecturas digitales se están aplicando en el caso de análisis de aprendizaje multimodal. Los sensores usables, el seguimiento ocular, así como los datos audiovisuales y de acelerometría de los sensores usados ​​por los maestros abarcan la recopilación de datos sobre varios procesos complejos en clase, como la orquestación de actividades de colaboración (Prieto et al., 2018) o la regulación social del aprendizaje en grupos (Noroozi et al., 2018). Otro ejemplo del ámbito escolar es el de la investigación realizada por el grupo de la Universidad de Oulu está tratando de generar paneles de control más fáciles tanto para investigadores educativos como para docentes y estudiantes (Noroozi et al., 2018). Además, la Universidad de Tallin en colaboración con la Ecole Polytechnique the Lausanne está analizando cómo mejorar el comportamiento de modelado inicialmente introducido por las interfaces. para reproducir configuraciones de orquestación para el desarrollo profesional de los docentes (Prieto et al., 2018). Las brechas técnicas de la recopilación, limpieza, organización, modelado y traducción de datos en tiempo real en gráficos accionables para maestros y alumnos han dejado en claro que este es un campo en su infancia del punto de vista de desarrollo tecnológico (Blikstein & Worsley, 2016). En definitiva, las preocupaciones iniciales respecto a la calidad de la implementación de estos sistemas, planteadas por los investigadores dedicados a esta área se relacionan con los aspectos técnicos de la limpieza y la organización de los datos de manera relevante, a saber, en relación con las construcciones pedagógicas relevantes como la orquestación y el aprendizaje colaborativo. Así mismo, han planteado la simplificación de las interfaces gráficas de usuario.
  • En el caso del aprendizaje profesional, se ha hablado de “entornos de trabajo inteligentes” basado sobre el trazado de datos en relación a tareas, tiempo, resultados, actividad emocional y social. Estos datos se recopilan, se agrupan, se agregan y finalmente se envían al trabajador y la gerencia para apoyar los procesos de aprendizaje en el trabajo (Ruiz-Calleja et al., 2017). En áreas profesionales específicas como la educación médica, estos elementos adquieren aún más importancia ya que los datos recopilados informan los procesos de aprendizaje adaptativo para realizar tareas técnicas complejas, como la capacitación o las intervenciones de los cirujanos en casos urgentes como la resucitación cardiopulmonar (Di Mitri, 2018). En el campo profesional se pone aún más de manifiesto la dificultad de usar dispositivos multimodales de trazado de datos, como tecnologías portátiles  (wearable technologies). Así mismo, los desarrolladores observan grandes resistencias por parte de los trabajadores respecto a sistemas que pueden resultar invasivos para la autonomía del trabajador en gestionar su tiempo de trabajo y pausas.
  • En las instituciones de Educación Superior (IES) han focalizado desarrollos que hemos mencionado en el apartado anterior, considerando que en el nivel universitario los estudiantes están conectados de forma masiva y continua, de manera mucho más intensiva que en cualquier otro nivel o situación de aprendizaje, tanto a través de las plataformas LMS (Learning management system) adoptadas como base para el campus virtual, como el uso de repositorios digitales de texto y video, como los datos personales recogidos alrededor de la carrera del estudiante con fines administrativos. Sin embargo, el estado actual de desarrollo muestra pocos avances en la adopción de analíticas, lo que genera preocupación por la validación auténtica y la escalabilidad de las tecnologías como la analítica de aprendizaje predictivo y los paneles de control para el aprendizaje (Viberg et al., 2018). Además, los problemas éticos del uso de datos no se consideran lo suficiente como para construir políticas institucionales que integren el análisis del aprendizaje como parte de los modelos de educación de calidad (Vuorikari et al., 2016).

A lo largo de los diferentes ejemplos presentados aquí se observan aspectos comunes que caben destacar. Particularmente, parece que la fiabilidad teórica y empírica de las diversas tecnologías exploradas sigue siendo un problema. Si bien es cierto que la falta de contextos auténticos de validación genera un problema relacionado con la consistencia empírica, quizás sean más preocupantes los problemas relacionados con la validez teórica, política y ética de los constructos que se encuentran detrás de la agregación de datos, el modelado y la visualización. Además, la recopilación de datos se produce en contextos en los que los alumnos no siempre son conscientes del tipo de datos publicados, un tema que introduce la cuestión ética de las formas de vigilancia habilitadas que conlleva la compensación entre la privacidad personal, el enfoque personal para el auto cuantificado, y los usos institucionales de big data (Raffaghelli & Stewart, 2020).

Sin embargo, algunos avances más importantes se van a realizar desde dos perspectivas:

  1. La primera, relacionada con el mismo desarrollo tecnológico que reclama una mayor actividad experimental in situ para comprobar la eficacia y el impacto de los instrumentos puestos a disposición de los usuarios.
  2. La segunda, y más disruptiva, a través de la fuerte crítica promovida por los estudiosos de las ciencias sociales.

Desde estos estudios, parece necesario dar forma a una agenda de investigación y policy making sobre las analíticas de aprendizaje desde una perspectiva práctica, contextualizada y crítica (Prinsloo, 2017). De extrema importancia es también dar voz a los estudiantes en diseños participativos que cuiden las decisiones sobre privacidad y utilidad de los instrumentos que se basan en el trazado continuo de datos (Broughan & Prinsloo, 2020). Aunque el foco de estas dos líneas no queda ligado a la discusión de calidad, sí se presenta como un debate en estado embrionario sobre los que después puede convertirse en instrumentos y estrategias de calidad educativa en la educación superior.

 

Para profundizar

Según Broughan y Prinsloo (2020, p. 618):

En gran parte de la investigación sobre el éxito y la retención del estudiantado en la educación superior es fundamental la aceptación normativa de que la deserción y el fracaso de los estudiantes están relacionados con los déficits en sus antecedentes educativos, la actitud, el compromiso y la capacidad de los estudiantes (Kahu y Nelson 2018)*. Los modelos de déficit de comprensión de la capacidad de los estudiantes en la educación superior a menudo sustentan las respuestas institucionales a los estudiantes que no se corresponden con la norma de los estudiantes de habla inglesa como primer idioma, a menudo blancos (por ejemplo, Banks y Dohy 2019; Trent 2019)*. A medida que las instituciones de educación superior procesan cada vez más los datos de los estudiantes en análisis de aprendizaje, estos enfoques de deficiencias en el aprendizaje tienen el potencial de determinar no solo qué datos importan y se recopilan, sino también cómo se utilizan (Macgilchrist 2019; Vytasek, Patzak y Winne 2020)*. Como siempre, los métodos desplegados y la postura ontológica adoptada inevitablemente darán forma a la evidencia producida.

*citados en el texto original

css.php