CU de la US
Luis Miguel Villar Angulo

¿Escanear el iris del aprendizaje académico con “big data”?

¿Escanear el iris del aprendizaje académico con “big data”?

Nube de palabras del blog luis-miguel-villar-angulo.es

¿Escanear el iris del aprendizaje académico con “big data”?

¿Escanear el iris del aprendizaje académico con “big data”?

Murillo. San Juan y los fariseos (detalle)

El aprendizaje es la forma visible de una universidad. El escaneo del iris o la exploración de la imagen del aprendizaje con estadísticas de grandes números (“big data”) hace transparente la educación superior, esforzadamente consciente la institución universitaria y aguda la sociedad moderna del consumo.

El advenimiento de la minería de datos (“data mining”) o la tecnología analítica del aprendizaje es un dispositivo que explora la imagen del aprendizaje de estudiantes, profesores y organizaciones universitarias y la traduce en indicadores para un procesamiento institucional.

Somos los humanos, para siempre, membranas del universo, revestimientos que ahora ganamos fuerza aunque los reduzcamos a un inexorable sistema numérico. Será verosímil en un tiempo no muy lejano que aprendamos a vivir en la tierra analizando etiquetas que nos identifican socialmente y en la nube de palabras resaltando gráficamente nuestro sistema de gestión de contenidos. Será implacable, igualmente, que aprendamos a deslizar nuestra figura abstracta en blogs, webs u otras formas y tipos de redes sociales.

La minería de datos ha sido la evolución específica de los “big data” o de las estadísticas detalladas o analíticas del aprendizaje para predecir patrones procesables de abandono universitario, por ejemplo, o crear tendencias en el mantenimiento de los egresos de una titulación de un campo académico universitario.

El destino ha consistido en penetrar en las personas o cosas para hacer más fácil su conocimiento a través de una riqueza de medidas variadas en tiempo real; tal ha sido el sino, predecir el comportamiento de las personas; anunciar sistemas que siempre aspiran a controlar la conducta, y pregonar sistemas que, como en las aplicaciones meteorológicas, quieren igualmente ser correctos en estabilidad y alcanzabilidad.

Una medición de datos de estudiantes y profesores y sus contextos, ciertamente, para optimizar el aprendizaje y el contexto en que este ocurre. Un vértigo de máquinas y tecnologías para recopilar, analizar y reportar datos hasta generar nuevas hipótesis asociadas con las conductas y los hábitos de aprendizaje, y personalizar sistemas de retroacción que puedan emplear los usuarios para tomar decisiones.

Hoy nos sentimos envueltos en la atmósfera de los grandes números que proyectan afinidades, predicen actitudes y adivinan ilusiones. “Big data” es una expresión que alude a un almacén de datos, un bazar en el que se depositan enormes cantidades de testimonios longitudinales y datos en profundidad con los que operan los sistemas para hacer transacciones y configurar árboles decisionales, por ejemplo, sobre la masificación en la educación superior, las fluctuaciones del mercado laboral, la calidad de la enseñanza del personal docente universitario, el diseño de grados y titulaciones, en particular, ese tipo de curriculum, tipo “cafetería”, en el que los estudiantes pueden escoger materias, cursos y horarios (más habitual en las escuelas universitarias comunitarias estadounidenses).

Los países industrializados, las grandes empresas, las instituciones de educación superior a distancia anhelan un aumento en las fronteras de sus globos de influencia merced a los grandes números. El concepto de “big data” tiene como característica un volumen tecnológico que no pone muros al mundo, una variedad de vahos humanos en forma de sentimientos, actitudes, creencias, conocimientos, y cosas así, que forman clústeres y una velocidad que hace vanos toda apariencia de idioma hablado e inoperante todo encastillamiento cultural.

Cuestiones para el escaneo del aprendizaje académico con “big data”

¿Quiénes conocen los límites de los grandes números para mejorar las prácticas organizativas y las acciones de los individuos, incluidas la planificación estratégica, el desarrollo curricular de los grados, los modelos pedagógicos, la docencia universitaria o la orientación del aprendizaje? ¿Quiénes proponen modelos de analíticas de aprendizaje en el contexto organizativo de la educación superior basados en principios de ética, respeto, consentimiento y mantenimiento de la privacidad? ¿Qué lógica institucional subyace en la analítica del aprendizaje de los actores de los procesos de enseñanza-aprendizaje si no se presta suficiente atención a una serie de factores tecnológicos que incluyen la provisión de datos, la experticidad en la analítica de datos técnicos, la colaboración entre organizaciones universitarias, el liderazgo rectoral, o la atención al clima organizativo de una universidad?

Reconocemos factores de aprendizaje en la vida académica de una institución universitaria a través de las puntuaciones promedio de los expedientes académicos de los estudiantes; escrutamos los “big data”, además, en las interacciones de estudiantes y profesores en las plataformas de teleformación, en las tarjetas de acceso a los servicios universitarios (bibliotecas, polideportivos, cafeterías, espectáculos, etc.), en las solicitudes de las materias y grados o en los accesos a internet a través de los dispositivos personales con una identificación procurada desde la administración universitaria. Pero siempre exigimos más conocimiento.

Todo esto es intuición como mera exigencia práctica de nuestra existencia entre datos de cuya magnitud e interacción con ellos no somos lo suficientemente conscientes. La universidad es un contexto institucional en el que resulta habitual manejar datos de sistemas de gestión de aprendizajes (por ejemplo, a través de la plataforma Moodle). Un contexto que tiene como sino conocer como la minería de datos producida por las interacciones en los procesos de enseñanza-aprendizaje se analizan por medio de algoritmos para proporcionar visualizaciones de datos y recomendaciones de acción relacionadas con la actuación de cursos presenciales y en línea. Por eso se necesita comprender, igualmente, el aprendizaje docente.

Escaneo de la visión del aprendizaje docente con “big data”

La analítica del aprendizaje ha tenido éxito al proporcionar datos sobre el éxito académico de los estudiantes identificando aquellos alumnos que tenían problemas de graduación y se mantenían retenidos en las matriculaciones por acumulación de suspensos.

En el caso docente, la analítica del aprendizaje debe proporcionar datos reales que señalen cuando un profesor contratado o interino exhibe características relacionadas con el cansancio moral o una conducta próxima al abandono de la profesión docente. ¿Será esta una de las implicaciones prácticas y una de las recomendaciones de investigación asociada con la analítica del aprendizaje docente?

Los efectos en el aprendizaje estudiantil debidos a la condición profesional docente no han sido recopilados, analizados e interpretados como minería de datos. Por ahora, “big data” no analiza la tendencia en el aprendizaje estudiantil del personal docente e investigador (PDI) a tiempo parcial. Tampoco lo hace del personal empleado investigador (PEI) a tiempo completo o parcial, o del personal docente e investigador que no es doctor en nuestro país (28,3%, en el curso 2016-2017).

Bien sabido es que el personal docente se afana por conseguir la condición profesional del cuerpo docente universitario (CDU) integrado por cuatro figuras (Catedrático de Universidad, Titular de Universidad, Catedrático de Escuela Universitaria o Titular de Escuela Universitaria) que se mueven institucionalmente entre la docencia, la investigación y los servicios. Fuera de este estrato académico hay inteligencia que se agita en los grados y las titulaciones afirmándose como fecundos factores de aprendizaje.

Un escaneo de la estructura de recursos humanos del PDI y PEI arroja datos estadísticos valiosos a considerar para una analítica del aprendizaje. Los datos son los siguientes: el PDI a tiempo completo del total de las universidades españolas era de 71.023 personas, mientras que el PDI a tiempo parcial era de 49.360 personas en el curso 2016-2017. El PEI se había situado en 18.474 investigadores contratados, de los cuales 16.118 estaban a tiempo completo y 2.335 a tiempo parcial en el mismo curso académico.

Esto es un cuadro inefable desde el punto de vista de la analítica del aprendizaje. ¿Cuál es el rol docente emergente? ¿Se quiere erradicar el PDI a tiempo completo? ¿Se desprofesionaliza el PEI? Si se acepta que los profesores afectan el aprendizaje de los estudiantes (al menos en las titulaciones de Maestro) y que el rendimiento y la satisfacción estudiantil dependen del mosaico de talentos de un departamento orgánico, se deben considerar modelos docentes alternativos que pongan el foco en las analíticas sociales del aprendizaje, en la calidad de vida de los diversos campos universitarios y en las interacciones de los estudiantes y el aprendizaje en contextos comunitarios.

¿Escanear el iris del aprendizaje académico con “big data”?

Nube de palabras del blog lumivian.es

 

Redes Sociales
Etiquetado en:

Deja un comentario

Luis Miguel Villar Angulo