Aquí hay una regla general para usted: el entusiasmo de un individuo sobre el empleo de “datos” en la educación es directamente proporcional a su distancia de los estudiantes reales. Los formuladores de políticas y economistas comúnmente se refieren a los niños en conjunto, aparentemente viéndolos principalmente como una fuente de números para ser crujidos. Lo hacen incluso más que los consultores y superintendentes, que lo hacen más que los directores, que lo hacen más que los maestros. Los mejores maestros, de hecho, tienden a retroceder ante las conversaciones sinceras sobre los beneficios de la “instrucción basada en datos”, el uso de “entrenadores de datos”, “muros de datos” y similares.
Para empeorar las cosas, los datos en cuestión normalmente son solo puntajes de pruebas estandarizados, a pesar de que, como he explicado en otra parte, esa no es la única razón para ser molestado por este dactilógrafo. Y no ayuda cuando el proceso de cuantificar a los niños (y el aprendizaje) está adornado con adjetivos como “personalizado” o “personalizado”.
Pero aquí está la pregunta de hoy: si recopilar y ordenar los datos sobre los estudiantes nos hace sentir incómodos, ¿cómo deberíamos sentirnos sobre el creciente papel de Big Data?
Comencemos por señalar que este término no parece tener un único significado preciso. Algunas personas asumen que se refiere solo a la recopilación de más información numérica. Algunos dicen que se refiere principalmente a las técnicas de modelado estadístico utilizadas para hacer predicciones basadas en los datos que se hayan recopilado. Y al menos un escritor cree que el término ahora es utilizado principalmente por los críticos, para referirse a una actitud de adoración hacia los datos.
Para ser justos, la aspiración de grandes cantidades de descriptores numéricos a veces nos permite ver patrones y hacer predicciones. Al igual que una vista aérea, ofrece una perspectiva única que tiene sus usos. Christian Rudder defiende los grandes datos en su libro de 2014 Dataclysm , y su persuasión puede descansar en parte en el hecho de que es divertido, sin pretensiones, políticamente progresivo y le gusta hablar sobre sexo. “No son los números los que nos negarán nuestra humanidad; es la decisión calculada de dejar de ser humano “, argumenta en un punto.
Pero esto, me temo, es solo una versión del viejo canard de que la tecnología, en sí misma, es neutral, que todo depende de cómo se use. Por ahora deberíamos habernos dado cuenta de que los métodos dejan una huella en los objetivos y la tecnología en particular tiene un impacto causal. (Lea Nil Postman’s Amusing Ourselves to Death y The Shallows de Nicholas Carr si todavía no está convencido). La reducción imprudente de los seres humanos a los números es ofensiva independientemente de lo que se haga con esos números. Una vista aérea, por definición, no captura la individualidad de las personas en el terreno, y hay un precio que pagar si pasamos nuestros días mirando a la humanidad, o incluso a la literatura [1], de esa manera.
Parte del problema es que terminamos ignorando o minimizando la importancia de lo que no se presta para el análisis de datos. Es más bien como la vieja broma sobre el chico que buscaba sus llaves perdidas por la noche cerca de una farola, a pesar de que no era allí donde las había dejado caer. (“¡Pero la luz es mucho mejor aquí!”) No es de extrañar que la investigación educativa, cada vez más emprendida por economistas, dependa cada vez más de grandes conjuntos de datos que consisten en resultados de pruebas estandarizadas. Esos puntajes pueden ser pésimas representaciones del aprendizaje y, de hecho, extremadamente erróneas. Pero, por goma de mascar, seguramente están disponibles.
“¿Qué queda afuera?”, Entonces, es una pregunta crítica para hacer. Otro es: “¿Quién se beneficia con esto?” Noam Scheiber, un periodista que cubre asuntos laborales, observó recientemente que el big data “aumenta enormemente la asimetría de poder entre explotadores y explotados”. (Para más información, echa un vistazo a Cathy O’Neil’s libro Weapons of Math Destruction . [2]) Y estas preguntas deben formularse sobre big data en la educación tanto como en cualquier otro lugar. En el contexto de la educación K-12, como ya he notado, esto generalmente implica puntajes de exámenes estandarizados, no solo un examen sumativo, ya menudo de alto riesgo, sino un régimen implacable de pruebas (reempaquetado como “evaluación formativa”) eso significa conducir la enseñanza durante todo el año. Últimamente, esta misma sensibilidad reductiva se ha estado infiltrando en la educación superior, para gran consternación de muchos que enseñan allí, bajo el lema de “evaluación de los resultados del aprendizaje”.
Pero los “datos” en la universidad también pueden referirse a las calificaciones. [3] Un estudio de caso interesante apareció a principios de 2017 en una cuenta en su mayoría acrítica que apareció en el New York Times . Parece que varias compañías han convencido a las universidades para que paguen por programas de computadora que usan análisis predictivos para monitorear el progreso de los estudiantes, la idea es descubrir cuándo una baja calificación en un curso en particular puede asociarse con un riesgo de abandono en algún momento. “Nuestro big data no necesita saber exactamente por qué un alumno obtiene una mala calificación”, explicó un administrador. “Estamos viendo un patrón”.
Lo que los analistas de datos están vendiendo es la capacidad de generar más números, para mirar no solo a los promedios de calificaciones sino también a (todos los estudiantes) las calificaciones individuales de los cursos. Tenga en cuenta que nadie está proponiendo detectar problemas al sentarse con los estudiantes y preguntarles cómo van las cosas, al menos no hasta que la computadora señale a los que tienen problemas. El diagnóstico de riesgo se basa en lo que dice el software sobre sus calificaciones en lugar de en lo que los propios estudiantes podrían decir.
Además, estamos invitados a aceptar que si los estudiantes no obtienen una buena calificación en este curso, probablemente tampoco lo harán en esa, y esto refleja una deficiencia con los estudiantes en lugar de la calidad de los cursos. siendo enseñado y cómo. La emoción sobre los grandes datos: ¡más números que nunca! – es una distracción seductora de plantear preguntas preocupantes sobre lo que representan esos números. O lo que necesariamente excluyen.
Por analogía, piense en las afirmaciones generalizadas que “los estudios muestran” es beneficioso para hacer que los estudiantes tomen cursos avanzados de matemáticas en la escuela secundaria. Tales afirmaciones se citan reverentemente a pesar de que ofrecen un ejemplo de libro de texto de lo que se llama un efecto de selección: no es tanto que tomar cálculo ayude a los estudiantes sino que los tipos de estudiantes que tomen el cálculo tenderían a hacerlo bien más tarde. En segundo lugar, “beneficioso” a menudo significa “correlacionado con el éxito en cursos de matemática posteriores”, lo que plantea la pregunta de por qué la gran mayoría de los estudiantes necesita tomar alguno de ellos. [4] (La investigación también demuestra convincentemente que es ventajoso tomar latín 1 … en el sentido de que hacerlo mejorará mucho las calificaciones en latín 2). Mi punto es que lo mismo es cierto de los pronunciamientos sobre el valor de las estadísticas de crujido para llegar a casa en el cursos de introducción en los que supuestamente es vital obtener una buena calificación.
Cualquiera que haya observado el entusiasmo por entrenar a los estudiantes para mostrar más “agallas” o desarrollar una “mentalidad de crecimiento” debería saber lo que significa enfocarse en arreglar al niño para que se adapte mejor al sistema en lugar de hacer preguntas incómodas sobre el sistema en sí Big data básicamente nos da más información, basada en calificaciones, sobre qué niños necesitan ser reparados (y cómo y cuándo), lo que hace aún menos probable que alguien piense desafiar los efectos destructivos de, y explorar alternativas a, la práctica de calificar a los estudiantes . [5]
La analítica predictiva les permite a los administradores creer que están vigilando sus cargos cuando en realidad no están aprendiendo nada sobre la experiencia universitaria de cada estudiante, sus necesidades, temores, esperanzas, creencias y estado de ánimo. La creación de un conjunto de datos “personalizados” pone de relieve cuán personal es la interacción con los estudiantes e incluso puede agravar ese problema. Al mismo tiempo que este enfoque reduce a los seres humanos a una pila de datos de rendimiento académico, también desalienta el pensamiento crítico sobre cómo el sistema, incluida la enseñanza y la evaluación, afecta a los seres humanos.
Ninguna de estas objeciones se aborda mediante la recopilación de datos sobre otros aspectos de la vida de los estudiantes. El mismo artículo del New York Times describe un experimento con “rastreo de estudiantes de primer año … al deslizar sus tarjetas de identificación para ir a la biblioteca o gimnasio, pagar una comida en la cafetería o comprar una sudadera en la librería” en un intento de medir “sociales” interacción. “Esos datos no nos permiten afirmar que conocemos a un estudiante determinado. Tampoco nos incitan a examinar cuestiones estructurales subyacentes con su educación. Lo que hace la expansión de Big Data es plantear preocupaciones adicionales sobre Big Brother ya que se están monitoreando más actividades de los estudiantes. (También sugiere la posibilidad preocupante de que algunas escuelas puedan advertir a los estudiantes en riesgo de que no los ayuden, sino que se deshagan de ellos para mejorar la tasa de graduación a tiempo de la institución).
Cuando los educadores reducen a los estudiantes a datos, extrañan muchísimo. Cuando confían en Big Data, pueden empeorar las cosas.
NOTAS
1. Sí, las máquinas de preparación de números se han dado a la tarea de sacar conclusiones sobre la literatura basadas en tabulaciones de computadora sobre la apariencia de palabras específicas en una gran colección de libros. Si su reacción es que algo importante ha pasado inadvertido, probablemente la misma reacción sea apropiada cuando se utilicen grandes datos sobre educación o psicología.
2. También vea la Black Box Society de Frank Pasquale y esta bibliografía de otras críticas. Para una breve reseña de las preocupaciones metodológicas, un recordatorio de que los datos a menudo nos dicen mucho menos de lo que suponemos, consulte este ensayo.
3. Esto debería ser un recordatorio útil de que el problema no es solo con una métrica en particular, sino que también depende demasiado de la cuantificación. En lugar de preguntar “¿Cómo medimos …?”, Los educadores y los responsables de formular políticas deberían preguntarse “¿Cómo evaluamos …?” Para evitar encerrarse en el subconjunto de evaluación que exige una reducción de los números.
4. En el primer punto, vea al fallecido Grant Wiggins, “Un Diploma que vale la pena tener”, Educational Leadership , marzo de 2011, págs. 31-2. En el segundo punto, vea Andrew Hacker, The Math Myth – And Other Stem Delusions (Nueva Prensa, 2016). También vea a Nicholson Baker, “Respuesta incorrecta: el caso contra Algebra II”, Harper’s , septiembre de 2013, págs. 31-8.
5. He escuchado que, bajo la influencia del gurú de la administración W. Edwards Deming, cuando un trabajador de una cadena de montaje en Toyota se equivocó, los gerentes le estrecharían la mano y le agradecerían por ayudar a exponer un defecto de diseño en el sistema. Estos gerentes se dieron cuenta de que el sistema es el principal responsable del éxito o fracaso de las personas en el lugar de trabajo, lo que indica que recompensar o castigar a las personas (por ejemplo, con planes de incentivos y otros planes de pago por desempeño) no solo es manipulador y destructivo. motivación intrínseca, sino también simplemente un ejercicio de perder el punto.
