MIAMI BUSINESS TECHNOLOGICAL UNIVERSITY

TALLER Nº 7

MATERIA

Technology, the Environment and Education

TEMA

El fenómeno Big data, educación basada en datos, análisis predictivo, Privacidad de

los datos en las instituciones educativas, Investigación educativa y analítica de
aprendizaje, Desafíos éticos de la analítica de aprendizaje, Mitos y falacias sobre el
Big data.

AUTORA

Ing. Sara Siria Sarango Guaman

DOCENTE

PhD. Wilson Daniel Palacios

MAYO, 2023

ECUADOR
 INTRODUCCIÓN

La comprensión de fenómeno Big Data, y la capacidad de utilizar

adecuadamente los datos digitales que se generan en las practicas de aprendizaje,

forman parte del conjunto de habilidades esenciales de los profesionales de la

educación en la Sociedad del Conocimiento.

Del Big Data destaca su carácter multidisciplinar y la diversidad de enfoques

que lo estudian (Ares, 2021).

 DESARROLLO

Fenómeno del Big Data

EL termino Big Data se refiere a la gestión de la gran cantidad de datos que

se generan con el uso de las aplicaciones y servicios informáticos conectados a

través de Internet. Consiste en analizar, gestionar y trabajar con bases de datos

agregadas a gran escala que registran la huella de actividades realizadas en

Internet. Se asocian al Big Data otras acciones que se relacionan indirectamente

con la gestión informática de los datos como el marketing, la venta, las finanzas, o la

enseñanza basada en el análisis de datos masivos (Ares, 2021).

Los datos en Internet son tan variados como el rango de actividades de

donde proceden.

La informática e Internet están presentes en casi todas las actividades

sociales y económicas. Internet y los algoritmos de programación constituyen el eje

que vertebra el funcionamiento de nuestra sociedad.

Existen datos sobre comunicaciones entre personas, como las

conversaciones a través de aplicaciones móviles. Datos de las gestiones que

realizamos en plataformas de Internet, como al hacer una compra o en las

transferencias bancarias. Datos de procesos entre máquinas como los de la

logística de gestión en un supermercado. Hay un conjunto de datos que son

capturados a través de dispositivos conectados entre sí y con los sistemas que

recogen información en infraestructuras físicas como las válvulas de riesgo en la

agricultura, datos de las instalaciones meteorológicas, cámaras de trafico, etc.

Según la tipología de esos datos y la fuente de donde proceden, hay un

conjunto de tareas a realizar para poder utilizarlos de manera provechosa. Una de

las principales tareas, básica e inicial, es dotar de estructura a las bases de datos
que contiene la información. Por la multitud de fuentes de procedencia de los datos

y su variada tipología, los datos nunca están adecuadamente organizados. Una vez

identificadas las fuentes de datos y se hayan categorizado , la siguiente fase es

definir qué mecanismos se van a utilizar para poder convertir los datos en

información útil (Braza, 2020).

Educación basada en datos

El uso de datos digitales en la enseñanza está dotando de nuevas

capacidades a los profesionales de la educación. El análisis de situaciones donde

los datos han servido para resolver dificultades de los estudiantes muestra dos

tendencias: - el análisis de los datos generados durante un curso como apoyo a la

docencia y seguimiento a los estudiantes. – la aplicación del conocimiento para

diagnosticar las necesidades de los estudiantes y diseñar cursos adaptados (López,

2022).

Apoyo a la docencia y la gestión de cursos.

Una de las principales aproximaciones al big data en la educación consiste en

aplicar técnicas de analítica de datos para mejorar la calidad del aprendizaje. Lo

más habitual es hacer un seguimiento de los pasos de los estudiantes en las

plataformas digitales, analizar la información y proporcionar soluciones ante los

problemas cotidianos.

Los estudiantes dejan huellas dentro de un entorno de aprendizaje digital.

Mediante un análisis de esas huellas, se puede mejorar para enriquecer el

aprendizaje , la enseñanza y mejorar la eficacia de las instituciones implicadas.

Dónde comenzar a procesar los datos de los estudiantes y las posibilidades

de uso:

 Datos de ingreso
 Cuando un estudiante inicia su sesión en una plataforma educativa la acción

queda registrada en el sistema. El análisis de esa información y de los patrones

asociados al comportamiento posterior pueden ayudar a los profesores a estudiar

los niveles específicos de participación y la forma en que se está utilizando el

entorno de aprendizaje. Esa información es útil para evaluar donde podrían

requerirse las intervenciones o donde podría ser necesario editar el contenido pata

tener mayor claridad (Ares, 2021).

 Datos de uso de herramientas y recursos de aprendizaje.

Saber qué herramientas utilizan los estudiantes, a qué actividades y recursos

acceden y con qué frecuencia es útil para los profesores, ya que puede ser como un

indicador de la participación y el rendimiento en el curso y para tener una idea de

qué contenidos son los más consultados. Conocer esa información es útil para

tomar decisiones sobre la forma de gestionar el curso y su futuro rediseño.

Un administrador puede usar un informe de acceso a la plataforma para ver

qué herramientas están utilizando los docentes y si hay problemas de rendimiento.

 Registro global de la actividad

Observando la actividad de los estudiantes, los profesores podrían enviar una

nota a los no están participando con periodicidad y premiar a los que si.

Para los administradores, un informe de actividad es útil para observar la

relación entre el rendimiento del alumno y el compromiso del profesorado.

 Permitir intervenir en el curso.

La actividad del estudiante y los resultados de la evaluación pueden ayudar a

los diseñadores del curso a ver dónde están teniendo dificultades los estudiantes.
 El análisis del comportamiento de los estudiantes y de los profesores ayuda a

las instituciones a identificar casos de riesgo, para anticipar la intervención

pedagógica y ofrecer un apoyo adecuado.

Análisis predictivo.

El análisis de los datos digitales de los estudiantes demuestran su utilidad

para predecir las tasas de abandono en cursos digitales. Los datos demográficos y

de rendimiento ayudan a las instituciones educativas a predecir si un estudiante se

inscribirá en un curso, si mantendrá el rumbo durante el aprendizaje y si requerirá

apoyo para no quedarse atrás. Esta forma de utilizar los datos es el análisis

predictivo.

Las instituciones educativas pueden apoyarse en este análisis para alcanzar

sus objetivos de captación de alumnos..

- Tener una visión y un plan

Desarrollar una visión y un plan para el uso de los datos ayudara a orientar el

análisis predictivo. La planificación evita que el análisis pueda utilizarse de manera

negativa para los estudiantes, y es útil para incorporar al personal clave que debería

pilotar el proceso e identificar como se medirá el éxito de ese esfuerzo. Para

desarrollar un plan se necesita el apoyo del personal clave y el de los agentes

implicados en la toma de decisiones (López, 2022)

Tres factores al desarrollar el plan:

1. Objetivos a lograr con la analítica predictiva. El plan debe incluir las

preguntas que se espera contestar y las metas que desea alcanzar. Debe explorar

los peligros potenciales. El equipo de análisis debe asegurarse de que los datos no

se utilicen con fines discriminatorios.

 2. Consecuencias imprevistas de la analítica predictiva. El plan debe incluir

las posibles consecuencias imprevistas y los pasos que pueden tomar para

mitigarlos.

3. La forma de medir los resultados. El plan debe incorporar los indicadores

de logro con los que evaluar el proceso del análisis y establecer los resultados que

se espera conseguir.

 Construir una infraestructura de apoyo.

Una infraestructura de apoyo dentro de la institución asegura poder

aprovechar el resultado de aplicar análisis predictivo, y que los procesos y otros

apoyos funcionen para ayudar a desarrollar el plan de intervención. Pasos a seguir:

1. Comunicar los beneficios del uso del análisis predictivo y crear un clima

donde pueda ser adoptado. Es importante informar de los beneficios en el seno de

institución.

2. Desarrollar procesos solidos de gestión del cambio. Las nuevas

herramientas vienen acompañadas de nuevos procesos, modelos de informes,

personas y socios que aportan nuevas habilidades. Hay que implicar a los gestores

para ayudar a garantizar que se implementen procesos con los que respaldar el

cambio.

3. Evaluar la capacidad institucional. Disponer de la tecnología

apropiada, la infraestructura de datos, el talento, los servicios, los recursos

financieros y las habilidades de análisis de datos son esenciales para usar éste

método.

 Trabajar para garantizar el uso adecuado de los datos.

Los modelos de datos y los algoritmos informáticos necesitan información

para construir herramientas predictivas que respalden las estrategias de captación

de estudiantes y les ayuden a progresar. Para construir y utilizar esas herramientas

hay que tener en cuenta la calidad de interpretación de datos e información y la

privacidad y seguridad. Ámbitos a trabajar:

1. Asegurar que los datos estén completos y que sean de calidad para

responder preguntas especificas.

2. Asegurar que los datos san interpretados con precisión.

3. Asegurar que los estudiantes y el personal son conscientes de que sus

datos se usarán para el análisis predictivo.

4. Garantizar la privacidad de los datos.

5. Vigilar la seguridad de los datos.

 Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos.

Es crucial que los modelos y algoritmos sean creados para reducir los

múltiplos sesgos propios de la intervención en comunidades diversas. Hay que

asegurarse de que los modelos y algoritmos se creen en coordinación con los

programadores encargados de diseñarlos, para que no codifiquen

intencionadamente el sesgo y que puedan ser probados con veracidad (Braza,

2020).

 Aplicar intervenciones adecuadas y coordinadas.

Es importante que las intervenciones derivadas del análisis predictivo

sean en el contexto del resto de apoyos de la institución y se difundan con

mensajes comunicados, aspectos a tener en cuenta:

1. Comunicar al personal y a los estudiantes el cambio de modelo de

intervención que se basara en la información obtenida del análisis de datos.

2. Incorporar las intervenciones basadas en la predicción en unas medidas

de apoyo a estudiantes y profesores.

 3. Comunicar a los implicados la puesta en práctica de las intervenciones.

4. Formar al personal sobre los sesgos implícitos al análisis predictivo y los

límites de los datos para sugerir intervenciones.

5. Formar a los estudiantes para utilizar sus propios datos.

6. Evaluar y probar la efectividad de las intervenciones.

Privacidad de los datos en las instituciones educativas

La gestión de datos masivos está haciendo que educadores y estudiantes

colaboren, creen y compartan ideas. Cuando una institución hace un uso intensivo

de tecnologías educativas, los datos de los estudiantes son recopilados por los

responsables de esa institución y se mantienen en los servidores de las compañías

encargadas de gestionar sus servicios informáticos (Ares, 2021).

Es importante que los educadores utilicen la información disponible para

ayudar al aprendizaje de sus estudiantes y que protejan sus datos personales

manteniendo la privacidad, donde los profesores son quienes tienen contacto directo

con los estudiantes y los más interesados en atender la privacidad de sus datos

personales.

Fenómeno que está produciendo cambios importantes en las funcionalidades

del sistema, y generando debate en la comunidad educativa. Características

principales:

Identificación de los estudiantes

La información que está vinculada a los estudiantes individuales se conoce

como información de identificación personal, y esta sujeta a variedad de

restricciones legales y reglamentarias. La información personal del estudiante, sobre

su identidad, aspectos académicos, condiciones medicas u otro aspecto

especifico de ese estudiante en particular

 Uso de datos personales

Existen aplicaciones que garantizan la correcta protección de loas datos

personales:

-Herramientas de colaboración; estudiantes y profesores redactan el trabajo

en común.

-Aplicaciones de gestión de procesos, tiempos y tareas para organizar y

hacer seguimiento de la programación.

-Plataformas de aprendizaje digital; los maestros publican instrucciones,

asignaciones y enlaces a recursos.

-Notificación de calificaciones; los profesores publican calificaciones y se

puede acceder a ellas con nombre de usuario y contraseña.

-Herramientas de comunicación como cuentas de coreo electrónico o

boletines de noticias.

Investigación educativa y analítica del aprendizaje

Las técnicas de análisis de big data proporcionan a los investigadores la

información necesaria para monitorizar la totalidad de los comportamientos que son

posibles exhibir en un sistema digital.

Entre las nuevas disciplinas que estudian la utilización social de los datos

masivos, destaca por su impacto en las ciencias de la educación, la analítica del

aprendizaje. En la investigación educativa se consolidan técnicas orientadas a la

gestión de los datos digitales como el modelo de estudiantes, los sistemas de

recomendación, la minería de datos o el análisis de la traza de los procesos

educativos. Esas disciplinas combinan varios métodos procedentes de las ciencias

de la computación, las matemáticas y la estadística aplicada con el fin de predecir,

interpretar y conocer el proceso de aprendizaje de los estudiantes.

En palabras de Reich, tenemos terabytes de datos sobre dónde han hecho

clic los estudiantes y muy poca comprensión de lo que ha cambiado en sus

cabezas.

Desafíos éticos de la analítica del aprendizaje

Hay que considerar diversas situaciones que son consecuencia de utilizar los

datos recopilados para fines inesperados y muy diferentes de los que estaban en los

supuestos iniciales que condujeron a su captura. Se presenta una responsabilidad

ética cuando se trata de gestionar datos, que es mayor cuando la información

procede de los estudiantes de un curso y su uso se destina a apoyar el proceso de

enseñanza y aprendizaje, en el aula o en un espacio digital (Braza, 2020).

El big data modifica la concepción de los individuos y afecta a las

consideración de los datos que se utilizan en la investigación social, ya que ahora

esos datos pasan a ser indefinidamente conectables y reutilizables, continuamente

actualizables y fácilmente eliminables.

En la practica gestionar los datos almacenados en los servidores plantea

numerosas incógnitas para las personas que no están habituadas a manejar los

códigos éticos de la investigación social. La adquisición de datos públicos

procedentes de Internet conlleva la aceptación de los términos y condiciones legales

del servicio.

Los investigadores y analistas de datos

Los investigadores que trabajan con datos masivos se enfrentan con nuevos

dilemas éticos que no están bien resueltos en los protocolos de acción. Un ejemplo
es el uso de datos públicos de Internet, cuya barrera es la aceptación de los

términos y condiciones legales del servicio.

Los sujetos de la investigación

El recurso mas importante para proteger la voluntad de una persona como

sujeto de una investigación social es el `consentimiento informado’. Consiste en la

aceptación expresa que proporcionan las personas que van a ceder sus datos para

su uso en una investigación. Es la principal herramienta de la que disponen los

investigadores para afrontar los dilemas y conflictos éticos que surgen.

Las instituciones que recopilan la información

En el nivel estratégico, la falta de un enfoque ético adecuado podría llevar a

que un centro de enseñanza recurra al análisis predictivo para justificar el uso de

menos recursos con los que reclutar estudiantes de bajos ingresos porque sus

posibilidades de inscripción son menos seguras.

Antes de decidir qué protocolos de captación de datos emplear y el lugar

donde almacenar la información, hay que tener en cuenta los problemas de

seguridad y considerar la evolución de las normas sobre violación de datos y

reidentificación de personas (Ares, 2021).

Mitos y falacias sobre el big data

El big data esta ampliando la capacidad de acción de numerosas disciplinas

como la educación, puede conducir a una interpretación positiva de este fenómeno.

Se presenta el big data como la clave para aumentar el rigor en las ciencias

sociales o como una condición para la educación del futuro (López, 2022).

Principales desafíos que limitan el fenómeno llamado a superarse en los

próximos años.

Escasa atención a los sesgos de las plataformas que generan los datos.
 El análisis predictivo basado en big data consiste en estudiar el

comportamiento de las personas y relacionarlo con patrones que permitan explicar

sus acciones y predecir su comportamiento en el futuro. Los datos que se

utilizan proceden de situaciones complejas dotadas de múltiples significados, cuya

interpretación depende del contexto en el que se han recogido. En Internet, el

principal elemento que determina el contexto es la plataforma donde tiene lugar la

actividad social. Es importante que un mismo comportamiento podría tener

significados diferentes según la plataforma en la que se haya producido.

La plataforma que más ha sido investigada desde el big data ha siso Open

edX, principal sitio de MOOCs en todo Internet.

Búsqueda de etiquetas y palabras clave en casos únicos.

Muchos estudios de big data educativo extraen textos relevantes de una

plataforma usando etiquetas o palabras clave. Los estudios basados en etiquetas y

palabras clave pueden ser un método poderoso para examinar los flujos y la

temática de las conversaciones de un curso, son análisis construidos sobre la base

de seleccionar la variable dependiente, la que se corresponde con el caso que se

pretende estudiar, con las características y debilidades que supone emplear esa

ruta metodológica.

Correlación no implica causalidad

Hay una estrecha relación entre la selección de rasgos que forman parte de

la variable dependiente y la atribución de factures específicos de los cuales

dependen de las características de la muestra no correlacionada. Una población

autoseleccionada tendrá características generales diferentes de las de la población

general y puede exhibir tendencias correlacionales significativamente diferentes,

esto crea dos problemas (Braza, 2020).

 -Se produce una confusión en las variables analizadas. El uso de etiquetas es

un acto de autoselección que implica la participación y el compromiso con el marco

que integra la etiqueta.

-Error que lleva a asumir que la correlación entre los factores o rasgos

observados simultáneamente en las variables implica algún tipo de causalidad entre

ellos.

Limitaciones muestrales

Uno de los mayores riesgos metodológicos del análisis del big data es la

insuficiente comprensión de la muestra subyacente.

Las investigaciones presentan un gran alcance y las poblaciones a las que se

proyectan los estudios son muy amplias. Por ejemplo, pueden referirse a todos los

usuarios de Internet, o en la educación puede haber estudios cuyas conclusiones se

quieran aplicar a todos los estudiantes que participen en cursos digitales, a todos los

estudiantes universitarios o a todas las escuelas situadas en un determinado tipo de

barrios. Como la información en las bases de datos masivas es muy numerosa, el

investigador piensa que esos datos son suficientes para representar a la población.

La estructura de red no revela todo

Las investigaciones de big data utilizan métodos de análisis de redes

sociales. Trata de conocer la evolución de los flujos de información que

proporcionan las personas que están interactuando en un contexto determinado,

para ello recurre a representaciones graficas que muestran las conexiones entre los

nodos que forman la red, personas, mensajes, tuits, etc (López, 2022).
 CONCLUSIONES

Al concluir este ensayo se puede manifestar que el Big Data por sí mismo no

puede responder todas las preguntas que surgen en una investigación social, el

contexto de las comunicaciones humanas y la naturaleza de las interacciones son

multifacéticas y complejas.

La disponibilidad de los datos digitales ha impulsado la búsqueda de nuevos

métodos de muestreo, pero esta abundancia de datos no ha sido completada con

una revisión conceptual y metodológica que permita comprender las potencialidades

como las limitaciones del Big Data.

 BIBLIOGRAFÍA

Ares, S. (2021). Sociedad del Conocimiento, Tecnología y Educación. Studuco.

https://www.studocu.com/es/document/uned/sociedad-del-conocimiento-

tecnologia-y-educacion/tema-1-sociedad-del-conocimiento/10687211

Braza, M. (2020). Sociedad del conocimiento, tecnología y educación, apuntes de

sociedad y medio ambiente. Docsity. https://www.docsity.com/es/sociedad-

del-conocimiento-tecnologia-y-educacion-1/5934652/?

src=social_login&src=social_login

López, M. (2022). Sociedad del conocimiento, tecnología y educación. Studuco.

https://www.studocu.com/es/document/uned/sociedad-del-conocimiento-

tecnologia-y-educacion/tema-4-rastros-huellas-y-filtros-digitales/31600235