Las oportunidades que ofrece el 'big data' para mejorar el aprendizaje son enormes, pero también exigen un manejo más cuidadoso de la información. Este será uno de los temas a tratar en la Cumbre Líderes por la Educación.
Ram ideó este programa de análisis de big data y empezó a aplicarlo hace tres años.
Sabe con quién estás y qué haces con tus amigos, qué comes y cuánto te gastas al mes, cuáles son tus hobbies y cuánto tiempo le dedicas al estudio. Casi como el Gran Hermano que imaginó George Orwell en su novela 1984. Así es la Universidad Estatal de Arizona (la más innovadora de Estados Unidos, según los últimos tres rankings publicados por U.S. News & World Report), que implementa un sistema muy particular para monitorear a sus estudiantes.
La lógica es bastante simple, pero tiene implicaciones enormes: cada semestre, los alumnos “primíparos” reciben un carnet institucional que les sirve para todo. Con él ingresan a los edificios de clase, a la biblioteca, a las residencias y al centro recreativo; compran, como con una tarjeta de crédito, víveres en las tiendas del campus y entradas para el teatro más cercano, y hasta lo usan en las máquinas de gaseosas y dulces de la universidad. A cambio, la institución recibe información constante de dónde están, a qué hora y con quién.
“Es como un sensor que llevan puesto y que podemos usar para seguirles la pista. Aunque los carnet no están hechos para monitorear sus interacciones sociales, cruzando el tiempo exacto que están dos estudiantes en una ubicación puedes hacerlo”, dijo en un comunicado oficial Sudha Ram, directora del Centro de Inteligencia y Analítica de Negocios (Insite, por sus siglas en inglés) de la universidad.
Ram ideó este programa de análisis de big data y empezó a aplicarlo hace tres años. Su objetivo es disminuir el factor de riesgo de deserción, pues, como encontró la directora, la integración social y la rutina de estudios de los estudiantes predicen mejor que las notas cuando un alumno de primer año va a desertar. Y, hasta ahora, lo ha logrado. “Tras solo 12 semanas de clase, somos capaces de identificar previamente el 85% de los estudiantes que desertarán a final del primer semestre”, señala Ram. En parte gracias a este dato, y a una intervención focalizada en los alumnos bajo riesgo, el año pasado la institución rompió su récord de retención estudiantil con un 85,6%, superando el promedio nacional (76%). Y, aunque este no es solo un logro del proyecto del Insite, sí demuestra lo que puede llegar a lograr el uso de learning analytics.
¿Y eso con qué se come?
A pesar de su creciente popularidad, existe mucho malentendido sobre qué significa propiamente. No es lo mismo que machine learning, un campo de la inteligencia artificial, ni igual al análisis de datos. Pero se alimenta de ambos. La Sociedad para la Investigación del Learning Analytics la define como “el proceso de medición, recolección y análisis de datos (en especial grandes cantidades que solo pueden ser procesadas por máquinas inteligentes) sobre estudiantes y su contexto, con el objetivo de entender mejor y optimizar el proceso de aprendizaje y el ambiente en el que ocurre”.
Como explica el profesor Andrés Chiappe, docente del Centro de Tecnologías para la Academia de la Universidad de La Sabana, este “es un tema de interés de casi todas las universidades en el mundo. Cosa distinta es que se haya llegado a un nivel de comprensión suficiente sobre lo que implica en términos de aplicación. La mayoría de universidades todavía están tratando de entender su alcance”.
Algunas universidades usan sus bases de datos para adaptar su oferta académica a los intereses del tipo de estudiante que tiende a donar más dinero.
Pero ya se están aplicando varios programas pilotos en al menos tres enfoques: incrementar la retención, como en el caso de la Universidad Estatal de Arizona –el más popular hasta el momento–, entender los hábitos e intereses de la población y enfocar mejor la oferta académica, y mejorar los procesos de aprendizaje. Este último lo están aplicando en diversas instituciones con resultados medibles.
Como en la Universidad Purdue, en Indiana, donde un software predictivo para identificar a los alumnos de bajo rendimiento según sus notas, su interacción con la plataforma y su historial académico disminuyó en un 14% el índice de repetición de un curso piloto. En cuanto a la aplicación para marketing académico, es menos usual y más polémica. En abril, Times Higher Education reportó que algunas universidades usan sus bases de datos para adaptar su oferta académica a los intereses del tipo de estudiantes que tiende a donar más dinero a su alma mater después de graduados.
Grandes retos
Naturalmente, la responsabilidad de un manejo ético de los datos de los estudiantes empieza a volverse un factor crítico en la educación. Las nuevas generaciones, por lo general, son muy dadas a compartir abiertamente su información. Pero, con casos como el de Cambridge Analytica, que explotó datos personales de usuarios de Facebook para focalizar el marketing de las campañas del Brexit en Reino Unido, y de Donald Trump en Estados Unidos, este tema recibe cada vez mayor atención.
Por esa razón, es crítico el consentimiento. El informe “From Bricks to Clicks: The Potential of Data and Analytics in Higher Education”, compilado por el laboratorio de ideas Policy Connect, señala que “es crucial que las instituciones busquen el consentimiento informado de parte de sus estudiantes”.
Sin embargo, muchas entidades de educación superior se saltan esta parte. Los estudiantes de la Universidad de Arizona, por ejemplo, no son informados de para qué están usando sus datos cuando reciben el carnet. Por otro lado, es importante recordar que es mejor manejar con cuidado los resultados que arrojan los software ‘inteligentes’ de análisis de datos, pues no necesariamente aciertan siempre.
Por ejemplo, el informe de Policy Connect encontró el caso de un alumno de una universidad en Reino Unido que se paró en la entrada de un edificio del campus y pasó repetidas veces su carnet frente al lector para mejorar su puntaje de “participación universitaria”. El caso del Marist College en Nueva York es un ejemplo diciente: en 2012, iniciaron un programa de learning analytics que pretendía identificar alumnos con bajo rendimiento y camino a perder el curso. Este mejoró un exiguo 6% la nota final de los estudiantes intervenidos. Pero también aumentó sus índices de deserción, “quizás porque prefirieron retirarse antes que arriesgarse a perder el curso”, según el reporte “Learning Analytics in Higher Education”, publicado por el Comité Conjunto de Sistemas de Información del Reino Unido.