Sociedad

El crecimiento del acceso a la educación superior en las últimas tres décadas en América Latina pone a la recolección y uso de datos como premisa para el logro de los objetivos. Foto: Dirección de Comunicaciones UdeA. 

Si hoy fuera posible conocer tanto a los estudiantes universitarios, al punto de saber cuáles factores inciden para que les vaya bien en su vida académica —aprendizaje, participación, interacción, desmotivación, sentido de pertenencia— se podría pensar en estrategias que potencien sus fortalezas e identifiquen a tiempo las posibles debilidades que puedan amenazar su permanencia en la universidad.

Este escenario es cada vez más viable, gracias al uso cotidiano de herramientas digitales para los procesos educativos, al avance de la computación para procesar volúmenes de datos, al aprendizaje automático, a la consolidación de la inteligencia artificial y a prácticas como la analítica de datos.

Las universidades son un hervidero de datos, especialmente en los últimos años. El acceso a la educación universitaria creció «dramáticamente» en las últimas tres décadas en América Latina, dice Isabel Hilliger —y nueve investigadores más— en un estudio sobre la analítica de datos en ámbitos universitarios. Cristóbal Cobo y Cecilia Aguerrebere agregan, en otro estudio, que en esta región hay cerca de 6000 instituciones postsecundarias. Y que, de estas, unas 900 son universidades que sirven a casi 500 millones de personas.

Los datos avanzan en la UdeA

Cada una de estas instituciones recogen millones de datos. Basta imaginar la cantidad de información que puede tener la Universidad de Antioquia, por donde han pasado más de 144 000 graduados, quienes, al menos, han dejado datos de sus actividades curriculares y extracurriculares. «¿Qué hace la Universidad con toda esa información?», se pregunta Gerardo Castañeda Garza, profesor del Tecnológico de Monterrey, en un texto sobre analíticas de aprendizaje. Su respuesta, que se infiere de otra de sus inquietudes, es que se puede aprovechar «para ayudar a los estudiantes a alcanzar sus metas de formación profesional». 

Así mismo lo entendió la UdeA. En el Plan de Acción institucional 2021 - 2024 se propuso fortalecer «las capacidades de analítica de datos para la gestión universitaria». El proyecto Data UdeA y demás observatorios son un ejemplo de ello. La Facultad de Educación, por ejemplo, incluyó la «analítica de datos» en su Plan de Acción 2022-2025. Este dice que esta estrategia les sirve «para identificar, analizar y generar conocimiento», para tener «insumos para la toma de decisiones estratégicas» y para que los «jefes, coordinadores y líderes de procesos» tomen decisiones basadas en evidencia educativa. 

Por eso, allí existe un grupo de trabajo dedicado a «moler» datos, labor que les ha permitido organizar mejor su facultad, dice la vicedecana Bibiana Urrego, quien hace parte del grupo. Les sirvió, por ejemplo, para entender más a fondo problemáticas sensibles como la deserción, uno de los temas más preocupantes de la educación. En 2021, la deserción acumulada en la educación universitaria en Colombia era del 25.47 %, según el Ministerio de Educación. Es decir, de cada 100 estudiantes que ingresan a una cohorte, no terminan 25.

En el caso de la Facultad de Educación, los datos mostraron que la deserción, después de la pandemia, no se debía a problemas psicológicos, como creían. La principal causa era lo económico. Si bien la Universidad cuenta con una línea sólida de apoyo social que permite entregarles a los estudiantes que lo necesiten  tiquetes, alimentación, apoyos para manutención, entre otros, no es suficiente para aliviar todas sus necesidades. Por ello, la Facultad de Educación decidió flexibilizar los horarios para que pudieran trabajar. Hoy esta facultad tiene más vida desde las 6:00 a. m., incluso hasta las 10:00 p. m.

Los datos por si solos pueden ser limitados, pero su combinación y análisis consolida fuentes de informafción determinantes. Foto: Dirección de Comunicaciones UdeA / Alejandra Uribe F. 

Universidades que abrazan a la analítica de datos

Los proyectos basados en analítica de datos son cada vez más comunes en las universidades. El proyecto Horus, por ejemplo, le permite a la Universidad Nacional generar reportes automáticos sobre su capacidad investigativa y de producción científica. «Ya tenemos más o menos 16 facultades documentadas. Este es un ejemplo claro de lo que uno tiene dentro de la universidad, pero que a veces desconoce», dice Gustavo Pérez, director nacional de Estrategia Digital de la Universidad Nacional de Colombia —Unal—. 

Un estudio del Joint Research Centre —JRC— destaca iniciativas de varias universidades del mundo. Por ejemplo, un sistema de la Universidad Purdue, en EE. UU., predice cuáles estudiantes corren el riesgo de no completar con éxito un curso y le asigna a cada estudiante un color —rojo, amarillo, verde— según el grado de riesgo. 

Otra experiencia es la de la Universidad de Nottingham Trent, Reino Unido, que recoge datos de participación de todos los estudiantes de fuentes diversas —uso de la biblioteca, asistencia, ingreso de tarjetas de identificación a edificios universitarios calificaciones académicas…—, genera una puntuación de participación y la muestra gráficamente junto con el promedio de todos los participantes. Además, otorga una calificación —alta, buena, media o baja— que luego le envía, en forma de alerta, a los tutores si hay hallazgos preocupantes, como «no participar durante quince días».

Más oportunidades, más desafíos

En cada uno de estos casos se evidencia el enorme potencial de la analítica de datos para la gestión universitaria. Sin embargo, también se infieren múltiples desafíos. Uno es la infraestructura o el ciclo de datos que, básicamente, consiste en obtener, almacenar, analizar y visualizar datos. 

De estos pasos o etapas, el análisis es uno de los más determinantes. Es el momento en el que se plantean preguntas y los datos se integran con otros para obtener más y mejores respuestas. Por ejemplo, datos del estudiante —contexto socioeconómico— con datos de la vida universitaria —interacciones cotidianas—, con datos de cursos —calificaciones, asistencia, participación—, con datos del programa. Dice el JRC que «depender de un conjunto de datos puede resultar peligroso». Es decir, es necesario combinar diferentes conjuntos de datos para aumentar el valor de la analítica de datos.

La economista Edel Laura Sánchez, quien hace parte del Grupo Microeconomía Aplicada —adscrito a la Facultad de Ciencias Económicas de la UdeA—, reafirmó la importancia de avanzar en la integración de datos. Dijo, por ejemplo, que los datos de logro académico, que la UdeA tiene muy bien documentados, son una «parte pequeñita» para analizar los determinantes de la deserción. La parte más grande, explicó, es la que tiene que ver con el entorno familiar e institucional. Agregó que en la literatura hay consenso en que a los estudiantes les va mejor cuando se sienten más parte de la universidad. «Creo que hacia allá debemos ir. La Universidad debería hacer un esfuerzo en tratar de recoger más información de los estudiantes, no solo del logro educativo, sino sobre todo de la relación estudiante-profesor. El actor clave en establecer esa conexión entre la institucionalidad y los estudiantes son los profesores», dice. 

Lo que dice Sánchez sobre la literatura se relaciona con lo que plantea el profesor Dragan Gašević, referenciado por Cobo y Aguerrebere, quien dice que, además de las preguntas, los análisis también se deben apoyar en teorías para no simplemente «dejar que los datos hablen».

El reto de la integración también abarca a los centros de datos. La investigación de Hilliger y su equipo, en cuatro universidades latinoamericanas, encontró que los datos se «almacenan y gestionan por separado». Sin embargo, el JRC dice que no hay estudios sobre las ventajas y limitaciones de esta forma de trabajo. La vicedecana Urrego y el profesor Daniel Cardona, quien dicta un curso de análisis de datos en la Facultad de Ciencias Económicas, son partidarios de contar con un gran centro de datos, pero también de que haya datos descentralizados para que cada dependencia los lleve a la realidad de los estudiantes.  

Para el profesor Gustavo Pérez la fragmentación puede ser una limitante. Afirmó que si bien esta facilita hacer muchas investigaciones, dificulta hacer una gran investigación. «El pensamiento de hoy debe ser otro», dice. «¿Cómo nos unimos para generar un data center que tenga gran capacidad?». Esta inquietud coincide con la opinión de Anghelo Rodríguez, profesor de la UdeA y doctor en Física, quien cree que «la Universidad debería tener un sistema central en donde se tenga acceso a todos los datos, en tiempo real, para someterlos a millones de análisis».

En ese mismo sentido, Jaime Montoya, director de Planeación y Desarrollo Institucional de la Universidad de Antioquia, dice que uno de los objetivos es convertir a Data UdeA en un «único observatorio», alimentado por múltiples fuentes de datos. «Nosotros soñamos que esa unidad se convierta en un monitor de la Universidad para que advierta y oriente situaciones en el contexto de la educación superior», dijo Montoya.

Otro desafío es la alfabetización de datos. Por ejemplo, si se pretende que la analítica de datos sea transversal en el proceso de enseñanza y aprendizaje se debería capacitar a cada profesor. Este camino no es sencillo debido a que, plantea el JRC, es posible que todos los docentes no se sientan «seguros al trabajar con datos». Sin embargo, dice el JRC, ellos «son claves en este proceso porque son el motor de la innovación en la educación». La vicedecana Urrego cuenta que una de las metas de su facultad es formar a los docentes en el análisis de datos. «Hoy en día el maestro que no esté formado en esto va a tener dificultades para desenvolverse laboralmente», advirtió. 

La alfabetización de datos incluye una posición crítica sobre los datos. Dana Boyd y Kate Crawfor, citadas por Cobo y Aguerrebere, llaman la atención sobre la necesidad de equilibrar la visión optimista sobre los datos con una mentalidad crítica. Dicen, por ejemplo, que «la objetividad y la precisión son engañosas» y que «datos más grandes no siempre son mejores datos» o que cuando se elimina el contexto, los big data —grandes datos— pierden su significado. También incluye una comprensión clara sobre los desafíos éticos y legales. Cobo y Aguerrebere plantean cuatro principios de ética y privacidad para la analítica del aprendizaje: «transparencia, control de los estudiantes sobre los datos, seguridad, responsabilidad y evaluación».

La transparencia significa, por ejemplo, el uso de consentimientos informados. Es decir, si un reto para la universidad es recoger más datos de los estudiantes, es necesario que ellos sepan cómo se utilizarán sus datos y con qué fines. En este punto aparece un desafío que está expresado en la Política Nacional de Explotación de Datos, que traza la ruta para el uso de datos en Colombia. El documento indica que cuando el titular —en este caso el estudiante— expresa su consentimiento para la recolección y uso de sus datos, «no le es posible determinar eventuales consecuencias de la agregación y análisis, prever otros datos que puedan inferirse cuando se aplican técnicas de analítica, o los efectos de su combinación con algunos que haya publicado previamente». Pese a esta complejidad, sugiere el documento, se debe garantizar siempre la protección de aquellos datos que permitan identificar a una persona.

Por ello, la ética es un pilar fundamental en el trabajo con datos. «La ética te da la transparencia, el buen uso, permite generar confianza, un montón de factores que hoy necesitamos porque esos datos se pueden utilizar para bien o para mal», dijo el profesor Pérez. 

El uso adecuado de la Inteligancia Artificial puede convertirse en una herramienta clave para la recolección y apropiación de los datos en la educación superior. Foto: Dirección de Comunicaciones UdeA / Alejandra Uriba F. 

IA y analítica de datos

Los lineamientos éticos y legales son especialmente fundamentales en un escenario en el que, además, entran en juego las tecnologías basadas en inteligencia artificial —IA—, que se alimentan de datos. Dice Mattia Peretti, director de JournalismAI, que «cada dos días se lanzan nuevas herramientas y diariamente se publican nuevos artículos científicos». Entre este ingente flujo de recursos han surgido herramientas que facilitan una educación más personalizada: «tutores adaptativos, aulas centradas en los estudiantes, sistemas de gestión del aprendizaje», mencionan Cobo y Aguerrebere.

Estas posibilidades permiten vislumbrar un escenario donde haya evidencias para que directivos, profesores y estudiantes tomen decisiones en tiempo real. Castañeda Garza menciona que a un estudiante le pueden llegar alertas sobre su desempeño académico, comparado con el de otros estudiantes, acceder a una lista de recomendaciones de acuerdo con sus experiencias, preferencias, personalidad, género, hábitos de estudio, intereses. Y los directivos y profesores pueden predecir demandas futuras, detectar la falta de participación, ayudar a mejorar la experiencia de aprendizaje, hacer retroalimentaciones personalizadas, monitorear los cambios, etc.

El estudio de Hilliger dijo en 2020 que a las universidades latinoamericanas les faltaba un largo camino por recorrer para que hubiera una «adopción institucional real» de servicios basados en analítica de datos. Sin embargo, la vicedecana Urrego dice que en su facultad se han dado pasos gigantes y que también ha visto que en el resto de la Universidad se está generando cada vez más una cultura de datos. 

Justamente la cultura del dato —saber encontrar y usar datos para responder preguntas— es el primer paso antes de desarrollar una estrategia robusta de analítica de datos que, como se planteó al inicio de este texto, fortalezca la vida universitaria en todos sus sentidos. O, como dice la profesora Sánchez, le permita a la universidad «tener una mirada 360 sobre la realidad del estudiante».