Читать книгу Aprender con big data - Viktor Mayer-Schonberger - Страница 7

Dawa se concentra.1 Pone un poco de pigmento en la punta del pincel. Entonces, con trazo cuidadoso, pinta una fina línea negra. Repite esto una vez más. Y otra. Lentamente, según pasan las horas, el thangka empieza a cobrar forma: una imagen de Buda sobre un trozo de seda, con hipnóticos detalles geométricos.

Afuera, las nevadas cumbres del Himalaya que rodean Timbu, la capital del reino de Bután, resplandecen bajo el penúltimo sol de la tarde. Pero adentro, Dawa y sus compañeros de clase, todos de poco más de veinte años, con túnicas azules, han estado inmersos en la tarea, bajo la mirada vigilante de su instructor.

La formación de pintores de thangka es estricta y tradicional. No es su objetivo expandir las mentes de Dawa y sus condiscípulos con esa enseñanza, sino disciplinarlos como aprendices. Este aprendizaje no comporta investigación, sino imitación. Innumerables reglas establecidas desde hace siglos gobiernan exactamente qué se ha de pintar y cómo.

El maestro de Dawa se asegura de que los jóvenes artistas sigan sus instrucciones al pie de la letra, para repetir lo que han hecho antes que ellos generaciones de ilustradores de thangka. Cualquier desviación, cualquier incumplimiento de las reglas, no solo está mal visto, sino prohibido. El mejor pintor es aquel que copia a la perfección a su maestro. El profesor no cesa de señalar imperfecciones. Pero pese a su inmediata retroalimentación, esta es una forma de aprendizaje casi completamente desprovista de datos.

Y es una forma de enseñanza fundamentalmente distinta de las clases que Andrew Ng, científico informático de la universidad de Stanford, imparte por internet sobre el tema del aprendizaje automático o machine learning, una rama de la informática. El profesor Ng (se pronuncia aproximadamente “Nnn”) es cofundador de Coursera, una compañía pionera que ofrece clases por internet. Su enfoque proclama que los big data revolucionarán la educación.

El profesor Ng reúne información sobre todo lo que hacen sus alumnos.2 Esto le permite descubrir qué es lo que funciona mejor y diseñar sistemas que lo incorporen automáticamente a su clase: mejorando su práctica docente, la comprensión y los resultados de sus alumnos, y ajustando la enseñanza a las necesidades individuales de cada uno.

Por ejemplo, Ng revisa las interacciones de los alumnos con sus clases en vídeo: si lo detienen o lo adelantan, o si salen del vídeo antes de que este termine; el equivalente digital a salir a hurtadillas del aula antes de que suene el timbre. El profesor Ng puede comprobar si ven varias veces la misma lección, o si vuelven sobre el contenido de un vídeo anterior. También intercala exámenes sorpresa en sus videoclases. No para ver si sus educandos están prestando atención; esas formas arcaicas de disciplina docente no le interesan. Él quiere saber, más bien, si están comprendiendo el contenido; y si se están quedando atrás, exactamente dónde, atendiendo cada caso de manera individual.

Al revisar los deberes y exámenes hechos en ordenador o tableta, Ng puede identificar áreas específicas en las que un alumno necesita ayuda adicional. Puede analizar los datos de toda la clase para ver cómo va el aprendizaje en líneas generales y ajustar sus lecciones en consonancia. Puede incluso comparar esa información con la de otras clases de otros años y determinar qué es lo más efectivo.

Es ciertamente una ayuda el que las clases del profesor Ng contengan decenas de miles de alumnos: son lo bastante grandes para que sus hallazgos resulten estadísticamente sólidos, no basados tan solo en un puñado de observaciones, como es el caso de la mayoría de los estudios educacionales. Pero el tamaño de las clases no es en sí mismo la cuestión. Son los datos.

Ng ha logrado utilizar ya estos datos con extraordinarios resultados. Por ejemplo, al revisar la secuencia de videoclases que ven los alumnos, emergió una curiosa anomalía. Un alto porcentaje de ellos avanzaba en el orden previsto, pero al cabo de unas pocas semanas de clases, cerca de la lección siete, regresaban a la lección tres. ¿Por qué?

Ng investigó un poco más y vio que la lección siete pedía a los alumnos que escribieran una fórmula en álgebra lineal. La lección tres era un repaso de matemáticas. Evidentemente, muchos alumnos no se sentían seguros de sus habilidades matemáticas. De modo que el profesor Ng supo que debía modificar su clase y reforzar las matemáticas justo en aquellos puntos en que los alumnos tendían a desalentarse; los datos lo alertaron sobre cuáles eran esos puntos.

En otra ocasión, vio que muchos alumnos repetían las lecciones sobre cierto tema. Pudo verlo literalmente, pues creó una visualización de estos datos en la que el color variaba del azul oscuro al rojo intenso cuando la probabilidad estadística de que un usuario progresara al ritmo normal de la clase se descentraba. Entre la lección 75 y la 80 se producía una alteración en el patrón. Su conclusión: les estaba costando trabajo captar los conceptos. Comprendió que, con aquella información, los maestros podrían rehacer las lecciones… y revisar los datos resultantes para asegurarse de que la situación mejorase.

Hay muchos otros datos que se aprovechan de la misma forma. Las publicaciones de los foros online suelen controlar cuántas personas las leen, y se invita a la gente a evaluarlas, a juzgar su utilidad. Pero el profesor Ng llevó a cabo un estudio estadístico complejo de las publicaciones en los foros de su clase para evaluar su verdadera efectividad. Investigó el porcentaje de alumnos que, después de responder incorrectamente sobre un tema específico en un trabajo individual o un examen, habiendo leído una publicación dada en un foro, aportaron una respuesta correcta al toparse otra vez con la misma pregunta.

De este modo, en una clase de aprendizaje automático en 2011, miles de alumnos dieron una respuesta incorrecta respecto a un “coste de cómputo” en una regresión lineal. Pero aquellos que leyeron la publicación número 830 del foro correspondiente tuvieron una probabilidad del 64% de responder correctamente al volverse a encontrar con la pregunta.

De ahora en adelante, el sistema puede mostrar esa publicación de foro a aquellos alumnos que den una respuesta incorrecta sobre este tema. Es un modo estadístico de identificar qué publicaciones del foro resultan objetivamente más beneficiosas para el aprendizaje, no solo cuáles aprecian más los alumnos.

Y este uso de los big data no se limita a la clase del profesor Ng en Stanford; esta clase es simplemente una antesala de lo que está por venir. Los big data están invadiendo por completo la educación, con profundas implicaciones en el modo en que el mundo aprende.

Este breve libro trata sobre cómo los big data transforman la educación. Los big data aportan una perspectiva sin precedentes respecto a lo que funciona y lo que no. Es un modo de mejorar el rendimiento de los estudiantes mostrando aspectos del aprendizaje que anteriormente era imposible observar. Las lecciones pueden ajustarse a las necesidades individuales de los alumnos, mejorando significativamente su comprensión y sus calificaciones.

Ayuda a los profesores a identificar qué es lo más efectivo: no les quita su empleo sino que hace más productiva su labor, y probablemente también más divertida. Ayuda a los administradores y gestores de los centros educativos a ofrecer más oportunidades docentes a menor coste, factores importantes para reducir las diferencias salariales y disparidades sociales. Por primera vez, contamos con una sólida herramienta empírica para entender cómo enseñamos y cómo aprendemos.

Esta historia no trata sobre los mooc, “cursos online masivos y abiertos” por sus siglas en inglés, como el del profesor Ng en Stanford, que fueron noticia hace unos años. Las posibilidades de estas clases han cautivado al mundo, pues han democratizado el acceso a la educación. Son ciertamente un adelanto maravilloso. Pero en ciertos aspectos, se trata de la misma enseñanza de toda la vida –“el magistrado en el estrado”–, solo que más accesible.

Sin embargo, los mooc tienen algo que sí es realmente nuevo y poderoso: los datos que generan. Estos datos pueden indicarnos qué es más efectivo; pueden decirnos cosas que antes no podíamos saber, pues no había modo de desvelar sus secretos. Pero ahora con los big data sí podemos.

Es muy positivo que el matrimonio entre educación y tecnología esté conquistando la imaginación de los emprendedores y el bolsillo de los inversores. Tan solo en 2012 se invirtió en educación un capital de más de mil millones de dólares, el doble que tan solo cinco años antes.3 Una señal de que la tecnología asociada a la educación ha alcanzado su mayoría de edad es el hecho de que esta industria está repleta de sus propias abreviaturas arcanas, como lms (“sistema de gestión de aprendizaje”, por sus siglas en inglés) e its (“sistema de tutoría inteligente”). Compañías con nombres simpáticos como Noodle, Knewton y Knowillage Systems completan el paisaje.

Viejos baluartes como McGraw-Hill, News Corp., Pearson y Kaplan han hecho también sus incursiones en ese territorio, gastando miles de millones en investigación y desarrollo, así como en adquisiciones. El mercado de los cursos por internet se estima en un valor superior a los cien mil millones de dólares y crece aproximadamente el 25% cada año, según gsv Advisors, un respetado grupo de investigación de mercado de la tecnología educativa.4 En Estados Unidos, el gasto total en educación asciende a 1,3 billones de dólares, o un nueve por ciento del pib, lo que la convierte en la segunda área en importancia después de la salud.5

A fin de cuentas, este librito trata sobre algo más que la educación. Trata, en esencia, sobre cómo una parte importante de la sociedad y de la economía está adoptando los big data, y cómo esto viene a ilustrar los cambios que traerán a todas las facetas de la vida humana y del mundo de los negocios. Si bien aquí nos enfocaremos en los adelantos relativos a la educación, las lecciones atañen a todas las industrias, negocios y organizaciones; ya sea un hospital, una compañía petrolera, una nueva empresa tecnológica, una fundación caritativa o el ejército.

Asimismo señala las consecuencias generales para el conocimiento humano: no solo cómo aprendemos, sino qué aprendemos. La sociedad ha de alcanzar una profunda comprensión de la naturaleza probabilística del mundo, no solo el concepto de causa y efecto que ha venido permeando la investigación humana a lo largo de los siglos.

Este libro pretende ser una guía para profesionales de todo tipo en la difícil transición hacia la época de los big data en que ya nos encontramos. Y está dirigido a todo aquel que se interese por cómo la gente adquiere conocimientos en la era de los big data.

En el siguiente capítulo analizamos tres rasgos principales de cómo los big data transformarán el aprendizaje: retroalimentación, individualización y predicciones probabilísticas. Veremos conceptos como el de flipped classroom o “aula invertida”, popularizado por la Khan Academy, donde los alumnos ven las clases en casa y realizan los ejercicios en clase, a la inversa de lo acostumbrado en las aulas tradicionales.

El capítulo 3 analiza las diferentes plataformas que están cambiando el modo en que enseñamos y aprendemos, desde los cursos online hasta los libros de texto electrónicos. Profundiza en la idea del aprendizaje adaptativo (en el que el ritmo y los contenidos se ajustan a las necesidades individuales de cada alumno) y del análisis del aprendizaje (que nos permite detectar el modo más eficaz de enseñar las asignaturas). En el capítulo 4 nos ocupamos de los peligros potenciales de los big data en la educación, desde las preocupaciones en torno a la persistencia de los datos hasta su empleo en las nuevas formas de seguimiento, en las que los alumnos son víctimas de la cuantificación y penalizados por sus propensiones tanto como por sus logros reales.

Este libro termina analizando cómo el contenido mismo de la educación puede cambiar cuando lo reformulamos con los big data, como algo que es más probabilístico que seguro.

Incorporar los big data al proceso de aprendizaje nos obliga a cuestionarnos muchas premisas de la educación. Tanto la jornada como el calendario escolar se diseñaron cuando la mayoría de la gente trabajaba en el campo; los nuevos datos acaso demuestren que esto ya no es lo apropiado. Los alumnos avanzaban en grupos formados en razón de sus edades, pero un sistema de lecciones en que cada uno avanza a su propio ritmo vuelve menos necesaria esa uniformidad; y quizá los datos demuestren que este resulta menos efectivo que otros enfoques. De modo que al adentrarnos en el mundo de los big data, una acuciante pregunta sería la de si estamos dispuestos a aceptar lo que vayamos descubriendo, y a actuar en consecuencia.

Dawa mira las líneas negras del thangka que ha trazado mientras su maestro lo reprende. Vuelve a intentarlo, procurando ser tan preciso como la versión que le han enseñado a copiar. El proceso parece demasiado mecánico para llamarlo educación. Sin embargo, el legado educativo en occidente fue alguna vez muy similar a la formación de los pintores de thangka en Bután.

Según la leyenda, los ministros de educación en la Francia de antaño podían mirar sus relojes de bolsillo y saber exactamente qué estaba aprendiendo cada niño en todo el país en ese preciso momento. En Estados Unidos, el comisionado de educación en 1899, William Harris, se jactaba de que las escuelas tenían “el aspecto de una maquinaria”,6 que enseñaba al joven a “conducirse ordenadamente y a permanecer en su lugar”, entre otras virtudes pasivas.

De hecho, si una persona de hace dos o tres siglos –digamos, Florence Nightingale en Inglaterra, Talleyrand en Francia, o Benjamin Franklin en Estados Unidos– entrara a un aula de nuestra época, le resultaría enteramente familiar.7 Probablemente diría que no es mucho lo que ha cambiado… aun cuando todo, del patio de la escuela para afuera, se haya transformado hasta resultar casi irreconocible.

Al mismo tiempo, la gente siempre ha visto en las nuevas tecnologías la oportunidad de reformar la educación, ya sea a través de los cedés, la televisión, la radio, el teléfono o los ordenadores. “Los libros pronto quedarán obsoletos en las escuelas públicas –sentenció con gran seguridad Thomas Edison en 1913–. Es posible enseñar todas las ramas del conocimiento humano a través del cinematógrafo. Nuestro sistema escolar cambiará completamente en los próximos diez años”.8 ¿Llegarán realmente los big data a donde otras innovaciones apenas han dejado su huella?

Para el profesor Ng, los cambios se están produciendo más rápido de lo que él podía imaginar. En el campus, su clase de aprendizaje automático atrae a varios cientos de alumnos cada semestre. Cuando la ofreció online en 2011, se inscribieron más de cien mil. Alrededor de cuarenta y seis mil la empezaron y entregaron los primeros ejercicios. Hacia el final del curso de cuatro meses –luego de unos ciento trece vídeos de diez minutos cada uno–, veintitrés mil había finalizado la mayoría de los ejercicios y trece mil alumnos alcanzaron una nota lo bastante alta para recibir un certificado por haber pasado el curso.

Un rango de finalización del diez por ciento pudiera parecer muy bajo. Otros cursos online están más cerca de un cinco por ciento. De hecho, Sebastian Thrun, un colega del profesor Ng en Stanford y cofundador de una compañía rival de Coursera llamada Udacity, proclamó públicamente en otoño de 2013 que los mooc habían fracasado, en razón de las bajas tasas de finalización entre las personas más necesitadas de una educación asequible. No obstante, estas preocupaciones pasan por alto una verdad mayor. El modesto índice de finalización del profesor Ng en un solo curso comprende a tantos alumnos como él podría haber enseñado a lo largo de toda una vida de docencia tradicional.9

Los big data están listos para dar a la educación el impulso transformador que necesita. He aquí como sucederá.