sábado, 8 de junio de 2019

Actividad 5 — Consentimiento informado


Al ampliar el estudio que se está realizando sobre el curso de Learning Analytics Essentials mediante nuestro servicio de analítica de aprendizaje, superando las barrearas de la plataforma en que se desarrolla; es necesario informar al alumnado para solicitar su consentimiento informado. En este se detallan los motivos de la ampliación, los tipos de datos que se están recopilando y las condiciones de seguridad según las cuales se gestionarán los datos. A continuación, se detalla el mismo.


Estimado alumno/a

Con este email deseamos informarle sobre la ampliación del estudio que se está llevando acabo gracias a los datos que usted genera al participar en el curso de Learning Analytics Essentials. Consideramos que es necesario recordarle que usted nos autorizó a recabar los datos vinculados con el desarrollo del curso mediante nuestro servicio de analítica de aprendizaje. Pero es nuestro deber notificarle que para poder realizar esta tarea utilizamos un robot diseñado por nuestra propia empresa que nos facilitó en gran medida el proceso de recogida de datos. Sin embargo, el mismo extendió la captura de datos de una manera indiscriminada, recogiendo información sobre el alumnado que todo ciudadano puede extraer de la red, pero que no sea producido al interactuar con nuestra plataforma. No obstante, creemos que el análisis de esta información nos permitirá lograr en mayor medida la mejora del aprendizaje y facilitar la adquisición de las competencias desarrolladas en el curso digital. Así, pues, para proseguir con nuestra labor precisamos de la aceptación por su parte del presente consentimiento informado. 

A continuación se especifican todos los detalles que usted debe conocer antes de aceptar este formulario de consentimiento de confidencialidad y de ética.


Consentimiento informado para el uso de nuestro servicio de analítica de aprendizaje durante el desarrollo del curso de Learning Analytics Essentials con el empleo de los datos públicos obtenidos desde la Red.

Título del proyecto: uso del servicio de analítica de aprendizaje durante el desarrollo del curso de Learning Analytics Essentials.
Investigadores principales: Silvia Farga. 
Finalidad de la investigación: mejorar el proceso de enseñanza-aprendizaje y facilitar la adquisición de las competencias del curso Learning Analytics Essentials.

Al aceptar el consentimiento informado nos autoriza a emplear los datos que ya tenemos recabados y a proseguir con la recogida de los mismos. Entendiendo que además de los datos que produzca en nuestra plataforma de aprendizaje, también se trataran los datos públicos que produzca: con el empleo de las redes sociales como Twitter; con los canales de producción que utilice en la red como Youtube; con su formación en línea por ejemplo mediante cursos MOOC; con sus intercambios comunicativos con otros usuarios del curso, y con sus perfiles profesionales desarrollados en la Red, por ejemplo en LinkedIn.

Atendiendo a esta información acepta participar voluntariamente e la investigación detallada, autorizando el uso de sus datos para la investigación que permita la mejora de los procesos de enseñanza-aprendizaje desarrollados en nuestra plataforma, siempre que se preserve la confidencialidad de sus datos, principio por el que se velará en todo momento. 

Ante cualquier duda puede consultar nuestro servicio de privacidad y confidencialidad. Además,  puede conocer cuáles son los datos personales que están siendo objeto de análisis y puede retirarlos de la investigación, en cualquier momento, sin que esto le perjudique de ninguna manera. Asimismo, se adoptarán las medidas de seguridad pertinentes para proteger los datos recabados y velar por su uso correcto. 

Asimismo, la información vinculada con la identificación personal estará sujeta a la Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y Garantía de los Derechos Digitales. 

De este modo, declara que: 

1. Ha recibido información sobre los objetivos de la investigación. 
2. Sabe que en cualquier momento puede dejar de participar en esta investigación. 
3. Ha sido informado/a de que se tomarán las medidas necesarias para preservar la confidencialidad de los datos proporcionados, así como garantizar el buen uso de los mismos. 
4. Comprende que la información sobre procedimientos y propósitos acerca del estudio podrá ser ampliada una vez concluida su participación. 
5. Y otorga el consentimiento de manera voluntaria.

D/Da________________________________________________ con DNI__________________ matriculado/a en el curso________________________, manifiesto conocer los datos que se recabarán mediante el servicio de analítica de aprendizaje y autorizo el uso de los mismo con los fines expuestos en el presente consentimiento informado y el email recibido. Para ello firmo la presente en _________________________, a ___ de ___________ de 20__

De antemano agradecemos su participación

Actividad 5 — Dimensiones de investigación


En las próximas dos entradas que realizaré, en el presente blog, trataré de abordar algunos conceptos sobre la analítica del aprendizaje y sus consideraciones éticas. Lo haré mediante la realización de un caso práctico propuesto desde la materia de Analítica del aprendizaje conectado, impartida en el Máster Universitario en Comunicación y Educación en la Red de la UNED. Los detalles del caso práctico creado por Daniel Domínguez y las preguntas a las que trataré de responder en las siguientes dos estradas las podéis encontrar aquí: https://docs.google.com/forms/d/e/1FAIpQLSd6MvjP1MQrxHG3XP0BFnQ7XAm5uvDqYY1NAjpaYTfbDoDVQQ/viewform.

Nuestra investigación mediante el curso de Learning Analytics Essentials nos ha permitido contar con una gran cantidad de información vinculada al comportamiento y los hábitos del alumnado durante la realización del curso para seguir mejorando el mismo. Para la recogida de información hemos utilizado un pequeño robot que ha facilitado el proceso y nos hemos dado cuenta que el mismo ha recogido datos de una manera indiscriminada llegando a almacenar información muy sensible sobre el alumnado; almacenando los datos que residen del mismo en la red aunque no tiene ningún vínculo con las prácticas de aprendizaje relacionadas con el curso. Sin embargo, se ha decidido continuar con el análisis de todos los datos porque se han observado una serie de dimensiones que con su análisis podrían resultar muy valiosas para mejorar el aprendizaje y la adquisición de las competencias del curso digital.

A continuación, se detallan las nuevas dimensiones analíticas que atenderán a los datos procedentes de fuera de la plataforma del curso y se explicitarán las hipótesis que se han originado con su análisis.

Dimensión 1:  Actividad en las redes sociales
Hipótesis: se ha detectado que el alumnado que se muestra más activo en las redes sociales participa de una manera más constante en las propuestas del curso que se vinculan con los intercambios comunicativos entre el alumnado y entre el alumnado y el profesorado. Por lo tanto, presenta una mayor predisposición a responder a las consultas que se realizan en los Foros y las Webconferencia. 

Dimensión 2: Creación en la Red
Hipótesis: se ha observado que el alumnado que ha creado y mantiene en activo espacios en la red destinados a la producción de material audiovisual o textual, por ejemplo mediante un canal de Youtube o un Blog, muestra unas producciones académicas con un mayor grado de creatividad y originalidad que el resto.

Dimensión 3: Formación en línea
Hipótesis: se ha percibido que el alumnado que ha cursado con éxito otros cursos on-line obtiene mejores resultados en las tareas a realizar y las pruebas a superar. Asimismo, logra mejores resultados en las propuestas a realizar a través de la plataforma con un menor esfuerzo.

Dimensión 4: Contacto externo con los compañeros y compañeras del curso
Hipótesis: se ha detectado que el alumnado que contacta con otros compañeros y compañeras del curso a través de herramientas y espacios externas al curso virtual presentan una mayor predisposición a trabajar de manera colaborativa y gestiona mejor el trabajo en equipo, logrando mejores resultados en las tareas grupales.

Dimensión 5: Perfil profesional
Hipótesis: Se ha observado que el alumnado con una experiencia laboral más extensa ofrece respuestas mucho más prácticas y es capaz de vincular los aprendizajes teóricos con situaciones y experiencias reales que enriquecen los resultados académicos y facilitan la aplicación real de los aprendizajes trabajados en el curso.

domingo, 19 de mayo de 2019

Actividad 4 — Diseño de investigación


1. Introducción
Hoy nos encontramos en la era de los datos, por ello desde esta misma empresa ofrecemos un servicio de analítica de aprendizaje que resulta ser una herramienta de gran utilidad para mejorar las experiencias formativas del alumnado. Este servicio está destinado a facilitar la tarea del docente y a apoyar las prácticas de éxito de los alumnos y alumnas. El mismo nos permite llevar a cabo la metodología de la analítica del aprendizaje conectado. Desde este servicio recopilamos y analizamos los datos que produce el alumnado al utilizar las plataformas online en las que se desarrollan los cursos. Y posteriormente facilitamos la interpretación de los datos, proporcionando un visualización de los mismo clara e intuitiva. De manera que es posible convertir los datos en acciones de mejora de la práctica docente. 

Pero para poder obtener el máximo rendimiento de este servicio es clave conocer cómo podemos aprovechar los datos e instrumentos que nos ofrece. Para ello, se ha planificado y desarrollado el curso abierto Learning Analytics Essentials que presenta una estructura modular. En él que los contenidos disponibles se presentan en forma de manuales y se valora el aprendizaje mediante un sistema de evaluación con cuestionarios al finalizar cada entrega de tareas. Asimismo, este curso se ve enriquecido por el uso de Twitter como la principal vía de comunicación; un Blog para la consulta y el debate; un canal de YouTube para adquirir y afianzar los aprendizajes; y una lista de distribución en TinyLetter en la que se ofrecen orientaciones y asistencia para todos aquellos interesados en la temática, sin necesidad de ser estudiantes del curso. 

La realización del curso ofrecerá la posibilidad de desarrollar competencias que permitan aplicar la analítica del aprendizaje con éxito desde una perspectiva global para lograr un análisis predictivo y prescriptivo de los datos ofrecidos por el Servicio de analítica de aprendizaje. Y el mismo curso nos ofrecerá una excelente oportunidad para investigar sobre nuevas técnicas y métodos de analítica de datos. Para ello, en el presente diseño de una investigación se explicitan a continuación: los objetivos planteados, la metodología a emplear, los instrumentos para obtener los datos, y el modo de interpretar los mismos. Además, se incluye un anexo para explicar las garantías éticas del análisis.

2. Objetivos
En esta investigación centraremos nuestro análisis el los temas de Reich (2014), estableciéndo como objetivos:
  • Medir las competencias más importantes que adquieren los estudiantes.
  • Medir el cambio en la competencia a lo largo del tiempo.
  • Construir cuidadosamente cadenas de razonamientos causales que permitan comprender cómo afecta el comportamiento de los estudiantes a su aprendizaje.
3. Metodología
Para lograr la consecución de los objetivos propuestos, en nuestro diseño de investigación atenderemos a los datos resultantes de la actividad del alumnado dentro de la plataforma del curso y de los canales y redes sociales abiertos, utilizados en el mismo. Para ello, emplearemos la metodología de la analítica del aprendizaje conectado que consiste en “la medición, recopilación, análisis e informe de datos sobre los alumnos y sus contextos, con el fin de comprender y optimizar el aprendizaje y los entornos en los que se produce” (Learning Analytics, n.d.). Es decir, la analítica del aprendizaje nos permite evaluar el rendimiento educativo gracias a los datos que se generan en las prácticas e interacciones mediadas digitalmente. De esta manera podemos acceder a gran cantidad de información sobre la actividad de los estudiantes en los entornos digitales de aprendizaje (Domínguez, 2018). Para asegurar la efectividad de este análisis nos basaremos en la técnica del análisis predictivo desarrollada por Ekowo & Palmer (2017) que nos proporcionan una serie de herramientas con las que dar soporte a la docencia y el desarrollo de los cursos y diagnosticar las necesidades del alumnado para rediseñar las prácticas y espacios educativos. Se busca, pues, mejorar la calidad del aprendizaje.

De manera que para lograr nuestros objetivos seguiremos la secuencia de pasos descrita por Ekowo & Palmer (2017) con el fin de aplicar el análisis predictivo de manera ética. Esta se compone de las siguientes partes:
    • “Tener una visión y un plan
    • Construir una infraestructura de apoyo
    • Trabajar para garantizar el uso adecuado de datos
    • Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos
    • Aplicar intervenciones adecuadas y coordinadas” (Domínguez, 2018, pp. 10-11).

Asimismo, para completar nuestro análisis se emplearan cuestionarios de respuesta múltiple para que el alumnado y el profesorado pueda valorar el curso, atendiendo a sus objetivos, contenidos, tareas y evaluaciones.

4. Instrumentos de obtención de datos
En este análisis los instrumentos que emplearemos para obtener los datos necesarios serán:
  • Servicio de analítica de aprendizaje: ofrecido por la empresa en la que se ha planificado, desarrollado e impartido el curso de Learning Analytics Essentials.
  • Twitter Analytics: servicio de Twitter con el que obtendremos los datos de métrica producidos en esta Red Social.
  • YouTube Analytics: servicio de YouTube con el que obtendremos los datos de métrica producidos en esta Red Social.
  • Google Analytics: servicio de Google con el que obtendremos los datos de métrica producidos en el Blog creado en la plataforma de Blogger.
  • TinyLetter: empleando la herramienta que permite la obtención de los datos de métrica que se pueden extraer del uso que realizamos de esta plataforma durante el curso.
  • Cuestionarios de respuesta múltiple: que se realizaran al alumnado y al profesorado.

A través de estos instrumentos podremos extraer los datos que se detallan aquí: https://silviafarga.blogspot.com/2019/05/actividad-4-datos-de-metrica.html. Además, todos ellos serán almacenados, organizados y analizados, atendiendo a la legislación de protección de datos, mediante una herramienta diseñada por la propia empresa que ofrece el curso. 

5. Interpretación
Tras la recogida y organización de los datos será necesario analizarlos con la finalidad de obtener la información necesaria para alcanzar los objetivos planteados. Así, pues, para “Medir las competencias más importantes que adquieren los estudiantes” nos centraremos especialmente en los datos obtenidos en el curso Learning Analytics Essentials a través de la realización de las tareas y los cuestionarios proporcionados tras la entrega de las mismas. También, atenderemos a las intervenciones del alumnado en las plataformas de: Twitter, Youtube, Blogger y TinyLetter.

Asimismo, para “Medir el cambio en la competencia a lo largo del tiempo” se realizará un análisis comparativo entre las competencias adquiridas por el alumnado en cuatro momentos del desarrollo del curso. Siendo uno de ellos el inicio del curso y otro la finalización del mismo. De este modo podremos observar que intervenciones y propuestas educativas implican un cambio mayor en las competencias en desarrollo.

Y para “Construir cuidadosamente cadenas de razonamientos causales que permitan comprender cómo afecta el comportamiento de los estudiantes a su aprendizaje” atenderemos a las acciones del alumnado en los distintos espacios digitales utilizados en el curso y la frecuencia con que las mismas se repiten. Buscando inferir la conexión causal entre dos o más tipos de datos recogidos y los resultados obtenidos por parte del alumnado.

Anexo: Garantías éticas
Con el objetivo de garantizar el anonimato del alumnado y del profesorado y el uso ético de las intervenciones surgidas del análisis predictivo se elaboraran las propuestas atendiendo al contexto y se comunicaran de manera muy cuidada. Lo haremos siguiendo los puntos que indica  Domínguez (2018):

  1. “Comunicar al personal y a los estudiantes el cambio de modelo de intervención, que se basará progresivamente en la información obtenida del análisis de datos. 
  2. Incorporar las intervenciones basadas en la predicción en el seno de un conjunto más amplio de 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 antes de su aplicación”. (p. 12).
Además, velaremos siempre por ser trasparentes en el uso de los datos indicando: qué se está realizando con ellos, para qué se están empleado y con qué tipo de datos. Del mismo modo, se estipularan adecuadamente las políticas de privacidad y seguridad lo que nos exigirá solicitar y obtener, siempre, el consentimiento informado de todos los miembros participantes en el curso, antes de emplear el análisis predictivo.

Referencias:

Actividad 4 — Datos de métrica disponibles en el curso Learning Analytics Essentials


En las próximas dos entradas que realizaré, en el presente blog, trataré de abordar algunos conceptos sobre la analítica del aprendizaje en espacios conectados. Lo haré mediante la realización de un caso práctico propuesto desde la materia de Analítica del aprendizaje conectado, impartida en el Máster Universitario en Comunicación y Educación en la Red de la UNED. Los detalles del caso práctico creado por Daniel Domínguez y las preguntas a las que trataré de responder en las siguientes dos estradas las podéis encontrar aquí: https://goo.gl/forms/iQQpYJhq6dYdBOYI3.

A continuación se muestran, mediante una tabla, los datos que se pueden extraer a partir de las plataformas y los canales empleados en la realización y desarrollo de un curso abierto pensado para mostrar las posibilidad de uso que presenta el servicio de analítica del aprendizaje diseñado para una empresa. Por una parte, nos encontraremos con los datos resultantes de la plataforma del curso que requiere de un registro para acceder a los servicios. Y, por otra parte, tenemos los datos procedentes de las redes sociales abiertas empleadas para el desarrollo del curso. Así, pues, se presenta la información que se puede recabar en cada espacio para poder establecer un plan de monitorización de los estudiantes. És decir los datos de métrica.

Plataforma/Canal
Datos/Indicadores
Plataforma del curso: Learning Analytics Essentials

Datos de métrica que ofrece la plataforma del curso a los administradores (Bates, 2014).
  • Número de personas de personas registradas 
  • Número de personas que abandonan el curso
  • Número de personas que finalizan el curso con éxito
  • Número de veces que un alumno/a inicia sesión 
  • Momento del día en que el alumnado inicia sesión
  • Aplicaciones y herramientas que utiliza el alumnado 
  • Número de veces que el alumnado usa las aplicaciones y herramientas
  • Recursos a los que accede el alumnado
  • Número de veces que el alumnado accede a los recursos propuestos
  • Actividades a las que atiende el alumnado 
  • Número de consultas de las actividades
  • Número de entregas de las actividades dentro y fuera de plazo
  • Número de veces que el alumnado realiza con éxito las tareas
  • Resultados de las tareas y exámenes realizados
  • Usuarios que más interactúan
  • Canales de comunicación utilizados
  • Número de veces que el alumnado emplea cada canal de comunicación.
Twitter

Datos de métrica que ofrece Twitter a los administradores desde el sistema Twitter Analytics (Camuñas, 2018) y (Rocafull, 2014).


Tweets:
  • Cuentas que nos han seguido
  • Cuentas que dejaron de seguirnos
  • Puntos calientes de los días (más interacción)
  • Número de menciones a nuestra cuenta
  • Número de veces que los usuarios han visto el tweet (Impresiones)
  • Número de clics en el enlace de un tweet (URL o card del tweet)
  • Número de clics en el contenido multimedia incrustado (imagen o vídeo)
  • Número de veces que los usuarios marcaron como favorito un tweet
  • Número de respuestas a un tweet
  • Número de veces que los usuarios retwittearon un tweet
  • Número de veces que los usuarios hicieron clic en el tweet para ver más detalles
  • Número de clics en el perfil del usuario (@nombredeusuario o foto de perfil)
* Objetivo: filtrar cuáles han sido los mejores tweets.

Seguidores:
  • Intereses
  • Ubicación por países y ciudades principales
  • Género
  • Cuentas relevantes a las que nuestros seguidores están siguiendo
* Objetivo: saber el público que tenemos.

Tarjetas de Twitter (datos ofrecidos por las Twitter Cards):
  • Información sobre los tweets que contienen algún link de nuestra web (diferencia la información según la variable principal: clics en URL o retweets)
  • Evolución en el tiempo de la Twitter Card (picos más fuertes y fuentes desde la que se nos comparte)
  • Las 29 cuentas más destacadas que enlazaron nuestro contenido
* Objetivo: saber qué contenido se mueven mejor y cuál lleva más tráfico a nuestro sitio web.
YouTube

Datos de métrica que ofrece Youtube a los administradores desde el sistema YouTube Analytics (Inboundcycle, 2019).

Descripción general (actividad de los vídeos del canal):
  • Número de reproducciones 
  • Número de los minutos vistos
  • Número de suscriptores
  • Lugar desde el que acceden los suscriptores
* Se pueden aplicar filtros de: fecha, ubicación, contenido, etc. Para atender a datos parciales.

Informes de reproducciones (características de los usuarios que reproducen los vídeos):
  • Sexo y edad de los subscriptores que han visto los vídeos
  • Ubicación geográfica
  • Dispositivo y navegador de conexión
  • Duración media de las reproducciones (estabilidad de la audiencia).

Interacción con la audiencia (reacción de la audiencia a los vídeos):
  • Número de visitas (incorporaciones y bajas)
  • Número de “me gusta” y “no me gusta”
  • Número de Favoritos
  • Número de veces Compartidos y canal
  • Número de clics sobre las anotaciones de los vídeos 
  • Número de comentarios.
Blog

Datos de métrica que ofrece Blogger a los administradores desde el sistema Google Analytics (Garcia, 2015).
  • Número de usuarios (únicos)
  • Número de visitas que ha tenido el blog
  • Número de páginas que ve cada usuario en una sesión
  • Número de páginas vistas en un periodo de tiempo
  • Media del tiempo que pasan nuestros usuarios en el blog
  • Número de personas que han entrado en nuestra web y no han interactuado con ella (Porcentaje de rebote)
  • Número de usuarios nuevos y de usuarios recurrentes
  • Ubicación geográfica de los usuarios
  • Idioma de los usuarios
  • Dispositivos desde los que llegan las visitas
  • Canales desde los que llegan las visitas
  • Palabras clave buscada en el blog
  • Número de subscriptores al blog
  • Entradas más vistas
  • Tráfico que atrae al blog cada Red Social.
TinyLetter

Datos de métrica que ofrece TinyLetter (Tiffany, 2018)
  • Número de subscriptores
  • Número de news enviadas
  • Número de respuestas recibidas
  • Newsletters con más subscriptores
  • Tasas de apertura 
  • Tasas de rebote
  • Número de clics.

Referencias:

domingo, 5 de mayo de 2019

Actividad 3 — Ética y privacidad

Todos y cada uno de los trabajadores de esta empresa de formación somos conscientes de que estamos trabajando con datos de estudiantes y de profesores y que ello conlleva una gran responsabilidad porque podrían perjudicarlos, si se utilizaran de una manera inadecuada. Ekowo & Palmer (2017) en su secuencia de pasos descrita para llevar a cabo un análisis predictivo de manera ética indican en cada paso una serie de aspectos a considerar para atender a la seguridad y privacidad del alumnado y el profesorado. De manera que:
  • Tener una visión y un plan también implica identificar los posibles peligros de emplear los datos del alumnado, para establecer todas la medidas necesarias con el fin de que no se haga un mal uso de los mismos. Además, establecer las posibles consecuencias no deseadas permite crear un protocolo de actuación para mitigarlas.
  • Contar con una infraestructura de apoyo exige informar a todos los miembros sobre la aplicación del análisis predictivo y esto significa informar, también, a los usuarios del posible mal uso de los datos para que toda la comunidad vele por un uso responsable de los mismos.
  • Trabajar para garantizar el uso adecuado de los datos demanda que nuestros modelos de datos y los algoritmos creados busquen lograr una interpretación de los datos de calidad y aseguren la privacidad de los mismos. Esto implica: trabajar con datos completos y claros; interpretarlos de manera precisa; informar adecuadamente a los estudiantes y el personal docente sobre el uso de sus datos; asegurar la privacidad de los mismos; y velar por la seguridad de estos.
  • Diseñar modelos de análisis predictivo y algoritmos que eviten los sesgos requiere que los modelos y los algoritmos predictivos disminuyan los sesgos propios de la intervención en comunidades educativas.
  • Aplicar intervenciones adecuadas y coordinadas reclama que las intervenciones surgidas del análisis predictivo se elaboren atendiendo al contesto y se comuniquen cuidadosamente. Para ello Domínguez (2018) indica los siguientes puntos:
  1. “Comunicar al personal y a los estudiantes el cambio de modelo de intervención, que se basará progresivamente en la información obtenida del análisis de datos. 
  2. Incorporar las intervenciones basadas en la predicción en el seno de un conjunto más amplio de 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 antes de su aplicación”. (p. 12). 
Asimismo, en nuestra realidad aún debemos superar muchos prejuicios que crean desigualdad social. De manera que entendemos cómo el uso de datos sobre la raza, origen étnico, edad, género o estatus socioeconómico pueden reforzar las desigualdades ya existentes. Por ello, siempre animamos y ofrecemos planes de actuación, a todas las instituciones educativas que emplean nuestros servicios, para que apuesten por la movilidad social y se extinga el racismo institucional. Del mismo modo, tenemos muy presente que cabe informar al profesorado sobre cómo debe dirigirse y comunicarse con el alumnado que presenta dificultades y la manera de gestionar las actuaciones a realizar para evitar las profecías autocumplidas. Además, velamos siempre por la trasparencia en el uso de los datos del alumnado indicando qué se está realizando con ellos, para qué se están empleado y con qué tipo de datos para así asegurar una gran calidad del análisis y reducir la discriminación. Del mismo modo, estipular adecuadamente las políticas de privacidad y seguridad posibilita a las instituciones educativas controlar el flujo de los datos para minimizar los riegos por discriminación y ello nos exige solicitar y conseguir, siempre, el consentimiento informado de todos los miembros de cada institución educativa antes de emplear el análisis predictivo. Para lograr todo lo especificado, desde nuestra empresa nos aseguramos de aplicar la lista de verificación DELICATE creada por Drachsler y Greller para desmitificar las discusiones sobre ética y privacidad en la analítica del aprendizaje:
  • “D-eterminación: decida el propósito del análisis de aprendizaje para su institución.
  • E-xplain: define el alcance de la recopilación y el uso de datos.
  • L-egitimate: explique cómo opera dentro de los marcos legales, consulte la legislación esencial.
  • I-nvolve: hable con las partes interesadas y ofrezca garantías sobre la distribución y el uso de los datos.
  • C-onsent: buscar el consentimiento a través de preguntas de consentimiento claro.
  • A-nonymise: Desidentificar a los individuos tanto como sea posible
  • Aspectos técnicos: controle quién tiene acceso a los datos, especialmente en áreas con un alto cambio de personal.
  • Socios de E-xternal: asegúrese de que los dispositivos externos proporcionen los estándares de seguridad de datos más altos”. (Learning Analytics, s.f., p.7).
Referencias: