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:

• Domínguez, D. (2018). Big Data, analítica del aprendizaje y educación basada en datos. Recuperado el 20 de abril de 2019 de https://papers.ssrn.com/abstract=3124369
• Ekowo, M., y Palmer, I. (2017). Predictive analytics in higher education: Five guiding principles for ethical use. New America. Recuperado el 22 de abril de 2019 de https://www.newamerica.org/education-policy/reports/predictive-analytics-in-higher-education/#
• Learning Analytics. (n.d.). In Wikipedia. Recuperado el 29 de abril de 2019 de http://en.wikipedia.org/wiki/Learning_analytics