Ir a contenido

AVANCES DE CIENCIA

Big Data para estudiar mejor

Una nueva perspectiva sobre cómo adquiere cada uno de nosotros los conocimientos de forma individual

El enfoque probabilístico nos permite predecir con fiabilidad lo que cada individuo necesita para mejorar

Victor Mayer-Schönberger y Kenneth Cukier

Aprender con big data, de Victor Mayer-Schönberger y Kenneth Cukier (Editorial Turner, 2018).

Aprender con big data, de Victor Mayer-Schönberger y Kenneth Cukier (Editorial Turner, 2018).

Extracto de 'Aprender con big data', de Victor Mayer-Schönberger y Kenneth Cukier (Editorial Turner, 2018)

Predicciones probabilísticas

Con los big data obtenemos una perspectiva única sobre cómo aprende la gente de manera general y, algo mucho más importante, cómo adquiere cada uno de nosotros los conocimientos de forma individual. Pero estas perspectivas pedagógicas no son perfectas. Nuestro “aprendizaje del aprendizaje”, por así decirlo, es probabilístico. Podemos predecir con suma fiabilidad lo que cada individuo necesita hacer para mejorar su evolución educativa: qué tipo de contenidos funcionan mejor, qué estilo de enseñanza y qué mecanismo de retroalimentación. Pero estas son solo predicciones probabilísticas.

Por ejemplo, podemos detectar que cierto tipo de contenido docente mejorará las calificaciones de una persona en particular en un noventa y cinco por ciento, con un alto grado de fiabilidad. Pero esto quiere decir que todavía en uno de cada veinte casos nos equivocaremos, y ese desempeño no mejorará. Ello no significa que no debamos atender a estas predicciones, que representan una clara mejoría con respecto a la clásica educación homogénea y aportan personalización sin el alto coste que ello normalmente implica. Pero al seguir estas predicciones tenemos que ser conscientes de las limitaciones inherentes a nuestras perspectivas. Son solo probabilidades; no ofrecen ninguna certeza.

"Nuestro “aprendizaje del aprendizaje”, por así decirlo, es probabilístico. Podemos predecir con suma fiabilidad lo que cada individuo necesita hacer para mejorar su evolución educativa"

Victor Mayer-Schönberger y Kenneth Cukie

Autores de 'Aprender con big data' (Editorial Turner, 2018)

Por lo general la gente no se siente muy cómoda con las probabilidades. Preferimos las respuestas binarias: sí o no, negro o blanco, respuestas que nos ofrecen una guía directa e inmediata para nuestras decisiones. ¿Y si los análisis de los big data nos dicen que cambiarle a nuestra hija determinado libro de texto para aprender mandarín tiene un setenta por ciento de probabilidades de mejorar su aprendizaje? ¿Estamos dispuestos a aceptar el riesgo de equivocarnos en tres de cada diez casos?

¿Y qué tal si la probabilidad de mejorar es del setenta por ciento, pero el grado de mejoría neta es relativamente modesto, digamos, un incremento del cinco al diez por ciento? ¿Insistiríamos en el cambio si el efecto para las personas a las que no ayuda fuese sumamente negativo, digamos, un sustancial detrimento en las calificaciones? ¿Estamos dispuestos a optar por una mejoría modesta y muy probable, con un pequeño margen de riesgo de un efecto muy negativo? En un universo probabilístico tendremos que sopesar beneficios, riesgos y fiabilidad, y decidir siempre con algún margen de incertidumbre.

Esto puede ser tolerable para las recomendaciones de Amazon o para los resultados del traductor de Google (ambos usan predicciones probabilísticas basadas en análisis de big data). Las consecuencias de un error no son importantes. Pero sí lo son potencialmente en las decisiones sobre la educación de las personas, que pueden tener efectos graves sobre su éxito futuro.

Claro que siempre hemos vivido en un mundo de probabilidades. Solo que no nos dábamos cuenta. Siempre que un profesor les decía a unos padres preocupados que su hijo necesitaba cambiar de escuela, o cambiar de asignatura, o repetir un examen, o utilizar determinado libro de texto, estas tampoco eran verdades absolutamente ciertas, sino intervenciones probabilísticas. La gran diferencia es que ahora podemos medir estas cosas, cuantificarlas y hablar con mayor precisión. Ello demuestra no solo hasta qué punto estamos seguros, sino también los límites de nuestra certeza. En la era de los big data, nuestras probabilidades se vuelven más visibles. Y eso asusta a las personas.

"En la era de los big data, nuestras probabilidades se vuelven más visibles. Y eso asusta a las personas. Al mismo tiempo, según las predicciones de big data se van haciendo más precisas y detalladas, va creciendo nuestra confianza en las probabilidades en las que basamos nuestras decisiones"

Victor Mayer-Schönberger y Kenneth Cukie

Autores de 'Aprender con big data' (Editorial Turner, 2018)

Al mismo tiempo, según las predicciones de big data se van haciendo más precisas y detalladas, va creciendo nuestra confianza en las probabilidades en las que basamos nuestras decisiones. De hecho, esto puede resultar en una asesoría más específica y matizada, que nos lleve a unas intervenciones más ajustadas y tal vez menos draconianas que las de antes. Así pues, en vez de decretar que un alumno se pase todo el verano en clases de refuerzo de matemáticas, podemos recomendar con más placer un curso de repaso de dos semanas concentrado únicamente en las ecuaciones de segundo grado.

Sin embargo, esta situación se ve exacerbada por otro necesario cambio de mentalidad: de creer en nuestra capacidad para descubrir causalidades a la comprensión de que con los big data a menudo veremos tan solo correlaciones. Estas correlaciones –conexiones y asociaciones aparentes entre variables que no hubiéramos detectado de otra manera– no nos dicen por qué está sucediendo algo, sino solo qué está sucediendo. Pero muchas veces eso basta para ayudarnos a tomar decisiones.

Por ejemplo, el criterio de Luis von Ahn de que los hispanohablantes aprenden mejor los distintos pronombres ingleses en distintos momentos –y cuándo– está basada en correlaciones. Asimismo, el método de Andrew Ng de evaluar las publicaciones en el foro de la clase según cuánto mejoran sus notas los alumnos que las leen es enteramente correlativo. Estas cosas no nos dicen nada sobre la razón subyacente que las determina, no explican la causación. Es cuestión de qué, no de por qué.

Guiarnos por criterios de correlación comporta un reto. Estamos configurados para ver el mundo a través del prisma de la causalidad. Nos reconforta descubrir que hemos descubierto una causa; nos da la sensación de que comprendemos los mecanismos internos del mundo. Y sin embargo, en realidad, a pesar de nuestros esfuerzos, hemos descubierto una verdadera causalidad en muchos menos casos de lo que pensamos. A menudo nuestras rápidas intuiciones de conexiones causales resultan completamente erróneas cuando las examinamos más detenidamente.

"Esta situación se ve exacerbada por otro necesario cambio de mentalidad: de creer en nuestra capacidad para descubrir causalidades a la comprensión de que con los big data a menudo veremos tan solo correlaciones. Estas correlaciones no nos dicen por qué está sucediendo algo, sino solo qué está sucediendo. Pero muchas veces eso basta para ayudarnos a tomar decisiones."

Victor Mayer-Schönberger y Kenneth Cukie

Autores de "Aprender con big data" (Editorial Turner, 2018)

Esto no significa que esté mal buscar una causalidad (o que debamos renunciar por completo a buscar las causas). Lejos de eso. Pero sugiere que necesitamos ser más humildes en lo que creemos que podemos entender del mundo que nos rodea. Antes que emprender la costosa caza de un porqué muchas veces esquivo, haríamos mejor en adoptar el más pragmático enfoque de tratar de comprender primero el qué, aquello que puede revelarnos el análisis no causal.

Con los big data podemos aprovechar estas predicciones para mejorar cómo enseñamos y aprendemos. A la mítica escuelita en la pradera con una sola aula la están reemplazando las plataformas digitales. Así que acto seguido volveremos la vista en esa dirección.

0 Comentarios
cargando