Content uploaded by Juliana Elisa Raffaghelli
Author content
All content in this area was uploaded by Juliana Elisa Raffaghelli on May 02, 2023
Content may be subject to copyright.
EDUCACIÓN UNIVERSITARIA
EDUCACIÓN UNIVERSITARIA
ICE-UB
Construir culturas de datos justas en la universidad Juliana Elisa Raffaghelli
Construir culturas de datos justas en la universidad
Desafíos para el profesorado
La obra pretende contribuir al creciente corpus de investigación que ex-
plora las problemáticas del inminente cambio tecnológico ocurrido en los
últimos diez años: el gobierno de nuestras interacciones digitales a través
de plataformas big tech, que conlleva a una masiva extracción de datos y
su elaboración con distintos fines.
Debemos preguntarnos: ¿cómo se van a posicionar las universidades en
este contexto?, ¿cómo van a contribuir a generar nuevos equilibrios posi-
tivos, transformadores, emancipadores, en lugar de sostener las prácticas
abusivas de una red oscura en cuyos hilos nos encontramos atrapados?
El libro no solo presenta la universidad como una institución social im-
portante por sus propias prácticas pedagógicas y su riqueza interdiscipli-
nar, sino también por su capacidad de diálogo con la sociedad. A través
de estos espacios se considera que se puede dar forma a una agenda más
amplia y justa de la dataficación y sus desarrollos.
Los capítulos aportan una llave de lectura epistemológica del por qué
amamos la datificación y los automatismos que esta conlleva. Y por qué
no podemos dejar de leer estos procesos desde un enfoque complejo que
encierra una mirada crítica, pero no inmovilizadora. Supone el análisis de
prácticas y enfoques para comprender cómo están trabajando áreas que
contribuyen al desarrollo de estas tecnologías posdigitales e inteligentes.
Pero, sobre todo, se trata de ofrecer un marco a quien educa y a quienes
forman educadores, es decir, unas herramientas conceptuales y de tra-
bajo para enfrentar, desde el aula y desde los espacios de aprendizaje no
formal e informal, ese «monstruo sin cara ni ojos» que es la datificación.
El propio título Construir culturas de datos justas apunta a un esfuerzo de
comprensión y diálogo alrededor de elecciones tecnológicas y su impacto
ético y social.
Juliana E. Raffaghelli. Investigadora en la Universidad de Padua y aso-
ciada del grupo de investigación Edul@b de la Universitat Oberta de Ca-
talunya. En los últimos quince años ha coordinado unidades, redes y pro-
yectos internacionales de investigación en América Latina, los Balcanes,
Turquía y Europa Occidental en el campo de las tecnologías educativas.
Ha concluido recientemente el proyecto nacional «Ecologías de aprendi-
zaje para la profesión académica digital: caminos para la modernización
de la educación superior». Ha coordinado seis números especiales para
revistas internacionales, varios artículos de investigación y tres libros sobre
temas de educación.
Construir culturas
de datos justas en
la universidad
Desafíos para el
profesorado
Juliana Elisa Raffaghelli
La colección Educación Universitaria contribu-
ye a la difusión de experiencias significativas y buenas
prácticas de innovación y mejora docente en el ámbito
de la educación superior, y a intentar dar respuestas
adecuadas a los retos que plantean tanto las actuales
tendencias sobre el proceso de docencia-aprendizaje,
como la construcción de nuevos espacios para la edu-
cación superior.
Compuesta por libros de alta divulgación so-
bre temas de enseñanza y aprendizaje universitarios,
va dirigida especialmente a los profesores universita-
rios y futuros docentes en fase de formación; también
a los responsables de la gestión universitaria, al alum-
nado de estudios superiores y a todas las personas que
se interesan por el mundo de la docencia en la universi
¿Cómo es que venís juntos a clase? dad.
En la serie «Educación superior comparada
e internacional», de orientación diferenciada y pro-
pia, se publican obras que presentan los resultados de
destacadas investigaciones internacionales sobre te-
mas relacionados con la educación superior desde una
perspectiva comparada.
Esta colección también presenta ediciones di-
gitales de todos los libros y, además, de aquellos do-
cumentos que, por su naturaleza o por la extensión y
amplitud de sus planteamientos, exceden las posibili-
dades de ediciones en formatos tradicionales.
últimos títulos publicados
La educación en la sociedad mundial
John W. Meyer y Francisco O. Ramírez
Buenas práctic as docentes en la universidad
Teresa Pagès, Albert Cornet, Jordi Pardo (coords.)
La gobernanza en la enseñanza supe rior
Barbara M. Kehm
Experiencias de mejora e innovación docente
en el ámbito del Derecho
Max Turull Rubinat (ed.)
Una mirada internac ional a las competencias
docentes universitarias
Rosa Mª Esteban Moreno (dir. y coord.)
Sara Vilma Menjívar de Barbón (coord.)
Experiencias de innovación docente en la enseñanza
universitaria de las humanidades
Mireia Trenchs Parera, Mar Cruz Piñol (coord.)
La gestión de la tecnología en la educación superior
A. W. (Tony) Bates y Alber t Sangrà
La nueva gobernanza de los sistemas universitarios
Barbara M. Kehm (comp.)
Enseñar y a prender en la unive rsidad
Guillermo Bautista Pérez, A nna Escofet Roig (ed s.)
Las políticas d e formación profesional e n España
y en Europa
Antonio Luzón Trujillo, Mónica Torres Sánchez (comps.)
La expan sión del conocimiento en abierto: los MOOC
Esteban Vázquez Cano, Eloy López M eneses,
José Luis Sarasola Sánchez-Serrano
La semipresencialidad como respuesta a los nuevos retos de
la universidad
Joan Simon Pallisé, C arles Be nedí González,
Cèsar Blanché Vergés
Empleo y trabajo de los graduados universitarios
José-Ginés Mora, Harald Schomburg, Ulrich Teichler (comps.)
La escritura académica a través de las disciplinas
Liliana Tolchinsky (coord.)
IDP/ICE
IDP/ICE
CONSEJO EDITORIAL IDP/ICE, UB-OCTAEDRO
Dirección
Teresa Pagès Costas (jefa de la Sección Universidad, IDP/ICE, Facultad de Biología,
Universidad de Barcelona)
Coordinadora
Anna Forés Miravalles (Facultad de Educación, Universidad de Barcelona)
Editor
Juan León (director de la Editorial Octaedro)
Consejo Editorial
Dirección del IDP/ICE , Universidad de
Barcelona
Pedro Allueva Torres (Facultad de Educación,
Universidad de Zaragoza)
Pilar Ciruelo Rando (Editorial Octaedro)
Mar Cruz Piñol (Facultad de Filología,
Universidad de Barcelona)
Carmen Ferrándiz García (Facultad de
Psicología, Universidad de Murcia)
Mercè Gracenea Zugarramurdi (Facultad de
Farmacia y Ciencias de la Alimentación,
Universidad de Barcelona)
Virginia Larraz Rada (Facultad de Ciencias de
la Educación, Universidad de Andorra)
Miquel Martínez Martín (Facultad de
Educación, Universidad de Barcelona)
Miquel Oliver Trobat (Facultad de Educación,
Universidad de las Islas Baleares)
Joan Carles Ondategui Parra (Facultad
de Óptica y Optometría, Universidad
Politécnica de Cataluña)
Jordi Ortín Rull (Facultad de Física,
Universidad de Barcelona)
Miguel A. Pereyra García-Castro (Facultad de
Ciencias de la Educación, Universidad de
Granada)
Mireia Ribera Turró (Facultad de Matemáticas
e Informática, Universidad de Barcelona)
Alicia Rodríguez Álvarez (Facultad de Filología,
Universidad de Las Palmas de Gran
Canaria)
Antoni Sans Martín (Facultad de Educación,
Universidad de Barcelona)
Carmen Saurina Canals (Facultad de Ciencias
Económicas y Empresariales, Universidad
de Gerona)
Marina Solé Català (Facultad de Derecho,
Universidad de Barcelona)
Secretaría Técnica del Consejo Editorial
Lourdes Marzo Ruiz (IDP/ICE, Universidad de Barcelona), Ana Suárez Albo (Editorial Octaedro)
Normas presentación originales:
https://www.ub.edu/idp/web/sites/default/files/docs/Normas_presenta.pdf
Revisores:
https://www.ub.edu/idp/web/sites/default/files/docs//Revisores_Octaedro.pdf
Criterios de calidad:
https://www.ub.edu/idp/web/sites/default/files/docs/criterios.pdf
Juliana Elisa Raffaghelli
Construir culturas
de datos justas
en la universidad
Desafíos para el profesorado
OCTAEDRO - IDP/ICE, UB
Colección Educación universitaria
Título: Construir culturas de datos justas en la universidad. Desafíos para el profesorado
Primera edición: marzo de 2023
© Juliana Elisa Raffaghelli
© De esta edición:
Ediciones Octaedro, S.L.
Bailén, 5 - 08010 Barcelona
Tel.: 93 246 40 02
octaedro@octaedro.com
www.octaedro.com
Universitat de Barcelona
Institut de Desenvolupament Professional (IDP/ICE)
Campus Mundet - 08035 Barcelona
Tel.: 93 403 51 75
ice@ub.edu
Esta publicación está sujeta a la Licencia Internacional Pública de Atribución/Reconocimiento-
NoComercial 4.0 de Creative Commons. Puede consultar las condiciones de esta licencia si
accede a: https://creativecommons.org/licenses/by-nc/4.0/
ISBN: 978-84-19506-45-0
Diseño y producción: Servicios Gráficos Octaedro
5
SUMARIO
Prologo ............................................................ 7
— Luci Pangrazio (Universidad Deakin, Australia)
Introducción ....................................................... 21
1. Datos, sociedad y universidad. Contornos del problema .......... 35
2. Pensar la datificación desde la complejidad. Bases para
construir culturas de datos (justas) en las IES .................. 73
3. ¿Abrir la caja de pandora? Hacia nuevas prácticas de datos
en la ciencia y la educación abierta ............................. 115
4. Datos que brillan. De métricas, valores y visibilidad de las IES .. 147
5. Justicia social y datos. Más allá de la soledad educativa ......... 179
6. Datos en el proceso pedagógico. En busca del equilibrio ........ 211
7. Desafíos para el profesorado. Hacia la construcción de
culturas de datos justas ........................................ 265
Referencias ........................................................ 323
Índice de tablas ................................................... 365
Índice de figuras .................................................. 367
Índice ............................................................. 369
7
PROLOGO
— Luci Pangrazio
Universidad Deakin, Australia
Introducción
El conocimiento es poder, o eso dice el refrán. En una sociedad infor-
matizada, en la que nuestros comportamientos y movimientos se con-
vierten sistemáticamente en puntos de recogida de datos o datapoints,
sería razonable suponer que sabemos más que nunca sobre nosotros
mismos y nuestra vida cotidiana. Vivimos cada vez más en línea y
todo lo que hacemos, decimos o compartimos en el espacio digital
puede ser capturado y convertido en datos. Los datos pueden proce-
sarse y convertirse en información que puede utilizarse para clasicar
a las personas y optimizar y vigilar sus comportamientos. Sin embar-
go, la información no equivale a conocimiento. Para que se convierta
en conocimiento, la información debe ser interpretada, interrogada
e integrada ecazmente con los conocimientos y experiencias ante-
riores. Aunque el procesamiento de datos sigue mejorando, todavía
no puede replicar los procesos interpretativos humanos. Además, los
datos no siempre son una representación exacta de la realidad, como
han demostrado varios casos destacados de sesgo algorítmico y de
elaboración de perles de datos personales. Esto arroja una nueva luz
sobre los datos como fuente de información neutral y objetiva. Tam-
bién signica que debemos comprometernos cuidadosa y críticamente
con la forma en que los datos se convierten en conocimiento y saber.
Teniendo en cuenta estas preocupaciones, el objetivo general de
este libro –construir culturas de datos «justas»– es extremadamente
importante. Sin embargo, también es extremadamente complejo. No
solo implica investigar cuidadosamente cómo accedemos, interpreta-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
8
mos y utilizamos los datos, sino que también implica interrogar a las
infraestructuras sociales y políticas que generan y recogen los datos y
cómo se interpretan y utilizan estos conocimientos. Las plataformas
digitales se han convertido en una parte integral de estos fenómenos.
Como escribe José van Dijck (2013), las plataformas son «software,
(y a veces) hardware y servicios que ayudan a codicar las actividades
sociales en una arquitectura computacional (p. 29). Las plataformas
no solo determinan los tipos de datos que se recogen, sino también
la forma en que los datos procesados se presentan a los usuarios en
forma de paneles de mando y métricas. Esto determina el proceso
de interpretación y, potencialmente, las creencias y los valores que
los usuarios nales –en este caso, docentes, investigadores e inves-
tigadoras y estudiantado– tienen sobre su trabajo y sus procesos de
aprendizaje alrededor de lo que hacen. A esto se suma el hecho de
que las decisiones sobre qué plataformas digitales se utilizan en la
enseñanza superior suelen ser tomadas por administradores de alto
nivel o especialistas en TI de la universidad, es decir, personas que a
menudo no tienen que trabajar y aprender en estos sistemas en el día
a día. En denitiva, dado lo arraigados que están los sistemas de datos
en la educación superior y en la sociedad en general, garantizar que
los datos se produzcan, elaboren y usen «de forma justa» es un acto
profundamente social y político.
Los capítulos de este libro exploran perspectivas de lo que signica
crear culturas de datos justas en la educación superior, destacando
la gama de herramientas y estrategias que se requieren según cada
perspectiva. Los capítulos abarcan las dimensiones teóricas y prác-
ticas de este reto, así como los diferentes niveles que intervienen en
la creación de la cultura, desde los recursos y las infraestructuras
hasta las habilidades y conocimientos del profesorado. Aunque se
centra en un sector concreto (educación superior), también plantea
la cuestión más amplia del papel del profesorado y la educación su-
perior en la preparación de las personas para vivir en una sociedad
donde la digitalización ha quedado atravesada por la daticación.
La investigación crítica de los datos que se presenta en este libro va
a contracorriente del pensamiento popular en el ámbito de la edu-
9
PRÓLOGO ❚
cación, que, en general, se ha dejado seducir por el poder de los big
data (o macrodatos). En este breve prólogo desglosaré las diferentes
dimensiones del desafío, considerando el contexto de la educación
superior, cómo podríamos desarrollar una cultura de datos justa y
los desafíos y oportunidades que surgen para los educadores en este
contexto. Comenzaré por considerar los datos y la daticación como
fenómenos sociotécnicos.
¿Qué son los datos?
Asistir a la universidad, unirse a grupos deportivos y socializar con
los amigos implica ahora, por lo general, la comunicación en pla-
taformas digitales y esta participación genera datos personales que
pueden utilizarse para elaborar perles, que pueden ser seguidos y
cuya actividad puede ser rastreada. Por datos personales se entiende
cualquier información que pueda atribuirse directamente a una per-
sona. Los datos personales pueden proceder de una gran variedad de
fuentes, desde el aparentemente insignicante clic del ratón hasta la
información más esperada de la fecha de nacimiento, la dirección y
el número de la seguridad social. También pueden adoptar una gran
variedad de formas, como números, caracteres, símbolos, imágenes,
ondas electromagnéticas, información de sensores y sonidos (Kitchin,
2014). De hecho, parte del problema de orientar a las personas a
entender los datos digitales radica en que tratamos con un concepto
bastante ambiguo que se reere a muchas piezas de información apa-
rentemente diferentes.
La daticación es la transformación de las interacciones digitales
en un registro que puede ser recogido, analizado y mercantilizado
(Mayer-Schoenberger y Cukier, 2013). Es posible gracias a la ca-
pacidad de capturar y traducir los fenómenos sociales en datos y
forma parte del modelo de negocio y del funcionamiento de muchas
plataformas digitales. En el caso del estudiantado universitario, los
datos y metadatos personales se generan a través de las plataformas
universitarias y las plataformas de medios sociales que utilizan a
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
10
lo largo de su jornada. En algunos casos, el estudiante puede ser
consciente de que se están generando y capturando datos, como
cuando crea un perl; pero en muchos otros, probablemente no lo
sea. Aunque la daticación es un proceso nuevo, también puede
considerarse el siguiente paso en la larga trayectoria hacia la cuan-
ticación (véase Hacking, 1990). Sin embargo, para entender el
impacto de la daticación es importante investigar los datos «en
su contexto», de modo que se pueda examinar adecuadamente el
papel que desempeñan los actores involucrados, con sus diferentes
propósitos de uso (de los datos).
El contexto de la enseñanza superior
La enseñanza superior es un sector muy especíco de la educación,
que se mueve en un contexto de por sí complejo y cuya compleji-
dad es agudizada por la daticación. En este prólogo, me reero a la
«educación superior» como el tercer nivel de enseñanza y aprendizaje
que tiene lugar después de la escuela secundaria. Incluye a las uni-
versidades y a los proveedores de educación superior y comprende al
estudiantado, el profesorado y el personal de gestión y administración
que participan en los cursos de pregrado, de grado y de postgrado.
Los proveedores de educación superior también se dedican a otras
áreas de trabajo importantes (como la investigación académica, la
investigación y el desarrollo comercial, así como el compromiso con
la comunidad), todo lo cual repercute en lo que consideramos una
oferta «educativa». Los datos se han convertido en parte integrante
del sistema de educación superior, desde la enseñanza y el aprendizaje
hasta la investigación, el marketing y las actividades de trabajo con la
comunidad.
Merece la pena comenzar este debate con algunos puntos sobre
las razones por las que la enseñanza superior debe considerarse un
contexto educativo diferenciado y, por consiguiente, un contexto dis-
tinto para pensar los datos. En primer lugar, tenemos que reconocer
el carácter distintivo del grupo profesional denominado «profesorado
11
PRÓLOGO ❚
universitario». En cierto sentido, profesores y tutores de la enseñanza
superior trabajan de forma similar al profesorado de la escuela. Cier-
tamente, se pueden establecer paralelismos con otros debates sobre
la práctica docente y la formación del profesorado con relación a la
daticación. Sin embargo, el profesorado universitario es ciertamente
distinto de los maestros de escuela o de los formadores en el lugar
de trabajo. Por ejemplo, a menudo el profesorado de la enseñanza
superior no son profesionales cuyo trabajo (o interés) principal es la
enseñanza en sí. En cambio, muchos profesores y profesoras de la en-
señanza superior priorizan su trabajo en la investigación académica,
la publicación y la obtención de subvenciones para sus estudios. Sin
embargo, muchas personas que trabajan en la enseñanza superior no
son profesionales titulares, sino personal adjunto, contratado a corto
plazo, ayudantes de cátedra o estudiantes de posgrado. Además, aun-
que una gran parte del profesorado pueda ser considerada especialista
en una materia con un alto nivel de conocimientos especícos, no
suelen tener una verdadera formación docente.
También hay que tener en cuenta la singularidad del alumnado
universitario; la mayoría son jóvenes adultos de entre 18 y 25 años.
Se trata de individuos preocupados por las exigencias académicas y
sociales de ser estudiante. Muchos de ellos estudian a tiempo parcial,
e incluso los que están matriculados a tiempo completo pueden estar
trabajando en uno (o más) empleos para mantener sus estudios. Una
parte mínima del alumnado universitario estudian de 9.00 a 17.00,
cinco días a la semana. En resumen, son personas que tienen muchos
otros compromisos y responsabilidades, además de su actividad de
estudio. Para muchos estudiantes, la participación en la enseñanza
superior es menos coercitiva que en la secundaria, dependiendo de
uno mismo el asegurarse de asistir y mantenerse al día con su trabajo
y sus tareas.
Con el auge de las tecnologías digitales en el sistema de ense-
ñanza superior, los datos pueden utilizarse para supervisar y hacer
un seguimiento de las actividades realizadas por el estudiantado
y el profesorado. Un potente software de análisis del aprendizaje
permite a profesores y administradores de los cursos ver con todo
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
12
detalle qué estudiantes han accedido a qué partes del curso, con
qué frecuencia y durante cuánto tiempo. Por lo tanto, aunque la
asistencia y el compromiso con los materiales del curso se aconseja
encarecidamente, no siendo obligatorio y estando supeditado a la
autonomía del estudiantado, sería difícil para un profesor o una
profesora ignorar este conocimiento detallado de la actividad de sus
estudiantes. Del mismo modo, quienes administran la enseñanza
superior se mueven al mismo nivel de escrutinio del profesorado
y pueden utilizar la información obtenida a la hora de evaluar el
rendimiento profesional o las posibilidades de promoción de un
docente. De este modo, informaciones que formalmente era impo-
sible recoger, y por ello se consideraban intrascendentes, resultan de
fácil acceso y fundamentales en contextos daticados, y a menudo
de manera que son difíciles de identicar y discernir para el estu-
diantado y el profesorado.
Culturas de datos justas
Empecemos por denir la expresión «culturas de los datos», ya que es
bastante diferente de la noción de daticación esbozada anteriormen-
te. La daticación es «un proceso» de transformación de los fenóme-
nos sociales en datos y está determinada en gran medida por quienes
generan y recogen los datos. Por el contrario, las culturas de datos
no se reeren a un proceso, sino a una losofía o enfoque en el que
se pueden hacer operativos los valores y las creencias sobre los datos
y la daticación. Las «culturas de datos justas» se reeren entonces
a una forma de hacer datos que es justa para todos los implicados,
incluidos los usuarios nales (es decir, administradores, profesores,
tutores y estudiantes), así como los operadores y desarrolladores de
plataformas. También se reere al hecho de que la educación superior
tiene la responsabilidad de construir culturas de datos justas más allá
de la institución en la sociedad en general.
Entonces, ¿cómo podemos trabajar por una cultura de datos jus-
ta? En los últimos años, los estudiosos de diversas disciplinas han
13
PRÓLOGO ❚
hecho un llamamiento a la «justicia de datos», la «ética de datos», la
«agencia1 de datos» y la «alfabetización de datos». Aunque dieren
en cuanto a su alcance y aplicación, están unidos en la búsqueda
de soluciones morales a los problemas que surgen de una sociedad
informatizada. Dado el contexto institucional, la ética y la justicia
de los datos son hasta ahora los antecedentes más adecuados para
crear culturas de datos justas. Sin embargo, los escritos recientes
(Hintz et al., 2019; Noble, 2018) han sido críticos con la ética de los
datos y su estrecha aplicación. Con la ética de los datos, en efecto,
los problemas y sus enfoques son simplemente de orden técnico y
pueden ser solucionados por personas o directrices especícas; no
hay necesidad de una discusión holística. Por esta razón abogaré por
un enfoque de justicia de datos, esbozando brevemente cómo podría
ser en el contexto de la educación superior.
La justicia de datos replantea los macrodatos como una cuestión
de relevancia para la justicia social, centrándose en cómo se articulan
estas tecnologías con las luchas de poder y las ideologías dominantes
que sustentan la sociedad. Como arman Dencik y Sánchez-Mone-
dero (2021), la digitalización (asociada a la daticación) no ha surgido
de la nada. La misma está «posibilitada por formas particulares de or-
ganización política y económica que promueven una visión normativa
de cómo deben entenderse y resolverse las cuestiones sociales» (Den-
cik y Sánchez-Monedero, 2021, p. 2). Por lo tanto, la digitalización
intensica muchas cuestiones sociales relacionadas con la clase, la raza
y el género a través de elementos como la elaboración de perles de
datos personales, el sesgo algorítmico y la discriminación por razón
de sexo. La justicia de datos es un intento deliberado de ir más allá
1. El término agencia (en inglés, agency) no es frecuentemente usado en el idioma castellano.
Se trata de un término que en el ámbito técnico de las ciencias sociales es adoptado de manera muy
diferente a lo que sería el sentido común. Mientras en este último espacio de comunicación se rela-
ciona la agencia con una institución reguladora de procesos especícos, en el ámbito de las ciencas
sociales se reere a la capacidad y la posibilidad de expresarse de un individuo o un grupo humano,
desde su propia identidad y con un sentido de responsabilidad y de acción sobre el propio entorno de
vida. En este libro no se adoptará dicho término, sino que se ha elegido por términos de uso más fre-
cuente como «compromiso, capacidad de expresión, participación». Para una mejor comprensión del
problema oriento a l lector a la siguiente re visión teórica en ámbito educativo, de Rigo et al. (2021), en
castellano. En este ca so, se respeta el término original en inglés adoptado por la profesora Pangrazio.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
14
de ver los datos como un problema y una responsabilidad individual.
En su lugar, los datos se enmarcan como una preocupación colectiva
conectada a patrones de injusticia más amplios y de larga duración
(Hintz, Dencik y Wahl-Jorgenson, 2019). La justicia de datos nos
recuerda que los problemas de datos son estructurales y, por lo tanto,
requieren respuestas colectivas y una amplia gama de partes interesa-
das «en la articulación tanto de los desafíos como de las respuestas a
la daticación» (Hintz et al., 2019, p. 136).
¿Cómo podemos aplicar esto a la enseñanza superior? Como ya se
ha dicho, la enseñanza superior es un sector único y debe ser abordado
como tal. Al mismo tiempo, no es ajena a la sociedad. Los procesos
de digitalización de la enseñanza superior están condicionados por las
actitudes de la sociedad hacia los datos. Por lo tanto, el reto de crear
culturas de datos justas en la enseñanza superior tiene dos niveles. Por
un lado, tenemos que pensar en el papel de la educación superior en el
desarrollo de una conciencia crítica y la comprensión de los datos en la
población, en general, y, por otro lado, tenemos que considerar cómo
los datos surgen «dentro de la educación superior». Por ejemplo, las
cuestiones relativas a la vigilancia inadvertida sobre el estudiantado
y el profesorado, mencionadas anteriormente, deberían considerarse
una cuestión colectiva de justicia social, ya que la ciudadanía debería
sentir que su privacidad y sus derechos están protegidos por las insti-
tuciones con las que se relacionan. Al mismo tiempo, corresponde a
la enseñanza superior poner en práctica este principio.
Desafíos para el profesorado
Una vez perlado el contexto y esbozado el objetivo general, ha llega-
do el momento de identicar los retos especícos a los que se enfren-
tan investigadores y educadores. Los datos están entrelazados con lo
social y lo político y, como destaca el enfoque de la justicia de datos,
también intensican los problemas estructurales preexistentes en la
sociedad. Hintz et al. (2019) identican tres requisitos para que los
seres humanos orezcan en una sociedad «daticada», incluyendo: in-
15
PRÓLOGO ❚
fraestructura accesible, estable y conable; un marco legal y regulato-
rio de apoyo para las interacciones en línea seguras para «proteger los
derechos de los usuarios de internet», y una comprensión informada
y conocedora para todas las partes interesadas de las tecnologías en el
lugar y cómo podrían usarse. Aunque estos aspectos se reeren a la
sociedad en general, ya que debemos abordar la cuestión a dos niveles,
son útiles para nuestros propósitos.
Aunque la creación de culturas de datos justas tiene muchas di-
mensiones, hay elementos que hacen que se trate de un trabajo es-
pecialmente difícil. En esta última sección expongo los retos para
el profesorado. Estos retos surgen porque las tecnologías y la toma
de decisiones basadas en los datos se aplican a menudo sin la debi-
da consulta, por lo que los investigadores críticos a menudo quedan
librados a sí mismos, es decir, tratando de identicar los problemas
de un sistema que parece funcionar a todos los efectos, aunque se
base en prácticas y procesos cuestionables. Hay al menos tres retos
urgentes que investigadores y educadores deben tener en cuenta a la
hora de aplicar los requisitos de Hintz y sus colegas para prosperar
en una sociedad informatizada: infraestructuras y procesos de datos
transparentes, creación de una alfabetización de datos crítica de los
principales interesados y dotación de recursos a las instituciones para
desarrollar procesos de datos justos y coherentes.
Reto n.º 1. Infraestructuras y procesos de datos transparentes
La creación de culturas de datos justas en la enseñanza superior exige
infraestructuras de datos accesibles y transparentes para fomentar el
uso ecaz de los datos y la responsabilidad de los operadores de las
plataformas. La accesibilidad permite al profesorado acceder a los
datos que necesita para generar conocimientos signicativos sobre
el aprendizaje de su alumnado y su propia enseñanza (Raaghelli,
2022). A pesar de ello, muchas infraestructuras de datos siguen siendo
impenetrables y difíciles de manejar para la gente corriente. Además,
la naturaleza propietaria de muchas plataformas digitales signica
que los operadores de la plataforma determinan qué datos se recogen,
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
16
cómo se procesan y las formas en que se utilizan. Esto puede dar
lugar a «asimetrías de información» (Brunton y Nissenbaum, 2015),
en las que una de las partes (es decir, los operadores de la plataforma)
tiene un poder desmesurado porque tiene acceso y control de los da-
tos. En la mayoría de las plataformas comerciales, el procesamiento
de los datos sigue siendo de tipo «caja negra», por lo que los usuarios
tienen que conar en las interpretaciones y las perspectivas que pre-
sentan los operadores de las plataformas a través de los análisis de
datos y los paneles de mando. Por lo tanto, un reto clave es garantizar
que las plataformas que se utilizan en la enseñanza superior sirvan
a las necesidades del profesorado y del alumnado y que los sistemas
y procesos sean lo sucientemente transparentes como para ser eva-
luados por quienes trabajan en ellos.
Reto n.º 2. Crear una alfabetización crítica en materia de datos para
los principales interesados
En segundo lugar, para crear culturas de datos en lugar de procesos
de datos, «todas las partes interesadas» en el sistema –profesores, ad-
ministradores, tutores y estudiantes– necesitan una alfabetización de
datos crítica para garantizar que no solo puedan navegar por estos
sistemas de forma ecaz, sino que también tengan la motivación y la
perspicacia para criticar las infraestructuras y sus lógicas subyacen-
tes. Los datos digitales deben ser identicados e interpretados «en su
contexto». Esto marca una importante diferencia con respecto a los
enfoques educativos existentes sobre los datos, como la «ciencia de
los datos» y la «seguridad de los datos», que tienden a centrarse en
las percepciones generales más que en los signicados emergentes y
contextuales que cada individuo aporta a los datos digitales. Por el
contrario, la «alfabetización crítica» de los datos no solo busca cons-
truir un conocimiento práctico de cómo navegar por los sistemas de
datos, sino también la capacidad de evaluar el sistema en su conjunto
y cómo este puede dar forma a las visiones del mundo.
Abordar los datos de forma crítica ayudará a las personas a ver
cómo los mismos crean nuevos valores y creencias que a menudo se
17
PRÓLOGO ❚
interiorizan de forma inconsciente. Como ya se ha dicho, las perso-
nas no siempre son conscientes de los datos digitales que se generan
a través de su compromiso con los dispositivos y sistemas y esto no
es diferente en el contexto de la educación superior. Por lo tanto, la
alfabetización crítica en materia se puede dar al trabajar en el revelar
la «caja negra» de los datos digitales, a la vez que ofrece oportunidades
para aumentar la capacidad de las personas de trabajar y convivir con
los datos de manera diferente. Los datos se generan casi siempre bajo
el supuesto de que representan o indican algo sobre los fenómenos
más amplios de los que se extraen. De este modo, comprender e in-
terpretar los datos digitales en su contexto es crucial para convertir la
información en conocimiento (boyd y Crawford, 2012). De la misma
manera, lo que podría considerarse útil, benecioso, bueno o ético en
el uso de los datos digitales depende del contexto y las normas en las
que se sitúan los ujos de datos.
Reto n.º 3. Dotar de recursos a las instituciones y organizaciones para
que desarrollen procesos de datos justos y coherentes
Relacionado con el reto anterior, está el hecho de que el desarrollo
de las alfabetizaciones de datos críticas requiere un enfoque holístico
comprometido con la justicia de los datos. Los sistemas daticados
son complejos y requieren una formación especíca, pero a menudo
se espera que educadores y estudiantes naveguen y entiendan cómo
utilizarlos con poca ayuda o apoyo (Selwyn, Pangrazio y Cumbo,
2022). De hecho, se podría argumentar que este tipo de compromi-
so crítico con las plataformas digitales debería comenzar mucho an-
tes de que estudiantes y profesorado entren en la educación superior,
por lo que la forma en que podemos desarrollar alfabetizaciones de
datos críticos en la población en general es un desafío relacionado
que hay que considerar. Necesitamos que la gente se preocupe por
los datos y que esté motivada para cambiar sus prácticas o cambiar
las prácticas y procesos de las instituciones y empresas en las que
trabajan. Es esencial concienciar sobre los daños relacionados con
los datos, como el sesgo algorítmico, la elaboración de perles y
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
18
la discriminación, así como sobre las oportunidades que los datos
pueden ofrecer.
Sin embargo, también hemos de considerar la cuestión de si las
instituciones de enseñanza superior llegan a ver la construcción de
culturas de datos justas como un esfuerzo que merece la pena. Los
sistemas de enseñanza superior deberían consultar las infraestruc-
turas de datos en las que invierten. Deberían estar preparados para
recibir comentarios sobre lo que se siente al vivir, aprender y trabajar
en sistemas daticados y, en consecuencia, activar procesos que per-
mitan el cambio. Las universidades parecen monolíticas, por lo que,
a menos que existan mecanismos especícos, puede ser difícil que el
estudiantado o incluso el profesorado hagan oír sus opiniones. Inde-
pendientemente del conocimiento crítico que un estudiante o un pro-
fesor pueda tener sobre las prácticas de datos existentes en su contexto
de estudio y trabajo, si no hay tiempo ni recursos en la institución
para abordar estas preocupaciones, la apatía y la resignación pueden
convertirse en la respuesta dominante (Draper y Turow, 2017). Un
reto relacionado es la doble moral que surge cuando una institución
que depende de plataformas digitales que minan y mercantilizan los
datos personales promueve una alfabetización de datos aparentemente
crítica. Como ha destacado Pekka Mertala (2020), hay un currícu-
lum oculto en muchos sistemas educativos, en los que, en el adoptar
una plataforma y adoptar su sistema daticado ya está enseñando un
determinado valor y comportamiento en torno a los datos. En última
instancia, la educación superior debe estar dispuesta a cambiar y debe
haber procesos que faciliten ese cambio; de lo contrario, cualquier
programa de alfabetización crítica en datos promovido por la univer-
sidad podría resultar simplemente hipócrita.
Conclusión
Aunque breve, este prólogo ha abarcado mucho terreno. No solo ha
considerado el contexto especíco de la educación superior, la natura-
leza de los datos y los desafíos asociados a la construcción de culturas
19
PRÓLOGO ❚
de datos justas en la educación superior, sino a la sociedad en general.
He defendido la necesidad de ir más allá de las cuestiones relativas
a los derechos y la privacidad de los datos para considerar lo que se
necesita para prosperar en una sociedad digitalizada. Aunque se tra-
ta de un objetivo elevado, demuestra cuántas dimensiones diferentes
tienen estos retos para que los investigadores los tengan en cuenta. En
la investigación crítica es habitual centrarse en las implicaciones más
negativas de la digitalización ya que son las más apremiantes y perju-
diciales. Sin embargo, los datos pueden utilizarse de forma extremada-
mente positiva y útil; el problema es cómo se hace (véase, por ejemplo,
D’Ignazio y Klein, 2020). En última instancia, debemos proteger los
riesgos y daños, y optimizar las oportunidades para que investigadores
y educadores puedan trabajar con los datos de forma positiva. La mejor
manera de empezar a hacerlo es garantizar que las infraestructuras de
datos sean transparentes, que las principales partes interesadas tengan
conocimientos críticos sobre la daticación y que nuestras institucio-
nes y organizaciones consideren que las culturas de datos justas son
algo que vale la pena perseguir. Los capítulos siguientes ofrecen enfo-
ques prácticos y teóricos para lograr este importante objetivo.
Referencias
boyd, d. y Crawford, K. (2012). Critical questions for big data. Informa-
tion, Communication y Society, 15 (5), 662-679.
Brunton, F. y Nissenbaum, H. (2015). Obfuscation: a user’s guide for priva-
cy and protest. Massachusetts, CA: e MIT Press.
D’Ignazio, C. y Klein, L. (2020). Data feminism. Cambridge, MA: MIT
Press.
Dencik, L. y Sanchez-Monedero, J. (2022). Data justice. Internet Policy
Review, 11, 1-16.
Draper, N. y Turow, J. (2017). Toward a sociology of digital resignation
(documento presentado en Data Power, Ottawa, Canada).
Hacking, I. (1990). e taming of chance. Cambridge, UK: Cambridge
University Press.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
20
Hintz, A., Dencik, L. y Wahl-Jorgensen, K. (2019). Digital citizenship in
a dataed society. Cambridge, UK: Polity Press.
Kitchin, R. (2014). e data revolution: big data, data infrastructures, and
their consequences. Londres: Sage.
Mayer-Schoenberger, V. y Cukier, K. (2013). Big data: a revolution that
will transform how we live, work and think. Londres: John Murray.
Mertala, P. (2020). Data (il)literacy education as a hidden curriculum of
the datacation of education. Journal of Media Literacy Education, 12
(3), 30-42.
Raaghelli, J. (2022). Educators’ data literacy: understanding the bigger
picture. En: L. Pangrazio y J. Sefton-Green (eds.). Learning to live with
datacation: educational case studies and initiatives from across the world
(pp. 80-99). Abingdon Oxon, UK: Routledge.
Selwyn, N., Pangrazio, L. y Cumbo, B. (2022). Data classes: an inves-
tigation of the people that ‘do data’ in schools. En: L. Pangrazio y J.
Sefton-Green (eds.). Learning to live with datacation: educational case
studies and initiatives from around the world. Abingdon Oxfordshire,
UK: Routledge.
Van Dijck, J. (2013). e culture of connectivity: a critical history of social
media. Nueva York: Oxford University Press.
21
INTRODUCCIÓN
Tres historias de datos para comenzar…
El lector, curioso del tema de este libro y probablemente motivado
por ya difundida presencia de un debate social alrededor de los datos
digitalizados y capturados a partir de nuestra «vida» en plataformas,
apps, asistentes vocales y aspiradoras inteligentes, se sumergirá en este
libro, esperando encontrar una cierta densidad informativa. No des-
ilusionaremos esa expectativa considerando que este libro es el resul-
tado de un trabajo de investigación de cinco años entre educadores/
as, tecnólogos/as, ciudadanos/as y, por supuesto, mi estudiantado.
Sin lugar a dudas, representará solo una perspectiva limitada sobre
un tema nuevo y complejo. Una mirada que está favorecida y a la vez
sesgada por mi formación en ciencias de la educación y el desarrollo
organizacional, que puede por momentos focalizarse en aspectos del
fenómeno de la daticación que dejan descubiertos importantes deba-
tes tecnológicos, jurídicos y económicos. Sin embargo, mi perspectiva
puede ayudar a quien lea estas páginas a entrar y mirarse en el espejo
de mi experiencia para alcanzar niveles de profundización especícos
y relacionados con su propio ámbito de práctica profesional y de saber.
Con este espíritu narrativo, quiero comenzar por tres historias de
datos que me llevaron a reexionar sobre los riesgos de simplicar
un problema multifacético: el de la daticación en nuestra sociedad
contemporánea. Siguiendo algunas de las investigaciones pioneras
en este campo, como las de Robert Kitchin (2014), danah boyd
y Kate Crawford (2012) o Jose van Dijck (2014), deniremos la
daticación como la captura y uso de datos digitalizados que luego
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
22
pueden ser convertidos en representaciones y acciones moduladas
por operaciones programadas o algoritmos, que a su vez se traducen
en información, productos, servicios. Naturalmente, el resultado de
ese proceso modula nuestra comprensión del mundo y sobre todo
nuestro comportamiento, nuestra respuesta a ese mundo. No ha-
blemos por ahora de las consecuencias de ello: nos quedamos en un
estado de suspensión de nuestro juicio y opinión para recorrer las
tres historias.
Si hay algo que me preocupa, sin embargo, es que al terminar la
lectura o consulta de este libro, las educadoras y los educadores pue-
den hacerse a la idea de que no hay soluciones inmediatas a muchos de
los problemas que plantea la daticación (como el uso ético de datos,
o el acceso a los datos); y que muchas de las posiciones que encontra-
rá en publicaciones, en los medios sociales y masivos son extremas y
fragmentarias. Y allí, siendo esta la tesis que defenderé a lo largo de
todo el libro, está el nudo principal del problema: al ser afrontado,
nos podría abrir caminos hacia una nueva relación entre tecnología y
sociedad. Ya volveremos sobre ello.
Pasemos a las tres historias. Invito a quien las lea a realizar un ejer-
cicio cuidadoso de reexión en relación con sus propias experiencias,
tratando de descubrir su propia subjetividad, sus propias emociones,
sus propios recorridos de comprensión alrededor de este nuevo fe-
nómeno de la daticación. Es lo que Sarah Hayes (2021) denomina
«posicionamientos posdigitales».
Historia I. Invisibilidad
Mientras miraba una foto de un bebé de mi familia, por error la es-
caneé con Google Lens. El resultado fue asombroso.
La camiseta original que llevaba era roja y aparecían los rostros
de Salvador Allende, Che Guevara, Víctor Jara y el rostro de un co-
mún activista latinoamericano. Soy argentina, crecí en el sur global
y la mayor parte de mi familia vive allí, por lo que la provocadora
«camiseta» fue solo una expresión de sentido del humor para todos
nosotros (engendrar un bebé revolucionario). Ante la operación de es-
23
INTRODUCCIÓN ❚
caneo, Google me ofreció una serie de productos similares en los que
podría estar inscrito. El color rojo estaba en su lugar. El «socorrista»
o el «malvado clásico (classical evil)» fueron interpretaciones factibles
hechas por el probable etiquetador y programador de algoritmos del
Norte en relación con el concepto «revolucionario», «contestatario»,
«antisistema» contenido en la camiseta original. Pero estos conceptos
estaban lejos de la idea original que solo un latinoamericano no re-
presentado podría tener sobre los iconos de la revolución.
Figura 1. Recomendaciones de compra después del escaneo con Google Lens.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
24
Entonces experimenté dos sentimientos consecutivos. Mi pri-
mer sentimiento fue el de la invisibilidad, un sentimiento que solía
tener cuando le preguntaba a mi madre por qué la Navidad se
representaba con nieve e imágenes frías cuando hacía tanto calor.
Cuando era niña, era parte de la pequeña población que vivía en
una región del mundo donde las estaciones están «invertidas», por
lo tanto, mi experiencia de la Navidad ha sido «poco común» para
la mayoría de los occidentales. A medida que crecí comprendí esa
situación, es decir, el hecho de que había una forma común de
representar el mundo y formas alternativas. Yo era parte de ese
segundo grupo.
Sin embargo, el segundo sentimiento fue de injusticia, de ser leído
por alguien que detiene un «sentido de normalidad» y que me ofrece
productos «convenientes» según los signos que he dejado inconscien-
temente en el espacio digital. Esta no era la primera vez que ello
sucedía, ya que el cine, la moda, la cultura y la misma religión venían
siempre con representaciones alejadas de mi experiencia vivida en el
Sur.
Ahora bien, el impacto de esta experiencia no fue muy alto.
Simplemente cerré la ventana de Google Lens y dirigí mi atención
a lo que estaba haciendo. Pero ¿y si el sistema se dirigiera a mí para
que tomara una decisión sobre la vivienda o un trabajo? ¿Y si me
señalara que pertenezco al grupo de riesgo de abandono de un cur-
so universitario? ¿Qué pasaría si me hubiera sentido avergonzada
por mi origen cultural o mi experiencia humana «alternativa», es
decir, de la singularidad de mi perspectiva como mujer del Sur?
¿Me hubiera llevado la recomendación a creer que el error no es-
taba en los productos ofrecidos por Google, sino en mis gustos
o en la compra hecha para el bebé de la familia? Como el lector
bien informado de este artículo puede ser escéptico acerca de esta
última idea, debo insistir sobre el sentimiento de insuciencia e
inferioridad que comúnmente experimentan las personas en los
lugares de marginalidad, en sus pruebas desesperadas e incluso
inconscientes de convertirse en parte del lado «normal»: el lado
dominante.
25
INTRODUCCIÓN ❚
Este ejemplo me llevó a pensar en las enseñanzas de dos impor-
tante teóricos de la crítica social: Franz Fanon (2001) y Kimberlé
Crenshaw (1991) .
En las palabras del primero, la ausencia de representación tiene un
efecto profundo sobre la persona:
Porque es una negación sistemática de la otra persona, en una deter-
minación furiosa de negarle a la otra persona todos los atributos de
humanidad, el colonialismo obliga al pueblo a preguntarse constante-
mente: «En realidad, ¿quién soy yo? ¿Soy? (Fanon, 2001, p. 200, trad.
de la autora)
Fanon está retratando aquí los efectos devastadores del colonialis-
mo, pero cualquier forma de poder opresivo en los grupos humanos
generará esta forma de despersonalización.
La despersonalización es el efecto de la subrepresentación o la
invisibilidad completa dentro de estructuras simbólicas, instrumen-
tos, procedimientos, actitudes, discursos y, por supuesto, la tecno-
logía. En la relación de poder hay un privilegio estructural y una
opresión estructural. Dentro de esta estructura, algunos grupos ex-
perimentan la ventaja de comportarse, hablar, usar y comprender el
contexto «de manera natural» porque ha sido diseñado por personas
como ellos. Para los grupos alternativos, se trata de un aprendizaje:
de dar forma a cuerpos y gestos. La reproducción del poder es causa
y consecuencia, en un círculo continuo, de dicha ventaja compa-
rativa (Bakker y Gill, 2003). La Crenshaw (1991) completa esta
visión cuando indica que las intersecciones de las diversas vulnera-
bilidades son más la regla que la excepción. Entonces hay minorías
o colectivos diversos que pueden ser mayoría (como en la sociedad
colonial) que experimentan desventajas sistemáticas surgidas de su
diferencia. Una diferencia que se puede materializar en ser mujer,
analfabeta, discapacitada, pobre o nacer en el sur global. Lo que
experimentan estos colectivos no solo es la injusta distribución de
la riqueza material, sino, sobre todo, de la riqueza simbólica o epis-
témica (Fricker, 2007).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
26
Mi reexión, en esta primera historia, fue disparada por la sensa-
ción de invisibilidad de mi particularidad humana, en la lectura que
el ente tecnológico2 me devolvía. Asimismo, me llevaba a pensar que el
no poder desnudar ese efecto podría tener como consecuencia una
profunda injusticia en cómo algunos generan estructuras tecnológicas
que imponen su propia visión del mundo al otro, a quien está en una
condición voluntaria o involuntaria de uso de esa tecnología.
Al discutirlo con otros educadores (Raaghelli, 2022a), conside-
ramos la dicultad de asumir y develar las formas que la falta de
representación toma en la interacción con dispositivos digitales. Y lo
difícil que es llevar dicho tema al aula. Sin embargo, pensamos que el
enfoque para el trabajo educativo atraviesa de lleno la imposibilidad
de dominar la tecnoestructura y la debilidad en sí misma del edu-
cador como «solista» dentro del aula, una suerte de enfrentamiento
entre David (los educadores) y Goliat (las grandes multinacionales
tecnológicas).
Sin embargo, los enfoques educativos en este caso ¿podrían tener
un espacio de acción concreto en el concientizar, develar conjunta-
mente y discutir las formas de falta de representación? ¿Podría ser el
necesario adquirir habilidades técnicas de visualización de datos y
coding para comprender el núcleo mismo del problema? ¿Sobre qué
casos trabajar para comprender el impacto psicosocial y cultural de
las injusticias generadas por la daticación desde una perspectiva in-
terseccional,?
Historia II. La lucha por la visibilidad
Las Madres no podían hablar o no podían preguntar a las autorida-
des dónde estaban los cuerpos de sus hijas e hijos. Como resultado,
2. En este pasaje introduzco la idea de «agente» o «actante» basada en la teoría del actor-red
(actor network theory) de Bruno Latour (2008). He usado la palabra ente por ser de uso común en la
lengua castellana y más asequible en esta parte inicial. Sin embargo, la idea es justamente la de una
interacción humana con la tecnología, que ya Latour teorizaba como en una situación de simetría,
de red, al producir cambios sociales. Para este pensador, lo humano y lo no humano son elementos
indisociables que en la interacción en redes generan fenómenos sociotécnicos: la daticación, en sus
varias formas, es uno de ellos.
27
INTRODUCCIÓN ❚
iniciaron una forma creativa de activismo manifestándose con los pa-
ñuelos blancos mientras caminaban en círculos durante horas frente
al palacio presidencial (Casa Rosada). Su voz no habría sido escuchada
si no fuera por la prensa extranjera y la impresión que causó en los
extranjeros el hecho de que estas mujeres preguntaran algo que no
estaba claramente dicho. Estas fueron fuerzas impulsoras para reco-
nocer el movimiento y, por ende, estar en la posición de cuestionar
abiertamente la situación de injusticia. También su solicitud pasó por
largos años de pequeñas charlas, diálogo e interacción, como el caso
del Nobel de la Paz Adolfo Pérez Esquivel. Su movimiento creció en
su representación mediática y los recursos materiales e intelectuales
hasta convertirse en una institución que apoyaba poderosas formas
de recolección de datos sobre los desaparecidos. Desarrolladas en las
Abuelas de Plaza de Mayo, estas madres apoyaron la creación de un
banco de ADN3 basado en investigaciones antropológicas avanza-
das (en colaboración con el Conicet nacional) para seguir buscando
justicia al descubrir la identidad de los nietos. Hoy en día, también
apoyan una serie de proyectos de colaboración colectiva4 para seguir
recopilando testimonios y construyendo los mapas de la memoria. Su
autogestión inicial construyó un espacio simbólico que ganó visibili-
dad y se convirtió en la fuente de mejores canales de expresión: lo que
podríamos denominar un «contexto capacitador» que lleva a expandir
la agencia y la misma idea de justicia. El movimiento se transformó
de su base inicial de búsqueda de hijas e hijos en la búsqueda de la
memoria colectiva y un enfoque renovado de los derechos humanos.
¿Qué signica esto? Tres cosas: hay autoconciencia del derecho a
combatir y a expresarse, a ser víctima de una injusticia; hay capaci-
dad para expresar la necesidad de justicia, es decir, recursos para la
autogestión; hay un contexto de oportunidad para hablar en voz alta
o actuar en pro de la justicia.
Esta historia pasó por mi vida de manera muy personal, al encon-
trarnos en mi familia con un secuestro por parte de la Junta Militar.
3. https://www.abuelas.org.ar/abuelas/historia/abuelas-la-genetica-83
4. http://memoriaabierta.org.ar/wp/testimonio-y-archivo-metodologia-de-memoria-abierta/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
28
Por ello he ido siguiendo el rol de este grupo activista, las Madres y
Abuelas. Pero al pensar en datos, invisibilidades y esfuerzos por la
visibilización, este me pareció uno (de tantos) ejemplos concretos de
cómo podría funcionar la búsqueda de justicia a través de la visualiza-
ción de datos. De hecho, en ese sentido, el hallazgo de esta historia se
produjo a partir del estímulo intelectual de Miren Gutiérrez (Gutié-
rrez, 2018) sobre el activismo de datos. La argumentación de partida
fue la siguiente: si los colectivos que se encuentran en una situación
injusta no son conscientes de ella o no tienen los recursos materiales
o simbólicos para luchar por ella, sus voces serán silenciadas. Sin
embargo, las Madres de Plaza de Mayo eran conscientes.5
En mi conversación con otros educadores planteé este ejemplo,
indicando cómo las Madres y las Abuelas pudieron comenzar a di-
rigir sus propios proyectos culturales y de investigación llamando a
expertos (Pérez Esquivel, Conicet, entre otros) para seguir abogando
por su causa. Por lo tanto, interactuaron para apoyar el desarrollo de
métodos de recopilación de datos de investigación (sobre ADN) que
hicieron visible lo que era solo un icono (los círculos de mujeres con
pañuelos blancos). Un ejemplo claro de esta forma de datos para la
coliberación y la justicia fue el «índice de abuelidad». Este índice fue
el principal indicador basado en el ADN y fue un constructo que
sustenta la búsqueda reparadora de Abuelas, donde la corresponden-
cia biológica medida por el índice fue la puerta para desentrañar la
identidad, y así hacer justicia (Ohanian, 2015).
También apoyaron la participación y la educación de los jóvenes
para desarrollar espacios digitales donde hacer crowdsourcing de cuen-
tas sobre las dictaduras y mapearon la memoria en varias ciudades
argentinas. Todo el proceso ha tenido lugar en los últimos 45 años.
Su atención sostenida y su capacidad para escoger datos, para contar
lo incontable y lo oscurecido (el número de hijas e hijos desaparecidos,
el número de hijos terrestres recuperados, la base de datos de ADN,
los mapas de memoria) sacaron a la luz un sistema de opresión y supu-
sieron un sistema contrahegemónico. En este sentido, los datos fueron
5. https://en.wikipedia.org/wiki/Mothers_of_the_Plaza_de_Mayo
29
INTRODUCCIÓN ❚
un instrumento de coliberación, construido a través de un contexto
capacitador y evolutivo. La justicia social no se implementó mediante
leyes vigentes, sino que se persiguió y logró a través de los esfuerzos de
transparencia y el uso de la tecnología como medio de autodefensa.
Entonces, un enfoque educativo respecto a esta mirada sobre los
datos podría basarse en el participar activamente como estudianta-
do para apoyar procesos sociales de recuperación o construcción de
datos en un contexto de «no datos». Es decir, no solo usar los datos
abiertos como recurso educativo «dentro del aula», sino más allá, en la
situación auténtica de transformación social de la que el estudiantado
puede sentirse parte.
Pero… ¿cuán fácil es para el educador embarcarse en estos proce-
sos? ¿De qué herramientas y de qué redes de colaboración dispone-
mos? ¿Cuáles son los ámbitos en los que sería más difícil, o incluso
tocaría cuestiones de sensibilidad humana, político-ideológica o so-
cial, al pensar estas formas de activismo en datos?
Historia III. Uso abusivo de datos
A dos semanas de empezada la pandemia, comencé a recibir mensajes
de varios educadores que me pedían consejo sobre cómo organizar sus
clases. Entre estas charlas, recibí un enlace a una página «excelente,
muy bien organizada y conectada directamente a las herramientas».
Se trataba del entorno de clase digital Google Classroom. No mucho
más tarde, en una red de investigadores de 52 países y las similitudes y
problemáticas en relación con la elección de herramientas, nos parecía
preocupante (Bozkurt et al., 2020). El hecho fue que la covid llevó rá-
pidamente a una situación de adopción de tecnologías de aprendizaje
digital en un escenario disruptivo. La opción de adherir con facilidad
a herramientas atractivas de tipo privativo, ofrecidas por las GAFAM
(Google, Amazon, Facebook, Microsoft, Apple) fue una operación
inmediata que no solo aceptaron los educadores, en la soledad y la
presión social de dar continuidad al dispositivo educativo. También
hubo gobiernos que hicieron de esa operación una estrategia central,
de alto impacto y bajo costo (dado que el know-how y la infraestructu-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
30
ra tecnológica eran ofrecidas por las multinacionales big tech) sin una
reexión contextualizada sobre la tecnoestructura y las consecuencias
de la interacción de datos humanos.
Mientras seguía esos eventos, comprendí que el efecto de esa ope-
ración podía ser, por un lado, la captura de datos de niños, adolescen-
tes y jóvenes dentro de los sistemas educativos, sin restricciones; por
el otro, la imposición de formas de poder simbólico embebidas en el
diseño y orientación del comportamiento de las mismas plataformas;
intuición que conrmé al leer investigaciones educativas en el tema
(Gleason y Heath, 2021; Saura et al., 2021; Williamson et al., 2020a).
Sin embargo, en mis conversaciones con otros educadores, también
fui viendo que este fenómeno era posible en un marco de profunda
exigencia a estos como trabajadores, lo que los colocó en situaciones
de focalizar su mirada en el «resolver» la urgencia más que en el pensar
sus consecuencias últimas, en un contexto de total ausencia de alter-
nativas, o, más problemático aún, de imposición gubernamental. Mi
amiga y colega Bonnie Stewart lo ponía lúcidamente de maniesto
en su trabajo de investigación que comenzaba en el verano del 2020
(Stewart y Lyons, 2021): el desconocimiento de los términos y condi-
ciones de uso de las plataformas adoptadas era uno de los problemas,
siendo, sin embargo, el pico del iceberg en un espacio con pocos
grados de libertad para los educadores.
Me acordé de talleres que yo misma había organizado en el año
2019. En ellos revisaba con los educadores las problemáticas de la
cuanticación, el uso excesivo de métricas en la educación y su rostro
emergente en las analíticas de aprendizaje. Se tomaron como referen-
cia los textos de Williamson (Perrotta y Williamson, 2018; William-
son, 2016b, 2017), Selwyn y Pangrazio (Pangrazio y Selwyn, 2020;
Selwyn, 2019), así como Selwyn en su diálogo con Linda Castañeda
(Castañeda et al., 2019) y Prinsloo (Prinsloo, 2017, 2019; Willis et al.,
2016), entre otros críticos de estos sistemas. Solía usar disparadores
alrededor de la evolución de la extracción masiva y continua de datos
del estudiantado. Por ejemplo, la primera conferencia LAK (Learning
Analytics Conference), espacio pionero en la discusión de los enfo-
ques pedagógicos basados en datos, donde se manifestaba:
31
INTRODUCCIÓN ❚
Las instituciones de aprendizaje y las corporaciones hacen poco uso de
los datos que los estudiantes «arrojan» en el proceso de acceder a los ma-
teriales de aprendizaje, interactuar con educadores y compañeros y crear
contenido nuevo. En una época en la que las instituciones educativas
están bajo una presión cada vez mayor para reducir costos y aumentar
la eciencia, la analítica promete ser una lente importante a través de la
cual ver y planicar el cambio a nivel de cursos e instituciones. (Presen-
tación en LAK Conference, 2011, trad. de la autora)6
Y la reexión que seguía era clara: en los años del «boom de analíti-
cas» se dedicaron muchos esfuerzos a desarrollar tecnologías «porque
era posible», insistiendo en su positiva inuencia sobre el alumnado;
en particular, respecto a evitar el abandono y mejorar la autorregula-
ción en un contexto de gran preocupación por la ecacia educativa de
los MOOC (2013-2014) y por comprender si los docentes podían ser
reemplazados por automatismos (2015-2018). La discusión avanzó,
se generaron las primeras revisiones de la literatura que conllevaron a
pensar en «promesas falsas y sueños rotos», en cuanto a la imposibi-
lidad de probar esos supuestos en contextos de educación cotidianos
(Vuorikari et al., 2016) y a comprender, hacia el 2020-2021, que más
allá del desarrollo era necesario revisar supuestos políticos de la plata-
formización de la educación y la monetización de los datos del estu-
diantado (trabajos citados de Williamson) y los aspectos éticos de las
analíticas de aprendizaje (trabajo focal de Prinsloo y colaboradores).
Esta historia se asoció de manera más directa, claro está, a mi
quehacer profesional. Cabe destacar que el tema de la daticación,
incipiente hasta el 2020, obtuvo con la pandemia cada vez más co-
bertura mediática. Los efectos de los sesgos algorítmicos pasaban a
ser más visibles en el discurso cotidiano no solo a través del trabajo
académico. Pero se pudieron observar las problemáticas de la injus-
6. Learning institutions and corporations make little use of the data learners «throw o» in
the process of accessing learning materials, interacting with educators and peers, and creating new
content. In an age where educational institutions are under growing pressure to reduce costs and
increase eciency, analytics promises to be an important lens through which to view and plan for
change at course and institutions levels. https://tekri.athabascau.ca/analytics/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
32
ticia en el uso de datos educativos. El caso del «asco de la evalua-
ción automatizada»7 en Reino Unido se podría colocar entre los más
impresionantes por su llegada a nivel nacional (Kippin y Cairney,
2021). A partir del uso de un algoritmo para asignar las notas al
estudiantado en transición de la escuela secundaria a la universidad,
en un contexto nacional en el que esas notas denen la posibilidad
de ingreso a las universidades más prestigiosas, se generó una movi-
lización social al verse penalizado el estudiantado más pobre y, sin
embargo, excelente en sus posibilidades de acceso a la universidad
(Kolkman, 2020). Algo más tarde, en septiembre del 2020, llegaba,
distribuido por Netix (paradojalmente, otra plataforma controlando
nuestros comportamientos) la docuserie e social dilemma.8 Varios
educadores me la mencionaron como un hito para su comprensión del
problema, con un impacto profundo en la práctica educativa respecto
a la vigilancia. La calidad de ese material me parecía, en cualquier
caso, absolutamente objetable.9
Mi conversación con quienes educan en talleres se asoció justa-
mente a cómo las tecnologías basadas en datos están profundamente
entrelazadas con los fenómenos políticos y clasistas que denen los
discursos dominantes de «normalidad» en el desarrollo cognitivo del
alumnado, así como el comportamiento social y profesional esperado
de parte de los docentes para orientar el desempeño del estudiantado.
Como denunciaba Williamson, en el mundo de la infancia existen
formas de «biocodicación» de la infancia (Williamson, 2016c), en
términos de estructuras que denen objetivos de aprendizaje, estados
de ánimo aceptables y emociones, indicadores de felicidad y bienestar,
basados en una serie de técnicas de análisis de sentimientos. Pero tam-
bién en el caso del aprendizaje profesional, las formas de vigilancia se
entrelazan con la libertad del trabajador para denir su propio tiempo
y productividad, con el riesgo de ingresar en estructuras neotayloris-
tas que controlan una máquina de ritmo invisible (Rosenblat et al.,
7. https://en.wikipedia.org/wiki/2020_United_Kingdom_school_exam_grading_controversy
8. https://en.wikipedia.org/wiki/e_Social_Dilemma
9. https://jraaghelli.com/2020/09/14/the-social-dilemma-o-de-la-cronica-de-una-muerte-
anunciada/
33
INTRODUCCIÓN ❚
2014). Muy avanzado, justamente, el campo de investigación en uso
de datos del estudiantado para la generación de analíticas de aprendi-
zaje en la educación superior. En esta línea, se señalan los riesgos de
un enfoque ingenuo de la aplicación de algoritmos que engloban una
fuerte estigmatización de los estudiantes pobres y «lentos», a través de
modelos y dashboards desarrollados teóricamente sobre un estudian-
tado blanco, nórdico, angloparlante (Perrotta y Williamson, 2018;
Prinsloo, 2020b). Sin embargo, muchas de las plataformas con las
que contaban los educadores con los que contacté entre 2019 y 2021,
se presentaban con mensajes de «ayuda al docente», «personalización»
y «ecacia», reforzando muchas el mito de una universidad eciente,
moderna, poco costosa.
Al ir avanzando en mis charlas con otros educadores, considera-
mos que una acción educativa necesaria era justamente la de intere-
sarse, comprender y solo eventualmente adoptar o aceptar el uso de
datos para orientar el proceso pedagógico. Más allá de las epifanías
de los promotores de plataformas y herramientas. De alguna manera,
muchos manifestaron (en particular en contextos LATAM y sur de
Europa) su capacidad de «usar para bien» los datos del estudiantado,
desde su pequeño rol en la clase. Noté que los educadores del Nor-
te-Occidente global estaban mucho más preocupados por su priva-
cidad y por la monetarización de los datos educativos. Pero ¿cómo
enfocar esta tarea? ¿De qué manera reconocer las infraestructuras
tecnológicas que nos rodean, interrogarlas y eventualmente adaptarlas
para bien? ¿Y cómo hacerlo en el respeto de la privacidad y las proble-
máticas ligadas a la monetarización de los datos?
Este libro
Estas tres historias fueron tejiendo sus hilos en mi pensamiento, hilos
que se anudaban con otros pensamientos en espacios de lectura o
dialógicos.
En particular, estas tres historias me plantearon preguntas que
compartí al nalizar cada una de ellas. Preguntas de un claro valor
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
34
heurístico, que, sin embargo, no encuentran una inmediata respuesta
para orientar la práctica profesional
En marzo del 2022 fui invitada a dar una charla en la red aFFaC10
(Associacions Federades de Famílies d’Alumnes de Catalunya), en el
contexto de su Escuela de Verano por la Soberanía Digital, y el pedido
fue claro: realizar una ponencia que no solo develara las problemáticas
de la daticación, cosa que en el 2022 ya estaría consolidada incluso
en el discurso público y la circulación de la palabra algoritmo en la
comunicación cotidiana. En cambio, me pedían propuestas para los
educadores. Me encontré en un campo en el que me gustó «patear la pe-
lota», pero claro está, me di cuenta de la relevancia de un material más
estructurado, claro, bien documentado, que pudiera aportar esa ayuda.
Este libro plantea, entonces, un esquema conceptual para pensar
nuestra convivencia con la daticación en la educación superior y las
prácticas que emergen a partir de esa convivencia, desde un marco
de complejidad, no de encasillamientos disciplinares y discursivos.
Mucho han mantenido esos enfoques las prácticas conictivas en-
tre sí y las injusticias de datos. Ese esquema nace a partir de varios
momentos de «ensayo y error», no solo en el consultar el avance de
la investigación en el tema, sino más importante aún, en el escuchar
las preguntas que se plantean unos y otros docentes y educadores, y
en el seguir a unos y otros investigadores que tratan de responderlas.
Creo que el mayor esfuerzo se cumple en la dirección de aportar,
a partir de ese esquema conceptual que mencionaba antes, una serie
de casos y de orientaciones para la práctica educativa.
El libro puede ser leído de manera vertical, desde su inicio a su n,
pero también pueden ser considerados capítulos especícos a partir
de los intereses de trabajo del lector. Mi único pedido, en este último
caso, es que se tenga presente, que no se pierda de vista, la idea de
complejidad en la que cada pieza de este libro busca insertarse. Y, por
lo tanto, que se comprenda que el tema posee muchas más aristas, que
señalaremos oportunamente, de las que, por su misma amplitud, no
han sido tratadas en esta obra.
10. https://aac.cat/
35
1. DATOS, SOCIEDAD Y UNIVERSIDAD.
CONTORNOS DEL PROBLEMA
Podríamos comenzar por una larga historia sobre la evolución de
la web, esa web que dio a luz a la sociedad del conocimiento en
los años noventa y que más tarde orientó una práctica prosocial,
de construcción de conocimiento en redes. Esa web en la que los
educadores nos sentíamos cómodos y que nos había permitido una
libertad expresiva y creativa sin precedentes (Stewart, 2020). Sin
embargo, considerando que esa es la parte conocida de la historia
del desarrollo digital y, en particular, de sus aplicaciones a la tec-
nología educativa, vamos a tomar como punto de partida directo
la nueva era de «posdigitalidad», es decir, este tiempo presente (y
seguramente futuro) de presencia masiva de las tecnologías digitales
hasta su casi invisibilización en la vida cotidiana y de evolución ha-
cia la inteligencia articial, casi sin darnos cuenta (Knox, 2019). Es
decir, fuimos sumergiéndonos poco a poco en el uso de internet, en
participar, y relacionándonos a través de redes sociales, en consumir
cada vez más imágenes y vídeos con gran entusiasmo. Sin embargo,
la opinión pública acerca de las posibles amenazas que esta nueva
web podía generar se despertó recién después del escándalo de Cam-
bridge Analytica,11 en donde comenzamos a tener conciencia sobre el
modelo de negocio basado en nuestros propios datos por parte pla-
taformas masicadas como Facebook. Este escenario de hecho nos
había inundado de entusiasmo digital, desde el nacimiento de inter-
net y más adelante, de la ola de «libertad de palabra» generada por
redes sociales. Hacia el inicio de la segunda década de los 2000, de
11. https://es.wikipedia.org/wiki/Cambridge_Analytica
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
36
hecho, nuestra atención se colocaba en la web prosocial, con un hito
en la «Primavera árabe».12 Sin embargo, el lado invisible de esta web
que crecía era justamente la lógica extractiva y el procesamiento de
datos, con el benecio de pocas y grandes compañías monopólicas
de tecnologías (boyd y Crawford, 2012; Van Dijck, 2014a). En últi-
ma instancia, esos ujos de datos inmensos, masivos, que se colocan
materialmente en algún lugar desconocido para el usuario medio y
que son la materia prima del desarrollo de inteligencia articial, o
IA (Crawford, 2021). Pasamos entonces años de «oscuridad» ante las
maniobras extractivas, justamente por su relación con ambiciones
de desarrollo tecnológico y económico que colocaban a los mismos
gobiernos en una zona gris respecto a la respuesta a dar.
Entonces emergió con fuerza un discurso funcional a una socie-
dad tecnocrática, en busca de la innovación continua: los big data
hacían entrada en la escena. Los discursos sobre la abundancia de
datos hacían hincapié en la oportunidad de generar nuevos modelos
de negocio y nuevas profesiones relacionadas con la ciencia de los
datos (Kitchin, 2015). Ese relato sobre la necesidad de capturar más
y mejores datos siguió su curso con organismos transnacionales como
la Comisión Europea, la OCDE y la Unesco, que fueron reforzando
la idea de formular políticas y enfoques para promover la IA como un
poderoso motor de desarrollo económico (European Commission/
Comisión Europea, 2021; OCDE, 2019; Unesco, 2020). Sin embar-
go, también nacía por aquellos años un contradiscurso de apropia-
ción ciudadana de los datos a partir de las prácticas abiertas en la
ciencia y el gobierno (Baack, 2015). El foco se ponía siempre en los
datos como energía motriz, que estos pertenecieran a esferas de la
vida privada o pública, que su acceso fuera restringido a unos poco
o fuera público.
Sin embargo, esta ola de innovación tuvo ciertamente un coste:
mientras el ritmo de los desarrollos tecnológicos aumentaba, faltaba
al mismo tiempo una crítica social que pudiera desaar la postura
excesivamente optimista sobre el poder de los datos. El término da-
12. https://es.wikipedia.org/wiki/Primavera_%C3%81rabe_(2010-2012)
37
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
tacación se acuñó, de hecho, para señalar las terribles consecuencias
de la captura de grandes cantidades de datos digitales –como una
especie de ADN de la información– para abordar la toma de deci-
siones algorítmica y los servicios automatizados (Eubanks, 2018a;
Noble, 2018; O’Neil, 2016). Además, el uso forzado de las tecnolo-
gías digitales durante la pandemia de la covid aceleró estos procesos,
aumentando las desigualdades entre las «élites» capaces de acceder
y manipular los datos o proteger su privacidad y las expuestas a la
extracción de datos o a la pérdida de «soberanía de datos» (Hummel
et al., 2021).
Los discursos entusiastas fueron siendo deconstruidos a partir
de incidentes críticos (como Camgridge Analytica) que fueron su-
cediéndose, pero también según la investigación social, que fue des-
enmascarando la discrecionalidad y la banalidad de los conceptos
detrás de la tecnología daticada, aparentemente «neutra». El pri-
mer inconveniente visible fue la «brecha de datos» (parafraseando
la «brecha digital»), relacionada con la capacidad de los ciudadanos
comunes, los profesionales e incluso los investigadores para manejar
la riqueza de los datos abiertos (Janssen y et al., 2012; Zuiderwijk et
al., 2020). Además, hubo una creciente preocupación y activismo
hacia el empoderamiento y la agencia en torno a los datos públi-
cos y privados (Kennedy et al., 2015). Los movimientos cívicos
conectaron el acceso con el uso y también con el problema de la
sobrerrepresentación en los datos captados y los datos visibles, ex-
puestos, por varios organismos públicos y privados (Barghava et al.,
2015; D’Ignazio y Bhargava, 2015; Taylor, 2017). Por último, los
acontecimientos críticos relacionados con algoritmos sesgados que
escondían formas de racismo y desigualdades impugnaron la idea
de que los datos podrían ser un motor de prácticas sociales objeti-
vas, económicas, innovadoras (Benjamin, 2019; Eubanks, 2018b;
Van Dijck, 2014). De hecho, esa «fe tecnodigital en el progreso»
(Ramge, 2020, p. 166) fue cuestionada por la injusticia social que
generó.
Hoy por hoy, un simple vistazo al progreso de los proyectos de in-
teligencia articial (IA) liderados por la investigación nanciada por
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
38
las grandes empresas tecnológicas como el Open AI Institute13 nos
permite comprender el interés humano en este campo de desarrollo,
más allá de una crítica del avance tecnológico. No solo este tipo de
iniciativas privadas están inuyendo en las economías, en el mercado
laboral y en las necesidades de cualicación dentro de este; también
están recongurando las tensiones geopolíticas (incluyendo la pro-
ducción de componentes básicos para las tecnologías digitales, así
como la mano de obra humana necesaria para producir IA avanzada).
Entonces, al decir de Pangrazio y Sefton-Green (2022), «los retos que
ha traído la datacación han inspirado una serie de respuestas diferen-
tes» que se pueden clasicar desde «regulaciones gubernamentales de
arriba a abajo de las empresas tecnológicas hasta el activismo de base»,
teniendo en común un «enfoque [...] de cómo se están “fabricando”
los datos a los individuos».
En este contexto, se está cuestionando el papel de las universidades
como instituciones de desarrollo de conocimientos y habilidades, que
forman parte de la esfera pública. ¿Cómo se han vivido las dinámicas
antes señaladas en las instituciones de educación superior? ¿Cómo se
preparan para una transformación digital que se comporta hoy, como
veremos en los párrafos siguientes, como un arma de doble lo? Y,
sobre todo, ¿con qué herramientas se preparan para investigar sobre
la sociedad daticada y educar para ella?
Datificación: un espacio de debate fragmentado y
polarizado
Un primer paso para explorar las preguntas con las que cerramos el
apartado anterior es ir más allá de la fragmentación y la polarización,
entre el tecnoentusiasmo y el tecnocriticismo. Para poder realizar
este ejercicio de imaginación holística, tendremos que comprender
un poco mejor los ejes de la daticación.
13. https://openai.com/
39
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
«Quo vadis, data?»14 Como hemos apuntado en el apartado an-
terior, las evidencias recogidas por varios cientícos sociales están
llevando a un compromiso excesivamente rápido con tecnologías de
datos profundamente arraigadas en los intereses económicos de las
plataformas (Nichols y García, 2022; Perrotta et al., 2020; Saura et
al., 2021; Williamson y Hogan, 2021). Uno de los efectos más rele-
vantes de este juego de intereses es la «invisibilización» de las conse-
cuencias sociales, políticas y éticas del uso de aplicativos y tecnolo-
gías ligadas al trazado de datos desde los marcos de trabajo de estas
plataformas, en su íntima relación con la industria de la atención en
redes sociales, la automatización de servicios y la IA (Benjamin, 2019;
Eubanks, 2018b; O’Neil, 2016; Zubo, 2015). Más importante aún,
como destacan Pangrazio et al. (2022), es la presencia de tres tipos
de implicaciones del uso de plataformas para el trabajo educativo: los
reduccionismos en la caracterización de procesos pedagógicos, las abs-
tracciones sobre las que se basan estos mismos reduccionismos y la in-
dividualización. Por ejemplo, un docente que usa Google Classroom
acabará por concebir los procesos en el aula y la participación de su
alumnado en términos que podrían ser diferentes a los inducidos por
un panel visual en Intelliboard en Moodle. Es decir, terminará por
dar denominaciones a acciones generales de interacción con la infor-
mación y procesos comunicativos que quedan ligadas a las tecnologías
adoptadas, como «googlear» (por una búsqueda de información en
red) o «hacer un powerpoint» (por generar una presentación). Y cada
participante obtendrá métricas más o menos visibles de su interacción
con la plataforma que llevan a focalizar la atención en los procesos
cuanticados y cuanticables, así como al perlado de nosotros mis-
mos que estos generan («He estado conectado/a tantos minutos»; «Ya
14. Frase que hace referencia a una antigua tradición legendaria, según la cual San Pedro, al
salir de Roma tras escapar de la prisión mamertina, tuvo una visión de Cristo que venía hacia él; y
habiendo preguntado: «Domine, quo vadis?» («Señor, ¿adónde vas?»), se le respondió: «Romam, ut
iterum crucigar» («A Roma, para ser crucicado por segunda vez»); el santo entonces, avergonzado
por su comportamiento cobarde, volvió a Roma y allí sufrió el martirio. En este caso, asocio la frase
latina c on los datos, pues me pregu nto adónde van, considera ndo que podrían tener nes más nobles
que los que se les están dando en nuestra sociedad actual.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
40
tengo la luz verde del nivel de participación»; «Mi nota no diere de
la media de la clase, voy bien»).
Por otra parte, falta un avance signicativo en las políticas para
controlar la entrada masiva de las plataformas privadas en la educa-
ción. Hay realidades a distinto nivel (como instituciones o incluso
ciudades) que ya están llegando a generar opciones basadas en código
abierto con lógicas de protección de datos y de diseño participativo
de las interfaces, de modo que los educadores y el estudiantado que
las usen sean conscientes del modo en el cual las tecnologías inciden
en su atención y comportamiento presente y futuro.15 Sin embargo,
estamos en los albores de la comprensión y de la acción política y
técnica, en este sentido. Además, el debate ético en torno a la IA
se ha tachado de «performativo», simplemente ligado a la necesi-
dad de contestar la crítica social (Green, 2021) con algunas acciones
superciales. Por ejemplo, Google (entre otros colosos) ha creado
unidades de trabajo para promover el análisis ético en relación con
el desarrollo de algoritmos. Todavía, como Timnit Gebru señaló en
diciembre del 2020, cualquier acción en contra de los intereses es-
tablecidos implica el desplazamiento de los expertos en ética de la
tecnología más que la revisión de procedimientos. Gebru, informática
reconocida a nivel internacional por su contribución a los problemas
de discriminación racial, trabajaba en el Ethical Articial Intelligence
Team (Equipo de Trabajo sobre Ética de la Inteligencia Articial) de
Google y estuvo en el centro de una controversia cuando se le pidió un
artículo suyo: On the dangers of stochastic parrots: can language models
15. En este sentido, quisiera destacar el trabajo sin precedentes de Simona Levi desde
Xnet, una organización de la sociedad civil que lucha por los derechos digitales. Ya desde
antes del inicio de la pandemia denunciaba la acción de irrupción de tecnologías privativas en
la educación pública como «solución rápida» con un tremendo impacto sobre la privacidad y
derechos digitales del alumnado (https://xnet-x.net/es/no-autorizar-google-suite-escuelas/). A
esta acción seguía un documento producido para apoyar la acción del Parlamento Europeo,
liderado por la Levi (véase European Parliament/Parlamento Europeo y Levi, 2022). En julio
del 2022, X net promovía un encuentro internacional para debatir y comprender el estado de la
daticación y plataformización de la educación (Primer Congreso Internacional de Educación
Digital Democrática y Open Edtech, https://congress.democratic-digitalisation.xnet-x.net/ ),
cuyo resultado sería un maniesto para la digitalización democrática (en el cual he participado
como experto).
41
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
be too big (Los peligros de loros estocásticos: ¿pueden modelos de lenguaje
ser demasiado grandes?), donde se discutían los riesgos de modelos
algorítmicos basados en el análisis de grandes volúmenes de datos
textuales con respecto a sus costos ambientales y nancieros, así como
a la posibilidad de orientar la atención de las personas de manera
sesgada (Metz, 2020).
La necesidad de búsqueda de equilibrio aparece hoy más nece-
saria que nunca, pues vivimos la posdigitalidad como momento
histórico en que la tecnología atraviesa la comunicación, los mo-
dos de relacionarnos, de aprender, de trabajar, de vivir el ocio. En
muchas de las investigaciones llevadas a cabo sobre la daticación
en la educación, se han encontrado situaciones como padres que
entienden que los datos de sus hijos están siendo capturados por
plataformas de medios sociales, o que se sienten obligados a adoptar
Google Classroom, o que observan como sus hijos «googlean» pre-
guntas íntimas antes de llegar al diálogo intergeneracional, a pesar
de saber que existe una visibilidad de esa búsqueda en algún punto
del planeta (Barassi, 2021). Se ha concluido que, de alguna manera,
se «aceptan las condiciones» de uso de aplicativos y medios sociales,
sin mucho reexionar» (Cobo, 2019). Sin embargo, esta misma si-
tuación evidencia las plataformas digitales en nuestra cotidianidad
y una irrenunciabilidad, que necesita tanto cuestionamientos como
una búsqueda de equilibrios.
En todo este maremágnum, algunos han insistido en los benecios
cruciales de los sistemas de IA en áreas de salud, justicia, educación e
industria sostenible (Fry, 2019), enfatizando que la crítica a la IA está
conectada a veces al desarrollo de carreras académicas carismáticas
o de visibilidad institucional, más que con una constatación efectiva
de la negatividad de la IA en la vida de las personas. Por eso creo
conveniente revisar la otra cara de la moneda, es decir, los benecios
potenciales que se entrevén en el desarrollo de la daticación, ponien-
do sobre la mesa lo difícil que es todavía encontrar respuestas certeras
y sencillas para los problemas planteados por el creciente uso de datos
digitales y procesos algorítmicos para tratarlos en varios ámbitos de
la vida humana.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
42
«Alea iacta est».16 Mientras nos preocupamos por el destino de
nuestros datos, el desarrollo de sistemas de IA parece no detenerse,
debido a sus implicaciones inmediatas sobre la economía global y la
industria. La conexión entre los datos y la inteligencia articial (IA) es
esencial: su relación recíproca se basa en la forma en que los sistemas
de IA se alimentan de los datos (OCDE, 2021, p. 7).
Más concretamente, mientras que el desarrollo inicial de la IA
dependía en gran medida del diseño y la programación de los labo-
ratorios, la forma en que la IA se desarrolla hoy por hoy depende de
los escenarios cotidianos de uso de tecnologías digitales (para buscar
o traducir una palabra en un traductor automático, para elegir nues-
tro entretenimiento, realizar compras o buscar personas de nuestro
interés). Millones de clics e interacciones, de imágenes capturadas e
incluso de nuestros datos biométricos (como nuestro rostro o nuestra
huella digital) que pueden ser procesados y agregados por las tecno-
logías big data o de «macrodatos». Esta captura de datos de «rastreo»
se ha expandido aún más ante la posibilidad de interacción con siste-
mas digitales e inteligentes (sensores, cámaras web, pantallas táctiles
integradas en máquinas, wearables, asistentes de voz, etc.). Pero más
importante aún es la posibilidad de integrar los datos de un solo
usuario que se mueve a través interfaces y dispositivos tecnológicos
que generan perles y caracterizan comportamientos de manera anti-
cipada. En n, mientras más nos movemos por estos mundos posdigi-
tales, más precisión obtienen los sistemas de inteligencia articial que
nos dan respuestas o recomendaciones, orientando nuestra atención y
comportamiento. De hecho, estas crecientes infraestructuras digitales
y de datos apoyan el «aprendizaje automático», es decir, la posibilidad
de autoadaptación de los algoritmos, que acaba adaptando los servi-
cios a los requerimientos de uso, o de aceptación social de un servicio.
Sin embargo, si bien la máquina tiene capacidad de detectar y ajustar
fuentes de error o de inaceptabilidad de algunos de sus resultados,
la presencia humana en el control desde el diseño es fundamental
16. Lema ya proverbial entre los antiguos, que aún hoy se repite al tomar una acción irrevo-
cable. Fue proferida por Julio César al cruzar el río Rubicón para entrar en un campo de batalla
(Plutarco, Cesare 32, 6; Pompeo 60, 2.)
43
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
(Kearns y Roth, 2020). También es importante destacar que, si los
conjuntos de datos sobre los que se trabaja pueden llegar a ser abiertos
(publicados sin licencias restrictivas) esa innovación será llevada a
cabo por varios actores sociales y en varias esferas de lo social, como
cartografías compartidas o estrategias de transparencia cientíca y de
gobierno; hasta lo tecnológico, como desarrollos de aplicativos para la
circulación en la ciudad, o en salud, etc. (Baack, 2015; Braunschweig
et al., 2016).
En consecuencia, los datos necesarios para la IA pasan de los labo-
ratorios y la investigación al espacio público y a las empresas privadas,
con repercusiones relevantes para el desarrollo socioeconómico. En
poco tiempo hemos asistido a resultados casi rayanos con la ciencia
cción en materia de automatización y la personalización de los ser-
vicios, desde la domótica (con aplicativos que controlan nuestros elec-
trodomesticos y aspiradoras autónomas), a la salud (con diagnósticos
automatizados con precisión mayor a la humana) o a la justicia (con
lectura y procesamiento de texto para apoyar el trabajo decisional de
jueces), entre otros (Kessler y Martin, 2017; Fry, 2019).
Pero también es verdad que estos procesos podrían parecernos
salvajes e implacables (Zhang et al., 2021). Tras algunos sucesos crí-
ticos divulgados por la prensa y la investigación social, los niveles de
preocupación por la seguridad de la IA han crecido en la opinión
pública. Ello ha conllevado a que se abra una cooperación global
para el desarrollo de sistemas IA con alto impacto sobre la vida de
una persona (no es lo mismo un algoritmo que controla una aspi-
radora que uno que decide un diagnóstico de salud o información
relevante en una causa judicial). Por ello los estándares y las normas
de seguridad adoptadas para recoger y usar datos, así como para di-
señar los servicios, han empezado a verse como componentes críticos,
que ya no pueden faltar en el avance de la IA (Kerr et al., 2020). En
todo el mundo, los gobiernos han empezado a dotarse de estrategias
e iniciativas gubernamentales e intergubernamentales para controlar
esta fuerza motriz del avance tecnológico. Un capítulo importante
lo ha escrito el Reglamento General de Protección de Datos, como
una propuesta de regulación avanzada de la Comisión Europea para
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
44
proteger la privacidad y el derecho al olvido de los usuarios nales de
la UE (European Commission/Comisión Europea, 2016a).
El elemento más importante de las políticas de IA en todo el mun-
do ha sido promover la conanza, o sea, sistemas transparentes y que
apoyen la concienciación de los usuarios nales. Un vistazo al mapa
creado por el Observatorio de Políticas de IA de la OCDE17 muestra
una situación en la que algunos países promueven más iniciativas
que otros. Estados Unidos está a la cabeza con 47 iniciativas, seguido
por Reino Unido (39), Alemania (34), Bélgica (22) y Australia (22).
Esto está evidentemente relacionado con el liderazgo de estos cuatro
países en el sector. Cabe destacar que China (9) y Japón (11) tienen
pocas iniciativas en relación con su contribución al desarrollo de la
industria de la IA. La situación parece más equilibrada en el caso de
otros estados menos inuyentes en la industria IA, que, sin embargo,
han abierto el debate político sobre el problema. Tal es el caso de
otros países de la UE como Italia, Francia, España y Portugal (9-6
iniciativas); Dinamarca, Suecia, Finlandia y Noruega (9-6 iniciati-
vas); la Federación Rusa, Turquía, etc. (12-8 iniciativas) y Canadá (13
iniciativas). También merece la pena considerar el debate en los países
en desarrollo, que podrían ser más consumidores que productores
de IA y, sin embargo, se proponen agendas anticipadoras respecto
del impacto que el desarrollo podría tener en la región. De hecho,
Colombia (14) y Argentina (11) encabezan las iniciativas de IA en los
países latinoamericanos.
Este mapa solo ilustra los esfuerzos generales de los países para
desarrollar y controlar la IA, no los sectores ni los recursos especícos
para el área de la educación y la enseñanza superior. Otra visualiza-
ción de los «instrumentos políticos» pone de relieve la prevalencia de
los instrumentos para la «gobernanza» (635 iniciativas), en compara-
ción con la orientación (162), las infraestructuras (175) y el apoyo -
nanciero directo (225). De las iniciativas de gobernanza, 52 se centran
en los organismos de control normativo y asesoramiento ético. Si se
analizan los grupos de destinatarios de las políticas, 220 se dedican a
17. https://oecd.ai/dashboards
45
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
desarrollar iniciativas de las IES (de un total de 695 iniciativas para
organizaciones de investigación y educación). Esta situación pone de
maniesto el creciente interés por el debate ético y la importancia
concedida a la educación superior en este escenario.
El Instituto del Futuro de la Vida, un observatorio independiente
de investigación y activismo relacionado con actividades humanas
vitales como la sostenibilidad y la IA, ha elaborado una visualización
de mapa similar18 con interesante información cualitativa. En lo que
respecta a la elaboración de políticas, los estados comprometidos con
las actividades de IA coinciden con el mapa de la OCDE. Sin embar-
go, al examinar los tipos de políticas, este instrumento detecta dife-
rencias en sus enfoques ya que algunos han creado planes o estrategias
nacionales (Estados Unidos, Japón, Alemania, Francia, Finlandia, Fe-
deración Rusa, México, Argentina, China), o han generado grupos de
trabajo, grupos de expertos o laboratorios (Chile, Brasil, Arabia Saudí,
Kenia, Italia). De todos ellos, es importante destacar que el único país
que adopta un discurso evidente sobre el lado humano de la IA es
Francia, con su estrategia nacional «AI for Humanity». La estrategia
se basa en el Informe Villani (2018), que se basa en una combinación
de temas donde la revisión continua de las implicaciones éticas de los
algoritmos y la automatización en la actividad humana no se coloca
como tema especíco, sino transversal a todos los demás.
En general, las recomendaciones de la OCDE, la Unesco y la UE
(European Commission/Comisión Europea, 2018a; OCDE, 2021;
Unesco, 2020) se centran en el avance inexorable de la IA. En el caso
del documento de la UE de 2018, la atención se ha centrado en la in-
tegración de la IA en la innovación industrial. Recién en 2019, se creó
un Grupo de Expertos de Alto Nivel y se publicaron las directrices
éticas (Grupo de Expertos de Alto Nivel sobre IA, 2019). En 2020, la
UE llegó a un Libro Blanco sobre la inteligencia articial, en el que
se hacía hincapié en la conanza y la excelencia como las dos caras de
la IA (European Commission/Comisión Europea, 2020b).
18. https://futureoife.org/ai-policy/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
46
En general, los tres organismos transnacionales reconocen los cos-
tes potenciales de una aplicación incontrolada y poco ética, al tiempo
que apoyan la necesidad de seguir desarrollando el campo. De hecho,
estas tres instituciones promueven políticas que hacen hincapié en la
necesidad de invertir en la investigación y el desarrollo de la IA, que
también fomentan el ecosistema digital (que proporciona los datos)
para la IA. Pero también señalan la necesidad de habilitar políti-
cas que controlen la aplicación de la IA basadas en la cooperación
internacional para una IA able. Asimismo, piden que se creen las
competencias necesarias para moverse en una sociedad y un mercado
laboral transformados por la IA.
Por ejemplo, los cinco principios de la OCDE, adoptados por 42
países (OCDE, 2019), están «basados en valores» y promueven «la
administración responsable de una IA digna de conanza» (p. 3).
La conanza y la abilidad también son palabras clave para los do-
cumentos de la UE: de hecho, el subtítulo del Libro Blanco es Un
enfoque europeo de la excelencia y la conanza.
Para los dos organismos transnacionales, la conanza se basa en la
transparencia y la divulgación responsable de los sistemas de IA, en
infraestructuras tecnológicas sólidas que apoyen un funcionamiento
seguro, en enfoques participativos para el diseño y la supervisión del
impacto de los sistemas de IA, y en el uso de la IA para promover los
derechos humanos, el Estado de derecho, la diversidad cultural y una
sociedad justa y equitativa.
Sin embargo, adoptar estos principios requiere que los gobiernos
colaboren para conectar y controlar las infraestructuras de datos.
Esto es actualmente una gran preocupación para Europa, cuyo Libro
Blanco destaca que la IA es un «mercado actualmente dominado
por actores no comunitarios» (p. 4). De hecho, no solo se necesitan
grandes datos de alta calidad para apoyar la I, sino también claridad
jurídica en las aplicaciones basadas en la IA, especialmente en los
datos personales, para lograr la conanza. Aquí entran en juego y
son cruciales los instrumentos legales promovidos por la UE, concre-
tamente el Reglamento General de Protección de Datos (European
Commission/Comisión Europea, 2020, p. 21). El Grupo de Expertos
47
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
de Alto Nivel creado por la Comisión Europea cuenta con una lista
de evaluación para una IA digna de conanza (2020), que comprende
ocho áreas: agencia humana y supervisión; solidez técnica y segu-
ridad; privacidad y gobernanza de datos; transparencia; diversidad,
no discriminación y equidad; bienestar social y medioambiental, y
nalmente, responsabilidad.
Por último, la documentación de la Unesco se centra más en la
paz universal, la sostenibilidad y los derechos humanos, tratando de
«contrarrestar el riesgo de las crecientes brechas digitales y de conoci-
miento que podrían dejar atrás a quienes están relativamente desfavo-
recidos o excluidos, como las personas de los países menos desarrolla-
dos, las mujeres y las niñas» (Unesco, 2020, p. 7; trad. de la autora).
Tras apreciar la situación mundial y las recomendaciones de tres
organismos internacionales sobre el desarrollo de la IA, hay dos ele-
mentos que pueden considerarse fundamentales. En primer lugar, no
se puede descuidar la relación intrínseca del desarrollo de la IA con
la calidad y la equidad de los datos. Dado que las primeras innova-
ciones se basaron en un uso «salvaje» de los datos disponibles de las
empresas privadas, los riesgos se reconocieron más pronto que tarde.
Por lo tanto, el debate sobre la calidad de los datos está abierto, pero la
alineación entre el desarrollo y los eventos críticos detectados a través
de la supervisión humana debe mejorar. Y esto también implica que
los usuarios sean conscientes de los sistemas, procedimientos, fallos y
espacios en los que se puede mejorar la supervisión humana. El otro
punto importante es la tensión entre el desarrollo y la innovación de
la industria y la necesidad de proteger los valores humanos. Como se
desprende de los documentos europeos, la preocupación inicial era
participar en el creciente negocio de la IA como motor de desarrollo
económico. Solo más tarde, en 2019, el debate ético gana atención y
empuja la agenda política. En cambio, esta tensión no desaparecerá
y requerirá un compromiso interdisciplinario continuo por parte de
la comunidad cientíca, con el apoyo de regulaciones nacionales e
internacionales. Así, será imposible dejar de lado el problema de la
justicia de datos (Taylor, 2017) o el derecho a preservar la soberanía
de los datos (incluyendo la privacidad, la representación, el acceso)
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
48
cuando se trata de las prácticas de datos en la educación superior
(Aoun, 2017).
«Habere quod necesse est».19 Las universidades seguramente harán
una importante contribución al revisar y desarrollar un plan de es-
tudios que apoye la reexión interdisciplinaria, es decir, los esfuerzos
para llevar la mentalidad tecnológica a las humanidades y las ciencias
sociales y para introducir la ética y la justicia social en la ingeniería
y la informática, para buscar un equilibrio en los procesos abiertos
por la daticación. Sin embargo, más que una conceptualización an-
ticipatoria, lo que se observa es un progresivo avance de un debate
basado en formas de «tecnoentusiasmo» ligado a la transformación
digital; más tarde deconstruido y «bajado» a una realidad de práctica e
impacto social. A este respecto, por ejemplo, los programas de ética de
los datos y sus áreas de especialización, que eran casi inexistentes diez
años atrás, no dejan de crecer, con varios proyectos nanciados en
todo el mundo (Raaghelli, 2020). Pero la reexión interdisciplina-
ria que requiere la ética nunca ha sido una tarea fácil (Moran, 2010),
fundamentalmente por las tensiones que se ponen de maniesto entre
la ética y el desarrollo económico.
Tomemos el caso relevante de la llamada de la analítica del apren-
dizaje (AAp), un desarrollo rudimental que incorpora progresivamen-
te la IA. Se denió inicialmente como un campo interdisciplinario de
investigación y práctica en la 1.ª Conferencia Internacional sobre ana-
lítica del aprendizaje (LAK, learning analytics and knowledge) como
la «medición, recolección, análisis y reporte de datos sobre el estu-
diantado y sus contextos, con el propósito de entender y optimizar
el aprendizaje y los ambientes en los que dicho aprendizaje ocurre».
(Long y Siemens, 2011, p. 34). La mentada optimización se basa en
predecir comportamientos del alumnado y en generar paneles para
19. En las Cartas morales a Lucilio (Carta 1,2) Seneca explica a su alumno que si se le pregunta
cuál es el límite de las riquezas, lo importante es, primeramente, tener lo necesario y, después, tener
lo suciente («Quis sit divitiarum modus quaeris? primus habere quod necesse est, proximus quod
sat est»). Tomo estas palabras como síntesis metafórica alrededor de la «riqueza de los datos». No
necesitamos una total abundancia, sin una reexión anterior a lo que haremos con dichos datos;
necesitamos, por lo tanto, lo que sirve («quod necesse est»).
49
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
visualizar y comparar cómo están trabajando los estudiantes de un
curso; o bien dar orientaciones de trabajo, o incluso corregir o apoyar
la corrección docente de trabajos escritos.
El campo de la AAp adopta conceptos de la informática, la esta-
dística, la ciencia del comportamiento, la teoría de la instrucción y
la psicología de la educación para apoyar las prácticas de enseñanza,
el desarrollo de habilidades de aprendizaje independiente de los es-
tudiantes y, por último, pero no menos importante, informar sobre
procesos de calidad institucional. El campo ha evolucionado rápi-
damente en términos de desarrollos y pruebas piloto, pero aún no
se observa una inclusión de la AAp como parte de las prácticas coti-
dianas de la enseñanza en las universidades (Vuorikari et al., 2016).
Además, el debate sobre la ética de la AAp también ha ido evolucio-
nando lentamente, pero de manera rme, hasta el reconocimiento de
su centralidad (Ferguson, 2019; Slade y Prinsloo, 2013). Una crítica
inicial ha discutido el exceso de métricas y el paradigma cuantitativo,
positivista y conductista que dominaba el campo de desarrollo de las
AAp, como la relación pedagógica y el propio proceso de aprendizaje.
Mientras las AAp deben idealmente basarse en modelos estocásticos y
complejos, frecuentemente los datos cruciales para que estos modelos
sean posibles no siempre están disponibles. Más aún, al tratar de re-
presentar la complejidad de un proceso pedagógico siempre se cubre
de manera incompleta o inadecuada la casuística potencial (Prinsloo
y Slade, 2017; Selwyn y Gašević, 2020). Tomemos, por ejemplo, qué
es un fracaso educativo: ¿que el estudiantado no visualice los recursos
propuestos por el docente?, ¿que no pase un examen? o ¿que no sea
competente a la hora de tomar decisiones en su carrera futura? Mien-
tras podríamos obtener muy fácilmente los datos para responder a la
primer y segunda pregunta, nunca llegaríamos, desde un sistema de
captura de datos digitales dentro del entorno virtual de aprendizaje,
a responder a la tercera, acaso más relevante, de las preguntas. ¿Es la
solución generar más y más sistemas para capturar y combinar datos?
Recientemente también se ha cuestionado el problema del uso de los
datos por parte de los estudiantes (Broughan y Prinsloo, 2020). Las
instituciones educativas han sido llamadas a encontrar un equilibrio
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
50
entre el rastreo de más y más datos del estudiantado y el respeto de la
privacidad y protección de datos personales. El principio de propor-
cionalidad en la recopilación y el uso de los datos del RGPD (Regla-
mento 2016/679 relativo a la protección de las personas físicas en lo
que respecta al tratamiento de datos personales y a la libre circulación
de estos datos, 2016) apoya esta reexión. De hecho, los derechos del
alumnado a restringir el tratamiento, a excluirse o a ser olvidados (Ar-
nold y Sclater, 2017; Hoel y Chen, 2018) forman parte de un área de
trabajo emergente para las instituciones (Tsai y Gasevic, 2017) con el
objetivo de obtener proporcionalidad (recoger lo que sirve según una
decisión participativa) y la transparencia (qué datos, qué algoritmos,
con qué objetivos).
Un parte muy importante de este debate toca la aplicabilidad y
la transferibilidad de las soluciones desarrolladas en el norte, hacia
el sur global. En este caso, muchas de las aplicaciones y enfoques de
visualización (en particular, los paneles en los que se observa cómo
se desempeña un alumno o una alumna respecto a su clase) pueden
ser completamente extraños, acaso inútiles, respecto a las necesidades
y cultura educativa de una comunidad en el sur global. Pero tam-
bién son preocupantes las operaciones que muchas veces conllevan la
mercantilización de datos extraídos, fácilmente accesibles debido a la
necesidad de apoyo y a la posibilidad de servicios gratuitos ofrecidos
por enormes multinacionales (Prinsloo, 2020; Williamson, 2018; Wi-
lliamson y Hogan, 2021). Los modelos de AAp no se pueden tomar
prestados, ya que los algoritmos en los que se basan dependen de datos
extraídos de contextos especícos. Sin embargo, suelen asociarse a
plataformas privativas como instrumentos de facilitación del trabajo
docente y son frecuentemente adquiridos en el marco de políticas
educativas nacionales cortoplacistas, como fue el caso de la pandemia,
en relación con sistemas de control de la atención en el alumnado, o
de automatización de procesos de corrección/supervisión docente en
la evaluación (Williamson et al., 2020). Así, el hecho de que un soft-
ware o una plataforma educativa se ofrezca de forma gratuita debe ir
acompañado de una reexión institucional que se base en la transpa-
rencia del tipo de usos de los datos; en particular, su cesión a terceras
51
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
partes para perlado y comercialización, como ocurre en muchos de
los servicios de Google (Stewart, 2020) o para el desarrollo de otros
productos, como es el caso de Pearson (Williamson y Hogan, 2021).
Para cerrar nuestra demostración de como el tecnoentusiasmo lle-
va más o menos rápidamente a una crítica y reexión social progresiva
que determina una búsqueda de equilibrio social, en este punto me
parece interesante comentar el contenido del llamado Plan de ac-
ción de educación digital de la UE (European Commission/Comisión
Europea, 2020a), publicado a seis meses de inicio de la pandemia y
habiendo afrontado la trágica situación de digitalización forzada. Este
documento contempla dos áreas principales de actuación: a) fomentar
el desarrollo de un ecosistema educativo digital de alto rendimiento;
b) mejorar las habilidades y competencias digitales para la transfor-
mación digital. De hecho, la crisis de la COVID-19 provocó una
clara toma de conciencia sobre la escasa cobertura del acceso digital,
el carácter incompleto de las infraestructuras tecnológicas que apoyan
la soberanía de los datos en la UE, la gran dependencia de plataformas
y aplicaciones no comunitarias y las carencias de competencias para
adoptar adecuadamente las tecnologías digitales, incluida la concien-
cia de los datos. El plan está allanando el camino para centrarse en las
nuevas alfabetizaciones digitales y llamar a la educación para poner
en marcha importantes acciones que aporten nuevos equilibrios entre
el uso de la tecnología y la actividad humana.
Así pues, las prácticas de datos relacionadas con la IA entrarán
progresivamente en la vida humana, con ciclos de «amor y odio»,
como lo hemos descrito más arriba. Las universidades deben estar
preparadas para ello, más allá de la investigación especíca en este
sector, en la actividad docente mediante los planes de estudio, como
la formación en competencias básicas y avanzadas, para vivir en un
mundo de tecnologías inteligentes y, a través de la implicación de las
IES, en la automatización y personalización de procesos educativos.
Aunque muchos proyectos e iniciativas apuntan a un creciente interés
por el problema (Raaghelli, 2020), se trata de un ámbito en el que
muchas instituciones aún no incursionan sistemáticamente, teniendo
en el mejor de los casos grupos que trabajan aisladamente sobre las
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
52
prácticas basadas en datos, que no conducen a la necesaria visión ho-
lística e interdisciplinaria de los problemas que hemos ilustrado más
arriba. Más aún, se producen otros tipos de fenómenos y problemas
sobre los que nos vamos a ocupar en los apartados siguientes.
La universidad en la tormenta perfecta de la «datificación»
¿Cómo entra la universidad en la era de la daticación? Esta es una
pregunta que nos llevará a ver con mayor claridad el desafío que
tienen por delante las instituciones educativas, en general, y las ins-
tituciones de educación superior, particularmente. El recorrido que
vamos a emprender nos permitirá observar las presiones con las que la
universidad construye, primero, infraestructuras digitales que, usadas
de manera frágil e incompleta, conllevan prácticas basadas en datos
que alimentan, en mayor o menor medida, formas de monopolio
digital de las grandes empresas productoras de tecnologías educativas
y de gestión de la «nube», en general. También se explora cómo la
universidad se plantea ser una gran productora de datos abiertos y de
democratización de estos para una ciencia pública, responsable y ciu-
dadana, en un contexto en el quienes investigan y enseñan son guras
polivalentes que adquieren compulsivamente competencias digitales
que no siempre conllevan una adecuada reexión crítica.
Digitalizar la universidad, construir infraestructuras de datos: de la
modernización al gerencialismo
El primer aspecto que hemos de explorar es el de la primera digitali-
zación, visible y muy centrada en procesos comunicativos y de trabajo
en red, en la que Castells (2000) invitaba a pensar como sociedad
del conocimiento. Ciertamente, la importancia dada a la entrada en
la sociedad digital impregnó todos los ámbitos de la elaboración de
políticas, implicando a la Universidad como institución central y a los
académicos como actores clave. En el caso europeo, la Agenda digital
de la UE se originó en 2010 y, basándose en los debates anteriores de
53
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
2005-2009 (European Parliament/Parlamento Europeo, 2010), im-
pulsó la transformación de la economía a través de la digitalización.
Los ámbitos de intervención cruciales en dicha agenda eran el esta-
blecimiento de un mercado único digital plenamente operativo, la
mejora de la interoperabilidad y la compatibilidad de los sistemas para
los servicios de TIC, el refuerzo de la seguridad en línea y la conanza
en internet, el fomento del acceso de banda ancha de alta velocidad
y la consideración de los retos sociales que las TIC podían ayudar a
resolver, como el cambio climático, la salud y el envejecimiento de
la sociedad. Esta trayectoria se planteaba justamente en la estrategia
europea «Europe 2020: una estrategia europea para un crecimiento
inteligente, sustentable e inclusivo» (European Commission, 2010) en
la cual se proponía la integración, por cada Estado miembro, de «ini-
ciativas faro», que cubrían desde las energías renovables al desempleo,
pasando por la ya mencionada agenda digital, y poniendo un especial
énfasis en la modernización de los sistemas de educación «para me-
jorar la relación entre mercado de trabajo y demanda, incluyendo la
movilidad (de los jóvenes talentos)» (Ibíd., p. 8).
En ese contexto, de hecho, el desarrollo de las competencias en
TIC para todos se consideró fundamental y tuvo un impacto en va-
rios discursos y recomendaciones de la UE a los Estados miembros
en torno a la educación y a la formación en todos los niveles. De esta
manera, la Agenda digital se basaba en la preocupación que movía
Europa en aquel momento en relación con el desempleo, la reciente
crisis económica del 2008 y las debilidades estructurales europeas en
cuanto al crecimiento económico de los grandes gigantes (Estados
Unidos y China) y los BRIC (Brasil, Rusia, India, además de la ya
mencionada China).
En este contexto, surgió la Agenda de modernización de la edu-
cación superior (ES), que, de hecho, proporcionó un marco general
para que las políticas nacionales y de la UE dirigieran los cambios
institucionales, siguiendo los indicadores de benchmarking adopta-
dos por la estrategia UE2020 para este sector (40% de jóvenes en la
cualicación de nivel universitario de la UE para 2020). Entre las in-
novaciones necesarias, los documentos de elaboración de políticas de
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
54
una década mencionaban los enfoques basados en las competencias;
los itinerarios de aprendizaje exibles, personalizados, diversicados e
inclusivos; una evaluación mejor informada; relaciones estrechas con
la sociedad y el mercado laboral, y la visibilidad global de la oferta de
aprendizaje (Grupo de Alto Nivel sobre la Modernización de la Edu-
cación Superior, 2014). La conexión entre la Agenda digital de la UE y
la Agenda de modernización de las IES quedó claramente establecida
con el papel asignado a las tecnologías y competencias digitales. Las
tecnologías y los entornos digitales se consideraron un catalizador de
las innovaciones mencionadas anteriormente (Johnson et al., 2016),
operando de la siguiente manera:
• Resultados más abiertos, transparentes y visibles. Se hipotetizaba
que las tecnologías permitirían a las instituciones implantar cul-
turas cientícas y educativas abiertas y participativas, lo que con-
duciría a una visibilidad global y al acceso a la oferta educativa de
nuevos modelos empresariales/institucionales (Raaghelli, 2014;
Stracke et al., 2020).
• Entornos más conectados, exibles y colaborativos para la inves-
tigación y la enseñanza. La adopción de espacios y herramientas
digitales formales en conexión con medios sociales/profesionales
informales habría dado lugar a nuevas formas de aprendizaje ge-
neral y profesional, y de reconocimiento de la reputación. Se hipo-
tetizaba que la circulación de la investigación cientíca, así como
de los recursos de enseñanza, podía cambiar completamente la
evaluación de la producción cientíca, así como las experiencias
de los estudiantes con conjuntos de datos auténticos y abiertos a
través de las fronteras (Jamali et al., 2016; Manca y Ranieri, 2016;
Ossiannilsson y Creelman, 2012)
• Aprendizaje y enseñanza digitales y basados en datos. Se hipote-
tizaba que el prometedor campo de la analítica del aprendizaje
podría apoyar un salto hacia el avance del seguimiento y la vi-
sualización de los procesos/resultados del aprendizaje/enseñanza,
ayudando a alumnado y docentes a tomar mejores decisiones sobre
55
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
el aprendizaje y la enseñanza para alcanzar la calidad y la ecacia
(Ferguson, 2012; Kaupp et al., 2013).
Se enfatizaba entonces en la necesidad de cultivar formas espe-
cícas de alfabetización digital, es decir, el conjunto de habilida-
des necesarias para comprender y gestionar la información; para
participar, comprometerse, dialogar, y para crear conocimiento
en contextos digitales, abiertos y en red (Carretero et al., 2017;
Goodfellow y Lea, 2013). A principios de la década de 2010, las
políticas hicieron hincapié en la necesidad de modernizar la ense-
ñanza y el aprendizaje en las IES (European Commission/Comi-
sión Europea, 2011; McAleese et al., 2013). En estos documentos,
se culpaba sobre todo a los profesores de no estar preparados para
la transformación digital (Bacow et al., 2012; Kirkup y Kirkwood,
2005; Reed, 2012). Sin embargo, también se criticó la mayoría de
los programas de formación para impulsar la alfabetización digital
de los académicos, ya que no alcanzaron los resultados esperados
(Entwistle, 2009; Meyer, 2014). El mal diseño, la falta de aprendi-
zaje profesional activo con experimentaciones guiadas en entornos
auténticos, la falta de alineación con el contexto institucional y la
falta de reconocimiento de las competencias logradas fueron algu-
nas de las causas (Grupo de Alto Nivel para la Modernización de la
Educación Superior, 2014; Stes et al., 2010). Por lo tanto, se sugirió
que la adopción de tecnologías por parte de los académicos debía
ser abordada contextualizando su esfuerzo dentro de las estrategias
institucionales de calidad junto al proceso de modernización de la
educación superior, considerando las necesidades reales de forma-
ción del personal académico en varias etapas de su carrera (Crosier
et al., 2019). A mediados de la década de 2010 se hizo hincapié en
un capítulo concreto: la apertura de la enseñanza. La Comisión
de la UE nanció numerosos proyectos y las agendas nacionales
mostraron una creciente preocupación por la generación y creación
de recursos educativos abiertos como parte de una educación de
calidad (European Commission/Comisión Europea, 2013b; Ina-
morato dos Santos et al., 2017).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
56
Esa agenda fue evolucionando, pero mostró ser insuciente ante
el impacto de la pandemia, que requirió una profunda reexión ante
las deciencias de competencia digital de actores clave, así como de
toda la ciudadanía. En especial, el avance en materia de formación
había invisibilizado el problema aún existente de la brecha digital y
de acceso material a las tecnologías digitales (banalmente, poseer un
dispositivo continuamente conectado a la red y especialmente, un
ordenador). Pero también, había dado por descontada la capacidad
de la ciudadanía, en general, y de los educadores, en particular, a la
hora de elegir y comprender las tecnologías adoptadas y sus conse-
cuencias en sus vidas (Bozkurt et al., 2020; Stewart y Lyons, 2021).
A partir de este último problema, se dio lugar a la Declaración Eu-
ropea sobre los Derechos Digitales y los Principios para una Déca-
da Digital 2020-2030 (European Parliament/Parlamento Europeo,
2022), sentando las bases para profundizar en el impacto social de
las tecnologías digitales. Considerando, en efecto, que dicho impacto
estaría particularmente arraigado en la intensicación de la adopción
de las tecnologías digitales y los efectos críticos observados en todos
los niveles durante la pandemia, las intervenciones tendrían que equi-
librarse entre la selección y uso de herramientas, hasta la reexión en
términos de privacidad, inclusión social y atención a la salud mental
(Williamson et al., 2020). Otro aspecto especialmente relevante en el
escenario pospandémico fue la consideración de la educación abierta
como motor de inclusión social y equidad (Bali et al., 2020).
Sobre esas bases, y teniendo en cuenta las reexiones realizadas
durante los meses de connamiento, la UE elaboró una comunica-
ción sobre «una estrategia europea para las universidades» (European
Commission/Comisión Europea, 2022), en la que se destaca la im-
portancia de: a) la cooperación europea y la movilidad de los estu-
diantes, incluyendo un mayor apoyo nanciero; b) un enfoque en la
calidad de los programas con una mirada sobre cómo impacta la edu-
cación superior en el desarrollo de habilidades, apoya la diversidad, la
inclusión y la igualdad de género y promueve valores democráticos; c)
poner a Europa en una posición central para convertirse en un actor
de cambio en la transición verde y digital; d) poner de relieve el papel
57
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
global de la UE, enfatizando la relevancia de la supervisión partici-
pativa y la gobernanza de los procesos discutidos a nivel europeo. En
este documento se dedica toda una subsección a la transición digital,
considerando en particular «las soluciones híbridas que representan
un buen equilibrio entre la presencia física y las herramientas digi-
tales», al tiempo que se pretende promover un «diálogo estructura-
do con los Estados miembros sobre la educación y las competencias
digitales» (Ibíd., p. 17). Aunque se menciona la capacidad digital de
las universidades, no se considera el problema crítico de la soberanía
de los datos y la falta de alfabetización en este sentido (Raaghelli
et al., 2020; Williamson, 2018). El problema de los datos se aborda
al considerar que «las universidades pueden liderar el codesarrollo de
directrices y principios para […] permitir el intercambio de cono-
cimientos y datos sin bloqueos, sobre la base de interoperabilidad y
apertura» (European Commission, 2022, p. 17). El enfoque abraza
con esperanza el potencial emancipador de los datos, en una visión
que reconocemos como entusiasta. Sin embargo, no hay trazas en el
documento de los grandes problemas asociados a la privacidad y a la
justicia de datos en la educación superior.
Hasta aquí, quien lee habrá captado la creciente atención a los pro-
gramas de desarrollo del profesorado en torno a la «enseñanza». Pero
el debate sobre la modernización de la enseñanza superior mostró al-
gunas desconexiones entre el otro ámbito del quehacer académico: la
«investigación». A diferencia del ámbito docente, este último espacio
fue conectado directa y evidentemente con la agenda digital, siendo
la investigación el motor de las innovaciones tecnológicas necesarias
para apoyar dicha agenda. En este sentido, uno de los primeros focos
de atención fue la comunicación cientíca, en tanto que conocimien-
to nanciado con fondos públicos, pero paradójicamente inaccesible
a la ciudadanía media. Surgía así el movimiento «Acceso Abierto»,
que ponía de maniesto una serie de relaciones «tóxicas» entre la ga-
nancia de las editoriales privadas que proporcionaban medios para la
publicación cientíca a alto costo para la ciudadanía y el uso de dichas
publicaciones para la evaluación y desarrollo de carrera de las personas
investigadoras, constriñéndolas a publicar en dichos medios (Chan
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
58
et al., 2002), por lo que se cerraba así un círculo que beneciaba solo
el sector editorial privado. En consecuencia, las recomendaciones po-
líticas hicieron hincapié en la necesidad de que quienes investigaran
participaran activamente en publicaciones de acceso abierto, de la
revisión por pares abierta y, por último, pero no menos importante, de
comenzar a gestionar y publicar los datos recogidos en la tarea inves-
tigadora. Se abría paso rápidamente a una era de «ciencia digital» que
asociaba todas las potencialidades de circulación del conocimiento y
de facilitación de su acceso, como notas que resonaban en la era de
internet y el web 2.0. De hecho, en el documento conceptual sobre
ciencia digital en el programa Horizon2020, por la DG Connect
(European Commission/Comisión Europea, 2013a), se consideraba
una visión, un marco conceptual y algunas dimensiones operativas
que promovían esta idea de circulación del conocimiento. Sin em-
bargo, no mucho más tarde, se podía observar cómo la atención de
la agenda se movía del conocimiento en general al tema especíco de
los «datos abiertos». Se percibía la importancia de hacer circular los
datos generados a partir de fondos públicos, discusión que iba toman-
do forma desde el 2010 también en el ámbito de gobierno. Además,
la Comisión Europea desarrolló importantes comunicaciones (e.g.,
COM 2016 178 nal, European Commission/Comisión Europea,
2016b) sobre las ciberinfraestructuras europeas de apoyo a la ciencia,
donde se destacaba que era importante «concienciar y cambiar las es-
tructuras de incentivos para que las y los académicos, la industria y los
servicios públicos compartieran sus datos y mejoraran la formación en
gestión de datos, la alfabetización y las habilidades de administración
de datos» (Ibíd., p. 6), optimizando así la competencia de los partici-
pantes para abrazar la transformación digital. A continuación, se creó
el Grupo de Expertos de Alto Nivel sobre la «European open science
on the cloud» («ciencia abierta europea en la nube»). En el primer
informe elaborado por este grupo, se recomendó la formación como
parte de una estrategia para promover un mayor compromiso de los
investigadores con la ciencia abierta y su conocimiento (Ayris et al.,
2016). En marzo de 2016, en el espacio Futurium de la DG Connect
para la consulta y el debate público, un documento de trabajo sobre el
59
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
profesionalismo académico para la adopción de infraestructuras digi-
tales introdujo un resumen del esfuerzo de la Comisión Europea en la
materia, pidiendo acciones para cooperar con el grupo «New Skills for
New Jobs» («Nuevas Habilidades para Nuevos Trabajos») en el diseño
de un plan de acción para la formación de una nueva generación de
académicos así como de la conguración de políticas modelo para el
desarrollo de una carrera de investigación abierta (Matt, 2016).
Asimismo, en octubre de 2015, el programa de trabajo Hori-
zon2020 sobre science with and for the society (ciencia con y para la
sociedad) lanzó una convocatoria para nanciar proyectos de for-
mación investigadores para la ciencia abierta (European Commis-
sion/Comisión Europea, 2016b), cerrada en 2020. A través de esta
convocatoria se promovió una nueva generación de actividades de
formación, conectando nuevas maneras de hacer investigación que
tendían un puente entre la ciencia y la educación abiertas. Tal enfo-
que mereció toda la atención con el brote de COVID-19 (Stracke et
al., 2020), teniendo en cuenta la rapidez con la que el conocimiento
cientíco pudo hacerse circular gracias a estos principios.
La cuestión de cómo quienes investigan trabajan en contextos
digitales fue también foco de debate en relación con el desarrollo
profesional docente (académico). El debate versó sobre lo que se de-
nominó digital scholarship (Pearce et al., 2010) concepto que yo he
traducido como «profesión académica digital» (Raaghelli y Cons-
tantino, 2016), estrechamente relacionado con el debate mucho más
temprano iniciado por las «nuevas prioridades para la profesión acadé-
mica» de Boyer en los años noventa (Boyer et al., 2015). La perspectiva
del profesionalismo académico digital (Weller, 2011) se basaba en la
aceleración y la transformación del trabajo académico mediante dos
hechos: 1) la apertura en la ciencia, la investigación y la enseñanza;
2) la creación de redes como la nueva forma profesional de colaborar
a través de las fronteras geográcas e institucionales basadas en las
posibilidades proporcionadas por las redes sociales y la web 2.0. Pero
el propio Weller destacó en 2018 cómo las políticas habían apoyado
la apertura (sobre todo en la educación) mucho más ampliamente
que otras habilidades como el trabajo en red y la divulgación de la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
60
ciencia como actividad en el web prosocial (Weller, 2018). A pesar de
las interconexiones entre la digitalidad, la apertura y el trabajo en red,
las prácticas digitales de los académicos se concentraron en esquemas
más bien tradicionales, luchando por vivir en medio de los conictos
entre la tradición y la evaluación externa de la práctica académica para
la promoción profesional (Costa, 2014; (Jamali et al., 2016).
Sin embargo, el concepto de profesión académica digital se refería
a dos mundos separados: el de la docencia y el de la investigación, y
había claras lagunas en el tratamiento del profesionalismo necesario
para un enfoque holístico de la modernización de la educación su-
perior (Raaghelli, 2017; Raaghelli et al., 2016). Las prácticas de
datos quedaban todavía en un fondo poco concreto y evolucionaban
en compartimientos estancos: inicialmente, a través de la agenda de
la ciencia abierta, ya que la atención de las universidades fue atraída,
o más bien «forzada», por las políticas europeas de nanciación a la
investigación, y se dejaba de lado, por entonces, la consideración de los
datos en la docencia. Pero la ola de cuanticación para comprender
los procesos de «calidad» docente estaba por golpear las instituciones
de educación superior.
La universidad data-driven I: gerencialismo y plataformización en la
enseñanza superior
En los apartados anteriores he tratado de mostrar la evolución de las
prácticas digitales con respecto al contexto político de la UE y cómo
estas han tenido implicaciones para la educación superior y el profe-
sionalismo académico.
Cabe añadir que esta situación también evolucionaba en un con-
texto internacional en el que las instituciones de educación superior
se encontraban bajo la presión de lo que se denominó «gerencialismo»
(Peters et al., 2012), palabra que proviene del inglés managerialism.
La recopilación y la extracción de datos digitales eran solo la punta
del iceberg.
El gerencialismo corporativo prosperó entre los años ochenta y
noventa impulsado por el movimiento denominado New Public
61
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
Management (NPM). Este movimiento se construyó sobre una serie
de teorías que consideraban a la Administración pública como un
organismo que podía (y debía) abrazar los valores corporativos de
éxito, productividad, ecacia y retorno de las inversiones. De este
modo, legitimaba los costes presupuestarios, la reducción de personal,
la planicación de objetivos y la evaluación de la productividad de
instituciones públicas como la sanidad, la asistencia social, la educa-
ción y la justicia. Este enfoque no solo se adoptó en los países de la
OCDE con economías competitivas, sino que llegó a través del Fondo
Monetario Internacional y otros organismos transnacionales de apoyo
a la cooperación internacional, a la Administración pública de los
países periféricos del sur global (Stiglitz, 2002). El NPM, de hecho,
provocó una fuerte presión en las universidades de matriz europea y
en particular, del sur global, políticamente activas en la defensa de los
ideales de autonomía e intelectualidad, así como del acceso al cono-
cimiento en muchas sociedades «en desarrollo», y abrazó los ideales
de universidad humboldtiana20 (Pritchard, 2004). También provocó
efectos perversos en su trabajo en red con instituciones poderosas para
formar parte de las consideradas «universidades de clase mundial»,
apoyando políticas institucionales de «copia y pega» que se alejaban
de necesarios valores de cultura y sociedad locales (Lee y Naidoo,
2020). La descentralización del control de la gestión contratando co-
nocimientos técnicos externos para las tareas técnicas (como veremos
más adelante, en relación con las plataformas digitales) formaba parte
de este enfoque. Este se apoyó en una doctrina de autogestión hacia la
idea de «calidad», estrechamente relacionada con la competitividad y
la idea de servicios de élite (Harvey y Williams, 2010). Una vertiente
particular del gerencialismo tomó la forma de una intensa búsqueda
de medidas de producción cuanticables y objetivos de rendimiento
20. Con universidad humboldtiana me reero al modelo creado por Wilhelm C. K. F. von
Humboldt entre los siglos - en Alemania y fundador de la universidad homónima. La refor-
ma educativa propuesta por Humboldt implicaba la total autonomía intelectual del profesorado y el
alumnado para llevar a cabo, como comunidad educativa y educante, la generación de conocimien-
to. Si bien el sistema propuesto podía parecer elitista, Humboldt enfatizaba el concepto de Bildung
sobre el cuál apoyaba la importancia de una educación a lo largo de toda la vida para el acceso y la
generación de conocimiento a las universales.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
62
que terminaron por centrar el rendimiento a corto plazo mediante
enfoques de gestión de proyectos.
En la misma línea, la creciente presión sobre la «productividad»
de los académicos, tanto en la investigación como en la docencia,
fue un motor clave de la cultura de las IES. En el ámbito de la in-
vestigación, se adoptaron modelos bibliométricos y cientométricos
para la promoción profesional, cuyas métricas y puntuaciones fueron
proporcionadas por empresas privadas y poderosas de editores como
Elsevier y omson Reuters (Rider et al., 2020).
Otras medidas estaban relacionadas con la «productividad del sis-
tema» en la enseñanza, a saber, el número de graduados y el empleo
de estos. Ello supuso la atención de las universidades en las carreras
con mayor número de graduados, así como en las carreras con vías rá-
pidas de inserción laboral, en detrimento de la losofía, las artes y las
humanidades (Barshay, 2021; Bradburn et al., 2021). En particular,
el NPM intentaba conducir a una cultura de rendimiento controlado
externamente que ocultaba una profunda alienación entre académi-
cos (Lynch, 2010), la cual recibiría atención solo muy recientemente,
después de la pandemia.
Lo central aquí es que dos décadas de intensa inuencia sobre las
IES para instaurar los valores del gerencialismo condujeron a una
obsesión por las métricas y los datos que permitieran demostrar per-
formance y competitividad. Esta obsesión quedaba coadyuvada por
el enfoque de la educación basada en evidencias, ya activo desde los
2000, respecto a la necesidad de generar métricas y cuanticación de
resultados educativos; por ende, daba sostén a la idea de una práctica
académica medible y «visible» (Biesta, 2007).
En este sentido, las tecnologías de gobernanza basadas en datos, in-
sertadas en la agenda digital de la modernización, proporcionaron un
activo crucial que facilitó el análisis y la automatización de las cone-
xiones entre las métricas de enseñanza e investigación, el rendimiento
académico y la elaboración de rankings internacionales (Sangrà et al.,
2019). Del mismo modo, en el contexto europeo, el proceso de Bolo-
nia atrajo cada vez más la atención hacia la generación de «puntos de
referencia» e indicadores que permitieran a las muy diversicadas IES
63
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
«armonizar» su rendimiento (Grek y Ozga, 2009). El efecto inverso
del énfasis puesto en las mediciones hizo que las mismas instituciones
se esforzaran cada vez más por alcanzar «estándares internacionales».
Más allá del instrumentalismo y la performatividad, un efecto
terrible fue la esterilización de las características locales creativas pro-
fundamente conectadas con los territorios donde las universidades
desempeñaban un papel relevante. En su lugar, las universidades se
preocuparon por la producción de una imagen que se ajustara a los
ideales de una universidad de clase mundial: competitiva y global en
un movimiento tecno-racional creciente, apoyado en la facilidad de
recoger, producir y elaborar datos digitales (Gibbs, 2020).
La investigación educativa de marco crítico denunciaba a su vez
este creciente movimiento, tratando de develar la falacia de la objeti-
vidad encerrada, aparentemente, en la evidencia cuantitativa de per-
formance así producida. Para Neil Selwyn, por ejemplo, las prácticas
basadas en datos en la educación «tienen que ver intrínsecamente con
los intentos de dar sentido al mundo social y comprender la ‘forma
en que están las cosas’» (Selwyn, 2015, p. 69). Y como dice Piattoeva,
los números no pueden separarse de «una compleja textura viva del
mundo» (Piattoeva, 2021, p. 512). Al analizar a los actores implicados
en la gobernabilidad cuanticada, Piattoeva muestra un panorama de
creciente interés por los aspectos materiales de la gestión transparen-
te (el lado numérico de la elaboración de políticas) y, lo que es más
importante, insiste en la descontextualización y el efecto perjudicial
que esa atención puede tener en los contextos educativos especícos.
De hecho, la supuesta neutralidad de las mediciones, seguida poste-
riormente por los automatismos digitales, «está plagada de problemas
y compromisos, sesgos y omisiones» (Selwyn, ibidem). Además, los
continuos «datos» digitalizados produjeron efectos de vigilancia que
intensicaron la sensación de control, impotencia y desprofesionali-
zación entre los académicos (Selwyn y Gašević, 2020, Collier y Ross,
2020).
Otra vertiente muy relevante del gerencialismo en conexión con
el fenómeno de la daticación fue la subcontratación de servicios
técnicos para acelerar la transformación digital impulsada por los da-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
64
tos. Llegó entonces el fenómeno de la «plataformización», es decir, la
masiva transferencia y encuadre de la digitalización a través del uso de
plataformas de grandes multinacionales tecnológicas como Google,
Amazon, Facebook, Apple o Microsoft, entre otras, o las también
llamadas GAFAM, por las iniciales de estas cinco multinacionales
preponderantes.
Descrita por Van Dijck et al (2018) como «la plataformización de
la sociedad», el sistema educativo, en general, y las universidades, en
particular, habían ido adoptando constantemente plataformas digi-
tales con proveedores externos. El elusivo concepto de «computación
en la nube», que engloba la idea del software como servicio suminis-
trado por empresas externas de big tech, fue abrazado con entusiasmo
como una panacea de ecacia que podía apoyar la tan deseada digi-
talización de la educación superior, a su vez medio para alcanzar la
modernización.21 A través de esta operación, las IES pudieron integrar
en sus estructuras burocráticas las lógicas del know-how privado, lo
que fue especialmente relevante para la digitalización de actividades
y servicios. Los conocimientos técnicos facilitados, integrados en pla-
taformas digitales, repercutieron rápidamente en la enseñanza y la
investigación, por no hablar de otros servicios administrativos univer-
sitarios (Fiebig et al., 2021). Y lo que es más grave, la plataformización
condujo a la sutil contaminación de la educación superior como es-
pacio público de conocimiento por normas y principios privados. En
un movimiento recursivo de demanda (por parte de las universidades)
y oferta (por parte de las empresas privadas) la industria EdTec h fue
creciendo hasta alcanzar los niveles de un negocio multimillonario,
que ha tenido un incremento exponencial con las olas pandémicas
(Williamson y Hogan, 2021), si solo pensamos en el uso de Zoom o
Google Classroom a escala global.
21. La idea de la nube, como ya fuera puntualizado por Kate Crawford en su trabajo Atlas of
AI (Atlas de la inteligencia articial ) (2021), era atractiva por varios motivos: efímera, intangible y
liviana, daba esa idea de uidez tan requerida por las pesadas estructuras de la modernidad y, en
particular, las públicas. Sin embargo, esa liviandad no sería más que una suerte de metáfora que
invisibiliza prácticas de control de quienes detienen el poder de acceso a los datos allí alojados. De
hecho, la nube inmaterial requiere gigantescos establecimientos donde se alojan supercomputado-
ras, tubos que atraviesan el mar y enormes cantidades de trabajo humano.
65
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
El estudio realizado por Fiebig et al. (2021) es especialmente elo-
cuente en este sentido. Estos estudiosos realizaron una investigación
longitudinal de la migración a la nube a partir de una muestra de
Estados Unidos, Reino Unido y la Unión Europea (Países Bajos,
Alemania y Austria) recuperada desde el higher education ranking,
extrayendo información sobre el uso de varios tipos de plataformas
digitales en las áreas de administración, investigación, enseñanza y
aprendizaje. Observaron tendencias de aumento de la migración (del
30% al 50% de aumento de la adopción) a las nubes mediante la sub-
contratación de plataformas privadas como los sistemas de gestión del
aprendizaje (por ejemplo, Blackboard) y sistemas de videoconferencia
como Zoom; suites de ocina (incluido el correo electrónico) como
Microsoft Oce o la suite de Google; Amazon Mechanical Turk para
apoyar las capacidades de supercomputación y el almacenamiento de
datos, y otros software de investigación de apoyo a métodos de in-
vestigación cuantitativos y cualitativos. Un descubrimiento relevante
fue que, para las IES de Estados Unidos, Reino Unido y Países Bajos,
existía una tendencia a la privatización de las plataformas digitales
que dan soporte a varias áreas de actividad, mientras que las insti-
tuciones centroeuropeas preferían mantener áreas de independencia
tecnológica, especialmente para la enseñanza y el aprendizaje. Sin
embargo, esa tendencia parece ir emparejándose hacia la migración
a la nube, pues los costos de supercomputación y de macrodatos son
insostenibles para cualquier institución, como lo indica el estudio de
Williamson et al. (2022) sobre el uso de Amazon Cloud.
Estos estudios subrayan claramente el hecho de que la crecien-
te tendencia a la plataformización no se detendrá y, como hemos
expresado anteriormente, los recientes documentos políticos de la
UE no abordan una mayor concienciación sobre la «infraestructura
de datos» entre las IES. La investigación sobre los servicios digitales
subcontratados por las universidades durante las pandemias reali-
zada por Williamson y Hogan (2021) no hace sino conrmar esta
tendencia a nivel internacional. No obstante, un efecto perverso de
esta digitalización es la posibilidad de mercantilización de los datos
del estudiantado (Williamson, 2018; Williamson et al., 2020). Estos
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
66
se utilizan para supuestas «innovaciones educativas» que conllevan la
promesa de una mayor ecacia y una mejor comprensión de procesos
educativos a costa de la libertad y autonomía del estudiantado para
vivir su propio proceso educativo (Broughan y Prinsloo, 2020), así
como de la desprofesionalización de la enseñanza académica (Selwyn
y Gašević, 2020).
Como dicen Castañeda y Selwyn (2018, p. 6), al referirse a la mi-
ríada de empresas grandes y pequeñas que comercializan sus produc-
tos educativos, en conjunto, «esta actividad de la industria sigue gene-
rando una presión sustancial para remodelar y reorientar la educación
universitaria hacia la “modernización” o la “innovación”». De ahí que
se mida, presione y critique a las IES por sus «bajas calicaciones»,
empujándolas a competir entre sí, pero también con las emergentes
ofertas de aprendizaje «rápido» de Silicon Valley y su promesa de em-
pleos de alto nivel. El “n de la universidad” es la metáfora preferida
(C arey, 2015).
De ninguna manera, esta crítica debe conducir al inmovilismo y a
la falta de diálogo entre las universidades y la industria. Lo que parece
absolutamente crucial es distribuir la «equidad epistémica», limitada
por la plataformización y daticación de las actividades de las IES
(Decuypere y Landri, 2021). Concretamente, esto signica promover
formas de compromiso y participación en las infraestructuras digi-
tales, de las que viven los estudiantes, los académicos y otras partes
interesadas de las IES.
La universidad data-driven II: la práctica académica basada en datos
Más allá del gerencialismo y la plataformización, que podemos con-
siderar fenómenos del nivel «macro», es decir, de tipo político e in-
fraestructural, las prácticas basadas en datos, o data-driven, también
adquirían una lógica cotidiana en las IES.
De hecho, mientras se esforzaba por sobrevivir a su crisis de cre-
dibilidad mediante el gerencialismo y el tecnosolucionismo (Peters
et al., 2012), se desarrollaban y recompensaban una miríada de mi-
cro-prácticas académicas basadas en datos, o data-driven. Al igual que
67
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
en el ámbito social más amplio, el big data y el rastreo de datos (data
tracking) dieron lugar a discursos fervientes que relacionaban el uso
de datos del estudiantado con la mejora de la eciencia, la objetivi-
dad, la transparencia y la innovación (Daniel, 2017). Así, las prácticas
basadas en datos se revelaban como un perfecto acompañamiento de
los discursos sobre la «modernización», la «internacionalización» y la
presencia en rankings de universidades «de clase global» (Rider et al.,
2020). La otra cara de la moneda del gerencialismo era el continuo
esfuerzo académico y del personal técnico por producir resultados
medibles, inventando métricas e instrumentos para cuanticar la en-
señanza y la investigación.
Desde el punto de vista de la enseñanza, los datos sobre el compor-
tamiento del alumnado, recopilados a escalas sin precedentes, dieron
lugar a la minería de datos educativos y, en particular, a la analítica
del aprendizaje o AAp (Siemens et al., 2013). La literatura académi-
ca encontró un indudable valor en los desarrollos propuestos por la
analítica del aprendizaje para apoyar las prácticas pedagógicas de los
profesores o apoyar itinerarios exibles, independientes de aprendizaje
para el alumnado (Nunn et al., 2016). Se plantearon instrumentos
de analítica para apoyar la toma de decisiones docentes o para apoyar
procesos de corrección de exámenes de respuesta múltiple, hasta llegar
a trabajos escritos. Del lado del análisis y control del comportamiento
del estudiantado se investigó y desarrolló tecnología para promover
un comportamiento independiente o «autorregulado», previniendo el
abandono, motivando a los y las mejores estudiantes y apuntando a
prescindir del «sesgo humano» del docente, o mejor, de la presencia
docente en general (Buckingham Shum y Luckin, 2019; Viberg et al.,
2018). Sin embargo, como ya hemos señalado anteriormente, a medi-
da que el movimiento de AAp evolucionaba, los estudios de campo
señalaban la necesidad de fortalecer las conexiones entre los modelos
analíticos y las teorías pedagógicas (Knight et al., 2014; Ferguson,
2019). En especial, se observaron los límites de la cuanticación «in-
genua», por ejemplo, a través de la perpetuación de desigualdades
entre el estudiantado social y culturalmente privilegiado, mejor re-
presentado en los datos previos usados para generar modelos de pre-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
68
dicción sobre el éxito académico y aquel más vulnerable (Perrotta y
Williamson, 2018; Prinsloo, 2020). Sin embargo, en el discurso co-
rriente del profesorado universitario, muchos están convencidos, bajo
la inuencia del gerencialismo, de que la recogida continua y masiva
(o más bien invasiva) de datos es el camino (Raaghelli, 2022).
Desde el punto de vista de la investigación, la historia de los da-
tos recorrió otros itinerarios, aunque siempre ligados a metáforas de
riqueza, acceso e innovación. Lo que iba congurándose como un
debate de acceso al conocimiento en años anteriores y planteado con
la denominación de «ciencia abierta», subrayó durante toda la segunda
década del 2000, y en adelante, la importancia de los datos abiertos.
Es decir, la publicación no solo de los resultados de investigación, sino
también de todos los datos recogidos, los procedimientos y criterios
de uso de estos (o «metadatos) fue solicitándose más y más desde or-
ganismos de nanciación de la investigación, como parte del esfuerzo
público para promover el acceso al conocimiento abierto y a la trans-
parencia del quehacer cientíco (European Commission/Comisión
Europea y RISE, Research Innovation and Science Policy Experts,
2016). No solo se invitó a la ciudadanía a acceder a los datos genera-
dos por la investigación, sino que se la involucró en la exploración y la
recopilación de datos, es decir, a través de esquemas de colaboración
crowdsourcing22 entre investigadores y sociedad, dando lugar a lo que
se ha considerado como «ciencia ciudadana» (European Commission/
Comisión Europea, 2019a). Tales discursos se acercaron lentamente
al movimiento de la educación abierta, que tenía su curso de desarro-
llo paralelo a través de la discusión sobre los recursos educativos abier-
tos y sobre los cursos masivos abiertos en línea (Raaghelli, 2014).
Se exploraron así posibles puentes entre los dos mundos «abiertos»
de la investigación y de la educación (Czerwonogora y Rodés, 2019;
Stracke et al., 2020).
En este sentido, los datos fueron identicados como potenciales
recursos educativos abiertos (Atenas et al., 2015), cuyo uso podía fa-
22. La ciencia ciudadana se basa en la participación voluntaria y amateur, con distintos niveles
de experticia, por parte de cualquier persona interesada en un tema, dentro de esquema de cola-
boración que puede o no haber sido generado por los cientícos en el sector (Vohland et al. 2021).
69
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
vorecer las posibilidades del estudiantado de educación superior para
lograr la alfabetización en datos a través de situaciones de aprendizaje
auténticas como el monitoreo cívico y los esquemas de ciencia cola-
borativa y ciudadana, como indicaba más arriba (Raaghelli, 2018).
Además, la práctica de recopilar y compartir datos de enseñanza y
aprendizaje se consideró una oportunidad estratégica para construir
una ciencia educativa abierta (Van der Zee y Reich, 2018), ya que
los conjuntos de datos producidos por la investigación basada en el
diseño educativo podrían ser revisados críticamente y compartidos en
una amplia comunidad educativa. Sin embargo, este panorama tan
positivo se encontró con factores que obstaculizarían su desarrollo.
De hecho, tanto las culturas de investigación como el escaso cono-
cimiento de las políticas e instrumentos de datos abiertos entre los
académicos se consideraron obstáculos (Quarati y Raaghelli, 2020;
Raaghelli y Manca, 2019, 2022).
En general, ambos movimientos de prácticas basadas en datos en
la educación y la investigación reclamaron al profesorado universita-
rio, a veces acompañado por el alumnado, otras veces con total ex-
clusión de este, un enorme esfuerzo de adaptación y de comprensión.
Actualmente, sabemos que los académicos se mueven con dicultad
y sin una completa comprensión de los escenarios posdigitales en los
que viven. De hecho, tienen dicultades que van desde ver reconocido
el tiempo dedicado a recopilar datos de la docencia y reexionar so-
bre estos, pasando por el esfuerzo para hacer transparente el enfoque
de recogida y análisis de datos en la publicación de datos abiertos,
y nalizando por un uso efectivo de ese «mar» de datos que parece
caótico y sin sentido (Quarati y Raaghelli, 2020; Raaghelli, 2022;
Raaghelli et al., 2021). Más preocupante aún es la falta de com-
prensión de las dinámicas de datos en las estructuras adoptadas para
la docencia y la investigación, lo cual aparece como un problema solo
técnico, invisibilizado y encerrado en los posicionamientos profesio-
nales e identitarios en el uso de tecnologías digitales (Hayes, 2021).
El escenario pospandémico ha sido particularmente elocuente en
el revelar las consecuencias no deseadas de una estampida detrás de
la adopción digital ingenua o incluso entusiasta de las tecnologías.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
70
Como Williamson y Hogan (2021) ponen de maniesto, el contexto
de COVID-19 aumentó la comercialización y privatización de la edu-
cación superior donde la industria EdTe ch 23 está «simplemente ofre-
ciendo, de manera oportunista, (tecnologías educativas) en respuesta a
las medidas repentinas de connamiento» (Ibíd., p. 10), herramientas
para el aprendizaje y los contenidos en línea, respaldados con la AAp
para «ver» la productividad del estudiantado y el profesorado y, en úl-
tima instancia, las instituciones. Estos discursos podrían considerarse
solo la expresión de las fuerzas hegemónicas que abastecen los valores
neoliberales, que han demostrado ampliamente sus limitaciones a la
hora de alcanzar la compleja trama de necesidades humanas y educa-
tivas durante y después de la pandemia.
A lo largo de este primer capítulo hemos intentado delinear míni-
mamente el problema de la sociedad daticada y posdigital y cómo
la universidad ha entrado en este escenario. Me reero a un trato
mínimo del problema, pues la lectora o el lector tendrá que considerar
que el campo de la daticación posee aspectos de desarrollo tecnoló-
gico big data (bases de datos, aspectos de seguridad y manutención
de espacios en la nube, etc.); o bien podría atravesar aspectos de la
discusión sobre la adopción de blockchain, o de metaverso (tecnologías
de realidad aumentada y virtual), que componen perspectivas en lo
que es el debate del desarrollo de tecnologías 4.0 en la sociedad y la
universidad. Estas perspectivas tecnológicas, desde una mirada social
(o sociotécnica) provocan similares reacciones de entusiasmo y crítica.
Por lo tanto, invito a considerar las discusiones y casos que siguen
en este libro como una mirada, no comprensiva ni exhaustiva, dada
desde mi trabajo de investigación. Mirada que, sin embargo, busca
generar bases metodológicas, orientadas a expandir la exploración de
cada línea o caso de adopción de tecnologías (por ejemplo, el meta-
verso), a cargo de la comunidad cientíca y educativa experta.
23. Industria de desarrollo de tecnologías educativas, como Google Classroom, pero también
como una miríada de pequeños productos que usamos en clase, desde sistemas de respuesta gami-
cados como Kahoot (https://kahoot.com/), a plataformas de gestión de procesos de aprendizaje
como Blackboard (https://www.blackboard.com/en-eu) o de textos académicos, como Pearson (ht-
tps://www.pearson.com/english/digital-tools/etext.html).
71
1. DATOS, SOCIEDAD Y UNIVERSIDAD ❚
Ahora bien, llegados a este punto, considerando que hemos indi-
cado siempre una suerte de movimiento pendular entre un enfoque
entusiasta y la contrarrespuesta crítica, quien lee podría sentirse con-
fundido. Entonces, ¿de qué lado estamos? ¿Promovemos las prácticas
basadas en datos o las rechazamos?
No podré dar una respuesta inmediata a esta preocupación. En
cambio, en el capítulo siguiente trataré de plantear unas bases con-
ceptuales y un marco de referencia para pensar la daticación, y las
prácticas y discursos que conlleva, como un proceso que requiere un
enfoque complejo y contextualizado, a partir del cual hablaremos de
«culturas de datos» en las instituciones de educación superior.
73
2. PENSAR LA DATIFICACIÓN DESDE LA
COMPLEJIDAD. BASES PARA CONSTRUIR
CULTURAS DE DATOS (JUSTAS) EN LAS IES
Como hemos podido observar, el panorama del uso de datos toca
distintas esferas del quehacer humano y de la actividad universitaria.
Y como se ha expresado anteriormente, este papel depende en gran
medida de las infraestructuras digitales que introducen intereses pri-
vados en el núcleo de las instituciones de la educación superior. Así,
me ha parecido importante ofrecer una clave de lectura conceptual.
Postularé la siguiente hipótesis amplia, a partir de la cual nos move-
remos en este libro para ir recorriendo experiencias y prácticas que,
espero, puedan ayudar al lector a posicionar su propia identidad y
quehacer activa y participativamente en su propio contexto: la dati-
cación es un fenómeno complejo que encierra una multiplicidad de
respuestas.
Baso mi hipótesis en un recorrido personal de casi diez años en
contacto con diferentes problemas de las prácticas basadas en datos
en la universidad. Pero me hallo fundamentalmente inspirada por
el trabajo de Pangrazio y Sefton-Green (2022), en el que se plantea
que podemos aprender a vivir con la daticación sin permitir que
esta nos avasalle; o mejor, tendremos que aprender a convivir con
ella de manera crítica, comprendiendo sus impactos, más que antici-
pándolos, y buscando el equilibrio y la contrapropuesta. Fenómenos
como la daticación y la plataformización –lo hemos afrimado– están
aquí y plantean un espacio de intereses, de juegos, de caos. Podemos
entrar por uno u otro de sus costados, pero siempre se nos hará di-
fícil comprender la totalidad de sus facetas. Más aún, la daticación
como fenómeno social nos impondrá sensaciones y posicionamien-
tos profesionales y políticos. Es necesario, entonces, llevar nuestros
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
74
planteamientos más allá de las implicaciones instrumentales, de la
fenomenología que caracteriza el problema, pensando desde sus raíces
epistemológicas. Naturalmente, el que sigue es un ejercicio especula-
tivo: compartiré con el lector mis preguntas, las que me he ido plan-
teando en estos años de trabajo y las respuestas que he encontrado
mayormente en algunos pensadores contemporáneos.
De la obsesión (y riesgo extremo) por cuantificar la realidad
Que la humanidad haya buscado respuestas a través del Oráculo de
Delfos en la Antigüedad clásica, o de la losofía, o de la observación
cientíca en la ciencia positiva, o más recientemente, a través de al-
goritmos, parecen solo matices de un trasfondo común: una humana
preocupación por controlar los eventos desagradables e inesperados
y por buscar, si no la felicidad, la tranquilidad de la vida «como la
conocemos».
El hecho de que los algoritmos, basados en laprobabilidad de
Bayes,24 puedan modelar el pasado con una cierta precisión (es decir,
repetirlo basándose en una serie de patrones, como gustos de los con-
sumidores o clics en contenidos digitales, o en el caso de la educación,
código postal del alumnado que tiende a abandonar un curso uni-
versitario) nos da una esperanza de posibilidad de traducir el pasado
(conocido) en un futuro (esperado). Sin embargo, esta posibilidad
dada por los algoritmos se contrapone a un principio fundamental
del futuro: la imprevisibilidad de la acción humana. Siguiendo con
nuestro ejercicio reexivo, cabe preguntarse aquí qué es lo que nos
horroriza de la imprevisibilidad.
El avance de la investigación en psicología cognitiva y en neuro-
ciencias tiende a indicar que el cerebro humano busca esquemas sin-
téticos, a partir de los cuales poder asimilar rápidamente los ujos de
información circunstantes, identicando el peligro o la oportunidad.
Lleva a cabo este ejercicio no sin numerosos sesgos y errores de valo-
24. https://es.wikipedia.org/wiki/Teorema_de_Bayes
75
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
ración (Kahneman, 2011). Más renado aún es el sistema del pensa-
miento cientíco, que a través de la observación empírica sistemática
busca extraer patrones de relación o de causa-efecto. Los algoritmos,
basados en datos masivos, funcionan según modelos matemáticos
que, como armara la famosa matemática-crítica Cathy O’Neil, son
esquemas conceptuales transformados en números. Sea en la ciencia,
en general, o en la elaboración de algoritmos, en particular, como en
el pensamiento humano, la simplicación de patrones para llegar a
comprender un fenómeno, o mejor aún, para tipicar respuestas a
este, llevan al riesgo del error, o peor aún, del sesgo injusto. En El al-
goritmo ético, Kearns y Roth (2020), dos cientícos computacionales,
explican la dicultad de desarrollar algoritmos con respuestas a todo
y, en particular, con respuestas ecaces que eviten consecuencias de
exclusión o injusticia. Uno de mis ejemplos favoritos es el de la priva-
cidad: al anonimizar datos (quitando información que puede revelar
la identidad de una persona o de un grupo de personas) perdemos di-
mensiones de análisis y puede que ya no seamos más capaces de decir
nada sobre un determinado fenómeno. Consideremos, por ejemplo,
quitar información sobre el género, la edad y el código postal porque
sería fácil reidenticar a algunos alumnos en mi base de datos. ¿Qué
podré decir luego sobre las características que empujan al abandono
si ya no puedo comparar las problemáticas según el género o la edad?
Estudiar los problemas de género en educación es muy relevante,
desde que existen cursos universitarios con prevalencia de mujeres,
como las carreras de Asistencia Sanitaria y Educación, o STEM, a
prevalencia masculina. Nos quedamos con esta respuesta: la venta-
ja de esquematizar es el poder congurar sistemas de visualización/
comprensión y de tipicación de respuestas. Pero el riesgo es la gran
simplicación, que no logra capturar lo inesperado, lo cambiante.
En ese sentido, la gran insistencia de las ciencias sociales ha sido
la crítica de la simplicación. La investigación idiográca (es decir,
de métodos cualitativos, etnográcos, de descripción e interpreta-
ción de contextos, discursos y prácticas únicas) señala con claridad
el hecho de que pasamos el tiempo tratando de interpretar lo vi-
vido y lo hacemos basándonos en nuestras subjetividades. Ello nos
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
76
permite pensar que, aunque capturemos más y más datos, aunque
generemos estructuras «gigantescas» de tratamiento de dichos datos
y elaboremos analíticas de enorme precisión, lo haremos desde un
posicionamiento especíco, cultural, social. Entonces, las preguntas
humanas –no respondidas desde esa particular perspectiva– no hacen
más que deslizarse hacia adelante y los sistemas quedarán siempre
obsoletos, ofreciendo siempre respuestas parciales. La investigación
cualitativa construccionista ha dado un paso adelante al indicar que
solo la operación dialógica, participativa –en la cual se construye la
subjetividad individual y colectiva en el mismo proceso de búsqueda
de comprender, o de acción e intervención para transformar contextos
de vida– se da lugar a respuestas más completas y, sin embargo, no
por ello denitivas. Este enfoque tiene muy buenos ejemplos en la
investigación educativa (O’Neill, 2016; Trifonas, 2009).
Sin embargo, la cuestión de la comprensión como ejercicio continuo
basado en lo inasible de la experiencia humana ha sido teorizado con-
tundentemente por Hannah Arendt. Al teorizar sobre las razones que
mueven al totalitarismo (en particular, se focaliza sobre el bolchevismo
y el nazismo) como sistema de control extremo de la vida y de la socie-
dad, Arendt indica que los dos «obstáculos» que enfrenta la máquina
totalitaria son la imprevisibilidad, la fundamental inconsistencia del
ser humano, por un lado, y la «curiosa incoherencia» que gobierna la
acción humana; ambos peligros encerrados en la libertad humana de
cambiar ideas (Arendt, 2008, pp. 150-151). Entonces, se crean má-
quinas administrativas que van más allá de la opresión y en realidad
apuntan al control total, perfecto. La lósofa se reere, por lo tanto, a
una convicción de que no solo todo está permitido, sino que todo es
intelectualmente posible dentro de un sistema de totalitarismo perfecto.
Arendt (2008) llega a concluir que estos sistemas de control crean
realidades discursivas, simbólicas y materiales, en las que la verdad
pierde sentido: la falsicación basada en las operaciones de propagan-
da se convierte en el motivo que obliga una acción (Ibíd., p. 153). La
«maldad» o «pereza» intrínseca de una raza se convierte en el moti-
vo para su exterminio. Más contundente aún es la fundamentación
que la lósofa nos da del mal extremo provocado por esta máquina:
77
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
no hay en sí una motivación intrínseca del individuo singular que
participa en ella de hacer mal. El mal se arquitecta, es un efecto sub-
yacente y generalizado de una máquina totalitaria que se mueve con
absoluta precisión: es lo que la Arendt llama la «banalidad del mal».25
Pensemos en el etiquetamiento de los judíos en sus documentos, que
se convierte rápidamente en señales en su ropa y luego en su cuerpo;
ahora imaginemos que todo dato puede ser extraído, arrancado, sin
una explicación necesaria al alumnado, por su «bien» para «orientar-
lo» en sus elecciones y para «mantenerlo» en el sistema al cuál a su vez
se le pide precisión y rendimiento (gerencialismo). La comparación es
extrema, pero la operación tiene bases comunes.
Esa obsesión por producir datos se fundamenta entonces en la
necesidad de fabricar la verdad. En el caso de la cuanticación y de la
daticación, el totalitarismo ha sido cambiado por una creencia in-
genua sobre el poder del avance tecnológico para resolver el problema
perenne del ser humano de encontrarse delante de su drama existen-
cial: su búsqueda continua de sí mismo y del sentido de sus acciones.
Un totalitarismo tecnológico de nuestros días. Cabe preguntarse si
la tecnología de la metricación y la daticación en nuestros días se
arriesga a reproducir la banalidad del mal. La respuesta es sí si no se
dieran las condiciones de crítica social y de procesos de construcción
participativa de uso de los resultados tecnológicos.
Y es esto lo que la investigación sociocrítica intenta poner de ma-
niesto. Por ejemplo, Kennedy, Poell y Van Dijck (2015), estudiando
las dinámicas de los medios sociales, han mostrado cómo las enormes
cantidades de datos rastreados permiten que muy pocos agentes pri-
vilegiados controlen el tráco de internet y extraigan un gran valor
25. Otto Adolf Eichmann, capturado en un suburbio de Buenos Aires la noche del 11 de mayo
de 1960, transportado a Israel nueve días después en avión y llevado ante el Tribunal de Distrito de
Jerusalén el 11 de abril de 1961, debía responder por sus crímenes bajo el régimen nazi. Arendt viaja
a Jerusalén como corresponsal del New Yorker para asistir al juicio de Eichmann, mientras discute
para el mencionado diario problemas morales, políticos y jurídicos del caso seguido. La sorprenden-
te conclusión a la que llega la lósofa es justa mente que el mal encarnado por Eichmann, un hombre
gris, un burócrata, es simplemente banal. No ha habido en sus gestos una intencionalidad maquia-
vélica, una consciencia del mal, sino solo la ejecución prolija, aséptica y técnica de instrucciones
ligadas a la «solución nal» (el exterminio total del pueblo judío en el Tercer Reich) (Arendt, 2019).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
78
de los patrones conductuales, emocionales y cognitivos observados a
través de los datos y mediante el desarrollo de algoritmos especícos.
Ese desequilibrio ha sido enfatizado respecto a la invisibilización de
la raza y el género o la sobrerrepresentación y sobrecarga en otras
(Benjamin, 2019; ompson, 2020). De manera relevante, Shoshana
Zubo (2019) ha llevado el debate un paso más allá al proponer una
nueva forma de economía extractiva, considerando el surgir de la
era del capitalismo de vigilancia. Finalmente, autores del sur global
fueron los primeros en identicar la identidad y orientación colonial
de la metodología extractiva, con sus consecuencias sobre los cuerpos
y las identidades de las personas vigiladas (Ricaurte, 2019).
En resumen, la investigación sociocrítica está buscando develar cómo
la tecnología está siendo usada por grupos de poder que pueden expan-
dir su dominio mediante infraestructuras tecnológicas daticadas, que
invisibilizan las formas extractivas, los procesos de etiquetamiento ses-
gados y el mismo impacto ambiental de la tecnología para producir de
experiencia incorporada que pueden insertarse cómodamente en una
de producción de plusvalor. Así, estos grupos podrían mantener los
desequilibrios estructurales necesarios al poder con su impacto ya reco-
nocido en otros dispositivos sociales del liberalismo (Foucault, 2009).
Engendran también formas de violencia simbólica (Bourdieu y Passe-
ron, 1970), al imponer recomendaciones y orientar comportamientos a
través de lo que se supone es un sistema automatizado «objetivo».
Detrás de escena, los cientícos de datos desempeñan el papel de
una élite capaz de traducir cuerpos y mentes en códigos procesables,
aunque pueden ser simplemente los instrumentos de los decisores,
ignorantes de su rol en su orientación a realizar «la tarea técnica»
(Crawford, 2021). Lo cual sustenta la idea de una banalidad en el
hecho que un sesgo algorítmico pueda determinar el mal, en la dis-
criminación de mujeres ingenieras que han de acceder a un trabajo
a su nivel de calicación,26 de la injusta asignación de penas o de
exceso de vigilancia policial en grupos raciales especícos27 o en el
26. https://elpais.com/tecnologia/2018/10/11/actualidad/1539278884_487716.html
27. https://w w w.bbc.com/mundo/noticias-37679463
79
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
desfavorecimiento de posibilidades futuras de estudio en alumnos/as
con buenas notas, residentes en contextos socialmente vulnerables,
a partir de la aplicación de un sistema de calicación automatizado
durante la pandemia.28
Pero como indican Kearns y Roth (2020), desde su perspectiva de
las ciencias computacionales, si no hay reexión, quien se ocupa de
la técnica y ciencia del desarrollo de algoritmos no necesariamente se
implica en las consecuencias últimas de estos; en cambio, sí focaliza
aspectos como la precisión de un modelo. Sin embargo, estos autores
invitan a pensar que «es fundamental que las comunidades de cientí-
cos e investigadores especializados en el aprendizaje automático se com-
prometan e impliquen como actores centrales en los debates éticos en
torno a la toma de decisiones algorítmicas» (Ibíd., p. 32), pues conocen
a fondo sus mecanismos. Lo opuesto también es verdad: es necesario
que cientícos sociales y humanistas se involucren en el desarrollo tec-
nológico para informar y estudiar las posibles implicaciones éticas que
no son el objeto principal de estudio y trabajo del desarrollador.
Por ello, una excesiva importancia dada a la ingeniería y la tecno-
logía en nuestros días, en desmedro de las ciencias sociales, las huma-
nidades y las artes, es uno de los primeros errores que se han de evitar.
La parte del saber humano que, si bien no construye materialidades,
explica procesos, comprende impactos y orienta la comprensión, en
el sentido más arendtiano que podamos imaginar, debe ser cultivado.
Trataré de fundamentar esta posición a continuación.
Puentes entre tecnología y humanidades,
o de las «epistemologías de datos»
Como indica el lósofo Umberto Galimberti (2016), al citar el mito del
fuego de Prometeo, «la violencia divina choca con el orden de la toma
de conciencia humana que, aplicándose en el desarrollo de la técnica,
28. https://medium.com/digital-diplomacy/fuck-the-algorithm-the-rallying-cry-of-our-you-
th-dd2677e190c
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
80
entiende que “un día habrá un poder para nada inferior al de Zeus”»
(p. 72). En la psicología histórico-cultural y la teoría de la actividad
escandinava, esta reexión losóca se traduce en la relevancia de los
sistemas de mediación del mundo en la construcción del psiquismo
humano (Engeström, 2015). En efecto, desde los albores míticos y rea-
les, la humanidad ha enfrentado la hostilidad de la naturaleza a través
de la palabra, que la ha llevado a la arquitectura social y a través de los
medios técnicos como instrumentos para obtener aquello a lo que el
cuerpo (limitado) humano no llega. Esos medios han evolucionado,
continua y recursivamente, de la concepción y la idea a la construc-
ción de artefactos materiales e ideales, a la transformación misma del
ser humano (Galimberti, 2016, p. 229). No se puede comprender la
indisoluble relación de la tecnología (desarrollo de instrumentos) con
la humanidad que idea dichos medios, ni tampoco puede descartarse
su inexorable presencia en el experimentar el mundo por parte de las
sociedades. Y por eso mismo, esa relación, que Galimberti denomina
tensión entre «Psique y Techne», es un proceso de mutua integración.
Sin embargo, también comenta el lósofo italiano que en nuestra con-
temporaneidad esa relación ha perdido su característica dialógica, re-
cursiva, a cambio de una absoluta prevalencia de la técnica, de una
prevalencia del medio que se transforma, en n: vivimos y trabajamos
para generar tecnología, más que para comprender su presencia dentro
de nuestro humano devenir:
La vida humana queda relegada en la relación entre acción y reexión.
Nada impide de hecho que la reexión, como lugar eminente de la
anticipación de la acción técnica, se libere de sí misma y proyecte como
horizonte último de la dialéctica entre acción y reexión, no ya la vida
humana, sino la vida de la técnica. (Galimberti, 2016, p. 287)
Si la denuncia de los costados más oscuros de la IA es irrenunciable,
las formas de conciliación y de trabajo para una convivencia poshu-
mana, parecen representar el mayor desafío de la contemporaneidad.
En su esfuerzo por conciliar los discursos en torno a la minería de
datos educativos y la analítica del aprendizaje (AAp), Simon Buckin-
81
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
ham-Shum, que desarrolló su carrera como profesor en Informática
en la pionera y popular Open University of UK (Universidad Abierta
de Reino Unido) desde el 1995, generó un espacio para el compro-
miso de los investigadores educativos más críticos en un diálogo con
colegas que dedican sus energías a programas intensos de desarrollos
tecnológicos en el campo. El profesor señaló:
Estas tensiones (entre tecnología y crítica social) vienen dadas por el
hecho de trabajar en un campo que tiene consecuencias inmediatas
y directas para un gran número de estudiantes y educadores […] no
podemos permitirnos el lujo de ignorar cómo nuestro trabajo es (mal)
entendido por los responsables de la política educativa, los profesionales
y los ciudadanos en general. (Buckinham-Shum, 2019, p. 6)
Sin embargo, el antagonismo entre un desarrollo tecnológico ena-
jenado de su contexto sociohistórico y la crítica social que conlleva
tiene raíces profundas que tal vez es necesario revisar.
Para comenzar, los antagonismos y separaciones entre un mundo
cientíco y tecnológico, plenamente comprometido con el desarrollo,
el avance de esa forma de conocimiento y sus productos, y el mundo
sociohumanístico, preocupado por el devenir de la existencia huma-
na y la alienación, parece tener sus raíces en lo que Charles P. Snow
denominó «las dos culturas», en relación con una revolución cientíca
en curso a lo largo del siglo (Snow, 1959). Snow ya había tratado
el problema de «la vida intelectual de toda la sociedad occidental
[dividida] cada vez más en dos grupos polares» (Ibíd., p.3). Entre los
dos polos, que él representa con los intelectuales literarios, por un
lado, y los cientícos físicos, por el otro, se encuentra «un abismo de
incomprensión mutua –a veces (particularmente entre los jóvenes)
mechado de hostilidad y antipatía, pero sobre todo falta de enten-
dimiento» (Ibíd., p. 4). En el siguiente párrafo de la conferencia del
autor de 1959 hay un mensaje rotundo:
Los no cientícos tienen la arraigada impresión de que los cientícos
son supercialmente optimistas. Desconocen la condición del hombre.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
82
Por otro lado, los cientícos creen que los intelectuales literarios ca-
recen totalmente de previsión, se despreocupan peculiarmente de sus
hermanos los hombres, en un sentido profundo son antiintelectuales,
ansiosos de restringir tanto el arte como el pensamiento al momento
existencial. (Ibíd., p.5)
El desarrollo tecnológico como expresión del paradigma cientíco
ha sido acusado por las ciencias sociales de abastecer los valores del
neoliberalismo y el colonialismo, siendo, por tanto, apoyado por el
poder. A su vez, la crítica social ha sido acusada de intelectualismo
oscuro y poca preocupación por los problemas humanos que requie-
ren la ciencia y la tecnología como medios para mejorar la calidad de
vida (Moats y Seaver, 2019).
Reverberando con la cita de Snow anteriormente introducida, las
prácticas de datos no son solo un fenómeno que se estudia desde una
disciplina especíca, sino que son la cara emergente de un problema
social, cultural y político. Un problema entrópico con consecuencias
intencionadas y no intencionadas, en un contexto histórico donde el
avance tecnológico parece inexorable.
Para profundizar en esta idea, nos basamos en el concepto de
«epistemologías de datos», tomado de Milan y Van der Velden (2016).
Estas autoras de la Universidad de Ámsterdam han estudiado los
movimientos de activismo digital, es decir, de defensa de derechos
respecto al desarrollo incipiente de la posdigitalidad. En su estudio
sobre las diversas respuestas del activismo a la daticación, caracteri-
zan el problema en los siguientes términos:
Al examinar las diversas formas en que los individuos y los grupos se
comprometen con la política de datos, identicamos dos enfoques prin-
cipales: la digitalización se interpreta como un desafío a los derechos in-
dividuales o como un nuevo conjunto de oportunidades para la defensa
y el cambio social. (Ibíd., p. 66)
El trabajo no toma una posición polarizada respecto a las respues-
tas de los colectivos sociales estudiados, sino que identica los reper-
83
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
torios de acción, mapea los abanicos de tácticas usados e identica,
así, una suerte de «continuo entre dos tipos de respuestas que no son
necesariamente contradictorias entre sí: desde actitudes polémicas
como ofuscar y resistir, hasta abrazar y aprovechar la digitalización
(y daticación) (Milan y Van der Velden, 2016).
Milan y Van der Velden dan entonces el nombre de «activismo
de datos reactivo» a la primera respuesta, es decir, el uso de medios
sociales o técnicos para defender la privacidad y el anonimato para
resistir las tácticas de vigilancia adoptadas por el Estado y las empre-
sas. Según esta epistemología, los activistas perciben la recopilación
masiva de datos como una amenaza para sus valores.
El segundo grupo se comporta de una manera totalmente diferen-
te, movilizando, solicitando, apropiándose de los datos para generar
«nuevas narrativas de la realidad social que cuestionen la veracidad
de otras representaciones, denuncien la injusticia y aboguen por el
cambio» (Ibíd., p. 6). Las autoras dan nombran como «proactiva» esta
epistemología de datos. Ellas concluyen que «reactivo» y «proactivo»
representan dos facetas de un mismo fenómeno: ambos «toman la
información como una fuerza constitutiva de la sociedad capaz de
moldear la realidad social» (Ibíd., p. 67). Como el lector habrá podido
imaginar, es fácil encontrar informáticos y cientícos STEM en el
grupo proactivo, mientras que el grupo reactivo puede asociarse más
a los humanistas y cientícos sociales (aunque esta no es una regla,
necesariamente).
Sin dudas, el enfoque de Milan y Van der Velden parece ser un
modelo potencialmente relevante para caracterizar las disposiciones,
narrativas e imaginarios institucionales y personales en torno a los
datos. Yo sostendré aquí que este modelo podría ser ventajoso para
caracterizar las prácticas de datos en las instituciones de educación
superior (o IES). Sobre todo, que podría comportar una forma pode-
rosa de descubrir áreas en las que la colaboración interdisciplinaria es
necesaria o incluso urgente, integrando estrategias de intervención.
Volviendo a algunos de los ejemplos tratados en el capítulo 1, po-
dríamos pensar en el trabajo sobre ciencia y datos abiertos, así como
de desarrollos en IA desde un punto de vista participativo, respecto
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
84
a grupos que denuncien sesgos algorítmicos en plataformas adopta-
das en una IES. Aplicando esta línea de razonamiento, en efecto, las
prácticas de datos, en general, y en particular dentro de la educación
superior, requieren superar extremos como las declaraciones simplistas
que relacionan la innovación y el desarrollo, por un lado, y la crítica
performativa a la daticación, por el otro. Y para ello, los problemas
humanos no pueden ser forzados a subsistir en espacios disciplinarios
en los que se lleve a cabo su disección. En cambio, requieren un esfuer-
zo interpretativo complejo y contextualizado, cada vez mayor por sus
consecuencias últimas en la vida y la historia humanas (Klein, 1996).
Por lo tanto, la visión del tiempo y lugar donde surge un determi-
nado enfoque de acción, unas prácticas de datos, se relaciona íntima-
mente con las formas de concebir los datos en ese contexto. Desde
mi punto de vista y alejándome ligeramente del enfoque de Milan
y Van der Velden, no siempre se llegará al nivel de compromiso del
activismo; en algunos casos serán simplemente intuiciones, narra-
tivas, creencias que arraigarán el entusiasmo o la cautela respecto a
procesos de daticación. Y no siempre dichas creencias se apoyarán
en una idea democrática de la digitalización, sino que podrían apoyar
(como ya lo hemos mostrado particularmente para el fenómeno de la
plataformización) formas de dominio y monopolio invisibilizadas y
traducidas en gerencialismo, con discursos ecientísimos de calidad
e innovación (Raaghelli, 2022a).
Pensar la datificación desde la complejidad
Llegados a este punto, traeré el pensamiento complejo planteado en
los años noventa por Edgar Morin, que invocó el papel central de la
interdisciplinariedad.
Al considerar las diferentes concepciones o «epistemologías» de da-
tos no pretendemos realizar un esfuerzo pragmático de clasicación,
sino más bien adoptar el enfoque losóco de la complejidad. Consi-
derando el pensamiento de Edgar Morin, la complejidad «a primera
vista, es un fenómeno cuantitativo [...] que combina un número muy
85
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
grande de unidades» que componen un sistema. Pero la complejidad
también está «constituida por la incertidumbre, la indeterminación
y los fenómenos aleatorios» basados en la interacción del sistema con
el contexto. Morin continúa diciendo que «la complejidad está, por
tanto, ligada a una cierta mezcla de orden y desorden, una mezcla
muy íntima, muy diferente de las concepciones estáticas de orden/
desorden» (Morin, 2008, p. 20). Además, para Morin, metodológi-
camente hablando, «resulta difícil estudiar los sistemas abiertos como
entidades que pueden aislarse radicalmente», ya que la «interacción
del sistema y el ecosistema [...] puede concebirse como el “ir más
allá”», en busca de «encontrar los principios comunes de organización,
los principios de evolución de estos principios, las características de su
diversicación» (Ibíd., p. 11).
En estos términos, los datos, como dinámica social, atraviesan las
universidades como organizaciones que no pueden ser consideradas
aisladamente, sino en su lucha por congurarse absorbiendo las fuer-
zas externas de la datacación y reconectándolas con una identidad
institucional histórica, que sienta las bases para que se abracen ciertas
epistemologías de datos actuales. La daticación, como armaba en el
primer capítulo, es un fenómeno emergente basado en las infraestruc-
turas de datos, es decir, la materialidad que soporta la nube digital; las
concepciones y prácticas en torno a las métricas y la cuanticación; la
mano de obra que introduce los datos o los produce inconscientemen-
te; los puntos de recogida de datos (data points) generados a través de
varios sistemas; la forma en que estos se elaboran a través de simples
procesamientos estadísticos o soluciones algorítmicas; el compromiso
con tales representaciones y artefactos y la relación con los resultados
emocionales y de comportamiento desencadenados (Crawford, 2021;
Decuypere, 2021). Para ponerlo en términos concretos, una infraes-
tructura de datos no es un solo social network, como Facebook, o el
sistema elegido para apoyar un aula virtual, como una vieja conocida
aula Moodle.
Estamos hablando de que interactuamos con un objetivo rele-
vante para nuestra vida social, profesional, personal. Por ejemplo, el
sistema de mensajería instantánea WhatsApp ampliamente usado en
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
86
el sur de Europa y América Latina, que supera los 2000 millones
de usuarios (datos de 2020) fue identicado como un aliado de do-
centes, estudiantes y familias para mantener el contacto durante el
connamiento por la COVID-19. Este aplicativo utiliza una versión
personalizada de protocolo abierto (extensible messaging and presence
protocol). Al ser instalado, se apoya en el número de teléfono para
crear una cuenta de usuario. Los mensajes (que contienen imagen,
audio o vídeo) se envían subiendo el contenido a un servidor HTTP,
no localizable ni intuible para el usuario nal. Cada chat tiene una
clave única de encriptación, lo que cifra el contenido de extremo a
extremo; tecnología a la que se llegó luego de varios ciberataques y dis-
cusiones desde el 2012. Sin embargo, los metadatos (momento de en-
vío del mensaje, de recepción y visualización, y listados de contactos,
entre otros) sí son visibles y la actualización de privacidad del 2021
anunció directamente que WhatsApp compartiría dichos datos con
Facebook y su «familia de empresas», sin dejar otra opción al usuario
que la de bajarse del servicio en el caso de no aceptar.29 Ello implica
que hay una recogida de datos que, al integrarse masivamente, produ-
cen posibilidades de perlado de los usuarios. Dicho perlado puede
ser utilizado para establecer pautas de sistemas de recomendación
en el campo del marketing. Pero considerando la amplia variedad
de empresas partners que pueden tener acceso a los datos recogidos,
agregados y tratados por Meta,30 cuya idea es seguir creciendo a partir
de la agregación de partners con servicios diversicados con una base
común: el tratamiento de los datos de los usuarios.
Se llegaría así a ofrecer un «metaverso», un ambiente integrado
de productos y servicios, donde el perlado de usuarios, base del
capitalismo de vigilancia y del surplus comportamental anticipado
por la Zubo (2019), podría tener implicaciones para la aplicación
29. Actualidad RT (2021). «El ultimàtum de WhatsApp a sus usuarios: comparte tus da-
tos con Facebook o búscate otro «Messenger» (8 de enero). https://actualidad.rt.com/actualida-
d/379514-whatsapp-terminos-compartir-datos-facebook.
30. Meta Platforms, Inc. es la evolución de Facebook e incluye las plataformas Facebook, Mes-
senger, Facebook Watch y Facebook Portal. Ha adquirido también Oculus, Giphy, Mapillary y
Kustomer, y posee intereses en Jio Platforms. En el 2021, la compañía generaba el 97.5% de su
ganancia a partir de las inserciones comerciales.
87
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
a un puesto de trabajo, el tener acceso a un crédito o a un seguro
sanitario. Si bien esta lectura se relaciona principalmente con el con-
texto americano, donde la competición entre servicios privados en
sectores como la salud y el acceso a crédito se basa en un mercado
ampliamente desregularizado que apunta a la productividad y máxi-
ma eciencia, la situación en el contexto europeo y latinoamericano
podría adquirir tintes dramáticos cuando se piensa en la evolución
híbrida y frecuentemente ad hoc de la relación público-privada. Y el
uso dado a WhatsApp durante las olas de connamiento orientan a
pensar la falacia de la «elección» de parte del usuario: el no uso no es
opción, cuando todo un grupo social del cuál la persona depende para
su sensación de pertenencia, continuidad y avance en la construcción
identitaria, con un claro impacto en su salud mental.
Esta situación se ha repetido en mayor o menor medida en cuanto
a la adopción de las plataformas Google Classroom o Zoom duran-
te la pandemia (Bozkurt et al., 2020), o bien de la transformación
digital de las universidades con la adopción de servicios de cloud en
Blackboard Open LMS.
Sin embargo, ¿qué sucedería si los usuarios pudieran elegir la dona-
ción de sus datos para causas como la investigación epidemiológica o
el desarrollo de sistemas de interpretación y traducción? Ambos casos
existen: el primero, mencionado por Seth Stephens-Davidowitz (2017,
pp. 34-35) en relación con la detección precoz del cáncer de páncreas
a partir de las búsquedas de Google; el segundo, en el traductor ins-
tantáneo de Google, en el que, al interactuar y dejar sugerencias,
vamos mejorando de manera crowdsourced el algoritmo de traducción
a idiomas que podrían incluso ser minoritarios. Y ante esta posibi-
lidad, ¿no es posible disponer de herramientas legales de regulación
que protejan la privacidad de los usuarios nales desde el diseño de
un servicio? También este escenario existe: en Europa, en el 2016, se
elaboró el Reglamento General de Protección de Datos,31 que focaliza
justamente el tratamiento de datos de las personas físicas y su libre
31. RGDP en castellano o GDPR (general data protection regulation) en inglés. https://es.wiki-
pedia.org/wiki/Reglamento_General_de_Protecci%C3%B3n_de_Datos
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
88
circulación. Se ha aplicado desde 2018 y sigue evolucionando, con
la adopción, el 20 de octubre de 2020, de los principios del 04/2019
sobre el artículo 25 del RGPD, que disciplina la protección de datos
no solo a posteriori, es decir, durante el uso de un servicio, sino desde
el diseño de ese servicio.
Supongamos que queremos desarrollar un aplicativo para mejo-
rar la comprensión de procesos colaborativos en línea por parte del
estudiantado: no solo tendremos que indicar un responsable por el
tratamiento de datos y dar la posibilidad al participante de solicitar
sus datos o pedir ser cancelado de una base de datos en cualquier
momento. También deberemos analizar el riesgo que presupone cap-
turar ciertos datos; cómo serán anonimizados y cifrados si es nece-
sario; cómo intervendrá un humano en el caso de presentarse una
situación de injusticia o problema declarado por un usuario. Y, sobre
todo, no se podrá deslindar responsabilidad al no tratar un dato di-
rectamente y pasarlo a terceros (por ejemplo, uso de servicios de cloud
externos, como IBM Cloud,32 o una plataforma de etiquetamiento
para desarrollar sistemas de IA, como Amazon Mechanical Turk).33
El responsable del tratamiento de datos debe asegurar un adecuado
sistema de documentación y de gestión integrado a una propuesta de
desarrollo digital.
En denitiva, la pregunta es: ¿Existe la posibilidad de que nues-
tros datos puedan contribuir al bien común al mismo tiempo que
protegemos nuestra privacidad? Ciertamente, la pregunta no tiene
aún una respuesta certera y encuadra debates tecnológicos, sociales
y éticos. En particular, esta cuestión podrá ser respondida desde la
experiencia individual de una persona o una experiencia histórica de
un grupo humano, y podrá colocarse, volviendo al trabajo de las in-
vestigadoras Milan y Van Der Velden, en algún lugar del continuum
proactivo-reactivo.
En la actualidad, la tensión entre desarrollo tecnológico y crítica
social ha llevado en los últimos años a la regulación progresiva y al
32. https://www.ibm.com/uk-en/cloud
33. https://www.mturk.com/
89
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
replanteamiento de enfoques de desarrollo. No se trata solo de esta-
blecer regulaciones: problemas éticos como la protección de la priva-
cidad o la implementación de sistemas imparciales pueden (y deben)
afrontarse desde el diseño mismo de un algoritmo (Kearns y Roth,
2020, pp. 36-38). Sin embargo, es extremadamente relevante traer a
la luz comportamientos monopólicos, como lo está haciendo toda la
investigación en relación con la plataformización educativa (Casta-
ñeda y Williamson, 2021; Decuypere et al., 2021; Nichols y García,
2022; Saura et al., 2021; Williamson, 2016a), así como explorar las
bases conceptuales de lo que denimos como derecho a la privacidad
en el alumnado, o bien como éxito escolar/educativo, o como partici-
pación, por mencionar solo alguno de los muchos constructos que se
traducen en métricas y visualizaciones en la investigación y desarrollo
para la educación data driven (Broughan y Prinsloo, 2020; Prinsloo
et al., 2022)
Así, las infraestructuras digitales y, por lo tanto, de datos de las
universidades son sistemas abiertos, compuestos por subsistemas como
los grupos académicos, el personal directivo, los estudiantes y otros,
que aportan sus propios posicionamientos (en términos de historias
personales y disposición al uso de tecnologías), que tienen un peso en
la toma de decisiones respecto al uso de los datos. Esa trama muestra
en toda su entidad la complejidad. ¿Podemos separar estos elementos?
Como hizo Decuypere (2021) en su visión topológica de las prácticas
de datos o Crawford en su esfuerzo por cartograar la IA en un atlas
de capas de información entrelazadas, con nes analíticos podemos
seleccionar modelos, marcos, instrumentos conceptuales. En efecto,
debemos promover estas operaciones en aras de la interpretación y
comprensión de las prácticas de datos y, en particular, para descubrir
la injusticia. Pero en algún punto será necesario reexionar en el todo,
en la integración de elementos que lleva a pensar la acción futura. En
los términos en que Neil Selwyn lo dene, se trata de comprender (las
epistemologías de datos presentes en una institución) para construir
«futuros de datos alternativos» (Selwyn, 2021).
En concreto, considero que los futuros de los datos en las IES se
«tejerán» en gran medida sobre la base de la prevalencia o el equilibrio
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
90
entre los movimientos tecnológicos proactivos y reactivos. En el caso
proactivo, los esfuerzos por representar, visualizar y sintetizar la infor-
mación podrían apoyar la exploración de procesos en curso, facilitan-
do los ujos de trabajo y los servicios automatizados relacionados con
la democratización del conocimiento (como el uso de datos abiertos),
en lugar de controlar el comportamiento y la cognición humana al
servicio del poder (como la generación de rankings). En particular,
involucrar a los estudiantes en tales prácticas podría también llevarlos
a participar en un contexto de producción y apropiación de datos
abiertos en la ciencia y la sociedad (Mazon et al., 2014; Purwanto et
al., 2018; Raaghelli, 2018b). Por otro lado, siempre que se interro-
guen las mismas prácticas de datos, se abrazará una epistemología
reactiva para así plantear preocupaciones sobre la calidad de los da-
tos, la división del trabajo alrededor de los datos, la privacidad del
estudiantado y del profesorado, las posibles desigualdades, las falsas
creencias sobre la objetividad y una simplicación ingenua de los
procesos y resultados.
Esta búsqueda continua de equilibrio debería enmarcarse en la
comprensión del papel de la responsabilidad humana en su compro-
miso por explorar, valorar y convivir con la complejidad, como parte
de un futuro alternativo en el que no somos víctimas o perpetrado-
res de los desequilibrios de la daticación, sino que la incorporamos
como proceso y fenómeno humano para el bien y el equilibrio social.
Sin embargo, estamos muy lejos de esa visión. A medida que las
prácticas profesionales, la industria y los campos disciplinarios aca-
démicos de la ciencia de los datos evolucionan, en paralelo con la
crítica de las ciencias sociales y el activismo de datos, es evidente que
los imaginarios sobre la «bondad» de usar o no usar datos y de cómo
hacerlo dentro de las principales actividades de las IES también sufri-
rán tensiones. Especialmente, algunas prácticas y narrativas podrían
incluir contradicciones dentro de un mismo contexto institucional.
Por ejemplo, las políticas de nanciación de la investigación están
fomentando cada vez más la publicación de datos abiertos, mientras
que a la vez se afrontan problemáticas relacionadas con la no anoni-
mización, es decir, la imposibilidad de proteger de manera perfecta las
91
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
identidades de sujetos participantes en la investigación, en particular,
biomédica y social (Kearns y Roth, 2020; Saunders et al., 2015). Por
otra parte, podemos tener en una misma institución grupos que se
dediquen al desarrollo de analíticas de aprendizaje, que trabajen al
margen de un adecuado debate institucional sobre qué visualizar,
cómo, por qué y de qué manera involucrar la lógica human in the
loop («humano en el bucle»), es decir, control humano en cualquier
proceso de automatización (Slade y Tait, 2019; Tsai y Gasevic, 2017).
En denitiva, podemos encontrar esfuerzos independientes del
profesorado en su ejercicio de independencia intelectual, que pueden
entrar en conicto más o menos abierto con los discursos institucio-
nales. Por lo tanto, la necesaria operación estratégica es una: com-
prender, a través de procesos participativos, la existencia de prácticas
y narrativas de datos y desvelar las contradicciones existentes a partir
de un diálogo interdisciplinario en torno a una visión y misión insti-
tucional. He aquí el nodo central de la propuesta en este libro.
Atravesar la complejidad en torno a los datos: un enfoque
conceptual para pensar y construir culturas (justas) de
datos
A partir de mis muchas conversaciones con otros docentes y con per-
sonal técnico de las universidades (Raaghelli, 2022b), fui anotando
una serie de preguntas que parecían tener hilos conductores diferen-
tes, alrededor de la vida «daticada» en las IES:34
• ¿Para qué recogemos datos?
• ¿Sirven estos datos que estamos recogiendo?
• ¿Tenemos acceso a tales datos?
• ¿Quién tiene acceso o control sobre esos datos?
34. Me reero en este listado a las pregunta s que surgen mayormente de la gestión institucional
y docente. Naturalmente, en el campo de la investigación en inteligencia articial las preguntas son
mucho más especícas.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
92
• ¿Dónde acaban estos datos que dejamos en la nube o en el en-
torno X?
• ¿Vale la pena hacer el esfuerzo de recopilar estos datos?
• ¿A quién le interesa este tipo de datos?
• ¿Por qué recogemos tantos datos que no utilizamos?
• ¿Es lícito recoger estos datos?
• ¿Cómo elaboraremos estos datos?
• ¿Quién analiza nuestros datos?
• ¿Será realmente útil seguir esta tendencia de apertura de datos?
• ¿Será realmente útil generar estos modelos y visualizaciones de
datos?
Estas eran preguntas cotidianas, surgidas del trabajo individual o
en unidades pequeñas, con poca visibilidad de una a otra. Sin embar-
go, en instituciones que comienzan a realizar una reexión clave sobre
las infraestructuras de datos y su impacto en la vida de las personas
que las componen (en especial estudiantado, profesorado y personal
técnico/de gestión), las preguntas comenzaban a tomar una forma
en la que las relaciones entre operativo/conceptual y técnico/crítico
comenzaban a ser más evidentes. Algunas de esas preguntas eran:
• ¿Qué tipo de datos se recogen en esta institución y cuáles son los
fundamentos conceptuales y pedagógicos que estamos adoptando
para procesar estos datos?
• ¿Cómo aborda el profesorado las prácticas pedagógicas a partir de
los datos disponibles? ¿Qué decisiones de síntesis tomamos ante la
abundancia de datos en los contextos institucionales y sociales del
aprendizaje digital?
• ¿Cómo aborda el estudiantado sus procesos de aprendizaje a través
de dispositivos y recursos basados en datos? ¿Cómo navega en la
abundancia […] digital?
• ¿Qué problemas de usabilidad de los datos y de las visualizaciones
de datos (por ejemplo, cuadros de mando de análisis del aprendi-
zaje) se han observado con uno o más ciclos de evaluación autén-
ticos?
93
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
• ¿Pueden compartirse los datos y sus interpretaciones? ¿Proporcio-
nará esto un acceso más democrático al conocimiento?
• ¿Existe una conciencia crítica sobre la visibilidad y el uso de los
datos normalizados y sociales? ¿Qué sesgos podríamos producir?
• ¿Cómo gestionamos la responsabilidad de tratar datos para generar
servicios y desarrollos? ¿Cómo tratamos con las terceras partes en
las que nos vemos obligados, por cuestiones de infraestructura
tecnológica, a subcontratar servicios en la nube?
• ¿De qué infraestructura tecnológica disponemos y hasta dónde
llega nuestra «soberanía» tecnológica?
Fui transformando estas preguntas en una serie de líneas de traba-
jo organizadas, comprendiendo que las mismas respondían a distintas
concepciones sobre lo que la daticación puede (o no) implicar para
las IES. Expuse esas líneas en el capítulo anterior, pero las traeré
sintéticamente aquí, de nuevo, para ir recordando junto al lector las
tramas de desarrollo y de prácticas basadas en los datos a que respon-
den. Es decir:
• la adopción de las tecnologías digitales como medio de moderni-
zación de la educación superior, fuertemente asociadas a discursos
de gerencialismo de las IES;
• el intento de democratización del conocimiento a partir de la cien-
cia abierta, que incluye de manera central el uso de datos abiertos,
en las universidades como estructuras públicas consumidoras y
productoras de dichos datos;
• los ujos de datos adoptados para el desarrollo de la IA y las con-
secuencias para las IES.
Al considerar los posibles cruces de estas tres líneas surgía la da-
ticación como fenómeno complejo. Sin embargo, un aspecto fun-
damental, inherente a la característica de sistema abierto (como lo
caracteriza Morin) de las instituciones que fui observando era la re-
levancia del contexto. En efecto, frecuentemente observé que lo que
era posible y deseable en una determinada institución, en otra asu-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
94
mía incluso una situación de riesgo por falta de infraestructuras o de
posibilidad de negociar con ellas, o bien por la falta de trayectoria
en una determinada práctica de datos. Observé en mis estudios de
campo que un enfoque contextual y situado no solo focalizaba los
saberes y las prácticas del profesorado y el alumnado para optimizar la
gestión de los datos, sino para comprender sus repercusiones, riesgos
e implicaciones a largo plazo. En dicho enfoque contextualizado era
posible pensar la daticación en una institución en el sur global como
su lucha por mantener una infraestructura basada en código abierto,
ante las presiones recibidas por una reciente política de imposición
de una plataforma privativa (Zoom, o Google Suite, por ejemplo); y
en este caso, los saberes de la comunidad que apoya el Open Source
se movilizarán para justicar esta elección de frente a las motivacio-
nes gubernamentales de nivel superior. Era posible también pensar
una perspectiva diferente para otra universidad, que se encontraba
ante un vacío normativo para proteger la privacidad entre docente
y alumnado, o de una universidad en el norte global que posee una
serie de servicios tecnológicos privativos que constituyen la base para
la extracción de métricas por las que se benecia por su relevante po-
sicionamiento en rankings construidos sobre la base de estas mismas
métricas.
En cualquier caso, una visión contextualizada hacía posible explo-
rar y comprender la complejidad a partir de la integración de la esfera
tecnológica de infraestructuras de datos con las reacciones, narrativas,
prácticas de colectivos humanos y sus espacios de negociación y de
transformación. Fui encontrando vectores de reexión que obtenían
una conguración única; si bien podía haber convergencias y diver-
gencias de institución a institución: ¿Los actores temen/saben que
los datos se extraen y utilizan de forma abusiva? ¿Se sienten calica-
dos para hackear los procedimientos de datos abusivos? ¿Desean ser
creativos con los datos disponibles y piden más acceso a los mismos?
¿Tienen capacidad de negociación respecto del acceso?
En esa trayectoria, fue relevante para mí encontrar el trabajo de
Andrejevic et al., (2015) respecto a la necesidad de adoptar la lente de
la teoría cultural, dado su potencial para interpretar las prácticas de
95
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
datos como «prácticas menos accesibles (o visibles) que otras formas
de representación cultural» (Ibíd., p. 380). Estos autores planteaban
que «los estudios culturales (sobre las prácticas basadas en datos) de-
ben atender a las cuestiones de poder, subjetividad, gobernanza, au-
tonomía, representación, control y resistencia que siempre han sido
centrales en la investigación en este campo» (Ibíd., p. 384). Por lo
tanto, me acercaba a la idea de que explorar las «culturas de los datos»
podría introducir un formidable instrumento conceptual.
Pero podía darle una vuelta más al asunto. Dijimos que las tres lí-
neas de trabajo tienen una clara repercusión para las estrategias de go-
bierno y los proyectos institucionales de las IES. Más aún, en los tres
ámbitos, los discursos y metáforas sobre los datos han evolucionado
rápidamente en la última década, entrando a veces en contradicción.
Indudablemente, ello reclama saberes conceptuales y prácticos, que
indudablemente trazan el camino para formas de alfabetización en la
posdigitalidad daticada.
Se abría así a una pregunta fundamental, relacionada de manera
transversal con todas las otras preguntas: ¿Cuáles son los alfabetismos
necesarios para trabajar, estudiar, vivir en la daticación, más allá de
una mera técnica del dato, hacia una visión ética, política y estética
que reconozca la complejidad del problema?
Y ello ponía de maniesto, por último, la importancia de generar
una capacidad transformadora como resultado del ser parte de una
cultura local, institucional, movilizadora de una especíca cultura de
datos. El concepto de cultura de datos no solo podía tener implica-
ciones en la comprensión, sino particularmente, en la transformación
a partir del desarrollo de dichos alfabetismos.
Culturas de datos: hacia la conceptualización
El concepto de cultura de datos preexistía a mi trabajo de investi-
gación. Sin embargo, a mi parecer, faltaba una articulación mayor
para poder transformar el concepto en dispositivo transformador. En
este párrafo, he tratado de realizar un recorrido para presentar dicho
dispositivo.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
96
Empezaré por la denición encontrada en Wikipedia:35
La cultura de los datos es el principio establecido en el proceso de la
práctica social, tanto en el sector público como en el privado, que re-
quiere que todo el personal y los responsables de la toma de decisiones
se centren en la información que transmiten los datos existentes y que
tomen decisiones y realicen cambios en función de estos resultados en
lugar de dirigir el desarrollo de la empresa basándose en la experiencia
en el campo concreto.
Esta breve denición destaca los valores de la teoría del desarrollo
organizativo (Watkins y Golembiewski, 1995) y la idea de la cultura
como elemento oculto que hace funcionar la institución. Resulta re-
velador que estos vectores «blandos» solo se hayan considerado y estu-
diado durante mucho tiempo en términos de factores «bloqueadores»
o «facilitadores» de la productividad. En la misma línea, podríamos
hablar de organizaciones que aprenden (Argyris, 1977), capaces de
ser ágiles en respuesta a las presiones externas. Dichas teorías han sido
ampliamente asociadas al management y a la gestión tecnocrática.
En este sentido, una cultura de datos podría ser un programa ecaz
compartido y negociado hacia los objetivos estratégicos que pretende
la estructura de poder.
En otro orden de cosas, las instituciones (incluidas las IES) tam-
bién han sido estudiadas a través de los aparatos conceptuales de la
teoría de la actividad histórico-cultural (Sannino, 2011) y los estudios
críticos sobre la cultura (Agger, 2014) poniendo una atención crucial
en los contextos culturales y en la actividad humana como expresión
situada y colectiva, con dinámicas que pueden abarcar tensiones y
contradicciones que conducen al desarrollo de identidades profesio-
nales. Estas áreas de estudio tienen extensas historias y aparatos que
exceden el alcance de nuestro trabajo, pero coinciden en su referencia
a las teorías marxistas de la cultura, la contribución de la Escuela de
Frankfurt y los debates encabezados por los posmodernos, los estu-
35. https://en.wikipedia.org/wiki/Data_culture
97
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
dios culturales feministas y los estudios poscoloniales, entre otros.
En denitiva, se trata de una visión de la cultura que va mucho más
allá de la idea de obra artística, literaria o losóca, frecuentemente
englobadas en la Cultura (de élites intelectuales) y que, en cambio,
pone el acento en la «constitución comunicativa del signicado en la
vida cotidiana» (Agger, 2014, p. 6)
En un trabajo previo (Raaghelli, 2012), yo misma había teoriza-
do sobre lo pertinente de la perspectiva histórico-cultural de la escuela
escandinava, que trabajó sobre la base de las aportaciones de los aca-
démicos rusos Vygotskij y Leont’ev y fue establecida por Engeström
(1987/2015) para procesos de aprendizaje y transformación en las IES.
Dentro de esta corriente teórica, en efecto, las organizaciones pueden
ser un sistema de actividad humana o una red de varios sistemas su-
bordinados o «nudos» (Engeström, 2008).
En una síntesis extrema, esta teoría facilita el estudio de los ele-
mentos que explican cómo una acción individual puede integrarse
en el sistema colectivo y cómo, a la inversa, el contexto histórico
tiene implicaciones en la división del trabajo, la organización de las
comunidades humanas en torno a la actividad y las normas estable-
cidas, y todo ello afecta al individuo. Lo más importante es que esta
organización se mueve en torno a un objeto de actividad que, en úl-
tima instancia, garantiza que la actividad del sistema conduzca a los
resultados deseados. No obstante, Engeström teoriza la existencia de
contradicciones que constituyen los motores de la actividad humana
y del aprendizaje para producir cambios cualitativos que conduzcan
a una transformación social pequeña o mayor.
Ninguna transformación humana dentro de las culturas ins-
titucionales puede considerarse posible si los sistemas de actividad
constitutivos no están armonizados. En palabras de Engëstrom, «el
concepto de actividad de aprendizaje solo puede construirse a través
de un análisis histórico de las contradicciones internas de las formas
actualmente dominantes del aprendizaje humano organizado social-
mente» (Engeström, 2015, p. 74). Tal operación solo es posible a través
de negociaciones progresivas. Inspirándose en la «imaginación dialó-
gica» de Mikhail Bakhtin, Engëstrom subraya la idea de que mien-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
98
tras se negocia el cambio, la heteroglosia, como formas ambiguas de
referirse a hechos e ideas poco claras en un grupo humano, requiere
interacciones recursivas profundas e incluso conictivas para llegar a
un reajuste pertinente del sistema de actividad (Ibíd. p. 20). Basán-
dose en el concepto de Schon de la «metáfora generativa» (Ibíd., p.
226), postula más adelante que las metáforas son, en efecto, señales de
dinámicas positivas que reequilibran o avanzan en la comprensión del
problema que un grupo humano intenta resolver. Engëstrom llama a
este esfuerzo por «ir más allá» y reestructurar la conguración y los
componentes de un sistema de actividad el proceso de «aprendizaje
por expansión».
Con una larga trayectoria de estudios que aplican su teoría a con-
textos organizativos, se ha puesto el foco en el aprendizaje profesional
como central por su dinamismo, que provoca el «cruce de los límites»
de las estructuras sociales establecidas y visibles, como la escuela o los
organigramas (Akkerman y Bakker, 2011).
La relevancia en el ámbito institucional es bien captada por David
Nicolini (2012), quien destaca que el «carácter complejo y sistémico
de la actividad es uno de los aspectos centrales y denitorios de la
teoría» (p. 119).
Más recientemente, según Engenström (2008), la teoría ha evo-
lucionado hacia el llamado problema de los «objetos fugitivos» como
objetos de actividad que…
…tienen el potencial de crecer y expandirse hasta una escala de in-
uencia global. Son objetos que no están bajo el control de nadie y
tienen efectos inesperados y de gran alcance. Estos objetos son a menudo
monstruos: parecen tener una vida propia que amenaza nuestra segu-
ridad y protección de muchas maneras. [...] En el capitalismo actual,
las catástrofes y las conmociones se están convirtiendo en un objeto
dominante, explotado por las élites económicas y políticas para reorga-
nizar las condiciones sociales de acuerdo con la doctrina neoliberal. Los
objetos fugitivos son objetos impugnados que generan oposición y con-
troversia. También pueden ser objetos poderosamente emancipadores
que abren posibilidades radicalmente nuevas de desarrollo y bienestar.
99
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
El sistema operativo Linux (open source) es un ejemplo bien conocido.
Hay otros objetos nuevos menos conocidos, pero potencialmente muy
signicativos que se están creando. (Engenström, 2008, p. 3)
En esta caracterización, vemos claramente el problema que plantea
la daticación, que podría comportarse como un objeto fugitivo. Las
organizaciones, en general, y las IES, en particular, se esfuerzan por
capturar dichos objetos, lo que genera múltiples contradicciones que
requieren un compromiso humano, una negociación insistente y una
interpretación recursiva y continua de la actividad en curso. La teoría
de la actividad aporta así una perspectiva dinámica relevante.
Pongamos en práctica estos conceptos. La generación de la política
y la estética de la visualización de datos y especialmente de paneles
basados en la analítica de aprendizaje se relacionan como ya lo he-
mos dicho en el aumento de la preocupación por las IES para «per-
sonalizar» el entorno de aprendizaje y promover una actividad más
autónoma y «autorregulada» del estudiantado (Rienties et al., 2018).
Ello se ha visto como un objeto principal de actividad para organizar
visualizaciones de conceptos psicofísico-neuro-pedagógicos. Estas re-
presentaciones son supuestamente objetivas, pero siempre encierran
una semiosis arraigada en la cuanticación como discurso de poder
que genera una contradicción de segundo nivel entre las reglas im-
puestas por quienes crean los paneles de visualización (tecnólogos y
eventualmente investigadores) y quienes están obligados a utilizarlos
(profesorado o alumnado). Las tecnologías basadas en datos, ade-
más, podrían ser conducidas por fenómenos políticos y clasistas que
denen los discursos dominantes de «normalidad» en el desarrollo
cognitivo y el comportamiento social y profesional relacionado con
el rendimiento del aprendizaje, lo que lleva a una contradicción. Por
ejemplo, si el panel presenta con colores y estadísticas a las personas
«mejores» y «peores» de una clase (aunque solo sea visible para el
docente o la docente) y este dato se extrae solo de los clics, tiempo
transcurrido e interacciones dentro del LMS, ¿cómo podemos estar
seguros de que un alumno que no se conecta o no entrega sus tareas
intermedias no necesite otras formas de mediación y de apoyo, bus-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
100
cadas, por ejemplo, en la interacción entre pares, que no queda cap-
turada en la plataforma? La contradicción se sitúa entonces entre la
actividad central de la educación (el aprendizaje) y la actividad especí-
ca de desarrollar e imponer un panel de visualización que incorpora
valores que bien podrían estar más allá de los intereses pedagógicos.
Me reero con intereses (que superan al docente) de obtener resul-
tados de desempeño y de satisfacción del alumnado que representa
solo a un grupo de élite, pero que hacen competitiva la universidad
en un ranking nacional o internacional, más que dedicada a servir un
territorio con sus dicultades.
De hecho, según Prinsloo, estudioso sudafricano de la analítica
de aprendizaje, en la enseñanza superior, las formas de vigilancia se
entremezclan con la libertad de los estudiantes para denir su propio
tiempo y sus resultados de aprendizaje, con el riesgo de entrar en es-
tructuras neotayloristas que controlan una máquina de ritmo invisible
donde el objetivo nal es medir y mostrar la productividad del sistema
(Prinsloo, 2019).
La cultura de datos emergerá particularmente en la aceptación y
adopción o rechazo y resistencia a dicho sistema. El simple hecho de
seleccionar un apoyo pedagógico e involucrar al alumnado desde el
diseño de un sistema de paneles de visualización de este tipo, o bien
de informar al estudiante lisa y llanamente de que los resultados del
aprendizaje serán probablemente negativos al nal de un semestre,
encierra fuertes supuestos pedagógicos, de procesos de generación de
sentido que nos recuerdan la idea de «voces» y de «historicidad» de
Engëstrom en la consolidación de ese sistema y esas prácticas. Así,
podemos suponer que un panel de visualización adoptado implica
sistemas de actividad entrelazados dirigidos por las personas informá-
ticas que ensamblan los componentes materiales; las personas tecnó-
logas educativas que atienden a los enfoques tecnocráticos o críticos
de las deniciones que (no necesariamente) se unirán al desarrollo
de la tecnología; las académicas en su papel de denir los contenidos
relevantes, posiblemente basados en la investigación; las gestoras que
consideran los objetivos nales de «productividad», y las personas
estadísticas que asesoran para desarrollar las métricas necesarias. Es-
101
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
tos sistemas proceden de valores diferentes y funcionan con normas,
organizaciones laborales y comunidades de referencia distintas. En el
mejor de los casos, estos sistemas diversicados dialogan para evitar
niveles de contradicción que lleven al bloqueo del sistema; en el peor
de los casos, se ignoran las diferencias, lo que produce un resulta-
do inútil, o peor, injusto hacia quienes están bajo su inuencia. El
asco de la evaluación en Reino Unido durante el primer año de la
pandemia de COVID-19 es elocuente al respecto (Kolkman, 2020).
La adopción descontextualizada de soluciones tecnológicas durante
la pandemia, en la que la monetización de los datos se extendió al
mismo ritmo que la adopción de estas soluciones (Williamson et al.,
2020b), puede considerarse otro ejemplo.
La forma en que estos sistemas de actividad existen dentro de
la institución depende, por tanto, de una combinación histórica de
creencias situadas, disposiciones, narrativas, ocasiones de celebrar hé-
roes y estéticas en torno a los datos que, en última instancia confor-
man lo que podemos denominar «una cultura de datos». Un enfoque
contextualizado, en el que las contradicciones históricas y sociales se
hagan visibles y se negocien implicaría la participación de académicos
y estudiantes en la comprensión del tipo de datos capturados y proce-
sados a través de algoritmos que engloben a los humanos en el bucle
de desarrollo e implementación y a una fuente abierta que tenga en
cuenta la soberanía tecnológica. Esta cultura de los datos implicaría
revisiones progresivas y un espacio para entender las implicaciones
políticas, relacionando las prácticas de datos con el contexto social y
el territorio en el que se sitúa la universidad.
Nuestro enfoque de una cultura de datos institucional también
desacredita los reduccionismos de la ciencia de los datos relacionados
con los principios generales y universales que guían la automatización
y con la IA como frontera clave del conocimiento. Bajo este prisma,
el enfoque en red y «glocal» adquiere relevancia, porque las prácticas
de datos investigadas o desarrolladas en un contexto del Norte no
pueden ser simplemente «tomadas prestadas» por las universidades
del sur global y se reeja en lo que otros, en particular Knox, habían
desentrañado tempranamente en el caso de la captura de datos en
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
102
los cursos masivos abiertos en línea (MOOC) (Knox, 2016). Según
este estudioso, los datos, en un enfoque digital «global» y «prolíco»,
se capturan y utilizan con nes de investigación que luego puede (o
no) determinar material promocional de los mismos MOOC (Ibíd.,
p. 81). Las visualizaciones de datos en los MOOC, como uno de
los resultados frecuentemente adoptados como parte de un enfoque
«accionable» y «personalizado», son más que el resultado de los da-
tos capturados masivamente en una sinergia centro-periférica que
nos lleva a pensar en un «colonialismo de datos» (Ibíd., p. 74). Una
cultura de datos debería apoyar procesos socioculturales en el ám-
bito local, como, por ejemplo, la ausencia de representación de un
determinado colectivo humano (como un colectivo vulnerable poco
representado en sus necesidades, o su accionar en un territorio, o la
ausencia de información que genera sesgos en procesos de aprendizaje
automático).
No solo los datos, sino también los enfoques de elaboración de los
datos están relacionados con los territorios y las redes en las que se
emplazan las universidades. En su estudio comparativo de dos uni-
versidades de dimensiones similares en cuanto a número de estu-
diantes y profesorado, pero bastante diferentes en cuanto a tradición
docente, Raaghelli et al. (2021) demostraron que las prácticas di-
eren respecto al uso de datos para informar del quehacer docente, o
para comprender los procesos de enseñanza y aprendizaje. Mientras
una de las universidades adopta medidas tradicionales, propuestas a
nivel nacional, la otra universidad explora un sistema de captura y
representación que viene discutiendo desde hace casi una década en
cuanto a procesos de investigación sobre el aprendizaje en línea que
incluye el desarrollo propio de analíticas de aprendizaje. Sin embargo,
la participación en esta actividad genera una contradicción respecto
a los requerimientos de productividad académica (ligada a la investi-
gación) en el contexto nacional, y da lugar a formas de resistencia y
desacuerdo respecto a las prácticas basadas en datos.
Solo la visibilidad y las negociaciones relacionadas con las cues-
tiones planteadas anteriormente sobre las prácticas y los discursos de
los datos pueden generar los espacios para explorar la complejidad.
103
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
Es aquí donde se comprende el potencial heurístico del concepto
de cultura de datos, en el sentido de dar espacio a las preguntas y
entender contradicciones para activar la transformación. A diferencia
de la visión tecnocrática de una cultura de datos descrita al principio
de esta sección, el enfoque histórico-cultural guía a los actores para
que se comprometan en actividades que desencadenen la conciencia-
ción y la visibilidad de las prácticas de datos. Y en ese recorrido, de
naturaleza participativa y dialógica, se sientan las bases para generar
nuevas alfabetizaciones en datos. Pero podemos dar un paso más,
y tratar de caracterizar los aspectos que hay que cubrir con dichas
alfabetizaciones.
Culturas de datos en la enseñanza superior: un enfoque dinámico
Hemos dicho que una cultura de los datos se hace visible desde el
diálogo y la reexión de sus participantes directos, en lugar de ser
empujada desde el exterior a través de estándares y plataformas. Sin
embargo, vamos a tratar de esquematizar los temas y problemas que
hemos ido cubriendo a lo largo estos dos primeros capítulos. Como ya
hemos planteado en nuestra lectura compleja de las prácticas basadas
en datos, los actores se mueven a lo largo de un vector, un continuum
que revisten las epistemologías de datos –siguiendo a Milan y Van
der Velden– desde el enfoque totalmente proactivo y creativo respecto
a la tecnología, basándose en habilidades tecnológicas y la creencia
efectiva de la posibilidad de un mejoramiento de la vida humana a
través de dichos desarrollos, a un enfoque totalmente reactivo, en el
cual hay un conocimiento mayor de las implicaciones psicosociales
y de las disparidades socioculturales y económicas que pueden hacer
de la tecnología un peligro para sus usuarios.
Consideremos ahora otro vector, hasta ahora latente que, sin em-
bargo, tratamos dándole el espacio de una de las tres líneas de investi-
gación y trabajo sobre los datos en la universidad. Me reero al acceso
a conjuntos de datos que pueden ser abiertos, de carácter público y
accesible. Y conjuntos de datos que por algún motivo (privacidad de
sus usuarios, por un lado; monopolización y comercialización, por
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
104
el otro) quedan restringidos en grupos especícos de trabajo, que
en última instancia detienen el poder sobre estos conjuntos de datos
«privados», por así decir.
Podemos imaginar ahora estas dos tensiones en el espacio; lo que
nos llevará a la formación de un gráco de cuadrantes con cuatro
áreas, que son simbólicas a todos los efectos. Coloquemos ahora las
prácticas basadas en datos de una institución universitaria en ese espa-
cio cuatridimensional y obtendremos una representación, una suerte
de mapa que nos deja de alguna manera visualizar el estado existente
de una cultura de datos en la universidad. Cada cuadrante genera un
área de clasicación de dichas prácticas, llevadas a cabo por grupos
humanos constituidos en sistemas de actividad. Estos elementos se
introducen en la gura 2, pero los listo sucesivamente:
• Cuadrante I: epistemología de datos proactiva, aplicada a datos
públicos/de acceso abierto. En este espacio encontraremos princi-
palmente sistemas de actividad (es decir, grupos de personas com-
prometidas en una actividad) que tratan de promover y practicar
el uso de datos como bien público. En este caso, los alfabetismos
necesarios se relacionarán con la comprensión de las regulaciones
y políticas para la apertura de datos, e incluso con la habilidad
pedagógica para adoptar datos abiertos como recursos para que el
estudiantado desarrolle competencias técnicas como una perspec-
tiva crítica respecto a qué datos y cómo se publican. Las preguntas
que orientarán el sistema de actividad serán: ¿Cómo podemos usar
la riqueza disponible de datos abiertos en ciencia y en educación?
¿Cuáles de los datos con los que trabajamos desearíamos abrir?
¿Cuáles serían los impactos de esta apertura? ¿Cómo podemos de-
sarrollar las competencias técnicas y críticas de nuestro estudian-
tado para que comprendan, usen y logren compartir datos? ¿Qué
infraestructuras de información y digitales necesitaremos para ha-
cer circular o compartir nuestros datos? ¿Qué infraestructuras de
información y digitales existen con datos de una buena calidad?
• Cuadrante II: epistemología de datos proactiva, aplicada a da-
tos potencialmente públicos/de acceso abierto. En este espacio
105
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
hallaremos sistemas de actividad que se pueden reclamar especí-
camente, o generar verdaderos movimientos activistas alrededor
de la potencialidad y la necesidad de abrir datos bajo la custodia
de élites, sean estas burocráticas (gestores de calidad, gobierno
institucional académico), de investigación y docencia, o platafor-
mas privativas adoptadas dentro (servicios cloud, plataformas para
el aprendizaje, instrumentos para la investigación), o fuera de la
universidad (la plataformización en la sociedad). En este caso a los
alfabetismos observados en el cuadrante I podría agregarse una
visión política y de activismo digital, necesaria para promover ac-
ciones de contestación, reclamo, manifestación y pedido de repre-
sentación en programas políticos. Las preguntas que orientarán
el sistema de actividad serán: ¿Por qué no podemos acceder a un
conjunto de datos que generamos nosotros mismos con nuestra
participación en la educación y la ciencia? ¿Qué infraestructuras y
tecnologías que usamos actualmente no nos permiten el acceso a
datos que consideramos relevantes para nuestra acción educativa
o de investigación? ¿Con qué regulaciones y normativas contamos
para promover la apertura o control sobre datos gestionados por
empresas tecnológicas?
• Cuadrante III: epistemología de datos reactiva, aplicada a datos
privados/de acceso restringido. En este espacio surgirán sistemas
de actividad relacionados con la exploración y búsqueda de formas
de injusticia en la daticación interna a la universidad o en la so-
ciedad. Por ejemplo, grupos que busquen discutir el uso de datos
biométricos (como trazado facial o uso de huellas digitales para
el reconocimiento de docentes y alumnado), sesgos algorítmicos
al aplicar automatizaciones a grupos menos representados (como
afroamericanos, indígenas o mujeres), etc. En este caso, los alfa-
betismos se ligarán a la comprensión general y crítica de cómo se
desarrollan y funcionan los sistemas de aprendizaje automático, así
como las infraestructuras de procesamiento de datos y de elabora-
ción algorítmica que son necesarias (y probablemente no sucien-
tes) para su funcionamiento. Asimismo, estos grupos partirán de
bases de comprensión y compromiso con las problemáticas de la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
106
vulnerabilidad y la exclusión. Las preguntas que orientarán al sis-
tema de actividad serán: ¿Qué datos están siendo gestionados por
plataformas/grandes empresas tecnológicas con intereses que no
son claros para los grupos desde los cuales se extraen dichos datos?
¿Qué datos se usan para generar modelos y cuál es su coherencia
con las poblaciones a las que dichos modelos serán aplicados? ¿Qué
sesgos pueden producirse al utilizar ciertos modelos algorítmicos
sobre minorías o grupos vulnerables? ¿Hasta qué punto benecia
a un grupo de personas la aplicación de una automatización o una
tecnología inteligente?
• Cuadrante IV: epistemologías de datos proactiva, aplicada a
datos privados/de acceso restringido. Finalmente, este espa-
cio incluirá sistemas de actividad focalizados en el desarrollo
de métricas, estadísticas, formas de aprendizaje automático y de
sistemas inteligentes, con una visión en las problemáticas éti-
cas y el impacto social de estos. Los alfabetismos necesarios en
este cuadrante quedarán del lado de unas competencias técnicas
avanzadas para el análisis de modelos matemáticos y estadís-
ticos, trabajo con macrodatos, programación, visualización de
datos. Sin embargo, en este caso no se podría prescindir de una
formación y debate sobre la ética y el impacto social que se ad-
quiere solo a partir del trabajo interdisciplinario desde el diseño
a la implementación. Las preguntas que orientarán al sistema de
actividad serán: ¿Cómo podemos desarrollar un algoritmo que
trabaje con precisión y a la vez respete aspectos de privacidad e
imparcialidad? ¿De qué datos disponemos y qué tipos de sesgos
podemos ya prever en su uso para generar modelos y procesos
estocásticos? ¿Cómo podemos incluir a los usuarios nales en
el desarrollo de procesos de aprendizaje automático o en tec-
nologías inteligentes? ¿Hasta qué punto sería lícito utilizar una
solución tecnológica, cuyo impacto sobre las personas sea poten-
cialmente riesgoso, más allá de sus benecios?
Este conjunto, en su totalidad y una vez mapeado, es el que carac-
terizaría la cultura de datos de una universidad.
107
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
El movimiento dialógico entre los sistemas de actividades en este
esquema de cuadrantes puede situarse en cualquiera de los espacios
donde se encuentran las dos tensiones (proactivo-reactivo; priva-
do-público). Algunas de las actividades cristalizarán, pero en un mo-
vimiento recursivo, las nuevas prácticas generarán nuevos sistemas
de actividad y estructuras (por ejemplo, unidades de investigación,
grupos de activistas) que pueden conectarse en red (más allá de la
universidad). El movimiento de un sistema de actividad en conexión
con otros sería posible justamente a partir del trabajo interdisciplina-
rio y del desarrollo de los alfabetismos necesarios para funcionar, para
dar forma a las prácticas, saberes y sus resultados en cada cuadrante.
También es pertinente señalar que un sistema/grupo puede pasar
de un cuadrante a otro a lo largo de un proceso de evolución. Con-
cretamente, por ejemplo, los datos privados/restringidos recogidos a
través de las aulas virtuales pueden negociarse para convertirse en
datos abiertos para su uso en la ciencia abierta, como queda reejado
en el intenso trabajo realizado por el grupo TIDE de la Universidad
Pompeu Fabra.36 O la ciencia de datos que trabaja sobre datos pri-
vados capturados por las plataformas de medios sociales (en el cua-
drante superior izquierdo) puede ser escrutada y contestada a través
de regulaciones emergentes como el GDPR o las aún más recientes
recomendaciones sobre derechos digitales del Parlamento Europeo
(2022) (en el cuadrante inferior izquierdo).
Por lo tanto, una cultura de datos es sustancialmente dinámica,
pero si hubieran prevalencias de poder o discursos, si no hubiera
transparencia en las formas en las que cada una de las áreas del es-
pacio cuatridimensional se conguran y se establecen, no podríamos
hablar de una cultura de datos «justa». Exploremos esto en el apartado
siguiente.
36. Entrevisté a Davinia Hernández-Leo, directora del TIDE (Research Group on Interactive
and Distributed Technologies for Education) en marzo del 2020, a partir de una serie de seminarios
web en los que discutí con varios expertos el signicado y sentido de la daticación incipiente en la
universidad: https://bfairdata.net/perspectivas/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
108
Figura 2. Esque ma cuatridimensional para r epresentar y mapear una cul tura de datos en una IES.
¿Puede una cultura de datos llegar a ser «justa»?
Linnet Taylor, estudiosa holandesa de procesos comunicativos y so-
ciales del Instituto TILT (Tilburg Institute for Law, Technology and
Society) ha postulado que existe una «justicia de datos» que se basa en
búsqueda de conexión de la daticación como desarrollo tecnológico
y la agenda de la justicia social. Taylord (2017, p. 9) plantea un enfo-
que en el cual se propone comprender cómo son vistas o insivilizadas
las personas a partir de prácticas basadas en datos; o cómo participan
efectivamente en el desarrollo y la evaluación de las infraestructuras
de datos que atraviesan y por las que son atravesadas; y si existen
formas de exclusión que limitan sus posibilidades de expresarse por
los mecanismos de la daticación. En general, este enfoque apunta a
subrayar que es necesario pensar si una práctica basada en datos puede
generar espacios de exclusión, en los que se limite a ciertos grupos en
su posibilidad de recibir benecios, de participar, de hacer escuchar
su voz e identidad.
A partir de esta denición, en el cruce con mi trabajo postulo que
una cultura de datos puede llegar a ser «justa» si se da el alcance de
109
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
equilibrios, que pueden ser logrados solo a partir de la visibilidad y el
poder de negociación de las partes interesadas en el espacio cuatridi-
mensional. Es decir, de los modos de conocer, imaginar e intuir los
datos, deconstruyendo la objetividad aparente que puede simplemen-
te ser expresión de dominancia de un grupo sobre otro (Raaghelli et
al., 2020). Siguen algunos ejemplos de cómo puede congurarse una
cultura de datos justa en las IES, basados en proyectos de investiga-
ción, en los que esos equilibrios se buscan y se logran:
• Cuadrante I: la participación del estudiantado y el profesorado en
la selección de las métricas y datos que puedan usarse de manera
transparente y abierta para expresan la «calidad» de la enseñanza,
con eventuales repercusiones en la forma en que se consideran
y utilizan las clasicaciones de las universidades para abordar la
asignación de fondos (Sangrà, Guitert et al., 2019a).
• Cuadrante II: la comprensión de la relación entre las infraestruc-
turas digitales y de datos y su consiguiente relación con el movi-
miento de código abierto, que apoye los principios de la soberanía
de los datos, tal como se expresa en la Declaración de Berlín sobre
la Sociedad Digital y el Gobierno Digital basado en Valores (2020)
. Véanse en este sentido los movimientos activistas emergentes 37en
respuesta a la mera e irreexiva aceptación de condiciones de uso
de tecnologías de plataforma que apoyan el capitalismo de vigilan-
cia (Cobo-Romaní, 2019).
• Cuadrante III: el análisis de las estructuras de poder detrás de los
datos usados como instrumento de objetivización y naturalización
de prácticas, hacia una justicia de los datos, como ha sido particu-
larmente puesto de maniesto por el colectivo «Design Justice».38
De hecho, la daticación está evolucionando y generando situa-
ciones muy diferentes en todo el mundo, con zonas geopolíticas
que corren más riesgo de dar datos que de extraer valor de ellos,
y viceversa, como una especie de nuevas formas de colonialismo
37. Por ejemplo, XNET en Barcelona: https://xnet-x.net/privacidad-datos-digitalizacion-de-
mocratica-educacion-sin-google/
38. https://designjustice.org/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
110
de datos (Ricaurte, 2019), un fenómeno del que no ha escapado la
educación superior (Prinsloo, 2020a).
• Cuadrante IV: el debate sobre los principios éticos que debe res-
petar la analítica del aprendizaje permite entender los valores pe-
dagógicos y los intereses mercantiles detrás de productos que usan
este enfoque (Tsai y Gasevic, 2017).
En síntesis, lo que caracteriza una cultura de datos como «justa»
es la apertura de espacios de negociación y diálogo, que permiten el
desarrollo de conocimientos, habilidades y, por lo tanto, nuevos alfa-
betismos, dentro de los cuales las personas crecen al mismo tiempo
que transforman sus entornos (daticados) de trabajo y estudio, pero
también de vida.
En este punto, no debemos olvidar la especicidad de las IES,
que se han caracterizado por su compromiso con el avance del co-
nocimiento en la sociedad y, más recientemente, por promover el
desarrollo de capacidades para prosperar como ciudadanía creativa
y responsable (Fikkema, 2016; McAleese et al., 2013). En el caso de
las prácticas de datos, la compleja tensión entre los objetivos de una
perspectiva neohumanista y las exigencias de la tecnocracia (que ha
sido objeto de debate desde los inicios de la universidad) pone de
relieve la dicultad de la tarea. En concreto, las universidades están
equipadas cultural y materialmente para combinar la reexión teóri-
ca avanzada e interdisciplinaria con la investigación empírica y prác-
ticas con relación a la datacación. En este espacio, tal y como previó
Wilhelm von Humboldt en el siglo , académicos y estudian-
tes necesitan alimentar una conversación constructiva (Pritchard,
2004). Como ya hemos delineado en el capítulo 1, en el caso de
la daticación, en última instancia, docentes y alumnado deberían
tomar parte activa y reexiva para resolver problemáticas asociadas
al uso masivo, abusivo o incluso inútil de datos autogenerados en la
enseñanza y el aprendizaje. Y ello, más allá del rol que la universidad
está llamada a desenvolver respecto a la investigación sobre fenóme-
nos emergentes, en particular alrededor de los incipientes desarrollos
de la industria IA.
111
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
El camino más conocido para activar espacios de diálogo y nego-
ciación, dentro de una comunidad universitaria es el de la transferen-
cia de la investigación al diseño de planes de estudios. No ahondaré
en ejemplos en este caso, pero ya en el 2017 conduje un análisis de
grupos de trabajo ministeriales y de planes de máster universitario en
Italia, surgidos luego de una ola de cursos breves y MOOC sobre la
data-science a nivel internacional (Raaghelli, 2017b) que no llegaban
a cubrir necesidades profundas de alfabetización crítica (y compleja)
en datos; lo que también demostré con un estudio de literatura sobre
132 trabajos enfocados en la formación de habilidades para tratar
con datos y algoritmos (Raaghelli y Stewart, 2020). La situación
ha evolucionado rápidamente desde 2017 y hoy se cuenta con varios
proyectos, lanzados desde centros especializados en investigación so-
bre justicia de datos, interacción humana con la daticación, etc.,
como lo he ido mapeando en mi espacio de trabajo participativo.39
Estos proyectos se han ido insertando lentamente y van teniendo
implicaciones para la replanicación del currículo universitario en la
formación de varias guras profesionales, que van desde cientícos
computacionales e ingenieros informáticos hasta educadores, tocando
las problemáticas que hemos formulado en los cuatro cuadrantes de
nuestro esquema. En efecto, la oferta formativa universitaria, con sus
marcos de competencia y sus prácticas pedagógicas activas y atracti-
vas, actúa como un círculo de reicación positiva del conocimiento,
que desencadena una intensa reexión sobre los conocimientos (y
conceptos) existentes alrededor de la datacación y las prácticas de
datos. Sin embargo, este resultado no podrá estar anclado en la in-
tuición de una persona académica iluminada (acaso incluso alejada
de la vida institucional general). Una cultura de datos justa crecerá
a partir de actividades como laboratorios colaborativos o «colabo-
ratorios», que pueden incluir talleres sobre temas emergentes (por
ejemplo, introducción de nuevos marcos normativos o de tecnologías
privativas ofrecidas a la universidad), con ejercicios participativos de
evaluación de la calidad, o la generación de grupos de trabajo sobre
39. https://bfairdata.net/mapping-pedagogical-practices/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
112
tecnologías basadas en datos. Además, claro está, hay proyectos y cen-
tros directamente abocados al desarrollo de tecnología sobre las bases
de una discusión crítica, como (por solo mencionar algunos) el MIT
Media Lab,40 que promueve proyectos de bioingeniería comunitaria,
smart cities, robótica social y tecnología cívica; o el programa «Data
Society»,41 lanzado en el 2018 por el Centro de Educación Digital de
la Universidad de Edimburgo, que busca analizar las problemáticas
de la daticación en la educación comprendiendo la naturaleza téc-
nica, sociológica, política y ética de dicho problema. Y en España, el
ya mencionado TIDE42 de la Universidad Pompeu Fabra (Grupo de
Investigación en Tecnologías Interactivas y Distribuidas para la Edu-
cación), que en los últimos años trabaja por una visión avanzada de
desarrollos tecnológicos educativos que vaya de la mano de una revi-
sión continua de la ética de los datos y del bienestar social y mental de
los usuarios; o el Centro de Investigación Interdisciplinario IN3, de
la UOC, que unido al servicio técnico del eLearn Center (Centro de
Innovación en E-learning) ha incorporado una unidad dedicada a la
comprensión del uso de datos en la misma universidad.43 En el Cono
Sur, cabe destacar el trabajo desarrollado por el Núcleo Interdiscipli-
nario de Recursos Educativos Abiertos, que viene trabajando las pro-
blemáticas de la daticación y la inteligencia articial en educación.44
Se trata, en general, de espacios que garantizan que la conceptuali-
zación y la problematización de la daticación, el uso de plataformas
y los desarrollos asociados a tecnologías inteligentes que se mantengan
en primera línea de la agenda tanto dentro como fuera de la univer-
sidad y a través de la educación. Sin embargo, como bien podemos
observar –y como ya hubiera señalado en un trabajo de análisis de
proyectos de alfabetización en datos llevado a cabo entre el 2019 y el
2020–, estas unidades se arriesgan a funcionar como compartimien-
40. https://www.media.mit.edu/
41. https://www.de.ed.ac.uk/data-society
42. https://www.upf.edu/es/web/tide
43. https://www.uoc.edu/portal/es/elearning-innovation-center/learning-analytics/index.
html
44. https://www.nucleorea.ei.udelar.edu.uy/videos-inteligencia-articial-en-la-educacion/
113
2. PENSAR L A DATIFICACIÓN DESDE L A COMPLEJIDAD ❚
tos estancos, sin una verdadera incorporación a una estrategia insti-
tucional. Funcionan, por así decir, en una o dos áreas del cuadrante
de una cultura de datos, pero no por ello la revelan.
En general, para dar forma a su propia cultura de datos, la uni-
versidad y su comunidad educante debe recordar la continua tensión
entre los objetivos de una perspectiva educativa neo-humanista basa-
da en la autonomía intelectual; y los requisitos de la tecnocracia que
destacan la atención de los académicos a los contextos cambiantes de
la innovación social y económica. Debe colocarse en su contexto de
acción y mapear los grupos (o sistemas de actividad) que promueven
acciones de vanguardia, en cada uno de los cuadrantes que hemos
considerado como base para explorar una cultura de datos. Debe así
desanudar tensiones y contradicciones en relación con las prácticas
basadas en datos y su relación con saberes y formas de poder en la
institución.
Desde allí, podrán surgir patrones y soluciones, nunca predecibles,
sí relevantes, empoderadas, responsables para desanudar la compleji-
dad de la daticación y su impacto en una institución más cercana a
cada uno de sus actores, pero también a la sociedad misma.
Para seguir explorando esta propuesta, en las páginas que siguen
me dedicaré a presentar discusiones, intercambios y experiencias lle-
vadas a cabo en cada uno de los cuadrantes. Sin querer ser exhaustivo
ni normativo, el material de este libro puede ser de inspiración para
«construir culturas de datos justas» en las universidades en las que los
lectores se encuentren como portadores de intereses.
115
3. ¿ABRIR LA CAJA DE PANDORA? HACIA
NUEVAS PRÁCTICAS DE DATOS EN LA
CIENCIA Y LA EDUCACIÓN ABIERTA45
Introducción
Exploraremos ahora el primer cuadrante, que hemos denido en la
primera parte como el espacio de las epistemologías de datos proac-
tivas (entusiastas, creativas) y de los datos cuyo acceso es público y,
por lo tanto, según la denominación que se ha ido creando en los
últimos 20 años, «abierto». ¿Por qué colocaremos la discusión sobre
la accesibilidad y apertura del conocimiento de uno de los espacios de
construcción de una cultura de datos? Porque se trata de un debate en
el que, como descubriremos, los datos tienen un rol central y cons-
tituyen un intenso foco de discusión de menos de una década para
el quehacer académico, relacionado sea con la investigación que con
la docencia. Según trataré de sostener en este capítulo, una IES no
45. Este capítulo ha sido el resultado de un recorrido por una tierra inhóspita para mí: la de
las ciencias de la información y la cientometría. La digital scholarship, temática que ya me había in-
teresado previamente en relación con la profesión académica, me empujó en este territorio. Pero no
hubiera podido recorrelo sola, si no hubiera sido por el equipo de la biblioteca central del CNR (Ita-
lia), así como de Donatella Persico (Istituto per le Tecnologie Didattiche, CNR), con quien trabajé
entre 2014 y 2015 en un proyecto de formación a la ciencia abierta que me permitió comenzar este
viaje, en el que por primera vez observé las posibles interacciones entre datos, sociedad y educación.
Viaje que continué siguiendo a persona s pioneras en este ca mpo, como Javiera Atenas, Gema Sa ntos-
Hermosa, Valentina Bazzarin, y Fabio Nascimbeni. Y en el cual no estuve sola, pues hubo quien
conó en mis intuiciones y trabajó intensamente conmigo, mostrándome vetas y senderos posibles
que nos llevaron efectivamente a conocer «paisajes» en artículos publicados y citados en este capítu-
lo. Me reero especialmente a Stefania Manca y Alfonso Quarati, ambos investigadores del CNR.
Sin lugar a dudas, mi agradecimiento se extiende al equipo increíble de la biblioteca de la UOC, que
hace mucho más que orientar a sus investigadores: los forma y los educa en estos nuevos escenarios,
de la mano de una visión de conocimiento abierto que lleva adelante de manera muy entusiasta
Pastora Martínez Samper, vicerrectora de Globalización y Cooperación de la UOC.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
116
puede prescindir de trazar unas estrategias para este debate, y el modo
en que se coloque orientará su cultura de datos hacia un escenario
de democratización del conocimiento, o bien hacia un escenario de
mercantilización con ganancia de las empresas editoriales cientícas
y big tech. He intitulado este capítulo «Abrir la caja de Pandora», pues
el tratar de abrir datos, según es el reclamo de los movimientos de
ciencia y educación abierta, no implica necesariamente hallar resul-
tados positivos; en cambio, sí puede traer a la luz las muchas falacias
(demonios) de la apertura.
Partamos, en este recorrido, desde el hecho de que la democrati-
zación de conocimiento se ha basado siempre en la accesibilidad de
este y que no se trata de una preocupación nueva. Ya desde que la
Declaración Universal de los Derechos Humanos (DUDH, 1948, art.
19)46 se ha postulado la necesidad de hacer público el conocimiento
humano. El avance de las tecnologías y, en particular, internet dieron
lugar a la utopía de la sociedad del conocimiento, según la famosa
trilogía Castells (2001). Sin embargo, ese ideal sería rápidamente de-
construido, pues la realidad llamaba a pensar en la «brecha digital».
Se discutía entonces la imposibilidad de los grupos más vulnerables de
una sociedad a acceder al conocimiento por factores más bien sociales
y culturales –tan simple como tener electricidad o una red telefónica
en casa–, a pesar de la aparente disponibilidad inmediata y gratuita
del conocimiento a través de internet (Hargittai, 2003).
En el contexto que ya hemos identicado como posdigital y da-
ticado, surgió rápidamente una línea de pensamiento y práctica
asociada a los datos abiertos como «datos a los que cualquiera puede
acceder, usar y compartir»,47 que fue rápidamente acogida por varios
organismos transnacionales como pieza central de la elaboración de
políticas. Naturalmente, ante la hipérbole de los macrodatos y su po-
tencial para revolucionar la economía, la posibilidad (y obligatoriedad
por transparencia) de publicar datos de gobierno –ciencia y tecnología
pagada con fondos públicos– se consideró como un elemento crucial
46. https://ww w.un.org/es/about-us/universal-declaration-of-human-rights
47. Según la denición del Portal Europeo de Datos: https://www.europeandataportal.eu/
elearning/en/module1/#/id/co-01
117
3. ¿ABRIR L A CAJA DE PANDORA? ❚
para una nueva revolución del conocimiento (Kitchin, 2014) dentro
del panorama del conocimiento abierto, público y accesible. Sin em-
bargo, los datos abiertos asumen varias facetas y formas de existencia
con debates muy especícos, según sean generados en la esfera pública
del gobierno, por un lado, y el sistema de ciencia y tecnología, por
otro. En cualquiera de los dos casos se ha considerado el impacto
sobre formas de empoderamiento cívico y de innovación social, a
poder usar dichos datos abiertos para el monitoreo del gobierno, o
bien para generar servicios desde pequeñas o medianas empresas, o
por el simple hecho de participar en el análisis de procesos o proble-
mas (Baack, 2015; Zuiderwijk y Janssen, 2014). Consideremos, por
ejemplo. una comunidad comprometida con la sostenibilidad urbana:
algunos participarán en procesos de recogida participativa de medi-
das sobre la calidad del agua (Alender, 2016), coadyuvando estudios
cientícos a partir del compromiso público y la ciencia ciudadana;
mientras que existirán grupos dedicados a monitorear las acciones del
gobierno local en cuanto a gasto público y organización del uso del
agua como recurso natural común (Bernedo del Carpio et al., 2021).
Difícilmente observaremos estos dos costados de trabajo sobre los
datos operando conjuntamente, de manera sistemática. Sin embargo,
la universidad puede intervenir en ambos enfoques organizando las
actividades de uso de datos públicos desde la investigación o desde el
monitoreo de gobierno.
En los primeros años de la segunda década del siglo se abría
toda una era para los datos abiertos. Se generaron portales a todos los
niveles de gobierno y en espacios transnacionales como Unesco, la
OECD o la Unión Europea.48 Se generaron portales especializados
para la ciencia, como el promovido por el Open Science Framework
en EE. UU., o el programa de ciencia abierta de la Unión Europea,
Open Aire.49 Surgieron programas para orientar la discusión y la al-
fabetización en datos abiertos, como los promovidos por el Open
48. Unesco: https://www.unesco.org/en/communication-information/open-solutions/open-data ;
OECD: https://data.oecd.org/ ; Unión Europea: https://data.europa.eu/es
49. OSF: https://osf.io/ ; Open Aire: https://www.openaire.eu/item/openaire-portal
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
118
Data Institute,50 o con especializaciones regionales y de desarrollo,
como el ILDA.51 Otro avance relevante fue la creación de portales
independientes especializados en la publicación de datos abiertos de
investigación, que ofrecían tecnologías e infraestructura para una co-
rrecta aplicación de metadatos (etiquetas que explican los datos), así
como tutoriales para el mejoramiento de la calidad. Sin embargo,
al ofrecer estos espacios, también se convertían en bases de datos
potentísimas para la búsqueda y el uso de datos abiertos. Entre estos
últimos podemos destacar Figshare52 o Zenodo.53 Cada uno de estos
espacios fue evolucionando, generando comunidades, grupos de tra-
bajo y sobre todo know-how sobre el modo en el que los usuarios se
comportaban. Se comenzaron a generar así informes relevantes sobre
las características de la incipiente actividad de publicación de datos
abiertos, tanto en el caso de DAI (Braunschweig et al., 2016; Digital
Science et al., 2019) como en el de DAG (OECD, 2018b; Open Data
for Development Network y Omidyar Network, 2018; UKtranspa-
rency y CabinetoceUK, 2012).
Con la creciente importancia dada a los datos abiertos de gobierno
(DAG) y a los datos abiertos de la investigación (DAI) en la sociedad
y en programas políticos de gobernanza institucional y ciudadana, la
investigación avanzó en la comprensión de qué datos se publicaban,
en qué repositorios y portales de datos aparecían y qué calidad asu-
mían estos. Como señalan Dai, Shin y Smith (2018, p. 14), se com-
prendió la necesidad de «alimentar una cultura de OGD tanto en el
gobierno como en todo el ecosistema de usuarios de OGD, incluidos
los investigadores». Se observó entonces que «más datos disponibles»
no signicaba que estos fueran usables. Muchas infraestructuras de
datos eran de difícil acceso o características para la ciudadanía (Zui-
derwijk et al., 2015), pero en otros casos los mismos gobiernos ten-
drían dicultades estructurales y de competencia de los funcionarios
para publicar datos abiertos coherentes y usables (Ruijer et al., 2016).
50. https://theodi.org/
51. https://idatosabiertos.org/
52. https://gshare.com/
53. https://zenodo.org/
119
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Y eso no era todo: los mismos investigadores afrontarían problemas en
la elaboración, comprensión de los derechos de autor y la selección de
portales de datos (Quarati y Raaghelli, 2020; Raaghelli y Manca,
2022).
Llegados a este punto, debemos hacer una reexión importante:
el impacto de los datos abiertos publicados es limitado si estos no se
utilizan masivamente, si solo utilizan esta fuente las élites, o, peor
aún, grandes compañías con el know-how necesario (Jetzek et al.,
2019; Zuiderwijk y Janssen, 2014).
Este problema asumía facetas similares para los DAG y los DAI:
que la ciudadanía no podía apropiarse de datos para formas de mo-
nitoreo cívico e innovación social, cultural y económica; o bien que
quienes investigan no logren reutilizar datos de investigaciones pa-
sadas o no logren comprender la ecacia o ética de un proceso de
trabajo sobre un conjunto de datos. El problema era y es que el fruto
de la abundancia de datos no democratice y mejore el acceso al cono-
cimiento. Como señalan Lassinantti et al. (2019, p. 98), el uso de los
datos abiertos «todavía se considera problemático, requiere medidas
de apoyo y enfoques estratégicos».
Como resultado, los datos abiertos como fuente de información
podrían ser superciales o no estar alineados con los usuarios poten-
ciales. Este hecho llevará a la necesidad de descubrir los factores que
impiden el uso, así como los enfoques para promoverlo. Y en este
ámbito, la universidad puede desempeñar un rol crucial a partir de
promover formas de aprendizaje informal o no formal en la interven-
ción en ciencia ciudadana o en consultorías de apoyo al gobierno para
mejorar la calidad de los datos abiertos; así como en el aprendizaje
formal, para trabajar con el alumnado, desde el aula, en proyectos
de uso de datos abiertos como base para proyectos y resolución de
problemas auténticos (Coughlan, 2019; Raaghelli, 2018b).
En este capítulo, recorreremos las tendencias de uso de los datos
abiertos, considerando los factores de bloqueo y los problemas mate-
riales y sociales, de intereses, que promueven estas dinámicas. Discu-
tiremos qué conocimientos y habilidades son necesarios para avanzar
en una agenda de uso de datos abiertos que verdaderamente promueva
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
120
muchos de los valores ideales asociados al movimiento de la ciencia
y de la educación abierta, es decir, a la democratización del conoci-
miento. En este sentido, nuestra propuesta se focalizará en algunas
estrategias para alfabetizar críticamente a la producción y uso de datos
abiertos, pues, sobre esta base, las universidades podrán pensar cómo
transformar prácticas fragmentarias ligadas a unos pocos grupos ex-
pertos, o bien la implementación espasmódica de políticas de ciencia
o educación abierta. Todo ello para desarrollar prácticas y discursos
inherentes a una cultura de datos justa en este primer cuadrante.
Universidad y datos abiertos: ¿mucho ruido y pocas nueces?
En 2015, Christine Borgman, prestigiosa académica en ciencias de la
información, ya señalaba la importancia de explorar los datos como el
componente más básico de la investigación, a pesar de las diferencias
de formato en las disciplinas cientícas (Borgman, 2017). Si el debate
de la ciencia abierta como ciencia accesible, transparente, reproducible
y pública ya llevaba más de una década, el debate sobre la apertura de
los datos se transformó en una suerte de «leña» para ese fuego.
Varias organizaciones internacionales comenzaron a requerir la
publicación de los datos en la base de proyectos nanciados y ese
enfoque fue adquiriendo una fuerte relevancia en el contexto polí-
tico internacional y europeo (Cribb y Sari, 2010; Dai et al., 2018;
European Commission/Comisión Europea, 2016a). Además de soli-
citar la publicación de datos abiertos, se creaban infraestructuras para
publicarlos, como el caso que ya he mencionado de OpenAIRE en
el programa marco para la investigación europea Horizon2020, con-
rmada a partir de una declaración conjunta en Mallorca en el 2016
(European Commission/RISE, 2016). Estas políticas se aplicaban a
grupos de estados, a nivel nacional, o en fundaciones privadas, como,
por ejemplo, el caso de los estados políticos de Wellcome Trust (Well-
come Trust, 2016); la Organización Holandesa para la Investigación
Cientíca (NWO, n.d.); las políticas del CERN (CERN, 2018), o la
Fundación Bill y Melinda Gates (Bill y Melinda Gates Foundation,
121
3. ¿ABRIR L A CAJA DE PANDORA? ❚
2017). En estas estrategias se veía la posibilidad de combatir la crisis
de replicabilidad, de hacer el trabajo cientíco más honesto y trans-
parente y, claro está, posibilitar una economía de recursos de investi-
gación compartidos (McKiernan et al., 2016). La ciencia abierta fue
considerada de una importancia tal en las políticas europeas que ganó
un área completa dentro de la agenda digital de la UE,54 y –como
ya lo había comentado anteriormente– las infraestructuras digitales
fueron apoyadas para evolucionar y ofrecer varias posibilidades de pu-
blicación a los investigadores. En especial, comenzaron a surgir áreas
de los repositorios institucionales ya en funcionamiento para permitir
las políticas de acceso abierto a los artículos y fueron perfeccionando
su interoperabilidad con los grandes portales transnacionales (Matt,
2016). Ello tenía dos efectos: la facilitación y el apoyo al desarrollo de
una profesión académica digital por parte de los bibliotecarios, cuya
experticia crecía notablemente con el avance del trabajo en ciencia
abierta a pesar de la falta de comprensión y visibilidad de su traba-
jo por parte de la academia en general (Grin, 2015; Raaghelli,
2017b); y la circulación cada vez mayor de conjuntos de datos en
todas las disciplinas, con el consiguiente desarrollo de habilidades
y comprensión del trabajo de abrir datos, lo cual–como veremos un
poco más adelante– no era un hecho que había que dar «por descon-
tado». Junto a estos desarrollos, las redes sociales académicas (RSA),
plataformas privativas como ResearchGate y Mendeley, ya en amplio
uso en las comunidades de ciencia y tecnología, fueron incluyendo
funciones relacionadas con los datos abiertos de investigación. Sin
embargo, hubo un intenso debate sobre la naturaleza competitiva o
complementaria de las RSA y los repositorios digitales que apoyan las
políticas de ciencia abierta (Lovett et al., 2017; Raaghelli y Manca,
2022). En efecto, ambos entornos digitales se consideraron diferentes
en varias características, como las fuentes de nanciación, la infraes-
tructura tecnológica adoptada y, en particular, por el enfoque de sus
interfaces en el contenido digital o en el usuario, respectivamente
(Borrego, 2017; Lovett y Rathemacher, 2016). En especial, las RSA
54. https://www.europarl.europa.eu/factsheets/en/sheet/64/digital-agenda-for-europe
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
122
suscitaron preocupaciones críticas sobre la forma en que los datos de
investigación (tanto las publicaciones como los conjuntos de datos) se
utilizaban con nes privados (Lovett et al., 2017) y para generar mé-
tricas de reputación de los académicos que escapaban totalmente de
las lógicas de comunidades de ciencia y tecnología desde redes univer-
sitarias. Y, sin embargo, ninguno podía negar la fuerte presencia y uso
de las RSA, que desarrollaban (en parte) el fenómeno justamente de
«plataformización» de la investigación. Como ya lo había explicado en
el apartado anterior, un primer hecho fue que quienes investigaaban
comenzaron a generar datos abiertos en grandes cantidades, natural-
mente partiendo de las ciencias «duras» como la astrofísica, la gené-
tica, las ciencias de la tierra y la oceanografía. Aunque ámbitos muy
atravesados por intereses económicos, como las ciencias biomédicas
y las ingenierías (excepto las ciencias computacionales) o las ciencias
sociales y las humanidades, que trabajaban con conjuntos de datos
difícilmente cuanticables o llenos de información sensible sobre los
participantes, tuvieron una tarea mucho más difícil, y no inmediata
(European Commission, 2016b; Quarati y Raaghelli, 2020; Zui-
derwijk et al., 2020).
Más allá de ámbitos en los que la colaboración entre grupos y co-
munidades de cientícos es natural, dada la naturaleza estraticada
y enorme de los conjuntos de datos, con operaciones de clasicación
imposibles para un solo cientíco, como lo explica la Borgman para el
caso de la astrofísica y el trabajo de análisis de las galaxias, en muchas
disciplinas ese fenómeno estaba siendo fundamentalmente empujado
por las políticas obligatorias de publicación de datos abiertos promo-
vidas por organismos de nanciación de la investigación como la UE
y por las crecientes peticiones de las revistas cientícas de publicar
conjuntos de datos abiertos como recurso complementario de las pu-
blicaciones. Y ello es un problema no resuelto en el momento de es-
critura de este libro. En muchas de las entrevistas y laboratorios en los
que he acompañado a mis colegas a trabajar sobre conjuntos de datos
en la educación, por ejemplo, emerge con fuerza la preocupación por
el tiempo y trabajo invertido en publicar datos, pues su publicación
no está tan valorizada como la publicación de un artículo completo
123
3. ¿ABRIR L A CAJA DE PANDORA? ❚
en una revista, y no cuenta, por lo tanto, para el avance de carrera
(Jamali et al., 2016; Raaghelli, 2018c, 2022b).
Sin embargo, la pandemia de COVID-19 aumentó la necesidad
de colaboración entre los investigadores del sector sanitario, seguido
por el ámbito de la informática (Gewin, 2020); más tarde resultó
evidente en el sector educativo. La mayoría de los portales de datos
abiertos se apresuraron a generar grupos de recursos y sitios para el
intercambio de datos, como el caso de la Organización Mundial de la
Salud, la colección de datos de Harvard sobre COVID-19 y el portal
dedicado de la UE.55
La importancia otorgada a la reutilización y el intercambio de
datos también es hoy particularmente evidente en los esfuerzos por
adoptar estándares de calidad para los DAI, como es el caso FAIR.
Este acrónimo proviene de las palabras inglesas: ndable, accessible,
interoperable y re-usable, o sea «hallable, accesible, interoperable y reu-
sable», lo que implica que son elementos esenciales para que un con-
junto DAI sea considerado de calidad con los datos de investigación
abierta (Wilkinson et al., 2016). En general, no podemos dejar de
decir que la recopilación, producción, elaboración y visualización de
datos ha sido siempre una pieza central de la actividad profesional y
la identidad de las personas investigadoras. Sin embargo, ahí mismo
comienzan los problemas.
En un estudio que realicé con un colega del Instituto de Matemáti-
ca Aplicada del CNR (Consejo Nacional de Investigaciones de Italia)
extrajimos, a través de una API, 6 millones de objetos publicados en
Figshare. Con un algoritmo desarrollado por mi colega, analizamos
la calidad de los metadatos (las etiquetas que identican las caracterís-
ticas de los datos abiertos publicados) mediante la herramienta Open
Data Portal Watch.56 . Así, nos propusimos estudiar la «vida social»
de esos objetos (su uso, medido por el número de vistas y descargas)
y se evaluó la calidad de sus metadatos y las relaciones entre vistas,
55. Organización Mundial de la Salud, https://covid19.who.int/; Harvard, https://dataver-
se.harvard.edu/dataverse/covid19; portal UE, https://data.europa.eu/euodp/en/data/dataset/co-
vid-19-coronavirus-data
56. https://opendatawatch.com/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
124
descargas y calidad. Lo que observamos no nos sorprendió –yo ya lo
había estudiado en un número circunscripto de objetos (Raaghelli
y Manca, 2019)–, pues la mayor calidad de los objetos no generaba
más atención (vistas) ni una eventual reutilización (descargas). En-
contramos que incluso metadatos de baja calidad eran preferidos a
los de mejor calidad: al ir a mirarlos especícamente, notamos que se
trataba de autores con dominancia en el campo. Nuestra evidencia
nos permitió decir que nos encontrábamos ante un comportamien-
to mayoritariamente aleatorio y que los investigadores podrían verse
empujados a adoptar los DAI por otros factores distintos a la claridad
de los metadatos, las licencias abiertas para reutilizar los objetos, etc.
Volví a conrmar estos hallazgos en un estudio llevado a cabo en
el 2022, donde extrajimos 752 objetos de ResearchGate (para ver si
en una red social académica el comportamiento era distinto). En la
noticia divulgativa publicada,57 justamente se decidió comentar los
resultados indicando que para la ciencia abierta «todavía queda un
largo camino por recorrer». Como no podía ser de otra manera, la
plataforma privativa RG plantea los mismos problemas de calidad de
la información, con apropiación de datos por parte de los gestores.
Pero, aplicando los criterios FAIR a los objetos en sí, encontramos que
menos del 1% de los objetos llegaba a tres de los cuatro estándares
(F-A-I-R). Ello nos llevó a pensar en la importancia de una alfabe-
tización en datos de la comunidad investigadora, aunque no se trate
solo de habilidades de datos. Veamos.
Las motivaciones y habilidades que llevan a estos a profundizar
estas habilidades o simplemente terciarizarlas a colaboradores o enti-
dades externas también muestra que la digitalización y el empuje de la
tecnocracia y el gerencialismo han impuesto sea una gran especializa-
ción que dicultades de tiempo, esfuerzo y estrategia al concentrarse
en la publicación de datos abiertos (Koltay, 2016; Pouchard y Bracke,
2016; Schneider, 2013). El llamado «cuarto paradigma cientíco»,
que se basa en la extracción de datos de conjuntos masivos preexis-
57. https://www.uoc.edu/portal/es/news/actualitat/2022/105-cienciaabierta-investigacion-re-
searchgate.html
125
3. ¿ABRIR L A CAJA DE PANDORA? ❚
tentes y generados por sensores, interfícies, máquinas inteligentes y
todos los dispositivos del internet de las cosas, ha cambiado la forma
de trabajar sobre los datos desde la misma la planicación de la ges-
tión (Verhaar et al., 2017; Wiorogórska et al., 2018), y ello ha tenido
un gran impacto en las formas de intercambio intensivo de datos
y la colaboración entre grupos de investigación interinstitucionales
y globales (Quigley et al., 2013). En un grupo de investigación, las
habilidades técnicas de trabajo sobre los datos muy frecuentemente se
encuentran en los componentes más jóvenes, recientemente formados
al uso de técnicas y tecnologías recientes; mientras tanto, el investi-
gador principal, que puede haber vivido «otra era» de formación en
el uso de datos, puede tener una visión estratégica sobre el problema
de investigación, sobre los tiempos de trabajo o la diseminación de
resultados (Raaghelli y Manca, 2022).
Por otra parte, las losofías de apertura y de actividad social, con
enfoques de divulgación cientíca, pueden también estar distribuidas
en un mismo grupo de investigación, a pesar de la presión que se da
en muchos ámbitos para acercar la ciencia a la ciudadanía y, por lo
tanto, para encontrar formas más adecuadas, claras y sencillas de
explicar un trabajo de investigación (Owen et al., 2012; Veletsianos y
Kimmons, 2012; Weller, 2018).
Sin embargo, estos desarrollos implican inversiones personales
e institucionales en la alfabetización de datos de los investigadores
que no siempre son prioridad. En 2012, un grupo autoorganizado
de cientícos durante la reunión anual de la Sociedad Americana de
Biología Celular, en San Francisco, elaboró y rmó una declaración
para descubrir los orígenes de esas prioridades, argumentando que
era necesario mejorar las formas en las que los resultados del trabajo
académico eran evaluadas. Se trataba de los principios DORA (de-
claration on research assessment).58 Según estos y sobre la base de una
sólida trayectoria de investigación en sociología de la ciencia (Matsu-
moto, 2017), dicha prioridad depende del avance de las modalidades
de evaluación de la ciencia y la tecnología, ligado hoy por hoy al uso
58. https://sfdora.org/about-dora/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
126
de plataformas de editoría privativas, que son las que generan las mé-
tricas (el conocido impact factor, y el menos conocido pero igualmente
utilizado, h-index)59 para analizar la productividad cientíca.
Con los gobiernos adoptando paradojalmente un sistema de métri-
cas generado por grandes corporaciones de la editoría cientíca como
Springer, Elsevier, Sage, etc., y un avance lento del debate sobre la
relevancia de qué se valora como producción cientíca (¿libros?, ¿ar-
tículos?, ¿reportes?, ¿conjuntos de datos abiertos?), los datos no llegan
a obtener un lugar de atención.
59. El impact factor o índ ice de impacto es una medida de relevancia de la public ación cientíca
elaborado por el ISI (Institute for Scientic Information), que se basa en las citas obtenidas en un
período de dos años por una revista, según el número de veces en que los artículos publicados en el
periodo de referencia hayan sido citados y según el número de artículos publicados por esa revista.
Sin embargo, y entre otras limitaciones relacionadas con la brevedad de períodos de dos años para
evaluar revistas cuyos estudios publicados pueden duplicar ese tiempo ver la luz, el problema prin-
cipal radica en que el universo de citas considerado toma únicamente las citas de revistas indexa-
das por la plataforma Clarivate, asociada a Elsevier (gran corporación de la publicación cientíca,
https://clarivate.com/). Y como lo informa la plataforma Publish or Perish (https://harzing.com/
resources/publish-or-perish), muchísmas citaciones caen por fuera de este esquema. También como
lo ha denunciado una editorial de Plos Medicine (2006), las revistas realizan varias manipulaciones
que incluyen el rechazo de artículos poco citables (como un caso clínico) respecto a revisiones de
literatura, que es plausible que reciban mucha más atención. El h-index es otra métrica, asociada
en cambio al autor, que mide la productividad cientíca individual a partir de la cantidad de citas
recibidas en artículos cientícos, considerando el número de trabajo publicados y las citas a cada
uno de ellos. También en este caso, Publish or Perish demuestra puntualmente las diferencias de
cálculo de plataformas privativas como Scopus, que indexa y acepta revistas según políticas propias,
no nacionales (https://www.scopus.com/) y genera así el ranking de calidad SJR (Scimago Journal y
Country Rank), que incluye solo los artículos indexados por la misma plataforma. También Google
Scholar ha elaborado una medida de h-index, que cubre un espectro más amplio de revistas. El pro-
blema principal es siempre el muestreo de trabajos cientícos sobre el que se elaboran las métricas
y, por supuesto, quienes gobiernan el reconocimiento de las revistas que pasan por debajo de estos
«tamices», en los cuales se operan naturalmente lógicas de poder y sesgos de todo tipo, como lo pone
de maniesto Sandra Harding en sus estudios sobre una ciencia postcolonial (Harding, 2011). En
especial, revistas del sur global no publicadas en inglés suelen no encontrar espacio, o encontrarlo
muy en la base de la pirámide, lo que excluye de la agenda todas las formas de conocimiento y en-
foques cientícos no dominados por los grupos de revistas dominantes. Si los gobiernos nacionales
basan la evaluación de sus cientícos/as en estos indicadores (y ello es frecuente, como ha sido en el
caso de España, por ejemplo), el efecto lleva a dejar de producir sobre ciertos temas o formatos (por
ejemplo, blogs o libros) que puedan ser más cercanos a necesidades del territorio y la ciudadanía. En
el ámbito de las ciencias sociales y, en especial, de la educación, sobre el que puedo emitir opinión,
esto es altamente pernicioso, pues los consumidores de ciencia son familias, escuelas, docentes, y los
temas pueden no tener relevancia «internacional» (si por internacional entendemos publicaciones
en inglés y temas que puedan ser comprendidos por lectores del norte global, que producen y leen
en ese idioma).
127
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Además, hay otros factores que hacen que la producción de datos
abiertos en ciencia (también de alguna manera en gobierno) sea lenta y
fatigosa. Como ya demostraron Edwards et al. (2011), el intercambio
de datos podría verse muy inuido por la «fricción cientíca», es decir,
las «dicultades que se encuentran cuando dos disciplinas cientícas
que trabajan en problemas relacionados intentan colaborar» (Edwards
et al., 2011, p. 669). Según estos autores, un resultado del cuarto pa-
radigma cientíco es el efecto de difuminación entre las prácticas de
datos disciplinarias y la generación de zonas grises. Como resultado,
«cada movimiento de datos a través de una interfaz tiene un cierto
coste en tiempo, energía y atención humana» (Íd.), lo que depende
en gran medida de las comunidades cientícas y sus esfuerzos para
«aterrizar» la comunicación entre ellas. Por ejemplo, en el campo de
la investigación en educación en línea es muy frecuente encontrar es-
tudiosos/as del ámbito de la pedagogía; de la psicología y la sociología
de la educación; de la ciencia computacional; o de ámbitos disciplina-
rios especícos en los que se estudia la didáctica, como, por ejemplo,
didáctica de la física. En mi trabajo como estudiosa que proviene
del campo de la psicología de la educación, frecuentemente me hallo
cuestionándome preguntas sobre un modelo adoptado por quien tra-
baja en el campo computacional; o bien discutiendo las modalidades
de extracción de datos asociadas a un determinado constructo (por
ejemplo, ecacia docente o calidad educativa); o bien explicando a
mis colegas de didáctica de la física por qué se adopta la medida del
tamaño del efecto, además del famoso p-value; o por qué podemos
adoptar un valor de 0,05 en este último indicador como valor de
corte para un grupo pequeño cuando diseñamos o implementamos
estudios experimentales.
Estos problemas hacen clara referencia a las culturas de datos de
las diferentes «tribus» académicas que conviven en un espacio insti-
tucional. Las culturas de datos en la investigación nunca han sido
indiferentes a los planteamientos epistemológicos y metodológicos de
los investigadores sobre lo que son y pueden ser los datos, como uni-
dad molecular de la investigación (Borgman, 2015). De hecho, junto
con los procesos de publicación, nanciación de la investigación y
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
128
compartición de publicaciones y citación, las comunidades cientícas
dan valor a formas especícas de procesamiento de datos, exigien-
do un aprendizaje profesional que conduzca a esas prácticas (Koltay,
2017). La profesión académica digital, en la que deben integrarse las
prácticas de datos abarca mecanismos de visibilidad y reputación de la
investigación y trayectorias profesionales iniciales que puedan reforzar
las oportunidades de promoción profesional, en cuanto que generen
en el investigador una noción crítica que separe lo que «es valioso»
desde un punto de vista cientíco y social, de «a lo que se da valor» en
un determinado momento de evaluación de la ciencia y la tecnología
(Hildebrandt y Couros, 2016). Este proceso no podría considerarse
transparente ni lineal, ya que las formas de control de acceso dan
forma a los esfuerzos de las comunidades y los individuos para per-
manecer y progresar dentro del sistema de la ciencia. Las condiciones
geopolíticas, el género, la edad y la experiencia se han considerado
factores cruciales a la hora de determinar el acceso, la estabilidad y las
prácticas dentro de la comunidad académica (Harding, 2011).
Incluso, la presión ejercitada para la productividad cientíca hace
que muchos estudios se basen en conjuntos de datos fácilmente extraí-
bles, con resultados «taquilleros». Tomemos por ejemplo el tema, en
educación, de análisis varios alrededor de los MOOC (cursos masivos
abiertos en línea), que causaron gran furor entre el 2012 y el 2014:
los datos se extraían rápidamente de cuestionarios de escasa estruc-
turación aplicados a muestras de conveniencia (quien responde), y
no a todos los usuarios efectivos. Como lo comenté en un estudio de
métodos de investigación en MOOC (Raaghelli et al., 2015), esos
métodos no permitían armar mucho sobre la calidad del aprendizaje
y de la enseñanza en dichos cursos y se estaba construyendo el saber
alrededor de un enfoque de aprendizaje en línea incompleto y tal vez
falaz. Pero era gran moda.
Más recientemente hemos asistido a una avalancha de artículos
sobre la COVID-19. Un estudio internacional colectivo en el que
participé en el 2020 (Bozkurt et al., 2020) ha recibido en dos años
cerca de 32 citaciones mensuales, que en el ámbito de la educación es
prácticamente siete veces más de lo que recibe un estudio experimen-
129
3. ¿ABRIR L A CAJA DE PANDORA? ❚
tal. Este estudio que menciono tuvo un porqué, que fue observar y
discutir las distintas percepciones sobre la primera respuesta a la pan-
demia en 52 países; sin embargo, de cara a un estudio experimental en
el que se puede tomar dos años para implementar, estudiar y analizar
los resultados, un estudio llevado a cabo en cuatro meses tiene unas
implicaciones bien diferentes respecto a la carga de trabajo, equipos
y costos. ¡Y la probabilidad de que no se obtenga ningún resultado
signicativo!
Otro problema relevante es el sesgo mismo del que parte quien in-
vestiga al recoger datos, sobre todo en campos como ciencias biomé-
dicas y sociales. La infrarrepresentación de colectivos humanos (sobre
todo, vulnerables, como las mujeres) ha sido ampliamente estudiada y
puesta también de maniesto en el campo de gobierno y del activismo
de datos (Gutiérrez y Milan, 2019).
Pero con más contundencia, como lo indica Johnson (2018), no
se puede esperar que de por sí los datos recabados en la investiga-
ción «promuevan universalmente la justicia» (Ibíd., p. 467). Para este
autor las instituciones que promueven los datos abiertos están, en
todo caso, fomentando sus propios valores y técnicas, lo que se apli-
ca particularmente a las universidades y al uso de los datos de las y
los investigadores o estudiantes. Como señala, «abrir los datos (por
ejemplo, permitiendo a los estudiantes entender cómo se generan sis-
temas de recomendaciones) no cambia eso en lo más mínimo» (Ibíd.,
p. 269) el modo en el que se orientará la comprensión y uso de estos
datos, sobre todo si quien lee está en una situación de sujeción a
quien ha producido el dato. Así, Johnson pide que se contrarresten
las estructuras y la tradición de recopilación de datos conguradas
únicamente desde el «punto de vista privilegiado del académico, el
programador, el burócrata o el activista» (Ibíd., p. 272). Para este au-
tor, la justicia informativa (en la que los datos abiertos tienen un papel
crucial) depende de la concepción simbólica y de la infraestructura
generada para recoger, etiquetar y compartir los datos abiertos. Un
enfoque que nos lleva a lo que se puede hacer con los datos (abiertos
o cerrados) en nuestras sociedades contemporáneas y posdigitales.
No nos referimos solo a las representaciones estadísticas o a las re-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
130
presentaciones de datos dinámicas, compartibles y reutilizables, sino
también a la programación de acciones a través de los datos, como
la adoptada en la industria de la inteligencia articial. Baste pensar
solo en los datathons organizados sobre la base de ImageNet60 con
técnicas de análisis de imágenes por computador (computer vision),
lanzado inicialmente por la Universidad de Stanford, que natural-
mente estableció los criterios de etiquetamiento (tarea que fue llevada
a cabo por humanos adiestrados desde esa universidad), más tarde
en colaboración con la Universidad de Princeton y adoptando los
sistemas de trabajo de Amazon Mechanical Turk. En este momento,
esta base de datos cuenta con más de 14 millones de imágenes y varias
competiciones anuales se usan para avanzar la ciencia de algoritmos
con relación al reconocimiento de imágenes (Kearns y Roth, pp. 204-
205). Sin embargo, hubo varias problemáticas ligadas a dicho enfoque
de etiquetamiento, que hacían que, por ejemplo, se asociara un mayor
número de palabras peyorativas a mujeres, o que no fuera posible re-
conocer rostros de mujeres de raza negra, o peor aún, que los rostros
de ciertas razas fueran mayormente asociados a criminales (véase en
este sentido el interesantísimo estudio Excavating AI (Excavando la
IA), de Kate Crawford y Trevor Panglen (2019).
Por lo tanto, incluso si los datos de investigación abiertos se con-
sideran una fuerza impulsora de la transparencia y la ecacia de la
investigación (Lyon, 2016; Molloy, 2011), las formas de publicación
y, en particular, de consulta y compartición como actividades sociales
en torno a dichos datos han planteado problemáticas en varios sen-
tidos, que van de los contextos de producción cientíca, los intereses
económico y los datos, a los que se da valor según agendas de trabajo
«en boga» (Wouters y Haak, 2017), a, como hemos visto, los sesgos
mismos implementados por quien diseña los sistemas de recogida de
datos.
Pero las problemáticas de adopción de datos abiertos no se termi-
nan en la academia y su producción de DAI.
60. https://www.image-net.org/
131
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Pasaré una brevísima revista a algunos de los problemas que se
observan en relación con los DAG, solo para dar una idea de la con-
vergencia de problemas en cualquier ámbito de producción de datos
abiertos.
Sin embargo, en el caso de los DAG, es muy importante el modo
en que la información se ofrece. Por ejemplo, Barbosa et al. (2014),
estudian aproximadamente 9000 conjuntos de datos de 20 portales
urbanos basados en Socrata en Estados Unidos. Los resultados rela-
tivos al número de visualizaciones muestran que casi el 60% de los
conjuntos de datos no se ven más de 100 veces y otro 30% de los
conjuntos de datos se ven hasta 1000 veces. El número de descargas
es considerablemente menor que el de visualizaciones, ya que solo el
13% de los conjuntos de datos se descargan más de 100 veces. Según
los autores, la diferencia entre vistas y descargas podría deberse a que
la mayoría de los usuarios no sienten la necesidad de descargar los
conjuntos de datos, ya que su contenido se muestra directamente en
forma de tabla, como corresponde a los portales basados en Socrata.
Sin embargo, la facilitación de las posibilidades de uso de los DAG
no es moneda corriente. En un estudio de análisis de tendencias de
uso de los portales nacionales DAG, partiendo de 98 países, se pu-
dieron identicar solo seis portales que incluían la presencia visible
para los usuarios de los metadatos. Al analizar las vistas y descargas,
se observó que la mayoría de los portales examinados carecían de
información sobre el uso de sus conjuntos de datos y que, como era
de esperar, la mayoría de los conjuntos de datos no se utilizan, con
valores de vistas medios que no superan las 30 vistas, obtenido en
un portal del Reino Unido (Quarati y De Martino, 2019). Se llegó a
conclusiones similares en otro estudio del 2021, aplicando los prin-
cipios FAIR a unos 400000 conjuntos de datos de 28 portales DAG
nacionales, municipales e internacionales. Y considerando el tamaño
de los conjuntos de datos, la plataforma de software adoptada y la
cobertura administrativa y territorial, había una clara falta de uso,
prestándose poquísima atención a la calidad. Lo habíamos notado en
los DAI en la academia: no es la calidad en los DAG la que orienta
su uso (Quarati, 2021).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
132
Esta «vida social» (bastante pobre, por cierto) de los datos abiertos
tiene impactos evidentes sobre su uso y usabilidad. Más allá de la
adopción limitada, de hecho, la falta de atención a la calidad está ge-
nerando un uso sesgado de datos para diversos nes de investigación
y desarrollo humano. Como lo apunta reciente preocupación de la
Comisión Europea (European Commission, 2018) el desarrollo de in-
fraestructuras de datos sólidas de las que se deriven prácticas ecaces,
de calidad y relacionables tiene implicaciones inmediatas sobre todo
con la creciente industria de la IA, que, hambrienta de datos, puede
promover sesgos y problemáticas humanas acuciantes.
Por ello, hoy más que nunca es necesario traer a la luz prácticas,
enfoques y problemas relacionados con las prácticas de datos abiertos
en las IES, y abrazar consciente y estratégicamente el movimiento de
los datos abiertos más allá de los cantos de las sirenas.
No solo generar datos, saber usarlos: rol de la
alfabetización (crítica) en datos
Postularemos ahora que un factor crucial para el uso de los DAG y los
DAI es la alfabetización en datos de los investigadores en particular,
de los profesionales, gestores, técnicos, que pueden ser formados en
la universidad y a partir de colaboraciones con la universidad y por
supuesto, de la ciudadanía. No nos adentraremos demasiado en toda
una serie de estudios que, yendo más allá de las limitaciones de uso,
han postulado una clara necesidad de formar en la comprensión y
uso de datos abiertos. Tenemos estudios que han tratado de formular
marcos de alfabetización (McAuley et al., 2011; Schneider, 2013). Y
estudios que se han referido a la relevancia del apoyo y el coaching
para los portadores de intereses (incluidos los investigadores) con el
n de desarrollar una comprensión más sosticada de las plataformas
de datos y las prácticas asociadas. Por ejempl, en el caso del Colegio de
Agricultura de Purdue, se enfatizó el rol de las bibliotecas (Pouchard
y Bracke, 2016). Wiorogórska et al. (2018) investigaron las prácticas
de datos a través de un estudio cuantitativo en Polonia dirigido por la
133
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Asociación de Alfabetización Informativa (InLitAs) en el contexto de
un proyecto de investigación internacional denominado «ReDaM».
Los resultados revelaron que un número signicativo de encuestados
conocía algunos conceptos básicos en torno a la gestión de datos de
investigación (RDM), pero no habían utilizado las soluciones insti-
tucionales elaboradas en sus instituciones matrices. En el contexto
académico, de hecho, las bibliotecas han sido actores tradicionales
en el acceso abierto y, más recientemente, en la prestación y plani-
cación de servicios de investigación de datos (DRS), que incluyen
la gestión de repositorios de datos institucionales, la orientación en
los metadatos de los conjuntos de datos y la ayuda en la creación de
planes de gestión de datos, la asistencia en la propiedad intelectual,
la formación y otras cuestiones en torno al DO y la apertura (San-
tos-Hermosa, 2019; Tenopir et al., 2017).
Al determinar las necesidades de alfabetización informacional
de datos, Carlson et al. (2011) observaron desde el principio que
los investigadores necesitan comprender la integración entre la
planicación, la gestión y la curación de datos, más allá del tradi-
cional rol técnico de elaboración, a lo largo de las actividades de
investigación. Estos autores llevaron a cabo una serie de entrevistas
y el análisis del rendimiento de los estudiantes avanzados en las
actividades de geoinformática, en el contexto de lo que llamaron
el programa de alfabetización informacional de datos (DIL) que
prepara para lograr tales habilidades necesarias. Asimismo, la re-
producibilidad de la investigación basada en datos abiertos se ha
considerado una habilidad relevante que apoya la transparencia en
la ciencia. Por ejemplo, Teal et al. (2015) desarrollaron un taller
intensivo introductorio de dos días sobre «carpintería de datos», di-
señado para enseñar conceptos básicos, habilidades y herramientas
para trabajar de manera más efectiva y reproducible con los datos.
No está documentado si las actividades mencionadas integraron
el tema de las RSA. Más bien, como se expone en el párrafo ante-
rior, las RSA se han considerado en gran medida un espacio para
el aprendizaje profesional informal y su uso es, de hecho, intuitivo.
Los investigadores se mueven dentro de dichas plataformas, espe-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
134
cialmente ResearchGate y Academia, utilizando las características y
funcionalidades proporcionadas y aprendiendo unos de otros (Kuo et
al., 2017; Manca, 2018; elwall y Kousha, 2015).
Por lo tanto, cabe preguntarse hasta qué punto las habilidades
de los investigadores cubren la adopción efectiva de las RSA para el
propósito social de compartir y reutilizar DAI. Para lograr un equi-
librio entre los requisitos de alfabetización en torno a los repositorios
e infraestructuras institucionales para la ciencia abierta y el conoci-
miento informal relacionado con las RSA, los investigadores deberían
mejorar su comprensión en torno a las infraestructuras digitales que
adoptan no solo a través de una lente técnica sino también crítica.
De hecho, una profesión académica abierta y social puede propor-
cionar muchos benecios informales para la promoción de la carrera,
la reputación del investigador y el impacto social de la investigación
(Greenhow et al., 2019; Veletsianos y Kimmons, 2012). Sin embargo,
hoy en día y en un contexto de daticación, el mal uso de los resulta-
dos de la ciencia a través de los medios sociales, por ejemplo, debería
ser solo un ejemplo de la necesidad de desentrañar las implicaciones
críticas del uso de las plataformas de medios sociales (Manca y Ra-
aghelli, 2017).
Por último, los nuevos enfoques participativos de la ciencia, in-
cluyendo la llamada ciencia de masas y la investigación e innovación
responsables (Owen et al., 2012), generan un efecto de empuje sobre
la necesidad de tender un puente de datos abiertos en la investigación
con y para la sociedad. En este sentido, se cierra el círculo: los nuevos
paradigmas de la ciencia radican cada vez más en el compromiso
de la ciudadanía, por lo que se requiere de ella la concienciación y
ciertos niveles de conocimiento y habilidades para participar en la
recogida, análisis o visualización de datos. El artículo de Wikipedia
«List of citizen science projects»61 enumera cerca de 200 proyectos que
relacionan especialmente el cambio climático, la ecología, la biología,
la informática, la astronomía, la ciencia cognitiva y la investigación
biomédica, poniendo de maniesto el avance de este enfoque en el
61. https://en.wikipedia.org/wiki/List_of_citizen_science_projects
135
3. ¿ABRIR L A CAJA DE PANDORA? ❚
que las fronteras entre la actividad académica y la participación de los
ciudadanos en la elaboración de la ciencia. Como se puede imaginar,
las intervenciones de los académicos según este esquema requieren
el desarrollo de nuevas competencias para abordar el diseño de la
investigación y la recopilación de datos (Taebi et al., 2014). A través
de este esfuerzo de los investigadores, el DAI puede cruzar la línea
del espacio académico para convertirse en un objeto central de la re-
exión, la actividad y, por lo tanto, la alfabetización contextualizada,
relacionada con historias de vida o del territorio o de un ámbito de
preocupación (como la ambiental, o de la investigación genética o
espacial) en la ciudadanía.
Claro está que, yendo más allá del contexto de la investigación
cientíca, los DAG ofrecen un espectro amplio de contextos informa-
cionales, relacionados con servicios públicos, sanitarios, educativos y
de gobierno en general, en los que esas mismas competencias pueden
formarse. En estos casos, se ha de pensar que la gran mayoría de las
personas que se acercan por algún motivo a buscar o analizar regis-
tros de datos publicados en portales gubernamentales lo hacen con
objetivos muy especícos y con competencias limitadas. Por ejemplo,
Jarke (2019) observó, trabajando con grupos de la tercera edad y sus
cuidadores, que la falta de conocimientos tecnológicos de estas per-
sonas las margina en relación con su capacidad de participar en el
desarrollo y uso de aplicaciones tecnológicas cívicas y que es deseable
trabajar algunas habilidades especícas y contextuales. En ese senti-
do, para la ciudanía toda, se repite cuanto hemos observado para el
profesorado y alumnado en la educación superior: partir de un buen
marco de competencias informacionales (saber buscar información,
almacenarla, consultarla, citarla) ya es un buen inicio (Gil-Garcia et
al., 2020).
También en este campo de acceso a los datos gubernamentales y
del activismo digital en su cruce con temáticas de derechos humanos
se ha dado espacio a una reexión crítica (Gutiérrez, 2018), que puede
ser ligada a una alfabetización crítica en datos (Markham, 2020). En
ese sentido, se puede hablar de habilidades, conocimientos y actitu-
des para revisar las formas en que se materializan conceptos basados
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
136
en datos. Es decir, si mido «feminicidios», ¿que haré? ¿Contaré los
números de muertes denunciadas o buscaré otros indicadores de vio-
lencia no maniestos, que podrían asociarse al fenómeno? ¿Tengo
que cuanticar los números de muertes y hablar de feminicidios, o
hablar de violencia de género y adoptar un enfoque más general? Se
toma en cuenta también quién cuenta y quién genera el dato; qué
datos no pueden ser extraídos o «contados» por algún especíco pro-
blema, como son las censuras en las dictaduras, pero también –como
lo hemos visto en los análisis de los portales de datos poco antes–,
por una falta de atención en visibilizar elementos que simplican la
consultación de datos. Como ya se podrá inferir, cada uno de estos
aspectos pueden poner en riesgo de inequidad a grupos especícos
de usuarios o afectar aspectos éticos. Muchos autores han comen-
zado a trabajar en este ámbito, focalizando la conceptualización de
las formas en las que los ciudadanos pueden aprender a trabajar e
interactuar con datos sin dejar de verse a sí mismos como colectivo
con una necesidad de expresión (Bhargava et al., 2015), o desde el
punto de vista del cruce entre teorías críticas como el feminismo y la
ciencia de datos, como son los maravillosos casos y herramientas para
la acción de Catherine D’Ignazio y Laura Klein (2020). El énfasis en
estos movimientos está fundamentalmente dado en el mantener la
relevancia de las competencias técnicas, de «hackeo», de minería, de
interpretación de datos. Sin embargo, se subraya la importancia de un
reconocimiento de aspectos éticos y sociales que hagan que capas de
información subyacente u oculta respecto al modo en que los datos se
elaboran y visualizan, sean visibles, y generen un conocimiento que
sea respetuoso con los colectivos vulnerables o que pueda desvelar la
injusticia invisibilizada.
Como en el caso de la ciencia abierta y ciudadana, estos enfoques
de trabajo con datos se basan principalmente en la interacción de
algo o alguien experto, que puede ser un equipo investigador de una
IES que trabaja de manera mancomunada y respetuosa, o incluso al
servicio de un proyecto de una organización civil. En ese contexto
se abren oportunidades de aprendizaje basado en la reexión, apren-
dizajes informales que determinan la formación de alfabetizaciones
137
3. ¿ABRIR L A CAJA DE PANDORA? ❚
de datos complejas, integradas y contextualizadas, que forman parte
de una cultura de datos que atraviesa varias instituciones, incluida la
universidad.
Sin embargo, DAG y DAI pueden entrar en la actividad de los
académicos a través de la enseñanza, al adoptar nuevos enfoques de
trabajo en aula, basados en datos abiertos. Como han señalado varios
estudiosos, los datos abiertos pueden considerarse recursos educativos
abiertos a todos los efectos (Coughlan, 2019). Por ejemplo, se ha estu-
diado un enfoque con una serie de rubricas para analizar el desarrollo
de competencia de estudiantado universitario de grado y posgrado
al trabajar con conjuntos de datos abiertos, indicando también una
serie de casos ejemplicativos (Atenas y Havemann, 2015). Siguien-
do esta línea, he colaborado en el desarrollo de workshops en los que
pensar cómo diseñar actividades educativas de grado con el uso de
conjuntos de datos abiertos (Atena et al., 2018; Atenas y Raaghelli,
2020). Asimismo, he colaborado en la elaboración de guías de acti-
vidades en clase para trabajar con el alumnado un enfoque crítico de
comprensión de los «no datos» o ausencia de datos para ciertos grupos
vulnerables.62 También logré trabajar en algunas experiencias directas
con mi alumnado, con el que focalicé su capacidad de reutilizar los
datos abiertos en un trabajo basado en un proyecto educativo para
adultos. A través de talleres para analizar las competencias probables
(y la necesidad de formación) en adultos de distintas edades, mapea-
mos sitios que iban desde el PIAAC.63 Comparamos los hallazgos
para Italia con otros estados europeos y, a partir de ello, inferimos las
necesidades de formación yendo a observar portales locales de datos
abiertos. Con estos datos abiertos, el alumnado formuló un diagnós-
tico de necesidades de formación y estableció un plan o proyecto que
de alguna manera coadyuvase al mejoramiento de problemas obser-
62. En colaboración con el proyecto «Data praxis»: https://datapraxis.net/chapter-uoc/, coor-
dinado por Caroline Kuhn de la Universidad de Bath Spa, llevamos a cabo en la UOC tres talleres
para explorar enfoques de alfabetización en datos con una mirada «compleja» e integradora. El
primer taller (https://datapraxis.net/taller-1-puentes-entre-ciencia-abierta-y-praxis-docente/) foca-
lizaba los puentes entre ciencia abierta y pra xis docente, con presentaciones, materiales para trabajar
en clase y rubricas para evaluar el avance del alumnado.
63. https://www.oecd.org/skills/piaac/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
138
vados. Esta actividad no solo fue de crucial relevancia para trabajar
habilidades técnicas de interacción, extracción, elaboración, también
fue muy interesante, pues generó una profunda reexión sobre las
necesidades de desarrollar la alfabetización en datos en las profesiones
de la salud y la educación social, ámbitos donde a veces se tratan de
manera supercial (Raaghelli, 2018b).
Este trabajo, como todas las estrategias didácticas activas, requiere
cuidado y preparación que –como pude observar en los workshops
de diseño en los que trabajé con docentes de IES y de escuela supe-
rior– implica una profunda revisión de las propias competencias en
datos (Raaghelli, 2022b). Como bien sabemos, es un reto para los
académicos adoptar enfoques para la enseñanza y el aprendizaje que
se basan en recursos auténticos que podrían abarcar la innovación
social, el pensamiento crítico y un sentido de conexión con las comu-
nidades de las que proceden los datos abiertos. Considerar los datos
abiertos como un tema educativo está en consonancia con el concepto
de «educación en ciencia abierta», que se reere a la educación para
introducir la ciencia abierta como asignatura, como metodología de
trabajo (Stracke et al., 2020).
Por lo tanto, los datos abiertos, como parte de la ciencia abierta,
podrían tener un impacto potencial en la educación. Esta situación
abarca retos crecientes para la educación superior como sistema ca-
paz de conectar varias formas de datos abiertos, según lo hemos ido
explorando en este capítulo, que se conectan con los retos mismos de
la educación abierta, en tanto que mecanismo democratizador del ac-
ceso a la educación y al conocimiento. De hecho, la educación abierta
tiene una agenda que seguramente cruza la de la ciencia abierta; por
ejemplo, en las formas de aprendizaje promovidas por las actividades
cientícas abiertas que pueden ser consideradas espacios de apren-
dizaje a todos los efectos. El debate de la educación abierta es muy
especíco y excede ampliamente los objetivos de focalización sobre
las prácticas basadas en datos dentro de una cultura de datos, por lo
cuál aconsejo al lector interesado de profundizarlo en otras fuentes,
comenzando por ejemplo por un buen recurso educativo abierto (San-
tos-Hermosa y Boixadera Ibern, 2019). Lo que sí queda claro es que
139
3. ¿ABRIR L A CAJA DE PANDORA? ❚
la cultura de datos de una universidad –referida a los datos abiertos
no como mera técnica, sino como enfoque cabal, ampliado al debate
social y cultural presente en la agenda de ciencia abierta y de educa-
ción abierta– puede llevar a enfoques integrados y de gran impacto
en la formación de jóvenes y profesionales en relación con las redes
(territoriales e internacionales) de una IES.
Tampoco trabajaré en profundidad la gran cantidad de ofertas de
formación que hoy por hoy están surgiendo para cubrir los temas de
los que hemos trabajado en este ámbito. Para que este área de trabajo
de una cultura de datos orezca en su ser «justa», será extremadamen-
te relevante adoptar estos recursos, hacerlos propios o implementarlos
en procesos de trabajo.
Baste saber que, en el caso de los DAG, existen estrategias de
aprendizaje permanente que parten de tutoriales y materiales pre-
sentes en las plataformas hasta llegar a actividades de varios tipos
(incluyendo datathons), tratando de crear conciencia con respecto a
las políticas o técnicas adoptadas. Podemos tomar como un caso em-
blemático la iniciativa «Datos abiertos de Barcelona»,64 que llega a
trabajar en interacción con el sistema educativo para adoptar datos
abiertos como recursos para el aprendizaje; o la iniciativa «A scuola
di open coesione», que ha llegado a nivel europeo por la ecacia de
un modelo basado en un proceso de alfabetización en datos en re-
lación con una plataforma de datos abiertos (promovida por el Fon-
do Social Europeo en Italia) hasta el monitoreo cívico por parte del
alumnado participante.65 Hemos mencionado también la relevancia
de actores regionales que orientan hacia la discusión de temas de
preocupación social y culturalmente relevantes en el ámbito local,
como el trabajo desempeñado por ILDA (Iniciativa Latinoamericana
de Datos Abiertos) o los materiales de autoformación (biblioguías) de
CEPAL.66 También en el caso europeo es extremadamente interesante
el trabajo realizado por Eurostat, que orienta a la ciudadanía para
64. https://opendata-ajuntament.barcelona.cat/en
65. https://www.ascuoladiopencoesione.it/es
66. Comisión Económica para Améric a Latina y el Caribe, Datos Abiertos: https://biblioguias.
cepal.org/c.php?g=496958yp=8636222
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
140
interactuar de manera simple, con visualizaciones interactivas, sobre
la base de las estadísticas producidas67 que tratan de temas de interés
para la convivencia europea. La UE ha organizado, desde el 2017, una
serie de datathons68 que se comportan como concursos anuales de da-
tos abiertos, organizados por la Ocina de Publicaciones de la UE y
promueven las herramientas y portales de datos europeos. Y si bien en
estos ejemplos la presencia de los sistemas educativos y eventualmente
las IES no es central, su apoyo aparece desde la preparación de grupos
de estudiantes, así como la colaboración en la organización, jurados
de evaluación o trabajo conjunto.
Desde el punto de vista de desarrollo profesional académico, la
agenda de ciencia abierta ha promovido un fuerte movimiento de
formación en de la gestión de datos de investigación (research data
management, RDM), por la simple insistencia de organismos de -
nanciación de producir y usar dichos datos, si bien –como ya lo hemos
anticipado– las bibliotecas de cada IES se han empeñado general-
mente con gran profundidad en desarrollar materiales y enfoques
de formación para el uso de datos.69 Sin embargo, se han nanciado
muchos programas transversales que han permitido la presencia de
cursos y materiales textuales y audiovisuales. Un buen ejemplo es el
portal FOSTER,.70 que plantea como objetivos «un cambio cultural
(hacia la ciencia abierta)», la consolidación de una red de formación
en las áreas de la ciencia abierta y el desarrollo de capacidades de
formación en las instituciones. Actualmente no solo presenta varias
actividades relacionadas con la gestión de datos, sino con aspectos éti-
cos y de trabajo en red y en ciencia responsable, y más recientemente,
incluso la adopción de DAI en la docencia universitaria (es decir, de
datos abiertos como recursos educativos abiertos).
67. Eurostat, Visualization tools https://ec.europa.eu/eurostat/data/visualisation-tools
68. https://op.europa.eu/es/web/eudatathon
69. Cito como ejemplo el caso UOC, https://www.uoc.edu/portal/es/coneixement-obert/da-
des-fair/index.html, o el caso de la Universidad de Padua (https://bibliotecadigitale.cab.unipd.it/
biblioteca-digitale/per-chi-pubblica/open-research-data), instituciones con las que colaboro.
70. https://www.fosteropenscience.eu/
141
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Para cerrar, tenemos que reexionar ciertamente respecto a los
enfoques (formales, no formales, informales) con relación al apren-
dizaje permanente de ciudadanos/as, profesionales o investigadores/
as. Ciertamente, los enfoques centrados principalmente en los cursos
tradicionales pueden ser útiles en el sistema educativo y de las IES
inmediatamente. Sin embargo, los adultos y el aprendizaje profesional
requieren vías complejas y autodirigidas que incluyan todo tipo de
compromiso con los recursos, las actividades y las redes para cumplir
con los objetivos de desarrollo personal, que en nuestro caso relacio-
nan el valor y el papel de los datos abiertos en la actividad humana.
En este sentido, las instituciones de educación superior (y las bi-
bliotecas, como potenciales partes interesadas) podrían asumir un
papel clave en su capacidad para apoyar la dinámica de la innovación
crowd-sourced y la ciencia ciudadana; desde la adopción de los DAG
para desarrollar el enfoque crítico de los estudiantes para comprome-
terse y participar en la democracia. Y entablar un diálogo fructífero
que apoye las habilidades técnicas necesarias para desarrollar activi-
dades productivas o de asistencia en relación con el sector privado,
pero también respondiendo a criterios de responsabilidad social. Sin
lugar a dudas, las organizaciones gubernamentales también tienen el
potencial de apoyar el aprendizaje permanente, mediante un diálogo
con la ciudadanía y otras partes interesadas a lo largo de las activi-
dades profesionales. Y gran parte del aprendizaje profesional y de los
adultos se producirá de este modo. Pero, como ya hemos armado, la
presencia de las universidades podría dar lugar a formas avanzadas de
conocimiento y reconocimiento de las competencias.
El concepto de ecologías del aprendizaje permanente podría ser
de cierta utilidad a este respecto (Sangrà, Raaghelli et al., 2019). De
hecho, considera el aprendizaje como algo que ocurre en el cruce de
la participación con los recursos, la participación en las actividades y
el cultivo de las relaciones que son desencadenadas por los contextos
de aprendizaje y, por lo tanto, conectadas y elegidas por el individuo.
Se espera que los datos abiertos sean un nodo importante en even-
tuales ecologías de aprendizaje para ciudadanos, profesionales y aca-
démicos. De hecho, los datos abiertos se comportan como artefactos
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
142
culturales complejos, que pueden promover varios niveles de interac-
ción y exigen diferentes niveles de alfabetización, desde habilidades
digitales y de codicación, estadísticas y la actitud crítica en la contex-
tualización de los conjuntos de datos y los tipos de grupos humanos
que representan. No obstante, las ecologías del aprendizaje perma-
nente requerirán formas de apoyo, entrenamiento y reconocimiento
del aprendizaje para conectar los conocimientos y las habilidades con
las competencias efectivas.
De hecho, el mismo uso de los datos abiertos podría desencade-
nar competencias clave, pero ese compromiso sería más potente si se
orienta u organiza para que conduzca efectivamente a un aprendizaje
y una alfabetización visibles. Se trata de un camino difícil en el que
las universidades tienen que comprometerse conjuntamente con el
gobierno y con instituciones y organismos expertos dedicados al de-
sarrollo de los datos abiertos.
Además, las estrategias de aprendizaje permanente también son
necesarias para el profesorado, no solo porque pueden ser productores
de DAI, sino también porque académicos y académicas son respon-
sables de la alfabetización en datos abiertos del estudiantado, que se
será luego las y los profesionales y ciudadanos que contribuirán a los
ecosistemas de datos abiertos.
Por lo tanto, es evidente que el profesorado puede (y debe) catali-
zar, a través de la investigación y la enseñanza, un esfuerzo metodo-
lógico y deontológico hacia el conocimiento abierto.
Mucho queda por hacer en este ámbito si consideramos las pro-
blemáticas que mencionamos al inicio del capítulo con relación a la
adopción crítica de datos abiertos desde la ciudadanía, desde colecti-
vos profesionales y desde el profesorado mismo.
Para concluir nuestro recorrido en el primer cuadrante
Hemos visto en este capítulo cómo el movimiento del conocimien-
to abierto y público ha realizado enormes esfuerzos para impulsar
la agenda de los datos abiertos, considerándolos un factor crucial.
143
3. ¿ABRIR L A CAJA DE PANDORA? ❚
Hemos analizado cómo se han ido creando infraestructuras, redes
de trabajo y oportunidades para la formación, sea para la ciudanía
y profesionales, sea para el profesorado. Sin embargo, descubrimos
también las grandes problemáticas ligadas al uso de esos mismos
datos abiertos, cuyas características no siempre permiten una buena
accesibilidad; también debido a una cultura en las IES en las que la
cuestión de los datos abiertos es aún cosa de «expertos» y no estrategia
generalizada.
Si pensamos en la escritura académica o el uso de software para
analizar datos, hoy por hoy casi todas las universidades se han dotado
de esquemas y enfoques para trabajar a todos los niveles sobre estas
cuestiones. En cambio, una cultura de datos justa no solo implicaría
integrar, de manera central, los aspectos éticos, sociales y de com-
prensión de las estructuras para elaborar datos, sino para publicarlos
y compartirlos. Ello debe hacerse realidad con un compromiso activo
de las universidades en todos los niveles de producción de datos.
Por ejemplo, en el caso de los ciudadanos y los profesionales dis-
puestos a adoptar los DAG, los enfoques participativos requieren la
preparación de instrucciones, apoyo, entrenamiento, tutorías y –por
último, pero no menos importante– cursos completos en los que las
partes interesadas comprendan cómo se entregan los datos abiertos,
en qué medida pueden aplicarse a los problemas de la comunidad o
qué tipos de innovaciones podrían desarrollarse. En casos más avan-
zados, el problema relevante es cómo dialogar con las infraestructuras
institucionales que producen datos abiertos, para tener un «efecto de
empuje» sobre la publicación de datos abiertos de alta calidad. En este
espacio es donde el profesorado y el estudiantado podrían asociarse
con proyectos de la ciudadanía o de organizaciones e incluso del tejido
productivo local para impulsar formas de «coaprendizaje» en el que el
proceso mismo de revisión y transformación de las formas de produ-
cir, publicar y reutilizar datos conciencia críticamente a todos los por-
tadores de intereses. Más especíco es el caso de quienes investigan
en torno a los DAI, cuya alfabetización en materia de datos es crucial
para la calidad de la ciencia abierta en todas sus facetas; en particular,
de réplica, de reproducibilidad y de continuidad de hallazgos. Por lo
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
144
tanto, las estrategias de aprendizaje permanente tienen que dirigirse
al profesorado para que comprendan el valor de los principios FAIR
y su aplicación. Pero que sepan también cuestionar aspectos éticos de
recogida de datos, revisando su propio lugar de «productores» de da-
tos como lugar de poder y de imposición que ha de ser deconstruido.
De hecho, en un plano más conceptual, también distinguimos
dos enfoques relevantes de los datos; a saber, el técnico y el crítico, y
destacamos la presencia transversal y concurrente de estos dos enfo-
ques en los casos para la generación de DAI y DAG. No podemos,
claro está, abandonar las cuestiones tecnológicas y estructurales que
requieren varios niveles de conocimientos técnicos para buscar, en-
contrar, extraer y elaborar datos abiertos; ni dejar de considerar que
la integración efectiva en productos y servicios solo puede ser posible
mediante la codicación y la generación de visualizaciones de datos.
No obstante, tratar con una cultura organizativa que puede tener, o
no, un plan o estrategia para la apertura de datos implica saber que
tal vez se den diferencias sustanciales en los contextos de trabajo con
datos (intereses económicos con empresas nanciando investigaciones
cuyos datos quedan embargados), aspectos de diseño de servicios y
productos basados en datos abiertos que pueden ir en contra de con-
textos políticos y socioculturales de aplicación, etc. Estas dos vertien-
tes de la alfabetización en torno a los datos abiertos deberían conducir
al desarrollo de estrategias especícas de aprendizaje permanente. No
obstante, la situación ha evolucionado desde un enfoque centralizado
en los enfoques técnicos de los datos hacia una comprensión más
profunda de los datos en la sociedad (Raaghelli y Stewart, 2020).
En este sentido, es plausible que las agendas institucionales y co-
munitarias ejerzan presión sobre profesionales, ciudadanía y profeso-
rado para centrarse en formas especícas de alfabetización. Tal vez
el activismo o la desobediencia civil, como parte de una posición
política, podrían presionar sobre el sistema para que proporcione los
medios adecuados para alfabetizarse en «datos abiertos», empujando
a una cultura de datos justa, que atraviese los sistemas de interacción
entre universidad y sociedad. Ni que decir tiene que, mientras que
la educación formal impone una agenda institucional explícita que
145
3. ¿ABRIR L A CAJA DE PANDORA? ❚
traza los tipos de alfabetización deseados, un enfoque crítico de la al-
fabetización de datos autodeterminada para ciudadnía, profesionales
e investigadores consiste en conectarse con espacios más informales,
como «colaboratorios», hackathons, campañas, maniestos y mesas
redondas con responsables políticos, en torno a dilemas emergentes
como las implicaciones éticas del uso de los datos y la necesidad de
seguir construyendo conocimiento público valioso.
De hecho, solo lograr la conanza y tomar conciencia de los bene-
cios potenciales de los datos abiertos podría llevar a cambiar menta-
lidades que consideran que el intercambio de datos no es relevante o
consume demasiado tiempo y no está relacionado con los benecios
directos del intercambio de conocimiento abierto y público; o, por
el contrario, estando en posiciones de poder, mentalidades que ven
el dato como espacio para dominar ujos de trabajo, benecios o
procesos decisionales.
Creo que lo expuesto hasta aquí apoya la armación de que el
aprendizaje permanente, es decir, las oportunidades de aprendizaje
formal, no formal e informal en los distintos espacios sociotécnicos
en los que se pueden compartir datos, son cruciales para alimentar
las sinergias entre las alfabetizaciones de los actores y el desarrollo
tecnológico de las infraestructuras de datos clave, los estándares y su
aplicación. Esas formas de aprendizaje permanente son el resultado
de procesos de negociación de sentido en los que justamente se cultiva
una cultura de datos verdaderamente emancipadora y justa en rela-
ción con la apertura de datos.
147
4. DATOS QUE BRILLAN. DE MÉTRICAS,
VALORES Y VISIBILIDAD DE LAS IES71
Introducción
Exploraremos ahora el segundo cuadrante, que se coloca, como ya
hubiéramos anticipado en el capítulo 2, entre las epistemologías de
datos cuyo acceso es restringido inicialmente, pero es utilizado a
partir de agregaciones y elaboraciones para mostrar o hacer públicas
ciertas prácticas; y, por esta misma razón, genera movimientos con
epistemologías de datos reactivas, es decir, que llaman a repensar los
valores que se mueven detrás de esos conjuntos de datos. Por estas
características, aunque el dato no es abierto, funciona en un espacio
de conocimiento que se mueve hacia la esfera pública y que activa el
debate público. Más concretamente, nos ocuparemos de la «fábrica
de las métricas», que en la educación superior ha adquirido están-
dares y enfoques especícos, integrando los datos de la evaluación
del aprendizaje, la evaluación de la satisfacción del estudiantado y
la construcción de formas de visualización particularmente ligadas
a la productividad y la calidad, nalmente usadas para generar ran-
kings, es decir, para etiquetar, comparar y clasicar las IES
71. Este capítulo es el fruto de la conversación y trabajo en el programa de investigación de
Valentina Grion, experta de la Universidad de Padua (Italia) en evaluación. A partir de su cruce
en el Programa de Seminarios Web «Fair data cultures in higher education» (Sustainable metrics
in higher education: from assessment of learning to assessment for learning, https://bfairdata.net/
perspectivas/ ) hemos trabajado sobre una línea de investigación que asocia las problemáticas de la
evaluación a las de la alfabetización en datos, incluyendo áreas como la automatización de procesos
y los paneles de visualización como fuentes de retroalimentación para el alumnado. En última ins-
tancia, consideramos las problemáticas de uso de estas métricas –entre otras– para el análisis de la
calidad del aprendizaje y la enseñanza en la educación superior.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
148
¿Por qué colocaremos la fábrica de las métricas como uno de los
espacios de construcción de una cultura de datos? Como lo hemos
hecho con la discusión del segundo cuadrante, porque es un tema
que nace (y se desarrolla) a partir de prácticas y políticas que han ge-
nerado estrategias y procedimientos. Más aún, el tema ha alcanzado
tal relevancia que se ha constituido, en particular, la evaluación del
aprendizaje y la ecacia docente, así como la evaluación de la calidad
de la educación superior, que engloba una serie de prácticas basadas
en datos que, por supuesto, no lograré tratar de modo completo. Las
decisiones, prácticas y reexiones de una universidad al respecto de
estos temas, orientará su cultura de datos hacia un escenario de in-
ternacionalización y managerialism, o bien hacia un escenario de re-
exión profunda con valorización de la relación con el territorio más
que de la visibilidad internacional, u otras formas de visibilidad global
que pasan por la especicidad de las trayectorias institucionales, como
sería el caso de las universidades completamente en línea o «universi-
dades virtuales». Ya veremos también que, en cualquier caso, las IES
están en una condición de gran presión, incluso ligadas a la obtención
de recursos nacionales para plegarse a la aplicación de ciertas métri-
cas de calidad. También podremos observar cómo la cuanticación
de los resultados de aprendizaje, la famosa «nota», sigue –y podría
seguir por mucho tiempo– gobernando la escena de las preferencias,
a menos que comencemos a trabajar, justamente, para modicar esa
cultura de datos según la cual una cierta nota es un registro objetivo
y competitivo. He señalado en el título de este capítulo la necesidad
de ir «más allá de las métricas», pues estas provocan, según se intenta
demostrar en la literatura internacional, muchas falsedades e injusti-
cias en el modo de considerar un buen trabajo institucional respecto a
los portadores de intereses –en especial, el alumnado–, a un territorio
y a la creación de conocimiento, en general, manteniendo, en cam-
bio, valores asociados a un modelo tecnocrático que hoy por hoy ha
mostrado repetidamente todas sus fallas. Para concluir, ofreceremos
algunos casos e instrumentos para trabajar sobre este cuadrante de la
cultura de datos institucional en una dirección «justa».
149
4. DATOS QUE BRILLAN ❚
Evaluación: cuantificación, métricas y mitos
La valoración y la evaluación en el ámbito de la educación fueron ob-
jeto de cuanticación desde el principio de la historia de los sistemas
educativos. Con el creciente interés por el uso de datos cuantitativos
y métricas por parte del positivismo en la ciencia, ninguna actividad
cientíca podía escapar a la necesidad de realizar mediciones y com-
probar hipótesis mediante métodos estadísticos. La pedagogía estaba,
como cualquier otra disciplina, bajo esta inuencia y, a principios del
siglo , las mediciones entraron en el sistema educativo para analizar
el comportamiento de profesores y alumnos.
Durante los años cincuenta y sesenta del siglo pasado, la comu-
nidad internacional se interesó por la contribución de la educación a
las economías nacionales. De hecho, la relación entre la educación y
el crecimiento económico ya había sido teorizada por Adam Smith
en La riqueza de las naciones (1776, p. 137). Tras la Segunda Gue-
rra Mundial, la atención se centró en el desarrollo económico de los
países occidentales, y las inversiones en cualquier factor que contri-
buyera a la economía estuvieron en el punto de mira. La atención
de responsables políticos y de gobiernos se trasladó rápidamente a la
alfabetización como factor relevante, por un lado, para la calidad de
los recursos humanos y su productividad; por otro lado, como base
para vivir en sociedades democráticas. El debate evolucionó en las
décadas siguientes, abarcando la necesidad de más y mejores compe-
tencias para las economías capitalistas y occidentales en una situación
de crisis cíclica después de los años ochenta.
Sin embargo, a nales de esa década aumentó la crítica a los siste-
mas educativos, sobre todo por la incapacidad de estos para responder
a la demanda de competencias de la industria (Mitch, 2005). Si toma-
mos como ejemplo el caso europeo, es muy interesante observar cómo
en 1996 se hacía hincapié en la necesidad imperiosa de modernizar
la educación. Justamente a partir del Libro Blanco coordinado por
Jacques Délors de la Unesco para la Comisión Europea, se lanzaba la
metáfora: «el tesoro escondido en la educación», para abrir a un diálo-
go más complejo con quien se focalizara solo en la relación entre edu-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
150
cación y crecimiento económico. No obstante, el informe sirvió para
sentar las bases de las políticas educativas y de desarrollo europeas,
en las que se establecieron claros «puntos de referencia» de desarrollo,
junto con una serie de indicadores para medir dicho progreso de los
sistemas educativos europeos, actualizados a través de dos programas
para establecer acciones y evaluación (European Commission/Com-
sión Europea, 2011). Este contexto de entusiasmo por la medición
del progreso se asoció también a las políticas estadounidenses que
reivindicaban el «No child left behind» desde principios de 2000. En
este último, todos los esfuerzos se dirigían a determinar qué prácticas
pedagógicas «funcionan y en qué circunstancias» (Slavin, 2002), apo-
yados en sólidos estudios experimentales y en un elaborado enfoque
de selección de pruebas (principalmente, cuantitativas).
Para la educación formal, pero también para todas las formas de
reconocimiento del aprendizaje relacionadas con el aprendizaje infor-
mal y no formal, la valoración y la evaluación se convirtieron en el
comienzo de un itinerario que conectaba el rendimiento del individuo
con el rendimiento de los sistemas.
Un esfuerzo en esa línea de pensamiento, que podría ser notorio
para muchas personas que leen este libro, sería el programa PISA de
la OCDE.72 El mismo se ha abocado a analizar la ecacia de los siste-
mas educativos en los países OCDE y progresivamente en países que
han adoptado la metodología que «mide la capacidad de los jóvenes
de 15 años para utilizar sus conocimientos y habilidades de lectura,
matemáticas y ciencias para afrontar los retos de la vida real» (cfr. La
presentación de PISA en su página web). En el 2018, 79 estados y
unos 600000 estudiantes que representan alrededor de 32 millones
de jóvenes de 15 años participaban en el programa (OECD, 2018a).
La medición de PISA se ha vuelto tan relevante que hay esfuerzos
nacionales dirigidos a preparar al estudiantado para participar en las
pruebas y los resultados son ampliamente citados y utilizados en la
elaboración de políticas (Biesta, 2015).
72. Programme for International Students Assessment, https://www.oecd.org/pisa/
151
4. DATOS QUE BRILLAN ❚
Sin embargo, hay estudios que han mostrado las deciencias de
considerar como único baremo los estudios PISA. En primer lugar,
si bien el enfoque abarcaba un riguroso trabajo de investigación y la
generación de evidencias sobre alfabetizaciones básicas (matemáticas
y lectura), se criticó la falta de consideración de los factores sociales y
culturales que contribuían a un panorama más amplio sobre los re-
sultados (Biesta, 2007). De hecho, no solo han ido surgiendo muchas
preocupaciones relacionadas con las diferencias culturales entre las
«naciones» (un concepto cargado de ideología), sino también dentro
de los mismos territorios que se comparan. Así, una revisión de dos
décadas de literatura sobre estas pruebas internacionales puso de ma-
niesto tres deciencias fundamentales: su visión subyacente de la
educación, su aplicación y su interpretación e impacto en la educación
a nivel mundial (Zhao, 2020).
Como ha señalado Gert Biesta (2015):
Las medidas cuantitativas que pueden transformarse fácilmente en ta-
blas de clasicación y en declaraciones sobre las ganancias y las pérdidas
entre las diferentes extracciones de datos que, a su vez, proporcionan
una base clara para que los responsables políticos establezcan objetivos
de «mejora» –como obtener un lugar más alto en la tabla de clasicación
que los competidores, aumentar el rendimiento nacional en al menos
un cierto número de puntos ambicionar a obtener una puntuación «al
menos por encima de la media»–, conriéndole a los estudios PISA una
simplicidad que está ausente en los complicados debates sobre lo que
se basa (el implementar) una buena educación. (Biesta, 2015, p. 350,
traducción de la autora)
La conanza y el esfuerzo puesto por los responsables políticos en
PISA podría considerarse el resultado, en cualquier caso, de décadas
de práctica de evaluación para la medición, en las que la preocupación
por el rendimiento del sistema ha superado el sentido y la dirección
de una (buena) práctica pedagógica. Y en este contexto se integra
la producción de calicaciones como operación básica destinada a
los pasos posteriores relacionados con la agregación, el resumen y la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
152
comparación para mostrar y debatir la calidad educativa a nivel de
institución o de país, lo que plantea narrativas de éxito y de avance
alineadas con las lógicas tecnocráticas y neoliberalistas (Piattoeva,
2021). Sin embargo, muchos educadores desconfían de estos sistemas
y trabajan desde sus narrativas y las de su estudiantado, lo que en de-
nitiva podría tener también un impacto a nivel de sistema, que se ha
de considerar. Un efecto de hecho es la deconstrucción de la ansiedad
por la calicación como único elemento relevante para demostrar las
habilidades y conocimientos del estudiantado para participar en la
sociedad. Así, el efecto perverso de la utilización de la calicación para
apoyar el análisis del sistema ha sido su repercusión en la percepción
por parte de las y los estudiantes y el profesorado de la práctica de la
evaluación como una operación burocrática, que no forma parte del
proceso de aprendizaje y, en cambio, doblega la libertad de enseñanza.
En efecto, mientras el estudiantado se preocupa solo por las modali-
dades con las que puede llegar a una calicación alta, el profesorado
es evaluado en su ecacia a partir de la habilidad con que conduce
al obtenimiento de esa calicación. Como lo teorizó tempranamente
Donald Campbell en los setenta, hay una distorsión en la representa-
ción cuantitativa del rendimiento que pasa de la métrica para analizar
un fenómeno a convertirse en un conductor del comportamiento de
los actores (Grion et al., 2017; Vasquez Heilig y Nichols, 2013). El
fenómeno es tan frecuente que en el mundo anglosajón se ha acuñado
una expresión coloquial teaching to test (enseñar para el exámen), y ha
visto su máxima expresión en concentrar buena parte del curriculum
para superar o mejorar los niveles de ejecución de pruebas nacionales
estandarizadas (Styron y Styron, 2011). Este problema indica clara-
mente la descontextualización y la falta de atención a la diversidad del
alumnado, en un intento de los educadores por demostrar la «calidad
del sistema» y especícamente y según la presión recibida por el sis-
tema nacional, su calidad docente.
En su libro e tyranny of metrics (La tiranía de las métricas), Jerry
Muller (2018) describe claramente el problema de hacer más daño que
bien por medio de las mediciones en el contexto del sistema estadou-
nidense y la ansiedad por medir «para ver» el retorno de las inversiones
153
4. DATOS QUE BRILLAN ❚
realizadas en «cerrar la brecha» de las alfabetizaciones básicas entre
grupos de élite y grupos vulnerables (especialmente, afroamericanos).
En su análisis, el autor llega a una conclusión desarmante:
La autocomplacencia de quienes insisten en premiar el rendimiento
educativo medido para cerrar las brechas de alfabetización se produce a
expensas de quienes realmente se dedican a intentar educar a los niños.
No todo lo que se puede medir se puede mejorar; al menos, no mediante
la medición. (Muller, 2018, p. 114, traducción de la autora).
Para ir más allá de la medición ya se ha señalado en los muchos
estudios y debates conducidos en los últimos 50 años, que es necesa-
rio abarcar la evaluación como un proceso complejo y participativo,
donde el papel del estudiantado sea crucial en el diseño y la aplicación
de las actividades de evaluación (Boud, 1988; Grion y Serbati, 2018).
Asimismo, esta operación podría conducir a la alfabetización eva-
luativa, como resultado nal más allá de la calicación. Se habla, en
este sentido, de un conjunto de habilidades para autoevaluar el apren-
dizaje en el aula y también más allá, en contextos extremadamente
relevantes para una sociedad creativa y democrática. Huelga decirlo,
tenemos un largo camino por delante para ello (Medland, 2019).
En las secciones que vamos a seguir, nos centraremos en: a) el
fortalecimiento de la idea de la evaluación como práctica pedagógica
que puede o no adoptar y generar datos, pero cuyo resultado principal
no es ciertamente producir representaciones cuanticables del proceso
educativo; b) la idea de que las prácticas basadas en datos dentro de la
evaluación mediada digitalmente son otra representación, que puede
o no ser útil para el desarrollo de la evaluación para el aprendizaje; c)
la alfabetización crítica en datos, como la capacidad de leer los datos
como un conjunto complejo de prácticas e instrumentos, que puede
apoyar un desarrollo renovado de la alfabetización en evaluación.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
154
Evaluación del aprendizaje: el problema de la calificación
Apoyándome en una abundante literatura internacional, he sugerido
que los métodos y actividades de evaluación tienen un impacto crucial
en el aprendizaje de los estudiantes (Boud, 1988; Grion y Serbati,
2018). Y en consecuencia, la evaluación debe ser una parte relevante
del proceso de aprendizaje, y no una operación técnica y administrati-
va destinada a producir los datos requeridos por el sistema burocrático
(Black y Wiliam, 2009).
El profesor australiano David Boud fue uno de los pioneros en cen-
trar la atención de la comunidad de investigación educativa en la eva-
luación en el contexto universitario y una de las voces más autorizadas,
a nivel internacional, en este campo de investigación. A principios de
1988 armó:
Los métodos y las tareas de evaluación tienen una profunda inuencia
en cómo y qué aprenden los estudiantes, probablemente más que cual-
quier otro factor implicado. Esta inuencia puede desempeñar un papel
más decisivo que los contenidos. (Boud, 1988, pp. 39-40).
Al hablar del «peso» de la evaluación en el mundo académico, en
un artículo posterior, el mismo autor armó:
Los estudiantes pueden, aunque con dicultad, superar los efectos de
una mala enseñanza, pero no tienen la posibilidad (por denición, si
quieren graduarse) de escapar de los efectos de una evaluación «po-
bre». Los actos evaluativos representan mecanismos de control sobre
los alumnos que son mucho más penetrantes e insidiosos de lo que la
mayoría de los profesores son capaces de reconocer. (Boud, 1995, p. 35)
Una profusa literatura siguió a la perspectiva pionera de Boud,
mostrando cómo las formas e instrumentos de evaluación utilizados
por el profesorado suelen afectar al comportamiento del alumna-
do en relación con su compromiso con el estudio, su atención a
determinados aspectos de la enseñanza y las competencias reales
155
4. DATOS QUE BRILLAN ❚
desarrolladas como resultado de la asistencia a un curso (Boud y
Soler, 2016).
En esta línea, Bloxham y Boyd (2007) arman que, en la univer-
sidad, la actividad de evaluación motiva y da forma a la actividad de
aprendizaje. Aunque los estudiantes pueden tomar apuntes durante
las clases, seguir los seminarios, subrayar partes de los textos mientras
el profesor trata el tema correspondiente o realizar los trabajos pro-
puestos en los laboratorios, la preparación para la evaluación ha sido
tradicionalmente el momento en el que los estudiantes se compro-
meten con el material de estudio de forma seria y quizás efectiva. Por
lo tanto, la literatura académica ha apoyado la idea de que las tareas
de evaluación deberían planicarse cuidadosamente para desarrollar
contextos de reexión y actividad que conduzcan a un aprendizaje
relevante (Brown, 2005).
El trabajo de Biggs ha sido fundacional en esta tendencia. Este
académico desarrolló el concepto de alineación entre la enseñanza y la
evaluación como enfoque de la calidad en la educación superior (Bi-
ggs y Tang, 2011). Para Biggs, un aspecto preocupante que requiere
atención crítica se relaciona con el efecto negativo sobre el aprendizaje
que producirían las prácticas de evaluación diseñadas supercialmen-
te, incluso en el caso de innovaciones pedagógicas. Por ejemplo, un
curso basado en el aprendizaje por proyectos o en el aprendizaje co-
laborativo podría terminar con bajas calicaciones si la prueba nal
se diseña como un examen de opción múltiple que solo requiere un
ejercicio mnemotécnico (Ghislandi y Raaghelli, 2015). En un plano
más práctico, Bloxham y Boyd (2007) destacaron cómo las estrate-
gias de evaluación adoptadas y comunicadas a los alumnos inuyen
en el enfoque del estudio, la cantidad de tiempo que los estudiantes
dedican a la preparación, la profundidad de la adquisición de los
contenidos, la forma más o menos ecaz de identicar los conceptos
clave, etc. Cinque (2016) señaló que la evaluación transmite lo que es
importante para el estudiantado; consolida el desarrollo de estrategias
de aprendizaje; inuye en el valor que el sujeto otorga a la formación,
así como en el sentido de realización personal y en la voluntad de
completar determinadas tareas de aprendizaje, y contribuye a denir
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
156
lo que el estudiantado asocia con la experiencia general de aprendizaje
universitario.
Al subrayar la necesidad de replantear la evaluación del aprendizaje
en el entorno académico, Brown se rerió a las observaciones reali-
zadas por la Academia de Educación Superior (Ball et al., 2012), la
Comisión Europea (McAleese et al., 2013) y el Comunicado de Ere-
ván (European Higher Education Area EHEA, 2015) sobre la inade-
cuación de las prácticas de evaluación en nuestras universidades con-
temporáneas en un contexto general de preocupación por la calidad
de la enseñanza en la educación superior. Según los citados informes,
las prácticas de evaluación ponían de maniesto la incapacidad de
seguir el ritmo de los profundos cambios organizativos, estructurales
y funcionales de las propias universidades. Eran inadecuadas para
identicar y captar los resultados que la sociedad esperaba de la ense-
ñanza universitaria, en particular, en relación con las competencias y
los conocimientos requeridos en diversos ámbitos profesionales y en
la sociedad en general.
Las reexiones anteriores nos permiten concluir que la evaluación
cuidadosa y signicativa, como práctica integrada en toda la relación
pedagógica, conduce a una alfabetización crítica que permite a los
estudiantes convertirse en evaluadores. La alfabetización evaluativa,
como se ha denominado, es la base de muchas otras competencias
transversales requeridas en los contextos, como saber tomar decisio-
nes, resolver problemas y el pensamiento crítico (C. D. Smith et al.,
2013). Algunos autores (Boud, 1999; Boud y Soler, 2016) destacaron
que la capacidad de convertirse en «aprendices a lo largo de la vida» se
basa en realidad en convertirse en «evaluadores a lo largo de la vida».
En denitiva, se trata de estar preparados para afrontar el análisis,
la evaluación y el juicio aplicados a la vida personal y profesional.
De hecho, un alumno estará llamado, en todas las situaciones de la
vida, a juzgar sus propias actuaciones y las de los demás en contextos
especícos y diversicados, a proporcionar y recibir retroalimentación
sobre las situaciones problemáticas a las que debe enfrentarse y a eva-
luar críticamente la calidad de los productos y procesos para tomar las
decisiones consiguientes (De Rossi, 2017). Sin embargo, ser capaz de
157
4. DATOS QUE BRILLAN ❚
evaluar de forma pertinente y equilibrada no es una competencia que
surja ma espontáneamente, sino que debe ser entrenada intenciona-
damente, considerándose un objetivo de formación indispensable de
toda disciplina (Boud et al., 2013). Los procesos mencionados pueden
implementarse a pequeña escala dentro del aula, donde el estudiante
puede participar en ejercicios de autoevaluación y de evaluación entre
pares (Serbati et al., 2019). Solo esta práctica llevará al estudiantado a
ser capaz de convertirse en evaluadores en su vida profesional y cívica
futura. Y sin embargo, hoy por hoy la atención dedicada a esta prác-
tica es verdaderamente rara (Grion y Serbati, 2018; Medland, 2019).
A pesar de la relevancia pedagógica y más allá de los requisitos de
las habilidades del profesorado para implementar tales actividades, en
la evaluación hay otra cuestión que impide la difusión de una pers-
pectiva y una práctica compleja, sostenible, más allá de las métricas.
En efecto, la evaluación para el aprendizaje implica tareas que no solo
son difíciles de diseñar, desarrollar y desplegar en entornos educativos
reales, sino que son aún más difíciles de contabilizar. En consecuen-
cia, la calicación como elemento central de la certicación, que es
más una necesidad de dar cuenta de los resultados del sistema que del
profesorado y el alumnado, es difícil y costosa de producir.
En un contexto de masicación de la enseñanza superior, la ne-
cesidad de demostrar la ecacia, de competir entre instituciones y de
hacerlo mediante enfoques que ahorren costes se convierte en algo
fundamental. Por ello, la mayoría de las tareas de evaluación se focali-
zan en analizar el grado de conocimiento conceptual, pudiendo ser así
transformadas fácilmente en puntuaciones. La desventaja evidente es
que el aprendizaje que se produce efectivamente es supercial, dadas
las premisas mencionadas anteriormente respecto del compromiso
de los estudiantes con las actividades y los recursos de aprendizaje
(Ghislandi, 2005, p. 218). De hecho, una preocupación habitual del
docente es que cualquier invitación a los alumnos a profundizar en
una materia resulta inecaz si no hay una conexión inmediata con
los «temas» que son objeto de examen o de puntuación nal a ser
transferida al sistema administrativo que permite luego el alcance
del diploma o título universitario (Pastore y Pentassuglia, 2015). Sin
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
158
embargo, ¿se puede culpar al alumnado, cuando en realidad está «mi-
diendo» la importancia del propio esfuerzo respecto a las exigencias
del sistema universitario y lo que le lleva a obtener con mayor ecacia
las credenciales requeridas por el sistema laboral y, por tanto, de su
propia subsistencia y futuro en una sociedad capitalista?
Credenciales y crisis en la educación superior
Nuestro análisis previo nos llevó a detectar las distorsiones y desequi-
librios que produce la evaluación en la enseñanza superior. Como
pusimos de relieve, los métodos inauténticos van en detrimento de la
función formativa de la evaluación y adopta métodos predominante-
mente inauténticos y sumativos.
En esta sección planteamos que las raíces de dicho problema
pueden estar relacionadas con la necesidad de enfoques más rápidos
y fáciles de «calicar» como resultado del proceso de enseñanza y
aprendizaje, en un contexto de masicación de la educación superior,
que hemos introducido brevemente y de manera general para la edu-
cación toda.
En el caso especíco de la educación universitaria «mito de la me-
dición» (Broadfoot, 1996) se extendió en los años setenta de la mano
del énfasis en la medición en las intervenciones sociales. De hecho,
la llamada medición educativa (Ebel, 1972) homologó la evaluación
con la práctica de la medición y sus reglas. Cabe recordar que estos
debates estaban liderados por la academia norteamericana, situada en
un contexto de la formulación de políticas que era particularmente
sensible a la medición de las intervenciones sociales, en conexión con
procesos de medición de las intervenciones militares en el extranjero
y en términos de «retorno de inversiones».
Sin embargo, en aquellos mismos años, el psicólogo estadouniden-
se Donald Campbell señaló ampliamente deciencias de la cuanti-
cación en las intervenciones sociales, en general, y en la educación, en
particular. Su trabajo se hizo muy conocido por la formulación de una
«ley» de los test de rendimiento escolar: estos, cuando se convierten en
el objetivo del proceso de enseñanza, no solo pierden su valor como
159
4. DATOS QUE BRILLAN ❚
indicadores del rendimiento escolar o académico, sino que también
distorsionan el proceso educativo de forma indeseable (Campbell,
1979, p. 85). Llamó a este fenómeno el «efecto corruptor de los indi-
cadores cuantitativos» (Ibíd., p. 84), y lo relacionó con la controversia
entre los métodos de evaluación cualitativa y cuantitativa, recordando
los antagonismos entre los enfoques «humanista» y «cientíco» de la
investigación (Ibíd., p. 69).
De hecho, existía un debate antagónico entre los paradigmas cuan-
titativo y cualitativo que se prolongó por casi tres décadas (Kincheloe
y Berry, 2004), con profundas repercusiones en la concepción de la
evaluación, en particular, de la evaluación de alto impacto (como la
usada para tomar decisiones sobre el ingreso a la educación superior,
o a carreras de especialización) y sus conexiones con la formulación
de políticas (Biesta, 2007). Un hito claro de este debate, que trataba
de superar la dicotomía «cuál-cuán» fue la «cuarta generación de eva-
luación» de Guba y Lincoln (1989). Sin embargo, la comunidad de
investigadores en educación fue incapaz de encontrar un equilibrio
hasta que los métodos mixtos y la investigación basada en el diseño
impulsaron el debate un paso adelante, en un intento desesperado
por captar la complejidad de las prácticas educativas (Anderson y
Shattuck, 2012; Creswell y Garrett, 2008). Este debate tuvo impacto
en la discusión académica sobre la calidad educativa (Ghislandi et al.,
2013). Y resultó nalmente en la petición de los expertos de alinear la
enseñanza con la práctica de la evaluación, en la que fue denominada
una «crisis de la evaluación» (Stiggins, 2002).
En este sentido, puede observarse que dentro de los documentos
más recientes relativos al código de calidad para la educación su-
perior del Reino Unido, elaborados por la Agencia de Garantía de
Calidad para la Educación Superior (QAA), desaparece la palabra
medición, que se utilizaba casi como sinónimo de evaluación en la
primera versión del año 2000 (Boud, 2014). Además, la palabra dejó
de utilizarse para denir la evaluación ya en la segunda versión de
2006. También es indicativo que en el último documento sobre la
garantía de calidad en la evaluación del aprendizaje solo se mencione
una vez (QQA, 2018).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
160
¿Cómo ha desaparecido esta palabra de los discursos de los exper-
tos mientras sigue implantada en el sentido común? El problema de
la cuanticación estaba profundamente arraigado con los requisitos
de productividad del sistema, yendo mucho más allá de la evaluación
como práctica docente, hacia el ámbito de la elaboración de políticas
dentro de un sistema capitalista. De hecho, el llamado «credencialis-
mo» y el efecto arraigado de la «inación de títulos» son la otra cara
de la moneda de la excesiva focalización en el uso de las calicaciones
y otras métricas para mostrar el rendimiento del sistema educativo. El
credencialismo, observado por primera vez en 1979 en Estados Uni-
dos por Randall Collins, representa una dependencia extrema de las
cualicaciones o certicaciones formales para determinar si alguien
puede realizar una tarea (Collins, 1979). La inación de títulos, en
cambio, fue el efecto sutil del credencialismo, por el que los títulos
empezaron a perder su valor al producirse de forma masiva (Open
Education Sociology Dictionary, 2013). En efecto, la masicación
de la enseñanza superior, así como el rígido apego a las competencias
académicas se alejaron de las necesidades técnicas y de competen-
cias transversales del mercado laboral, convirtiéndose en una trampa
tanto para los titulados desempleados o subempleados como para la
industria que veía frustradas las operaciones de captación de talento
(C arey, 2015).
Posteriormente, el problema del credencialismo impulsó el debate
sobre la modernización del currículo y la práctica docente, aunque
también puso de maniesto la complejidad de los factores que no
podían ser controlados en su totalidad por las instituciones educativas
e inuían efectivamente en los logros de los estudiantes. Entre ellos,
la clase y los códigos sociales compartidos por las élites, así como las
prácticas discriminatorias de género y raza en el acceso a la educación
superior fueron algunas de las críticas al valor inherente de los títulos
universitarios (Andersen y Taylor, 2012, p. 348).
Por lo tanto, a pesar de la circulación entre los imaginarios univer-
sitarios de la idea de la métrica y la cuanticación como expresión de
objetividad y equidad vinculada a las credenciales nales alcanzadas,
la idea de «medición» fue objeto de una fuerte crítica a través del
161
4. DATOS QUE BRILLAN ❚
debate sobre el credencialismo y la inación de títulos. Y ello llevó,
sin lugar a duda, a una creciente crisis del sistema de educación supe-
rior, incapaz de responder a los requisitos constantes de una sociedad
tecnocrática (Carey, 2015). Las universidades se vieron presionadas a
desarrollar programas más atractivos, introduciendo tecnologías digi-
tales, renovando los contenidos, personalizando el aprendizaje, esta-
bleciendo redes con la industria para asegurar la inserción laboral, etc.
(Crosier et al., 2019) . Sin embargo, esta actividad también conllevaba
un aumento de los costes y la necesidad de volverse «performativo»
en el sentido de competir y mostrar los logros de la enseñanza y la
investigación. De forma reveladora, las métricas garantizaban una
representación más fácil de la actividad y de los resultados relativos.
Cuanto más produjeran las universidades calicaciones (buenas cali-
caciones rápidas) entre otros indicadores de productividad, más po-
sibilidades tendrían de hacerse visibles y atractivas para los estudiantes
potenciales. Pero cuanto más superciales eran las competencias cer-
ticadas, menos atractivas o incluso ecaces eran estas competencias
para el mercado laboral y la sociedad en general.
Datos «para el éxito» en la enseñanza superior: ¿técnicas,
tecnologías y profesionalismo, o audiencias críticas?
La recopilación de datos en la enseñanza superior tiene una larga
tradición, pero también observamos mediciones constantes en el sec-
tor de la investigación, las patentes y los contratos (Fanghanel et al.,
2016). Dentro de esta actividad, la graduación y la retención de los
estudiantes era un indicador de calidad que se consideraba central
(Barefoot, 2004). De hecho, la Comisión Europea impulsó el debate
sobre la calidad de la enseñanza superior (McAleese et al., 2013)
considerando el intenso efecto de empuje de las agendas de edu-
cación superior OCDE y Unesco (Ghislandi y Raaghelli, 2014b).
Por los motivos que expuse en el apartado anterior, era claro que la
medición de la calidad del trabajo académico, que abarca desde la
investigación y la transferencia a la satisfacción de los estudiantes y
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
162
a la respuesta dada a las exigencias del mercado laboral en térmi-
nos de habilidades y conocimientos del estudiantado, generaría una
máquina compleja y fragmentaria (Hazelkorn, 2016). Como indi-
can Saura y Bolívar (2019) en su estudio basado en 24 entrevistas a
jóvenes investigadores e investigadoras españoles, «el sujeto acadé-
mico neoliberal está cuanticado, digitalizado y bibliometricado»
construyendo su propia identidad en lo que es una falsa libertad. El
espacio de autonomía está gobernado de manera invisible por las
formas de cuanticación de la producción académica, que obligan a
focalizar la atención sobre la investigación y especialmente sobre la
investigación «que vale», como lo atestigua el trabajo de Carla Far-
della y colaboradores desde Chile (Fardella-Cisternas et al., 2021). A
ello se suma que las problemáticas del análisis de la calidad docente
sean muy controvertidas, particularmente desde el punto de vista
de la evaluación del estudiantado sobre la calidad de la enseñanza
(students’ evaluation of teaching). En efecto, la sola valoración de la
docencia a través de cuestionarios estandarizados a nivel nacional por
parte del estudiantado, que es considerada fácil e inmediata, lleva a
varias problemáticas, como la inación de notas, el sesgo estudiantil
de frente a las docentes mujeres o el dar mejores evaluaciones a cursos
esquemáticos de frente a innovaciones en la docencia (Emery et al.,
2003; Kreitzer y Sweet-Cushman, 2021; Okoye et al., 2020). Una
recogida de datos que integre esta perspectiva, con observaciones
directas de colegas en el aula, evaluación por parte de expertos y au-
toevaluación guiadas es difícil y costosa (Harvey y Williams, 2010;
Kreitzer y Sweet-Cushman, 2021).
Las dicultades para establecer enfoques de medida de la pro-
ductividad y calidad académica no llevaron a un debate sobre las
metodologías de construcción de las métricas, sino a la aplicación
de tecnología para facilitar la cuanticación. La bibliometría y la
escientometría, permitida por la extracción sistemática de «series»
de datos basadas en las citaciones dentro de ciertas plataformas,
apoyadas por políticas nacionales de evaluación de la carrera cien-
tíca (Saura y Bolívar, 2019) se unió a los datos arrojados por la
analítica de aprendizaje (Ferguson, 2012; Siemens, 2013; Siemens et
163
4. DATOS QUE BRILLAN ❚
al., 2013). La suposición principal era que la integración inteligente
de los datos, aprovechando la medición automática de la evaluación
del aprendizaje y la participación, superaría el problema de la reco-
pilación de medidas autodeclaradas (Scheel et al., 2015). En ambas
agendas se hace hincapié sobre el seguimiento y la recopilación in-
mediata de datos; la capacidad de procesar los datos para promover
representaciones dinámicas, automáticas y personalizadas utilizadas
para apoyar la retroalimentación; el enfoque able de la recopila-
ción de datos basado en los comportamientos, y no en la opinión
(Dietze et al., 2016; Fawns et al., 2021; Moed, 2017). Estas métricas
tienen el poder de generar falsas motivaciones «intrínsecas» en el
profesorado y el alumnado, según lo apunta Brøgger (2019) para el
caso europeo y lo conrman desde la perspectiva de la investigación
en el caso español Saura y Bolívar (2019), o el trabajo en el que yo
misma colaboré en el sistema italiano, reconsiderando las falacias
de un sistema enteramente cuantitativo para comprender la calidad
del aprendizaje y la enseñanza (Ghislandi et al., 2020). En todos
estos trabajos se pone de maniesto que la gobernanza del sistema
universitario neoliberal genera, a través de estos mecanismos, un
sentimiento internalizado de «deber» cumplir con ciertas métricas
para mantener el estatus individual e institucional de productivi-
dad, más que con la propia visión autónoma y valores alrededor del
trabajo académico. Principalmente, ligan ese trabajo a formas de
visibilidad «performativa».
Así, los rankings universitarios han proliferado en los últimos años
como una forma de apoyo «objetivo» para entender qué universidades
imparten una educación de mayor calidad (Sangrà et al., 2019a). Por
denición, estos ponen el énfasis en la dimensión competitiva. Sin
embargo, se han adaptado de tal manera que las dimensiones analiza-
das favorecen a algunas instituciones en detrimento de otras, a pesar
de los diferentes contextos socioculturales y necesidades de la sociedad
con respecto al papel de la universidad (Hazelkorn, 2016). Los estu-
dios comparativos también han demostrado que los indicadores de
investigación prevalecen sobre los relativos a la docencia y que la do-
cencia está poco informada con datos básicos, en lo que algunos han
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
164
denominado el enfoque unidimensional de la evaluación institucional
(Moed, 2017). De hecho, Hou y Jacob (2017), analizando tres de las
más inuyentes clasicaciones universitarias mundiales, demostraron
que estas últimas adoptaban datos poco relacionados con la enseñan-
za. En la misma línea, Spooren y Christaens también han demos-
trado que los indicadores de las clasicaciones universitarias estaban
compuestos en su mayoría por datos sobre los artículos publicados en
revistas de prestigio como Nature y Science, y los valores asociados
a la presencia en el Social Sciences Citation Index, o el número de
miembros que ganaron premios Nobel y medallas Field (Spooren y
Christiaens, 2017). Solo recientemente, el debate crítico ha llevado
a clasicaciones multidimensionales como U-Multirank,73 que han
intentado abordar el problema centrándose en la comprensión de la
diversicación de expectativas que distintas audiencias podrían tener
sobre la calidad de una institución universitaria (Goglio, 2016). Este
sistema presenta visualizaciones y clasicaciones dinámicas, de acuer-
do con el interés sobre la calidad de la enseñanza, la enseñanza en
línea, la internacionalización o la investigación, en lugar de ofrecer un
listado congurado en relación con un único tipo de métricas inte-
gradas. De hecho, el problema sustancial es la mala conceptualización
de los rankings, basada en una idea ingenua o de «sentido común» de
la calidad, referida principalmente a la famosa Ivy League estadou-
nidense, con un pobre soporte estadístico (Soh, 2017). No obstante,
las páginas de las universidades están frecuentemente pobladas de
expresiones entusiastas que relatan las recientes posiciones en rankings
internacionales, como fuente de motivación para el profesorado, así
como para los estudiantes actuales y futuros.
En consonancia con nuestro análisis sobre el papel de la evaluación
en este contexto de énfasis en la medición y la competencia, Sangrà
et al (2019a) señalan que los datos para evaluar la calidad en la edu-
cación superior pueden relacionarse con diferentes niveles de análisis.
Estos son: micro (indicadores que pueden informar sobre el proce-
so de enseñanza y aprendizaje); meso (paneles y páginas dinámicas
73. https://www.umultirank.org/
165
4. DATOS QUE BRILLAN ❚
institucionales que muestran indicadores especícos del rendimiento
institucional); y macro (clasicaciones que se utilizan para comparar
instituciones). Los autores arman que los tres niveles deben analizar-
se por separado, ya que los problemas de recogida de datos y el tipo
de actuación relativa son totalmente diferentes. No obstante, cada
una de estas medidas debe entenderse como interrelacionada desde
el momento de la recogida hasta la representación y a la relación con
los valores sociales e institucionales de referencia. Al referirse a las
prácticas basadas en los datos, estos niveles podrían integrarse en lo
que aquí entendemos como una «cultura de datos justa», basada en
alfabetizaciones participativas y reexivas, mientras que las fuentes de
información cambian y evolucionan, incluidas las prácticas basadas
en datos (Raaghelli et al., 2020).
Sin embargo, estamos lejos de aplicar un enfoque de este tipo. La
investigación aporta pruebas sobre el hecho de que el tipo de datos
que más se hace circular es justamente el del nivel macro (Gibson
y Lang, 2019). Como lo han explorado Selwyn y Gašević (2020), a
partir de la crítica de Selwyn en su investigación sobre las prácticas
de datos dentro de las escuelas (Selwyn, 2020, 2021a), los datos se
adoptan muy a menudo solo a nivel performativo. Según estos auto-
res, la calidad de la enseñanza basada en los datos realmente empuja
a generar narrativas, metáforas y artefactos digitales que apenas se
relacionan con las necesidades reales de la reexión pedagógica y de
un debate profundo sobre la calidad de la educación. En varios wor-
kshops que he conducido en España, Latinoamérica y en el ámbito
europeo, he invitado a quienes participaban (docentes universitarios)
a reexionar sobre el uso de sistemas de datos extraídos de las plata-
formas en uso. Una primera reacción ha sido la ausencia de interés o
incluso conocimiento sobre estos sistemas, que en general dan una
información incompleta de lo que está pasando en el aula y lo que
pasa en las vidas de un estudiantado que va muy por fuera de su par-
ticipación en el entorno virtual de aprendizaje. Incluso esa parte de la
vida dedicada al estudio del alummno se mueve muchísimo en pla-
taformas privativas (como Whatsapp o Googlegroups o Instagram)
que el docente no puede ni siguiera atisbar. Por lo tanto, cuando un
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
166
sistema como Intelliboard74 ofrece paneles dinámicos congurables
sobre ese fragmento de realidad que se mueve en el entorno virtual
de aprendizaje, está capturando casi una cción.
Más tecnología no cambiará la evaluación ni la calidad de la
educación
En Reimagining university assessment in a digital world (Bearman et
al., 2020), un reciente compendio de los avances en los métodos y
prácticas de evaluación potenciados por la tecnología, se identi-
can varios escenarios posibles. Sin embargo, los autores también son
conscientes de que los datos no son la única fuente para informar la
práctica docente. En las diversas contribuciones, la crítica a los en-
foques instrumentalistas que utilizan las tecnologías para hacer más
eciente la evaluación en cuanto a la estandarización, la calicación
y el registro de los datos surge frente a la idea de que las tecnologías
deberían adoptarse para desarrollar enfoques más imaginativos para
desencadenar y compartir los logros de los estudiantes. Las cuestiones
que se plantean aquí parecen ser: ¿En qué medida y cuándo los datos
digitalizados nos dan información sobre los elementos esenciales de
la enseñanza y el aprendizaje, y no solo sobre algunos componentes
aislados o menos signicativos de la misma? ¿Son los educadores ca-
paces de promover la evaluación combinada y la alfabetización en
datos en sus alumnos para que puedan hacer un uso productivo de los
resultados de la evaluación, más allá de los representados como datos
numéricos o utilizando datos digitales? ¿Son las universidades capaces
de promover políticas de evaluación combinada y alfabetización en
datos que puedan generar estructuras de evaluación sostenibles?
Bearman et al. (2020) destacan que las tecnologías podrían apoyar
una perspectiva más compleja de la evaluación a través de reimaginar:
• Las estructuras de gobierno. Por ejemplo, los autores señalan que
el papel de las calicaciones podría superarse mediante los portafo-
74. https://intelliboard.net/
167
4. DATOS QUE BRILLAN ❚
lios electrónicos como forma holística y más integrada de recogida
y representación de datos (Ibíd., p. 12-13):
• La evaluación. Las tecnologías podrían apoyar la participación
estudiantil con nuevas formas de expresión, como expresarse en
varios espacios digitales en los que puedan colaborar, más allá del
aula. Los resultados de sus actividades podrían integrarse en la
evaluación. Estos enfoques auténticos desencadenarían una mayor
conciencia de sí mismos y de la capacidad de explorar su identidad
profesional digital y sus redes en relación con su futuro profesional.
• El conocimiento sobre la evaluación. La coconstrucción del cono-
cimiento a lo largo de las actividades de aprendizaje en el proceso
de evaluación continua, basado en las retroalimentaciones per-
sonalizadas del profesor y automatizadas, sitúa al profesor como
experto en la materia pero no como poseedor absoluto del cono-
cimiento. La autoevaluación y la evaluación entre pares puede ser
facilitada por varias herramientas digitales, como, por ejemplo,
tareas colaborativas, discusiones o incluso la coconstrucción de
instrumentos de evaluación que luego se implementan para la re-
troalimentación en el aula virtual. Todas estas actividades no solo
implican el desarrollo de habilidades profesionales, sino que tam-
bién están relacionadas con la capacidad de juicio sobre el trabajo
propio y ajeno (Ibíd., p. 16).
En general, los autores consideran que la evaluación mediada por
tecnologías podría mejorar mediante la automatización total o parcial
de las prácticas de retroalimentación para que sean más inmediatas,
oportunas y personalizadas; el análisis de las políticas de calicación
mediante representaciones longitudinales que podrían apoyar la ali-
neación entre la enseñanza, los criterios de evaluación y la calicación
a través de los cursos y a lo largo de las carreras del estudiantado que
fomentarían prácticas más justas de calicación; apoyar una mejor
observación de los procesos de aprendizaje, explorando, de manera
regulada y consentida por parte del estudiantado, fenómenos emocio-
nales y relacionales en la comunicación conectados a artefactos pro-
ducidos como apoyo a la reexión conjunta en clase o individual. Sin
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
168
embargo, Bearman, Dawson y Tai (2020, p. 24) también expresan
que «la intersección de la evaluación (poderosa) y la tecnología (omni-
presente) [...] merece un examen minucioso». Recordaremos, llegados
a este punto, que la excesiva esperanza depositada en la tecnología
como único factor de cambio en la educación no es nueva, ya que
tiene sus raíces en el «tecnosolucionismo», en el que la idea es que más
prácticas digitales y en última instancia prácticas basadas en datos po-
drían apoyar la transparencia, la innovación, el profesionalismo, etc.
(Ranieri, 2011; Selwyn, 2013); también que los sistemas digitales han
generado «promesas falsas y sueños rotos» de personalización, produc-
tividad y eciencia a partir de «ampliar» las funciones del profesorado.
Esto se aplicaba especialmente a la tarea más pesada de los profesores
y a la exigencia más esperada por el sistema: la retroalimentación y la
evaluación. Sin embargo, ya he indicado sucientemente en qué ope-
raciones de simplicación de conceptos y de datos captados se basan
estas herramientas. En este sentido, la pandemia nos enseñó las duras
dicultades para superar las prácticas evaluativas tradicionales, con la
sola diferencia de ser implementadas a través de medios tecnológicos
(Hodges y Barbour, 2021).
En conclusión, a pesar de los desarrollos muy interesantes relacio-
nados con la mejor percepción de los profesores para la valoración,
el seguimiento y la evaluación de los procesos de colaboración y el
aprendizaje autorregulado (Cerro Martínez et al., 2020) y el potencial
previsto en tales desarrollos (Essa, 2019; Rose, 2019), el problema
está abierto. Y aunque, según Mandinach y Gummer (2016), para
ser «competente en materia de datos», un docente debe tener «la ca-
pacidad de transformar la información en conocimientos y prácticas
pedagógicas aplicables mediante la recopilación, el análisis y la inter-
pretación de todo tipo de datos (evaluación, escuela, clima, compor-
tamiento, análisis instantáneo, longitudinal, momento a momento,
etc.)». (Mandinach y Gummer, 2016, p. 367, traducción de la autora),
esta visión se coloca en un nivel técnico, que no ve el bosque, sino solo
el árbol de la práctica educativa.
En efecto, mientras se arma que el análisis de datos podría apo-
yar el análisis de la calidad de la docencia, la situación real podría ser
169
4. DATOS QUE BRILLAN ❚
que los datos «para bien» están aún lejos de conseguirse. Esto no solo
se relaciona con la falta de infraestructuras tecnológicas y de datos,
como señalan Pozzi et al. (2019b), sino también con el hecho de que
no existen «audiencias críticas», según Kemper y Kolkman (2019),
que puedan revisar, controlar y detener eventuales prácticas de datos
inútiles o incluso perjudiciales. Un público crítico según estos auto-
res es un colectivo informado de usuarios que se involucra en varias
fases de construcción material de lo que luego termina siendo un
concepto que circula, la métrica y su dato asociado. Y aquí volvemos
al concepto de transparencia y de negociación que hace vivir y crecer
una «cultura de datos», asociada, en este caso, a todas las formas de
evaluación y de representación de una universidad. En ese sentido, el
hecho de que se preera un enfoque predominante de los datos a nivel
macro signica que la mayoría los actores educativos se relacionan
solo supercialmente con las prácticas y culturas de los datos. Sin
embargo, parece imposible lograr un compromiso crítico necesario
para construir culturas de datos justas que ayuden a reconsiderar a
docentes y estudiantes «a qué amos sirven», cuáles son las mediciones
a que está sometido su trabajo y su esfuerzo. De hecho, una audien-
cia crítica debe ser formada, lo que nos lleva al importante rol de la
alfabetización.
Alfabetización (crítica) en materia de datos y evaluación en
la coyuntura de la universidad «datificada»
Como señalan Ghislandi y Raaghelli (2014a), la evaluación de la
calidad depende de una serie de ajustes particulares de intereses, de
la negociación de signicados y de los objetivos de desarrollo institu-
cional, que, más que evaluar una fenomenología «objetiva», se ocupa
de construir una cultura de la calidad. Por lo tanto, tiene especial
importancia la mediación, es decir, la construcción de herramientas
y espacios de negociación de sentido relacionados con las prácticas
profesionales y los procesos institucionales. Hemos armado también
que cualquier proceso de cuanticación, aplicado a la educación y a
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
170
cualquier fenómeno social es siempre un reduccionismo, una síntesis
técnica y matemática de la complejidad, como observamos en el caso
de los rankings universitarios (Pozzi et al., 2019b).
Es decir, facilitar las condiciones para la extracción de datos digi-
tales y la producción de representaciones relativas debería ir más allá
de la posibilidad técnica. Cualquier operación técnica tendría que
ir acompañada de un debate sobre la validez y la conanza que la
sociedad puede depositar en dichos artefactos, pues, de lo contrario,
podríamos apoyar una sociedad en la que la vigilancia se normalice
y monetice (Zubo, 2019). Volvemos aquí a las alfabetizaciones para
actuar como una «audiencia crítica», capaz de comprender y cuestio-
nar las infraestructuras y prácticas de datos en un marco de reexión
sobre la calidad educativa.
Como implicación práctica para el desarrollo del profesorado el
punto de partida debe ser desvelar los mitos que sustentan las cali-
caciones como la entrada más básica para las infraestructuras de datos
educativos, antes de hacer que la tecnología entre en la ecuación.
Un resultado esperado de estas estrategias sería una cultura de
evaluación más profunda y compleja desplegada por los actores clave
(educadores y alumnos), como prácticas de evaluación signicativas
y auténticas, independientes de la visualización y agregación de datos
superciales o utilizadas para desarrollos algorítmicos aplicados a la
enseñanza y el aprendizaje. Además, líderes institucionales y respon-
sables políticos no deberían simplicar en exceso la naturaleza contex-
tual de la calidad utilizando clasicaciones y representaciones de da-
tos como mera operación performativa y de marketing. Sí, en cambio,
generar espacios de discusión sobre el resultado, pero también sobre el
enfoque metodológico de generación de un dato procedente de la eva-
luación para orientar acciones correctivas o de refuerzo de tendencias
que una institución y grupos de actores consideran apropiadamente
orientada a la calidad educativa, y constextualizar los logros y encon-
trar respuestas plausibles (glocales) a la pregunta planteada por Gert
Biesta: ¿Qué constituye una buena educación? (Biesta, 2020, p. 1023).
Yo agregaría: ¿Qué constituye una buena educación para nosotros,
aquí, ahora y respecto a nuestro devenir histórico como institución
171
4. DATOS QUE BRILLAN ❚
y como sociedad? Comentaré algunos ejemplos de trabajo que van
en esta dirección, desde los tres niveles ya indicados por Sangrà et
al. (2019). En el nivel macro tenemos que considerar la relevancia de
redes internacionales y grupos de trabajo institucionales que lleven
adelante el debate sobre la visibilidad del quehacer universitario más
allá de rankings. Es interesante, por ejemplo, la contestación de la
idea de «universidades de clase mundial», como la liderada por la
Red de Universidades Latinoamericanas dentro del grupo GRULAC
(Grupo de Países de América Latina) y para el IESALC (Instituto
Internacional de Educación Superior en Unesco),75 que a nales de
los años noventa defendía el carácter profundamente público y autó-
nomo del operar de las universidades y durante la década siguiente,
en contextos de privatización y mercantilización de la universidad,
apuntaba la necesidad de parar esos procesos y vincular la universidad
con una economía solidaria, sustentable, de bien público y como de-
recho universal (Didriksson, 2018). En ese sentido, ligar la docencia
y la investigación a las métricas de la sostenibilidad y los objetivos de
desarrollo sostenible76 y a espacios de construcción común como el
ya mencionado GRULAC, o, por supuesto, el Espacio Europeo de
Educación Superior,77 puede tener un impacto mucho más efectivo
sobre el quehacer de docentes y estudiantado.
En el nivel meso, se habrían de crear grupos de trabajo y de inves-
tigación para pensar las formas de visibilidad y el uso de las métricas
institucionales, por un lado y por el otro, que hay detrás de la cali-
cación nal obtenida por un estudiante. En los últimos años, en el
ámbito internacional se ha asistido a proyectos piloto en los que se
han discutido las políticas de valorización de formas de aprendizaje
auténtico en las que se da el trabajo colaborativo entre pares y con la
comunidad o en ámbitos de innovación y desarrollo (ya ampliamen-
te discutido como base para una calidad educativa). Así, se ha dado
valor a la representación de los itinerarios de aprendizaje en formas
75. GRULAC, https://en.wikipedia.org/wiki/Latin_American_and_Caribbean_Group y
IESALC https://www.iesalc.unesco.org/
76. https://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/
77. http://www.ehea.info/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
172
alternativas, como los portfolio electrónicos, las insignias y, hoy por
hoy, las microcredenciales (Maina et al., 2022; Raaghelli, 2014),
cuyo valor se asume en función de un contexto de desarrollo, y no en
función de una «nota» abstracta y generalizadora, vaciada de sentido
y usualmente no válida para comparar perles y experiencias, aunque
esta sea luego la práctica (piénsese en las oposiciones y concursos, por
ejemplo).
A nivel micro, será fundamental promover la participación del
estudiantado en los enfoques de evaluación que llevan luego a la va-
loración de sus aprendizajes y a su aprendizaje sobre la evaluación.
Aunque esto parezca un trabalenguas, se trata de activar el estudian-
tado en formas alternativas de evaluación que impliquen fuertemente
el aprendizaje y evaluación entre pares (Bozzi et al., 2021; Li y Grion,
2019), la autoevaluación (Boud, 1995; Doria y Grion, 2020) y la par-
ticipación en la conguración de instrumentos de evaluación aplica-
dos en clase y dentro de formas de evaluación «retadora», o bien que
promueva la justicia y la inclusión (Bacchus et al., 2020; Ibarra-Sáiz
y Rodríguez-Gómez, 2019). Y que la evaluación forme parte sistemá-
ticamente del desarrollo docente (Grion y Serbati, 2018; Reimann y
Wilson, 2012), lo cual implica pensar en programas progresivos y ade-
cuados a la cultura de datos (en este cuadrante), aceptada y circulante
en una universidad. No se pueden cambiar los comportamientos do-
centes de la noche a la mañana, pues se basan en arraigadas creencias
sobre lo que es la «buena docencia», y ello incluye fundamentalmente
la evaluación. Un cierto problema, en ese sentido, es ir más allá de
agendas ligadas a ver la evaluación como un trabajo técnico, basado
en la docimología y la psicometría, para considerar esta parte funda-
mental del aprendizaje como un proceso pedagógico multifacético.
Muchos proyectos han sido aprobados en contextos de I+D nacionales
sobre la evaluación, y este parece ser un tema de gran actualidad en el
debate educativo nacional. Sin embargo, hay que poner atención en
las «epistemologías de datos» (o, más bien, creencias y mitos) que se
esconden detrás de la construcción de instrumentos.
Otro tema relevante, que cruza el nivel micro y se relaciona con
el nivel meso, tiene que ver con la necesidad de reexionar sobre
173
4. DATOS QUE BRILLAN ❚
los medios tecnológicos existentes y nuevos, introducidos en el aula.
Respecto de estos últimos, será relevante poner atención a lo que yo
llamaría «la trampa bayesiana». El enfoque probabilístico de Bayes
(o probabilidad posterior, es decir, la predicción basada en los resul-
tados pasados de un sistema) es la base las técnicas de aprendizaje
automático adoptadas para realizar predicciones sobre el comporta-
miento futuro de los usuarios (Malik, 2020). Aunque puede ser útil
en varios campos y usos, aplicada a dominios de actividad humana
de alto impacto, la estadística bayesiana puede «atrapar» al usuario de
un sistema que lee el pasado para predecir el futuro. Por ejemplo, el
número medio de aciertos y la puntuación obtenida en pruebas según
grupos sociales hallados entre el alumnado puede ser «cruzado» con
características que se quieran focalizar: género, raza, nivel económico,
nivel de participación en el entorno online o calicaciones previas.
Pero ¿y si alguno de estos parámetros, basado en el pasado, impidiera
a un estudiante «atípico» alcanzar sus propios e imprevisibles logros?
¿Y si esos alumnos atípicos son estudiantes que llegan al sistema de
educación superior por primera vez tras superar injusticias y discrimi-
naciones relacionadas con la raza, la diversidad o el género? ¿Y si los
conjuntos de datos, extraídos de una generación o cohorte previa de
estudiantes como población de referencia, no reejaran para nada las
condiciones singulares de una cohorte actual? La probabilidad pos-
terior crearía un bucle perenne de repetición vinculado a las acciones
pasadas, con errores en los procesos de feedback y apoyo al alumnado;
aspecto que, como hemos indicado en los capítulos iniciales, queda
en el centro del trabajo de investigación y desarrollo en inteligencia
articial aplicada a la educación.
Estos aspectos también deberían recibir atención, discutiéndose
con el profesorado y grupos de representación del estudiantado la
privacidad, la imparcialidad y las formas de interpretación de los fe-
nómenos pedagógicos desde el proceso de diseño de una tecnología
inteligente. Ello es también parte del aprender a convivir con los sis-
temas de IA, aspecto que ha sido considerado central en la nueva
versión de la competencia digital (DigComp 2.2) elaborada por la
Comisión Europea (Vuorikari et al., 2022). En este encuadre de com-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
174
petencia se ha puesto de maniesto la conexión entre una habilidad
para leer los datos en sus «viejas» y «nuevas» formas, es decir, de la
cuanticación de procesos a la transformación y extracción del dato
digital, a la generación de automatismos. La discusión entre expertos
previa a la reformulación del marco de competencia digital DigComp
2.2,78 que se llevó a cabo durante todo el 2021, destacó la naturaleza
interdisciplinaria de los problemas emergentes de las nuevas formas
de digitalización y daticación. Esto implica el desarrollo de una ca-
pacidad y experiencia en leer, interpretar y utilizar la información
proporcionada por formas de visualización de datos, la retroalimen-
tación automática y los sistemas de recomendación. El nuevo marco
introduce más de 250 enunciados a partir de los cuales evaluar situa-
ciones de la vida cotidiana de interacción con las tecnologías, con-
siderando conocimientos, habilidades y actitudes que pueden servir
como guía al considerar la introducción de tecnologías asociadas a la
evaluación en el aula. Una sección especíca (Vuorikari et al., 2022,
pp.77-82) dedica su atención a cómo la ciudadanía interactúa con
sistemas de IA, con 73 enunciados relacionados la comprensión del
funcionamiento de la IA, las formas de interacción y colaboración,
las problemáticas de privacidad respecto de los datos personales y los
retos éticos de la IA. Indudablemente esta guía puede inspirar los
procesos de alfabetización en datos ligados a los sistemas educativos,
considerando además la incipiente adopción de tecnologías inteligen-
tes en ellos. De hecho, estas capacidades para tratar los datos dentro
del panorama educativo, en general, y de los procesos de evaluación,
en lo especíco, podrían ser intercambiables con la alfabetización
mediática aplicada al control del uso de los datos personales, así como
con los enfoques críticos del uso de datos en las plataformas de medios
sociales, activando transversalidades en el modo de interactuar con
la daticación, su base de cuanticación y métricas, y los intereses
78. Participé en esta discusión como líder del grupo de alfabetización en datos, coordinando
la participación y colaboración de expertos durante cada una de las fases de trabajo previstas en la
metodología de validación, seg ún había sido estipulada por R iina Vuorikari y Stefano K luwer de All
Digital, en una serie de workshops y grupos de discusión (Vuorikari et al., 2022, pp.67-76).
175
4. DATOS QUE BRILLAN ❚
movilizados por los grupos que promueven el uso de esas tecnologías
(Pangrazio y Selwyn, 2019)
Sin duda, este panorama reclama el desarrollo del profesorado para
actuar en las instituciones de educación superior con datos (Raa-
ghelli y Stewart, 2020). En general, esto supondría un esfuerzo por
renovar la idea de profesionalismo académico en la posdigitalidad,
que incluya todas las prácticas y procesos basados en datos por lo
menos conceptualmente (Raaghelli, 2021).
No obstante, estamos asistiendo a los primeros y muy tímidos
esfuerzos en este sentido (Stewart y Lyons, 2021). La alfabetización
en datos, de hecho, podría ser vista como un conjunto abstracto,
interesante pero bastante «futurista» de habilidades que es difícil de
relacionar con los problemas reales y más urgentes experimentados
por los educadores. En este sentido, si estos experimentan los datos
en su actividad profesional como datos «pequeños», circunscriptos a
nivel institucional y a través de infraestructuras digitales que a me-
nudo están lejos de los complejos entornos integrados necesarios para
ejecutar operaciones algorítmicas, será fácil que vean el problema de
la daticación como algo lejano, abstracto y no ligado a su propio
compromiso docente (Selwyn, 2020). Sin embargo, en la medida en
que comprendan lo que ocurre cuando «aceptan las condiciones» de
los sistemas y plataformas adoptados, como llama a pensar Cristobal
Cobo en un libro visionario y prepandemia (2019), entonces verán
los «grandes» datos y los intereses que pueden moverse alrededor de
estos. Considerarán «las tendencias a la extracción de datos y la vi-
gilancia omnipresentes (Perrotta et al., 2020) ligadas a las decisiones
institucionales y nacionales sobre las infraestructuras de datos. Sin
embargo, como en el caso del software de código abierto (Hummel
et al., 2021), estas decisiones exceden completamente la perspectiva
individual del profesorado. Aunque podrían trabajar para concienciar
y mostrar las falacias del sistema, se trata más bien de operaciones que
deben llevarse a los niveles de una agenda de desarrollo institucional y
de programación política. Cabe destacar que el accionar para la cons-
trucción de una cultura de datos justa, en este caso incluye el activis-
mo académico, del que nos ocuparemos más adelante (cuadrante IV).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
176
Por último, la recopilación de datos también podría considerarse a
la luz de las connotaciones positivas apoyadas por el movimiento de
datos abiertos integrado en la educación superior (Coughlan, 2019).
De hecho, los datos recogidos con los estudiantes dentro de un curso,
más allá de servir a su evaluación directa, podrían apoyar la genera-
ción de ejemplos trabajados para que otros docentes y estudiantes los
utilicen; así como alimentar la investigación educativa (Raaghelli,
2018c; Van der Zee y Reich, 2018). En general, en el contexto de la
universidad informatizada, las «prioridades de los profesores» –para-
fraseando a Ernst Boyer, pionero sobre el desarrollo continuo de la
calidad docente– requieren, más que nunca, una cuidadosa reexión:
el profesorado está llamado a rediseñar la práctica pedagógica y eva-
luadora de manera signicativa, pero también ética, relacionando la
transformación de la evaluación con la información que puede ex-
traer a partir de sistemas digitales, no como forma de vigilancia del
alumnado, sino como enfoque continuo y crítico de comprensión del
sistema en el que docentes y estudiantes conviven.
Para concluir nuestro recorrido en el segundo cuadrante
En este capítulo he tratado de demostrar que la falta de conciencia-
ción sobre la evaluación implica una comprensión limitada de lo que
signica una práctica evaluadora sostenible que apoye el aprendizaje
profundo y desarrolle capacidades de juicio. Además, esa misma falta
está profundamente relacionada con la presión por el rendimiento
en el sistema de educación superior, que conlleva una simplicación
excesiva del rendimiento y la calidad para el profesorado y el alumna-
do. Por último, pero no por ello menos importante, la tecnología ha
llegado con una falsa promesa, la de mejorar la evaluación mediante
una mayor y mejor recogida de datos. Es claro que mi postulación
se basa en una investigación empírica orientada a la exploración de
dinámicas. Mucho queda por trabajar desde un punto de vista de
investigación educativa orientada a analizar cómo el profesorado y
el estudiantado colaboran en la reexión entre el uso y la circulación
177
4. DATOS QUE BRILLAN ❚
de métricas, su relación con la construcción una identidad personal
y profesional y, por la otra parte, la relación con la reexión sobre
la calidad educativa, en general. Sin embargo, también es relevante
que se piense en la integración de agendas de investigación que tocan
cada uno de estos puntos y que se lo haga a través del estudio de casos
completos, de estrategias y políticas de transformación institucional.
Es decir, acciones asociadas a la reexión local, contextualizada y de
visión crítica, estratégica, tal vez de resistencia de la cuanticación,
las métricas y las técnicas basadas en los datos, más que una lectura y
circulación naíf (ránkings y visualizaciones), como elemento clave de
una cultura de datos en este cuadrante.
179
5. JUSTICIA SOCIAL Y DATOS.
MÁS ALLÁ DE LA SOLEDAD EDUCATIVA79
Introducción
Entraremos ahora en el mundo del tercer cuadrante, espacio que se
genera en el cruce entre las epistemologías de datos reactivas (contes-
tatarias, focalizadas en deconstruir sistemas y problemas de las formas
de ensamblaje social y tecnológico basadas en datos) y de un espacio
de conocimiento que debería ser respetado como privado, llegando
incluso a la esfera de la vida privada. Y sin embargo, como veremos
a lo largo de este capítulo, nos ocuparemos de problemas que recla-
man visibilidad, que incitan al debate sobre los alcances e impactos
sociales del uso de los datos. En lo especíco, trataremos temas de
justicia de datos, incluso ligados a aspectos éticos de los procedimien-
tos que llevan a productos y discursos data-driven. Recuerdo a quien
lee las tres historias. Nos colocaremos en una serie de circunstancias
desencadenadas por situaciones en las que el desarrollo tecnológico
ha avanzado sin preguntarse por quién lo usaría ni qué implicacio-
nes podría tener su uso, aspecto que ha quedado particularmente
representado en la primera historia. Y si bien al recorrer el primer y
segundo cuadrante hemos tocado muchos temas relacionados con la
79. Si bien comencé a explorar autónomamente el tema de la justicia social desde la alfabe-
tización en datos en el 2018, con una publicación en el 2020 (Raaghelli, 2020c), profundicé en
estos temas muy en particular a partir de mis conversaciones con mi querido amigo y colega Pablo
Rivera Vargas, de la Universidad de Barcelona, quien me invitó generosamente a darle forma en una
publicación dirigida por él en la Revista Izquierdas (Raaghelli, 2022a). Más tarde, trabajar junto a
Caroline Kuhn, de la Universidad de Bath Spa, en el proyecto Data Praxis (https://datapraxis.net/),
según su visión conceptual de la justicia de datos, fue también de enorme valor para desarrollar mi
perspectiva educativa dentro de una cultura de datos. E ste capítulo nace, sin duda, sobre estas bases.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
180
necesidad de pensar críticamente las prácticas de datos abiertos y las
prácticas de transformación de datos en visibilidad y reconocimiento
social, lo hemos hecho siempre en relación con conjuntos de datos que
son mayormente generados dentro de la universidad o por institucio-
nes públicas, o que, como mínimo, pasan por servicios relacionados
con el control de las IES.
En este caso será diferente. Nos ocuparemos de datos general-
mente capturados en el espacio de la vida privada y en general mani-
pulados por grandes corporaciones tecnológicas; o bien de datos que
afectan a las vidas de las personas, a sus oportunidades de expresión,
crecimiento y participación en la sociedad. Y que plantean preguntas
que debemos hacernos como humanidad, por su contenido ético, más
allá del grupo que ve sus derechos vulnerados.
¿Por qué un libro dedicado a la educación superior debería ocu-
parse de estas problemáticas? Porque las injusticias planteadas por la
daticación y el desarrollo tecnológico posdigital debe ser un tema de
formación transversal, ligado a repensar la alfabetización digital en
general y a abrir debates en áreas disciplinares enteras. Ciertamente,
ello tendrá implicaciones para la planicación curricular de carreras
no solo en ingeniería o matemática (donde ya han aparecido varios
cursos ligados a la ética de los algoritmos), sino también en el campo
de las humanidades. Y ciertamente, dicha transferencia a la docencia
se basa en la investigación, pues el tema de la ética y la justicia algo-
rítmica ha entrado de lleno en las ciencias y las humanidades. Sin
embargo, parece haber poco diálogo interdisciplinar, como ocurre
siempre, y ello crea vacíos, simplicación (recordar que hemos habla-
do de la necesidad de pensar los datos de manera compleja) y produc-
tividad cientíca «performativa», muchas veces ligada a tratar temas
«taquilleros» para la opinión pública. Recordemos también lo tratado
en el segundo cuadrante sobre la visibilidad académica individual y
de las universidades en general.
Como estrategia ya consolidada para los otros dos cuadrantes, nos
ocuparemos en primer lugar de cómo el problema nace, crece, se
desarrolla y tiene hoy una vida plena en varios proyectos educativos y
de investigación. Y en un segundo lugar, recorreremos juntos algunas
181
5. JUSTICIA SOCIAL Y DATOS ❚
pistas para trabajar formas de alfabetización que consideren la justicia
de datos, abriendo una línea que puede inspirar la práctica educativa,
así como la investigación docente y curricular. Las decisiones prác-
ticas y las reexiones de una universidad al respecto a estos temas
sentarán las bases para una institución que contribuye, a partir de la
formación de grado, postgrado y el trabajo en proyectos, a la justicia
de datos en la sociedad y a la justicia social en general. Dicho plantea-
miento, claro está, liga la cultura de datos justa en la universidad con
el de preparar a las personas para construir culturas de datos justas
en comunidades, en organizaciones y en la sociedad.
Metáforas sobre los datos: develando las injusticias de la
datificación
Cuando una tecnología emerge en la vida social es frecuentemente
acompañada por movimientos y discursos hiperbólicos que, más tar-
de o más temprano, la realidad, o más bien una crítica organizada
desde movimientos sociales o académicos, logra deconstruir. Vamos
a tratar de mostrar ese vaivén en términos de metáforas en el caso
de la daticación, porque podremos así cristalizar rápidamente las
problemáticas de injusticia surgidas en poco tiempo.
Comenzaremos desde la metáfora del «nuevo oro negro» de los
datos (Kitchin, 2014). Esta metáfora, como lo hemos planteado en
los capítulos iniciales, venía a plantear lógicas extractivas, asociadas
a métodos como la «minería de datos» y aplicadas a los macrodatos
(big data). Estos podían ser extraídos sin pausa desde los motores de
búsqueda y en particular de redes sociales, pero también de disposi-
tivos de internet de las cosas como sensores y webcams instalados en
ambientes en los que nos movemos (desde el metro hasta el supermer-
cado) para nalizar en nuestros móviles y sus cientos de aplicaciones
y los dispositivos inteligentes que hemos comenzado a hacer llegar a
nuestras vidas: asistentes de voz (Alexa, Siri) relojes (Fitbit, Garmin),
aspiradoras (Roomba), heladeras (Samsung, LG), por mencionar solo
unos pocos. Esta captura continua de datos debía permitir una acele-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
182
ración de la personalización de sistemas y servicios digitalizados, con-
cluyendo, nalmente, en el desarrollo de la industria de la inteligencia
articial (OECD, 2019). Pero en pocos años, el riesgo de ese enfoque
salió a la luz. El término daticación se cargó rápidamente de conno-
taciones negativas. En su trabajo temprano sobre medios y sociedad,
otra estudiosa holandesa, Jose van Dijck, hablaba de «dataísmo» (en
obvia relación con la ingenuidad que conlleva otro término prove-
niente del arte, el «dadaísmo») y «datavigilancia» (en inglés, datavei-
llance, es decir, data + surveillance) (Van Dijck, 2014). El trabajo de
varias mujeres apuntó a varias injusticias –precisamente captadas por
ellas desde sus lugares interseccionales– entre género, raza y pertenen-
cia al sur global. En el 2016 Cathy O’Neil, matemática, hablaba de
«armas de destrucción matemática» para indicar la peligrosidad del
mal uso de algoritmos transacciones nancieras, terminadas luego en
la crisis del 2008; extendiéndose luego a otros ejemplos como el de
la educación, en el cual se reere a la contratación de maestros según
sus «puntajes» de efectividad docente. La seguiría Saya Noble (2018)
con su metáfora de «algoritmos de la opresión». Desde su lugar como
estudiosa de género y estudios culturales afroamericanos, cuestionaba
las tremendas discrepancias observadas como resultado de una simple
búsqueda en internet asociada a términos como mujer negra respecto
de solo mujer y por supuesto, hombre (este es un experimento que
hago frecuentemente con mi alumnado, y a casi cinco años de la
publicación de la Noble, las búsquedas en Google siguen siendo todo
menos políticamente correctas). Ese mismo año 2018, a partir de
una serie de entrevistas profundas a personas en situación de pobreza
en Estados Unidos, Virgina Eubanks, a través de la metáfora «auto-
matizando la inequidad», desnudaba las lógicas de ganancia en las
contrataciones de IBM para la digitalización de servicios de asistencia
social con historias que hielan la sangre sobre cómo una persona con
enfermedad crónica puede verse retirar su ayuda para las medicacio-
nes que necesita; o cómo otra no llegará nunca a una casa, aunque
haya alimentado el sistema continuamente con datos personales y
haya dejado acceder a todo el registro de compras y transacciones en
una tarjeta, violándose así totalmente su privacidad.
183
5. JUSTICIA SOCIAL Y DATOS ❚
Siempre en el año 2018, José van Dijck lanzaba un libro en el
que conceptualizaba un fenómeno aún poco comprendido y ya muy
presente entonces (además, abrirá toda una línea de trabajo de inves-
tigación educativa), es decir, el de la «sociedad de las plataformas».
Hacía referencia a la forma dada a la interacción con la digitalidad, no
siendo ya internet, ni mucho menos, apps sueltas que gobernaban el
interés (y capturaban la atención), sino infraestructuras digitales con
sus propias reglas, espacios y políticas de buen comportamiento: pla-
taformas como Facebook o TikTok, o en el campo de la educación y
para nosotros conocidas, Google Classroom o Pearson; pero también
Amazon Web Services con su oferta de «nube» con soluciones inte-
gradas; y también las plataformas de teletrabajo, entre otras, como We
Work Remotely, Domestika, Bolt, Glovo, cubriendo servicios profe-
sionales, hasta servicios de transporte o delivery. En estos casos, se
develaba la imposición de comportamientos, de captura de la atención
y de ritmos de interacción (o trabajo), a partir de las características de
las plataformas adoptadas.
Muy poco después se publicaba el excepcional trabajo de Shoshana
Zubo (2019, quien –cabe destacarlo– ofrecía una lente teórico-con-
ceptual incomparable para leer nuestro tiempo, denominándolo la era
del «capitalismo de vigilancia», debido a las técnicas extractivas que ya
hemos mencionado y la desigualdad de condiciones entre quién acce-
de a los datos (grandes empresas tecnológicas o big tech) y quien los
cede (nosotros mismos). También en ese año Ruha Benjamin (2019),
desde su perspectiva interseccional (como estudiosa de la problemá-
tica afroamericana, siéndolo ella misma), señalaba una serie de casos
de injusticia algorítmica particularmente ligados a la raza, como, por
ejemplo, los métodos de asignación de vigilancia policial de un ba-
rrio, o las penas aplicadas diferencialmente entre ciudadanos blancos
o afroamericanos. Desplazando la interseccionalidad al ser parte del
sur global, Paola Ricaurte (2019) ofrecía una metáfora potente, de
«colonialismo de datos», a través de la cuál ella estará entre las pri-
meras en comprender las problemáticas inherentes al impacto que la
manipulación algorítmica pensada en el norte puede tener sobre la
identidad de quien vive en el sur global. Así, habla de una orientación
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
184
colonial de la metodología extractiva, con sus consecuencias sobre los
cuerpos y las identidades de las personas vigiladas.
Para cerrar este listado –que no es ni por lejos exhaustivo, sino que
hace un cribado de trabajos que han circulado mucho y ha apoyado la
opinión pública–, en el 2021 Kate Crawfor –que ya había lanzado un
trabajo de crítica pionera en el 2012 junto a danah boyd, estudiosa de
los medios sociales– escribe un libro que se basa, a partir de casi diez
años de trabajo crítico– en los desarrollos de la IA (boyd y Crawford,
2012; Crawford, 2021). Este trabajo consiste en un «atlas» y encierra
la metáfora de un explorador que se mueve a través de «territorios»
del desarrollo tecnológico, no ya desde las temáticas o desde los ti-
pos de discriminación, sino poniendo de maniesto niveles o «capas»
constituyentes de la IA: los tipos de recursos naturales y materiales
explotados para lograr producir y mantener las tecnologías datica-
das; el trabajo sumergido que es necesario embarcar en cualquier
proyecto de macrodatos, en particular, en la fase de etiquetamiento;
las formas de invisibilización de la extracción de datos, y muy par-
ticularmente la adopción de la metáfora de la «nube» como idea de
liviandad e inmaterialidad, que nada tiene que ver con el monstruoso
esfuerzo energético, de materiales y de trabajo humano necesario para
producir la IA. Estas pioneras, con sus conceptualizaciones ecaces
y profundamente ligadas a un trabajo de campo meticuloso, fueron
construyendo un campo de crítica a los mecanismos de la daticación
en la que justamente se desmontaban los algoritmos como disposi-
tivos «objetivos». Sus metáforas fueron más allá de la academia para
circular en la opinión pública y permitieron comprender al ciudadano
común el tipo de amenaza que se cernía en gestos tan comunes como
poner «me gusta» en una red social, o usar la geolocalización para
orientarse en la ciudad. Especialmente, fueron mostrando la matriz
epistémica patriarcal y colonial de la daticación, estudiando casos
en los que se mostraba cómo lógicas algorítmicas entraban en colisión
con el reconocimiento de identidades «otras» respecto a la masculini-
dad, blanca, del norte global.
Es cierto que he elegido representantes mujeres para contar mi
historia sobre cómo «nos dimos cuenta» de que la era de los datos
185
5. JUSTICIA SOCIAL Y DATOS ❚
podía comportarse como una especie de caballo de Troya. Pero su
presencia no es casual: fueron estudiosas generalmente del campo de
las ciencias sociales que le pusieron «nombre» a ciertos procesos de-
velando cómo la tecnología estaba siendo usada por grupos de poder
que podían así expandir su dominancia a través de las infraestructu-
ras tecnológicas. Es decir, invisibilizando las formas extractivas, los
procesos de etiquetamiento sesgados y el mismo impacto ambiental
de la tecnología para producir la experiencia incorporada que puede
insertarse cómodamente en una de producción de plusvalor, que co-
loca en el margen a ciertos individuos que consolidan o introyectan,
asimismo, su poco valor para el sistema. Mantienen así los desequili-
brios estructurales necesarios al poder con su impacto ya reconocido
en otros dispositivos sociales del liberalismo, lo que ya hubiera sido
puesto de maniesto tempranamente en el trabajo de Michel Fou-
cault (2009).80 Engendran también formas de violencia simbólica,
como lo hubieran estudiado Pierre Bourdieu y Jean-Claude Passeron
(Bourdieu y Passeron, 1970), al imponer recomendaciones y orientar
comportamientos según la decisión de una élite de tecnólogos capaz
de traducir cuerpos y mentes en códigos procesables, ignorantes de
que su rol de realizar «una tarea técnica limpia y conable» puede
estar beneciando el interés de poquísimos.
Sin embargo, las metáforas mencionadas, que son el fruto del
avance de la investigación social lograda por grupos de conocimiento
que desde su propia diferencia y en una sociedad democrática logran
hacer sentir su voz están llevando, como ya dije, a una mayor concien-
ciación, pero también a un impacto sobre el debate político que está
teniendo impronta sobre marcos regulatorios y de acción que apoyen
la comprensión, la crítica, el control y la reparación de las inequidades
y daños producidos por las prácticas de datos. Más adelante mencio-
naré muchas de las acciones en este sentido.
80. Foucault, M. (2009). Nacimiento de la biopolítica: curso del Collège de France (1978-1979).
Akal.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
186
Activismo de datos: la búsqueda de justicia
La perspectiva distópica sugerida en la sección anterior presenta en
el centro a un sujeto pasivo, incapaz de controlar el ujo de sus pro-
pios datos y, por lo tanto, víctima de la manipulación algorítmica.
Sin embargo, existe una contracultura del activismo de datos (Gu-
tiérrez, 2018), donde los sujetos se vuelven protagonistas creativos y
contestatarios del sistema propio a través de las mismas tecnologías
observadas críticamente en el párrafo anterior. Los grupos involu-
crados en dicho activismo tienen como objetivo descubrir las formas
sutiles de vigilancia y redistribuir el poder a través de la apropiación
participativa de datos (Lehtiniemi y Ruckenstein, 2019). Hay, por
tanto, una búsqueda de reconocimiento, conciencia, redistribución
del poder simbólico y material orientado a la emancipación ciuda-
dana y política (Baack, 2015), de género y raza (D’Ignazio y Klein,
2020). Nos hemos ocupado ampliamente en el primer cuadrante del
debate relativo a la brecha digital y las culturas participativas como
base ideológica del activismo en datos al seguir pidiendo un acceso al
conocimiento, inicialmente digital, luego basado en los datos (Raa-
ghelli, 2020c), y relacionándose con movimientos que ya conocemos
bien, a este punto: Open Government Data y Open Science (Davies
et al., 2016). Sin embargo, en este caso, nos tendríamos que concen-
trar en los movimientos que «piden» la apertura y la transparencia
de los datos a las empresas privadas, más que a los espacios públicos
donde, «poco o mal», estos datos ya circulan. Así, existen grupos in-
dependientes que reaccionan ante la opresión de la vigilancia, dando
lugar a formas de desconexión o «hackeo» del sistema (Andrejevic,
2014; Pybus et al., 2015). Juntamente a la evolución en la academia
(metáforas que explorábamos en el apartado anterior), la búsqueda de
la justicia de datos se ha desarrollado desde estos movimientos hasta
dar lugar a una serie de teorizaciones que se vinculan fundamental-
mente a la discusión de la ética aplicada al desarrollo tecnológico
(Kerr et al., 2020).
Y como en el caso de la academia. el primer esfuerzo fue el de des-
entrañar las trampas de los discursos ingenuos y pospositivistas sobre
187
5. JUSTICIA SOCIAL Y DATOS ❚
el desarrollo de metáforas de extracción de datos como expresión de
la injusticia de los datos y de la tecnoestructura hegemónica. Princi-
palmente, los grupos de activistas se concentran en observar a quien
usa los datos producidos a partir de esfuerzos públicos y monitorean
el comportamiento equitativo, comunitario, de tomar para dar, y no
de simplemente extraer.
En otra línea de denuncia de la injusticia, que permite intervenir
para corregir, reparar o incluso cambiar por completo los sistemas
daticados, mencionaría el trabajo de D’Ignazio y Klein, quienes
describen, como«datos para la coliberación», un enfoque en el cual el
activismo técnico-tecnológico colabora con los movimientos cívicos
o vulnerables desde la cercanía cultural de la recopilación de datos,
desde el apoyo a la exploración de la identidad comunitaria afectada
o interesada en una representación daticada. En esa búsqueda, es el
colectivo que llamará a la presencia de cientícos de datos no como
élites de ninjas, unicornios o estrellas, sino como componentes de un
proceso que generan formas de conabilidad sobre los datos y ayudan
a los grupos afectados a incorporar los datos como elemento de su
autodeterminación (D’Ignazio y Klein, 2020, pp. 154-156).
Es así como surgen propuestas conceptuales de justicia de datos.
En este sentido, Linnet Tylor (2017) propone un modelo basado en
tres pilares que cristalizan las necesidades antes señaladas: decons-
truir la (in)visibilidad de las tecnoestructuras, intervenir sobre el (des)
compromiso de los tecnólogos y cientícos de datos y explorar las
formas de discriminación para combatirlas. Este enfoque se basa en
el trabajo sobre la justicia de la información presentado por Johnson
previamente (2014), en el que se describe cómo los sistemas datica-
dos tienen una función disciplinaria porque la forma en que se reco-
gen y estructuran los datos parten de una coerción normativa, de las
reglas creadas por «alguien» para recoger los datos de «otros». Así, no
deberíamos hablar del poder de las grandes big tech, sino también de
cualquier actor (organización o individuo) que no solo recoge datos
de una manera no informada, sino mal informada y, por lo tanto,
consensuada (de alguien con los otros) supercialmente, como ha
sido puesto de maniesto en el trabajo sobre «qué se entiende y qué se
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
188
pierde» en un consentimiento informado en la investigación educativa
(concepto extensible a otros campos de la investigación biomédica
y social, claro está) (Beardsley et al., 2019) . La tarea, por tanto, no
solo es hacer explícitos (de manera clara, asequible epistémicamente
a quien participa en un sistema de recogida de datos) los aspectos
instrumentales, sino también expolicitar la política de las tecnologías
de datos, considerar tanto el derecho a ser visto y representado como
el derecho a retirarse de una base de datos. Sin embargo, se trate de la
comprensión de los términos y condiciones de uso de plataformas pri-
vativas –como, por ejemplo, lo puso de maniesto en su trabajo con
plataformas educativas Bonnie Stewart (2021); occon plataformas de
medios sociales, como mostró Cristóbal Cobo (2019)–, o se trate del
consentimiento informado en una investigación en la que se extraerán
datos, es fácil que muchos de nosotros respondamos: ¿y qué más da?
Es decir, que nos desliguemos moralmente del hecho de que alguien
recoja nuestros datos, porque se trata de un bien «transaccional», es
decir, la moneda con la cual pago por lo que me interesa (el uso de un
software de soluciones educativas, por ejemplo, Kahoot, o un Goo-
gleForm). En el caso de recogida de datos por parte de investigadores,
funciona un «será para bien» que desliga a la persona que responde
de preguntar o interesarse por el n del dato recogido. Y ahí tenemos
un primer aspecto ético que se relaciona con la justicia: la renuncia
al propio derecho de acceder al conocimiento se convierte más tarde
en la imposición de un esquema de pensamiento no ya a mí misma,
sino a algún otro actor sobre el que ese conocimiento consolidado se
aplicará desconociendo sus propias libertades y características, homo-
logándolo a mí y mi grupo de referencia.
Por lo tanto, además de saber qué se hace con unos datos y tener
derecho a ser cancelado, el problema de la justicia de datos avan-
za, como lo han planteado Mortier et al. (2020), en el revisar hasta
qué punto un sistema daticado (en especial, de IA) es transparente
(entendemos cómo funciona), negociable (podemos participar en el
reformularlo si nos parece que genera un injusticia) y promueve la
capacidad de las personas de expresar sus identidades (siento que los
resultados del sistema me representan, hablan de mí).
189
5. JUSTICIA SOCIAL Y DATOS ❚
Lina Dencick y Javier Sanchez-Monedero (2022) –ya menciona-
dos en el prólogo de la profesora Pangrazio– avanzan en ese sentido
en un ensayo que caracteriza la ontología de la justicia de datos, su
objetivo (es decir quién la aplica) y cómo debería ser implementada
(procedimientos). Estos autores señalan, en particular, que una de las
problemáticas de las teorías sobre la justicia de datos es que, habién-
dose preocupado demasiado por el rol de las instituciones políticas
y la teoría ética, no se ha prestado suciente atención a las infraes-
tructuras informativas. Para ellos, entonces, la justicia de datos se
congura ontológicamente (como objeto de estudio) en el reconoci-
miento «no solo de los datos, su recolección y su uso o su impacto en
la sociedad, sino también en cómo la daticación es posibilitada por
formas particulares de organización política y económica que genera
una visión normativa de cómo los problemas sociales tendrían que
ser entendidos y resueltos» (Ibíd., p. 3). Por ejemplo, en el caso del
uso de plataformas de aprendizaje, no se trata ya de que un algoritmo
clasique de manera parcial y con errores a un grupo de estudiantes,
sino de pensar porqué se usa esta infraestructura y estos modelos de
clasicación y cómo el uso de esa tecnología da forma a prácticas y
discursos (por ejemplo, la diferencia entre plataformas privativas y
Moodle, que es un learning management system de código abierto).
Lo que sienta las bases para tener más transparencia, negociabilidad
y respeto por la identidad cuando se generan términos y condiciones
o consentimiento informado.
Llegados a este punto, es imposible separar estos movimientos de
la búsqueda de justicia social como empeño de las sociedades huma-
nas en su continuo movimiento transformador. Sin embargo, cabe
preguntarse hasta qué punto la educación (o más bien qué educación)
coadyuva esos movimientos de búsqueda de justicia.
Justicia social y educación
La búsqueda de justicia social es un camino lento para develar las
formas simbólicas de dominación, la producción y distribución de
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
190
recursos materiales y la medida en que pueden surgir nuevas formas
de articulación simbólica que propongan formas de distribución del
poder (Filc, 2020). Inicialmente, la teorización sobre la justicia social
se centró en la necesidad de una distribución equitativa de la rique-
za, que fue asimilada como distribución material, en relación con la
participación de los trabajadores en la generación de capital (Miller,
2001). Sin embargo, con el advenimiento de las luchas por el reco-
nocimiento y la emancipación a partir de los años setenta, se com-
prendió la insuciencia de este enfoque. Fueron pensadoras mujeres
como Nancy Fraser (Fraser, 2000) y Martha Nussbaum (Nussbaum,
2002) quienes hicieron una crítica de las teorías iniciales de la justicia
social, proponiendo en cambio enfoques dinámicos que incluyen la
diversidad y la interseccionalidad, es decir, criterios de justicia social
para sujetos con diversidad de capacidades, género y raza (con sus
implicaciones para el status económico, jurídico y político), y el cruce
de esas diversidades como situación emergente y particular, más allá
de la diferencia especíca. Estas académicas no solo introdujeron la
necesidad de repensar la justicia social como distribución igualitaria o
de reconocimiento de la diversidad, sino que abogaron por enfoques
que apuntaran a transformar la sociedad desde tales bases. Su teoriza-
ción destacó la naturaleza compleja de la justicia como una búsqueda
continua de la participación individual y colectiva, la emancipación y
la posibilidad de expresión contra las prácticas hegemónicas.
Para Martha Nussbaum, la idea de transformación ligada a la jus-
ticia social no implica lucha, pero subraya la necesidad de un espacio
de libertad individual para la autoexpresión y la creatividad. En su
trabajo, la idea central es que los seres humanos, en la intersección de
sus diversas formas de vulnerabilidad, experimentan la justicia social
cuando son capaces de transformar sus contextos de vida como parte
de su devenir único e irrepetible en el mundo. La justicia radica en el
tipo de vida que un individuo elige dejar en la mejor de sus intencio-
nes y escenarios y en el hecho de que es capaz de realizar esa vida en
la mayor de sus posibilidades. La noción de «capacidades», acuñada
por Amartya Sen en su crítica a las medidas utilitarias de bienestar,
puede denirse como las libertades reales, en términos de destrezas,
191
5. JUSTICIA SOCIAL Y DATOS ❚
habilidades y medios simbólicos para lograr la existencia imaginada,
deseada. Nussbaum revisa dicho concepto para reorientarlo hacia un
enfoque dinámico: la idea de que las capacidades se pueden desa-
rrollar (Nussbaum, 2011). A través de esta idea, otorga relevancia
central a la educación y el aprendizaje como motores para consolidar
capacidades, base de una idea dinámica e interseccional de justicia
social. En denitiva, la idea es que las circunstancias personales y
contextuales dan forma a la diversidad, que debe reconocerse a la hora
de denir el bienestar, la libertad y la justicia.
No obstante, sus ideas han sido objeto de crítica, dado el liberalis-
mo político que encierran. De hecho, la idea de capacidad de expre-
sión o agencia (agency) podría considerarse ingenua frente a los dis-
cursos y las prácticas del poder, donde la persona podría ser empujada
a creer que algo que está experimentando es realmente «suciente»
para ella. El movimiento de contestación o de lucha por algo nuevo,
inimaginable, nunca se pondría en acción en tal situación.
El pensamiento de Nancy Fraser ha puesto las bases para ir más
allá del acceso material a los recursos o justicia distributiva como
en el caso de Nussbaum, pero en esta lósofa, el dinamismo y la
posibilidad de hacer o conseguir justicia no solo se dan a partir de la
formación de capacidades, sino más bien a partir de los movimientos
organizados de lucha. Fraser focaliza aspectos simbólicos como el
reconocimiento y la representación en los sistemas sociales, políticos
y culturales en los que se viven (o justicia del reconocimiento). Por lo
tanto, más allá de la explotación, marginalización económica y priva-
ción de bienes como forma de injusticia redistributiva (ya planteada
por los teóricos igualitaristas), existe una injusticia que profundiza los
patrones sociales discriminatorios o desiguales de representación, in-
terpretación y comunicación. Algunos ejemplos son, según la lósofa,
la dominación cultural (relativa al sometimiento a patrones de inter-
pretación y comunicación asociados a otra cultura, ajena u hostil a la
propia); la ocultación (relativa a la invisibilización por efecto de prác-
ticas comunicativas, interpretativas y representativas consentidas por
la propia cultura) y la falta de respeto (caracterizada por la difamación
y la descalicación rutinaria en las representaciones culturales públi-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
192
cas estereotipadas o en las interacciones de la vida cotidiana) (Fraser,
2008, p. 14). Estos elementos son tan importantes que no pueden
considerarse como parte de un dilema (optar por proteger de una u
otra forma de injusticia). En principio, Fraser mostrará la relevancia
del segundo componente a partir de los aspectos simbólicos del reco-
nocimiento en las luchas feministas de los años setenta, que muestra
cómo estas dinámicas han eclipsado de manera relevante la distribu-
ción de recursos para concentrarse en la necesidad de reconocimiento,
de participación en la construcción democrática de la sociedad por
parte de las mujeres (Fraser, 2005). Para las feministas, es relevante
poner en marcha formas de problematización (que llevan al conicto
o a los márgenes de las instituciones del capitalismo), en su lucha por
el reconocimiento de derechos. Sin embargo, ella misma alerta sobre
el riesgo de colocar la mirada (por ejemplo, a través de un feminismo
blanco y del norte global) en ciertas luchas de élite sin considerar
las problemáticas de desigualdad económica que imponen miradas
distintas sobre lo que puede signicar el ser representada como mujer
blanca y europea, por ejemplo, o mujer afroamericana o indígena. La
dominación cultural sustituye la explotación como injusticia funda-
mental, pero no la cancela. Sin embargo, el reconocimiento cultural
ocupa el lugar de la mera redistribución socioeconómica, pues habla
de la identidad y diversidad que, obteniendo un lugar político, pue-
den encontrar formas mejores de acceso (o de generación) de bienes
simbólicos y materiales (Fraser, 2008). Y en ese sentido la reparación
de la injusticia no puede ser solo «armativa» (compensaciones por la
pobreza, o un número mayor de plazas para mujeres o personas negras
o indígenas en la universidad). Se necesita remediar de manera trans-
formativa la injusticia, cambiando la estructura de valores, como, por
ejemplo, a través de la deconstrucción del patriarcado en todas sus
facetas discursivas y operativas, en el mantenimiento de múltiples
diferencias no binarias y uidas.
Cabe traer aquí el pensamiento sobre las prácticas antagónicas
articulatorias de Gramsci, que podemos claramente vincular al ac-
tivismo. El antagonismo, en Gramsci, descubre los límites de toda
objetividad, en la medida en que nunca está plenamente constituido.
193
5. JUSTICIA SOCIAL Y DATOS ❚
En su pensamiento, la sociedad no puede presentarse como un orden
objetivo y armónico, sino como un conjunto de fuerzas divergentes en
conicto, que impiden la formación de identidades plenas. La cons-
titución y el mantenimiento de una identidad depende, por tanto,
del resultado de una lucha que no está garantizada por ninguna ley
previa o necesaria de la historia. Aquí es donde entra en nuestra ayuda
el concepto de contrahegemonía. Denido por Pratt (un pensador
neogramsciano) como el proceso de creación de formas alternativas de
poder conectadas a los movimientos de la sociedad civil como prepa-
ración al cambio político, destaca la conciencia y la incidencia de un
determinado grupo hacia el logro de sus derechos (Pratt, 2004). Sin
embargo, la idea de contrahegemonía no debe idealizarse. Una crítica
del concepto implica un debate sobre la forma en que muchos de los
llamados movimientos contrahegemónicos son meramente performa-
tivos y tolerados por la sociedad a partir de prácticas integradas en el
arte o en la vida cotidiana.
En todo caso, los enfoques revisados dejan un espacio claro para
repensar la necesidad de implementar procesos en los que se culti-
van las capacidades que determinan la transformación, más que la
adaptación. En particular, las capacidades, según la denición de
la Nussbaum, podrían desencadenar los antagonismos necesarios a
través del desarrollo o búsqueda de recursos culturales, intelectuales
y simbólicos para defender posicionamientos personales o de grupos
excluidos, es decir, para apoyar procesos de reconocimiento, según
la denición de la Fraser.
¿Está la educación en condiciones de desarrollar estas capacidades?
Como señalan Walker y Unterhalter (Unterhalter y Brighouse,
2007), la importancia de la expresión individual choca con el esfuerzo
general realizado por los sistemas educativos en tanto que dispositivos
que forman y otorgan certicaciones que capaciten a las personas
para ascender en una estructura social preestablecida. El acceso y la
calidad de la educación se han evaluado con frecuencia a través del
impacto efectivo en el desarrollo de habilidades que permiten a las
personas obtener mejores trabajos y, por lo tanto, lo que se entiende
como mejores vidas dentro de un cierto status quo. Toda la literatura
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
194
desde la década de los sesenta hasta la actualidad ha estado plaga-
da de discursos sobre el «capital cultural», la educación como un
«tesoro» y sus resultados (conocimientos, habilidades, competencias)
como impulsores del cambio en la sociedad (Lareau y Weininger,
2003). En la tradición más tecnocrática de los sistemas educativos,
estos últimos también han sido criticados por su falta de efectividad
para cubrir las competencias requeridas en el mercado laboral. Los
investigadores en educación se han enfrentado a tales críticas enfa-
tizando la relevancia del aprendizaje a lo largo de la vida como un
continuo entre las experiencias formales, no formales e informales de
aprendizaje como vía educativa personal (Carey, 2015). Y esos mismos
enfoques han sido duramente criticados desde la losofía de la edu-
cación por provocar una learnication (del inglés, learn, aprendizaje)
de los sistemas educativos, es decir, un excesivo énfasis en el diseño
controlado de procesos de aprendizaje que determinen la formación
de competencias reconocidas en el mercado laboral (Biesta, 2020).
En este punto, tampoco se podría olvidar el poder simbólico ejercido
desde el sistema educativo en la teoría de la sociología educativa para
la reproducción de la estructura social con sus privilegios como efecto
real del sistema educativo (Bourdieu y Passeron, 1970). La reciente
pedagogía de la pandemia también ha revelado los efectos insidiosos
de la pobreza, proporcionando claros ejemplos de la idea falaz de que
las tecnologías brindan oportunidades y acceso. En cambio, tanto la
falta de competencias digitales de los padres como la falta de espacios
apropiados, dispositivos y conexión a internet marcaron diferencias
cruciales a la hora de experimentar la educación remota de emergencia
o «pedagogía pandémica» (Williamson et al., 2020a). La educación
formal, por lo tanto, podría ser más un dispositivo de profundización
de la injusticia, que su deconstrucción.
El problema fue conceptualizado y cuenta con varios movimientos
que abordan la idea de romper el círculo de la reproducción haciendo
de la educación un instrumento de emancipación y transformación;
en especial, en el contexto de la losofía política de la educación la-
tinoamericana (Rodríguez-Arango, 2010). Reconocida es la obra de
Paulo Freire, quien a partir de la «pedagogía del oprimido» se apoya
195
5. JUSTICIA SOCIAL Y DATOS ❚
en el conocimiento técnico como base al desarrollo de un conoci-
miento aplicado contextual que genere espacios para el desarrollo de
habilidades esenciales requeridas en el compromiso cívico y el acti-
vismo para la transformación de los propios espacios de vida (Freire,
1970).
Podemos encontrar en esta línea crítica una sintonía con el en-
foque de capacidades, donde los conocimientos y habilidades no son
funcionales según estándares predeterminados, sino que son la fase
inicial de una espiral recursiva de cambio, donde las habilidades téc-
nicas dentro de un contexto crítico de conciencia e identidad condu-
cen a una mayor autodeterminación. Insistimos, en este punto, en la
relevancia de un contexto capacitador que dote a los participantes a
lograr los medios simbólicos, emocionales, conductuales y materiales
para dar a entender sus propias necesidades de justicia social.
Justicia de datos y alfabetismos (de datos) necesarios: más
allá de un oxímoron
Una justicia de datos, si los datos encierran injusticias en su forma de
ser, construidos y adoptados plantean un oxímoron, una denición
cuyos términos constituyentes se contradicen. En términos de Fra-
ser, una «búsqueda de justicia armativa». Utilizando, en cambio, el
concepto de movimiento hegemónico y contrahegemónico, pensando
en las capacidades necesarias para participar en tales movimientos,
analicemos las conexiones entre: a) la justicia de datos como expresión
y búsqueda de la justicia social en una sociedad daticada, y b) el rol
de la alfabetización en datos como estrategia educativa.
La oferta de formación en datos ha crecido intensamente en los
últimos años; sin embargo, los contenidos, características e ideologías
encerradas en esa oferta formativa se han ido alineando simplemente
con el desarrollo tecnocrático. Por ejemplo, el 2017 analicé el proce-
so de desarrollo de la oferta formativa en Italia (Raaghelli, 2017a).
Partía de la creación de un grupo de trabajo ministerial en el 2016
para apoyar másteres universitarios y monitorear MOOC (massive
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
196
open online courses, cursos masivos abiertos en línea) y microcursos
orientados más que nada al desarrollo de habilidades de data science.
En efecto, la formación más renada ofrecida por los MOOC, la
formación continua y la educación superior, abordaron rápidamente
el aspecto técnico del trabajo con datos, con la promesa de una co-
locación laboral segura. Respecto a la educación obligatoria, se ha
puesto mucho énfasis en los últimos años en la codicación (Popat y
Starkey, 2019), el movimiento maker (Papavlasopoulou et al., 2017)
y la competencia digital (Redecker y Punie, 2017; Vuorikari et al.,
2022). El debate en torno a la alfabetización de datos pasó por eta-
pas similares (Raaghelli y Stewart, 2020). A través de una serie de
reexiones surgidas del debate sobre la aritmética que se trasladó a la
alfabetización estadística y, por lo tanto, a la alfabetización en datos,
el efecto fue el de abordar la comprensión técnica de algoritmos, prác-
ticas basadas en datos, visualización de datos y programación como
lado creativo de la ciencia de datos. Alineándose con esta tendencia,
los entornos digitales y las herramientas para procesar y visualizar
datos, así como las oportunidades de desencadenar representaciones
dinámicas, recomendaciones o actividades abrieron un área de de-
sarrollo de habilidades en la educación superior (Gray et al., 2018;
Maybee y Zilinski, 2015).
Sin embargo, todos estos enfoques poseen como elemento común
el centrarse en nociones y prácticas que se conectan a la idea de inno-
vación y desarrollo, ligada a un paradigma positivista y neoconduc-
tista, que no se ocupa de comprender los riesgos personales, ni mucho
menos sociales, del alimentar una tecnoestructura monopólica, e in-
visibiliza la complejidad de los entramados sociotécnicos y políticos
(Pangrazio y Selwyn, 2019).
Por lo tanto, los enfoques de alfabetización de datos que se centran
en desarrollar las habilidades y el conocimiento necesarios reforzar
la tecnoestructura existente, es decir, con un foco en las habilidades
de la élite de cientícos de datos, refuerzan el oxímoron. En estos
términos, más alfabetización podría implicar la profundización de
injusticias estructurales, pues las habilidades adquiridas orientarían
prácticas de apoyo al poder y de desentendimiento de los nes últimos
197
5. JUSTICIA SOCIAL Y DATOS ❚
de la actividad técnica en la que un cientíco de datos se involucra. Si
bien el caso de Edward Snowden (Snowden, 2019) ha sido paradig-
mático al mostrar la toma de conciencia del tecnólogo respecto a los
nes últimos del desarrollo tecnológico, es más bien ilusorio pensar
que quien se forma en un paradigma con unos estándares de calidad
y de éxito (mejorar las herramientas de machine learning, mejorar la
precisión de algoritmos, etc.) logre ir más allá de esa visión. Más bien,
podría trabajar en soluciones paliativas, dentro de una idea de justicia
armativa, como de alguna manera se plantea en todo el campo de
la ética de algoritmos (Kearns y Roth, 2020). Entonces, el aporte de
la educación, congurada de esta manera, se pone en tela de juicio.
La búsqueda de justicia a través de movimientos activistas abre ca-
minos diversicados para profundizar una visión de complejidad sobre
los datos, buscando desarrollar la habilidad técnica para la apropiación
o incluso el bloqueo de mecanismos y sus estructuras de poder. La
habilidad técnica en esos movimientos, como bien lo anotan D’Igna-
zio y Klein (2020), se subordina al objetivo social, cultural y político
último. Sin embargo, esa búsqueda se basa en gran medida en capaci-
dades poco comunes y una importante conciencia y voluntad colectiva
autoorganizada. Como indica Miren Gutiérrez (Gutiérrez, 2018), el
activismo genera redes potentes, de apoyo, concientización, práctica
continua del hackeo para resolver los problemas y fomentar las accio-
nes necesarias al movimiento. En estas redes reverberan formas de
conocimiento y de aprendizaje informal que permiten a los tecnólogos
cooperar en proyectos cuyos nes últimos poseen un impacto social y
cultural relevante y contextualizado, transformando así su propio rol
y estatus. En estos espacios, la práctica educativa puede entramarse y
contribuir. Sin embargo, no lo hace de cualquier manera; deberá re-
formular las alfabetizaciones necesarias para desencadenar activismos,
en lugar de entrenar las habilidades para reproducir la daticación.
Con este n, la primera pieza crucial del rompecabezas son los edu-
cadores conscientes y críticos en cuanto a la tecnoestructura, capaces
de apoyar formas contextualizadas de lectura, comprensión e inter-
pretación de los datos como medios de identidad y empoderamiento,
a través de una práctica educativa situada, auténtica, eventualmente
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
198
ligada a los colectivos mismos del activismo. La discusión está evo-
lucionando rápidamente, con varias contribuciones en ese sentido y
mucha fragmentación.
A pesar de los muchos focos de debate que relacionan la ética de los
datos y la alfabetización crítica en datos, queda conceptualizada en el
trabajo de los brasileros Alan Freihof-Tygel y Rosana Kirsch (2016),
quienes recuperan los cuatro elementos de la pedagogía de Freire apli-
cándolos a la exploración comunitaria de los datos. Proponen trabajar
así en una fase de investigación (por ejemplo, a través de discusiones
comunitarias e informaciones basadas en datos iniciales), para seguir
con una fase de tematización, donde se consideran los temas centrales
de interés para un colectivo sin pensar en los datos que lo apoyan o
no (puede tratarse incluso de datos que no existen). Se llega así a la
fase de problematización, de develar por qué faltan datos, por qué
los datos no son accesibles o por qué sobrerrepresentan a algunos y
esconden a otros. Y se produce así la posibilidad de trabajar en una
sistematización, en un nuevo estadio en que se obtienen los datos o
se comunica con quien los produce para un cuestionamiento, o se
deciden acciones de resistencia o de ofuscación (Ibíd., pp. 113-117).
Annette Markham (Markham, 2018, 2020) trabajó también desde
el dispositivo freiriano y desde un método autoetnográco alrede-
dor de las «vidas digitales» de las personas. La Markham enfatizó
la relevancia del diálogo para deconstruir experiencias negativas, de
invasión de espacios personales, de omisión, o de cualquier forma
de violencia simbólica en el uso de las tecnologías de la vida cotidiana.
La investigadora acompañó así al grupo de trabajo a seguir durante
48 horas distintas formas de trazado de datos en cualquier aplicación
o herramienta de su propio interés. Luego, propuso a quiens partici-
paban «desconectar» durante 24 horas. Les instó así a reexionar a
partir de distintas técnicas, incluidos mapas y una entrevista a otra
persona, para que pensaran en situaciones críticas. Dio continuidad
al trabajo a partir de una fase de interpretación guiada por tres pre-
guntas: ¿Y ahora qué? ¿Qué signica eso? ¿A quién le importa (que
esto pase o me pase)? Finalmente concluyó su trabajo desde una fase
de repetición de las observaciones de trazado digital «en campo», es
199
5. JUSTICIA SOCIAL Y DATOS ❚
decir, en las propias vidas de los participantes. Repitiendo este es-
quema, recogió casi 1200 narrativas en formatos multimediales. Y a
partir de esta base, propuso trabajar sobre la simple comprensión de
una teoría crítica sobre la tecnología (analizando quiénes y cómo se
benecian de ciertas acciones), así como profundizar la relevancia de
los macrodatos, sin dar por descontado que las big tech trazarán y usa-
rán nuestros datos ante nuestra total pasividad (la opción alternativa
puede surgir cada día, en especial a partir del activismo) y valorizar los
esquemas de trabajo no cuantitativos, pues son estos los enfoques que
permiten pensar el dato ante litteram, es decir, en el momento en que
se constituye y se arma sobre valores y prácticas que luego tenderán
a ser invisibilizadas (como, por ejemplo, el trabajo de etiquetamiento
en la IA).
En esta dirección se mueven proyectos de educación popular que
naturalmente parten de la acción universitaria de investigación y de
colaboración comunitaria en proyectos de aprendizaje-servicio.81 Por
ejemplo, en el proyecto «Data murals»82 liderado por Rahul Bhargava
(profesor en Periodismo, Diseño y Arte en la Universidad Northeas-
tern) dentro del contexto de su tarea junto a Caterine D’Ignazio en
«terapia de datos», propuso a comunidades de Brasil reconocer sus
propias problemáticas a partir de datos encontrados o generados, en
particular con la participación de jóvenes de escuelas, asociaciones y
estudiantado universitario. Se trabajó luego en una forma especial
de «reporte» de dichos datos, es decir, representándolos en murales
bien visibles dentro de la comunidad. Charlé sobre estas y otras ex-
periencias con Rahul en 2020, quien nos mostró de manera práctica
(según puede apreciarse en el seminario web al que lo invité)83 su en-
81. El aprendizaje-servicio es una metodología consolidada, con redes muy importantes, en
especial en el contexto iberoamericano. Considérese, por ejemplo, la Red Iberoamericana de Apren-
dizaje-servicio: https://www.clayss.org.ar/redibero.html y la literatura de referencia en varios casos
en revistas hispanoparlantes (Álvarez Castillo et al., 2017; Rodríguez-Gallego, 2014; Tapia, 2018).
Sin embargo, en una primera revisión de literatura no he encontrado proyectos relacionados con
la alfabetización crítica en datos en este contexto, enfoque que sería muy interesante desarrollar.
82. https://datatherapy.org/data-mural-gallery/
83. Seminario web: «Building Fa ir Data Cultures: narratives and activism from t he civil socie-
ty», 20 de mayo de 2020. https://bfairdata.net/perspectivas/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
200
foque para trabajar, desde la educación popular, la materialidad y los
ensamblajes que constituyen las representaciones de datos. Rahul ha
teorizado de manera pionera sobre una alfabetización crítica en datos
a partir de estas y otras experiencias en organizaciones de la sociedad
civil (Bhargava et al., 2015). De hecho, este enfoque se asocia muy
bien con una pedagogía crítica y de servicio que apunta al empode-
ramiento de grupos vulnerables. Conectado a su trabajo, Caterine
D’Ignazio ha ido en la dirección de apoyar su enfoque de exploración
y deconstrucción de la ciencia de datos a partir del feminismo. Desde
su Data Feminism Lab, ella lidera un enfoque en el que se proponen
siete pasos para trabajar la justicia de datos:
• Examinar el poder: revisar el privilegio estructural y la opresión y
comprender cómo aparece en nuestros datos la IA, el aprendizaje
de máquinas y los sistemas de información.
• Desaar el poder: reexionar y discutir sobre las acciones que pue-
den ser llevadas a cabo para cambiar la situación opresiva.
• Elevar la emoción y la corporalidad: considerar formas alternativas
de conocimiento, diversicadas de la racionalidad, especialmente
basadas en las que han sido asociadas a la feminilidad (el cuidado,
la emoción, la importancia del cuerpo y el contacto), pero que
pueden ser repensadas como nuevos espacios epistémicos.
• Repensar binarismos y jerarquias: partiendo del binarismo de gé-
nero, reconsiderar las clasicaciones que aplicamos y nos aplican
en el «explicar o visualizar» temas o problemas sociales a través
de datos.
• Adoptar el pluralismo: considerar múltiples perspectivas con es-
pecial relevancia de las locales, indígenas y experimentales, alcan-
zando síntesis que tienen que ver con el contexto de trabajo con un
cierto conjunto de datos o un proceso transformativo.
• Considerar el contexto: tener en cuenta la no neutralidad o la no
objetividad de los datos y, en cambio, su existencia como producto
de relaciones sociales desiguales que requiere una mirada ética.
• Hacer visible el trabajo: traer al frente todas las elaboraciones y
procesos que se requieren para «construir» un dato desde la pers-
201
5. JUSTICIA SOCIAL Y DATOS ❚
pectiva de la ciencia de datos, en cuanto «trabajo de muchas ma-
nos», y no como representación lineal de la «realidad».
Este enfoque se apoya en una infografía84 que ha sido traducida a
varios idiomas (entre ellos, el castellano) y puede ser adoptada para
trabajar en clase o en proyectos de interacción comunitaria e incluso
en organizaciones (dependiendo de la permeabilidad de las jerarquías,
dado el enfoque de deconstrucción del poder).
El Laboratorio de Datos + Feminismo tiene su sede en el Depar-
tamento de Estudios Urbanos y Planicación del MIT y es miembro
de redes muy importantes en el trabajo que conectan investigación,
educación superior y obligatoria y activismo. E incluyen: Datos con-
tra el Feminicidio, Design Justice Network, Labor Tech Research
Network y la red Tierra Común,85 con un foco en la decolonización
de los datos.
No puede dejar de mencionarse el trabajo de conexión entre in-
vestigación y educación llevado a cabo por el Data Justice Lab, de-
pendiente de la Universidad de Cardi, que ha promovido eventos y
materiales de gran valor teórico-práctico para docentes de todos los
niveles, así como para investigadores, como, por ejemplo, la organi-
zación de conferencias como la de Civic Participation in the Dataed
Society86 o la guía de apoyo a la alfabetización en datos con una selec-
ción de catorce herramientas divididas en seis categorías según cómo
promuevan la participación: actividades laboratoriales, aprendizaje
activo, contenido basado en investigación, datos para la participación,
guías prácticas rápidas y guías profundizadas (Brand y Sander, 2020;
Sander, 2020).
84. Data Feminism Infographics: http://datafeminism.io/blog/book/data-feminism-infogra-
phic/
85. Para una mejor comprensión reporto sitios y, en el caso necesario, traducción castellana de
los nombres de las redes citadas en inglés según su origen. Ellas son: Datos contra el Feminicidio,
http://datoscontrafeminicidio.net/en/home-2/ ; Laboratorio de Justicia desde el Diseño, https://
designjustice.org/ ; Red de Investigación sobre el Trabajo Tecnológico, http://labortechresearchne-
twork.org/, y Tierra Común, https://www.tierracomun.net/
86. Participación Cívica en la Sociedad Daticada, https://datajusticelab.org/data-justi-
ce-2021/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
202
Enfocando mayormente el trabajo sobre la justicia algorítmica
(es decir, el dato elaborado detrás del aprendizaje de máquina y de
la IA) encontramos la Algorithmic Justice League,87 fundada por la
afroamericana Joy Buolamwini, pionera en el trabajo de descubri-
miento de las injusticias generadas por el sesgo en el reconocimiento
facial. Esta organización combina el arte y la investigación para ilu-
minar las problemáticas de la sociedad y los daños que la IA puede
provocar. También se basa en el trabajo artístico, en este caso una
historieta o cómic, el proyecto «We need to talk, AI».88
Partiendo de estos y muchos otros proyectos mapeados continua-
mente durante los años 2015-2020, un esfuerzo completo por tratar
todas las problemáticas de la daticación ha sido llevado a cabo por
el proyecto «Data praxis», en el que colaboré como investigadora
(Kuhn y Raaghelli, 2022). En este se desarrolló un recurso educa-
tivo abierto, basado en una serie de pilotos en universidades anglo-
parlantes e hispanoparlantes del norte y del sur global. El recurso89
se compone de varias tipologías de materiales abiertos desarrollados
en inglés y en español, a saber: siete módulos que cubren temas de
denición de datos, daticación personal, soberanía de datos, acti-
vismo académico en datos y, especícamente, bajo la coordinación
de Caroline Kuhn, un módulo sobre justicia de datos (Kuhn, 2020);
ocho herramientas interactivas que pueden ser adoptadas para el
trabajo en laboratorios o clases interactivas; vídeo-recursos y orien-
taciones para el desarrollo del profesorado, contenidos en especial
en los workshops en los que trabajé para la Universitat Oberta de
Catalunya.90
Estos ejemplos nos muestran que la alfabetización crítica en datos
tiene que construirse necesariamente con la alfabetización técnica y a
través de ella (conocer como mínimo conceptualmente las operacio-
nes de estadística bayesiana, la visualización de datos, las formas del
aprendizaje de máquina, los enfoques de construcción de las bases
87. Liga por la Justicia Algorítmica, https://www.ajl.org/
88. «Tenemos que hablar, AI», https://weneedtotalk.ai/
89. https://datapraxis.net/
90. https://datapraxis.net/chapter-uoc/
203
5. JUSTICIA SOCIAL Y DATOS ❚
de datos que luego alimentarán el entrenamiento algorítmico, etc.).
Pero en cualquier caso se debe ir mucho más allá, discutiendo los
intereses que conguran estas prácticas y discursos y deconstruyendo
el entusiasmo tecnológico.
Sin embargo, la alfabetización debe ser, más que crítica, compleja.
No podrá quedarse en una fase de deconstrucción, sino que tendrá
que avanzar sobre estrategias de acción. De otra manera, muchos de
los proyectos de alfabetización en datos podrían simplemente actuar
a «nivel performativo» mostrando los efectos nocivos de la manipu-
lación o discusión de datos sobre ellos (Prinsloo, 2019), sin reejos
reales o cambios en los comportamientos de las personas. Pangrazio y
Selwyn (2019) describieron muy claramente esta situación: después de
que estos autores ofrecieran a un grupo de adolescentes la posibilidad
de ver «detrás de escena» la recolección de datos, detectaron indife-
rencia e incluso alguna forma de impotencia desde las redes sociales
utilizadas, que son solo una parte de su vida cotidiana y un modo de
conectarse con sus pares y construir sus identidades.
A partir de estos resultados (entre otras investigaciones que seña-
lan la sensación de «invalidez» y de «desprotección» de usuarios/as
de la digitalidad daticada), desde el trabajo mencionado de Mar-
kham hasta mi trabajo de casi 300 educadores (Raaghelli, 2022b),
quiero subrayar una cuestión fundamental: los recursos materiales y
simbólicos dispuestos en un espacio educativo, así como las eventua-
les habilidades técnicas y críticas no son sucientes para realizar la
autogestión y la búsqueda de nuevas capacidades hacia un enfoque
activista y contrahegemónico como resultado educativo. Por lo tanto,
estamos en los albores de una práctica educativa que pueda apoyar los
antagonismos necesarios con que superar la daticación y el empo-
deramiento a través de los datos, pero no basta por sí sola. ¿Porqué?
Porque la sociedad de las plataformas ya estudiada por Van Dijck y
desarrollada en muchos trabajos sobre la necesidad de su estudio (De-
cuypere et al., 2021; Nichols y García, 2022) impone estructuras de
uso de las que es difícil salirse. Como ya lo hacen notar los estudiosos
de plataformas mencionados, no es fácil pensar en alternativas si una
actividad social es, por un lado, constituyente para mí (como el uso
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
204
de una red social para comunicar con pares) o resuelve problemas
inminentes, como el médium digital adoptado en la emergencia de
la pandemia cuando muchas universidades no estaban preparados
(como la plataforma Zoom), o es incluso impuesta por la institución
(uso de Google Suite o Microsoft Teams consolidado para la gestión
de las comunicaciones y trabajo colaborativo en un gran número de
universidades) al partir de un modelo de negocio ecaz y «ganador»
para el neocapitalismo, a partir de soluciones rápidas para deseos o
problemas cotidianos, desde el costo invisible para el usuario o las
administraciones.
Y volvemos aquí al concepto de justicia de datos desde la infraes-
tructura tecnológica que hubiéramos planteado al inicio de nuestro
recorrido.
Si bien la alfabetización crítica en datos aparece como necesaria
y crucial para un proyecto contrahegemónico con el que desarrollar
la justicia de datos, y con ello, expresiones de justicia social en una
sociedad daticada, la práctica educativa se enfrenta a un conic-
to. Conicto que adquiere una forma intrínseca, desde la denición
misma del quehacer educativo (formar para responder al sistema o
formar para transformar el sistema), y una forma extrínseca, que es
la de la uidez del poder simbólico y de los ensamblajes a través de
los que la daticación se nos presenta en las plataformas (Pangrazio
et al., 2022). Es aquí donde cabe dejar de evocar el educador como
«paladín» de la justicia de datos. Cabe mirar más allá del aula, y
así considerar siempre el límite al que nos enfrentamos y plantear el
debate en redes, grupos, instituciones y agendas políticas: hay que
construir culturas de datos (justas).
En este sentido está avanzando el trabajo de aFFaC (Associacions
Federades de Famílies d’Alumnes de Catalunya) y XNET en cola-
boración con la Universidad de Barcelona para la escuela, a través
del proyecto EDDIT91: «Corporacions tecnològiques, plataformes
educatives digitalis i garantía dels drets de la infancia amb enfoca-
91. «Corporaciones tecnológicas, plataformas educativas digita les y derechos de la infancia con
enfoque de género», https://esbrina.eu/es/portfolio/corporacions-tecnologiques-plataformes-educa-
tives-digitals-i-garantia-dels-drets-de-la-infancia-amb-enfocament-de-genere-2/
205
5. JUSTICIA SOCIAL Y DATOS ❚
ment de gènere» y debería ser un ejemplo para la universidad. Esta,
según la literatura y proyectos mapeados en mi tarea investigadora y
hasta el momento, no tiene un proyecto integrador equivalente. Es
decir, no se trata de un proyecto que se ha concentrado en compren-
der la alfabetización en datos, sino cómo las plataformas digitales
educativas de corporaciones tecnológicas como Google o Microsoft
han invadido la vida de centros educativos públicos, especialmente
desde la pandemia. Si bien, por un lado, el proyecto busca orientar la
formación del profesorado y de las familias alrededor del problema,
su principal preocupación es poner de maniesto cómo se violan los
derechos de la infancia, como base sensible para diseñar políticas
educativas que velen por esos derechos. En especial y a partir del
gran activismo de Xnet –otra organización de la sociedad civil activa
en derechos digitales–, el problema se ha planteado tempranamente
no solo desde un plano de denuncia, sino desde dos planos que se
intersecan y generan espacios de justicia transformativa. En primer
lugar, un plano de construcción de infraestructura digital alternativa
denominada DD (Digitalizació Democràtica),92 basado en Moodle,
WordPress, Etherpad, BigBlueButton y otros instrumentos de código
abierto, instalados en servidores y gestionados por empresas locales.
Dicha herramienta busca crear un ecosistema de medios alternativos
integrados, donde los usuarios tienen pleno control y se trabaja «vién-
dose la cara» entre educadores e informáticos de empresas locales.
Los datos y el código que permite la integración de softwares y apli-
caciones son abiertos o, en el caso de riesgo de privacidad, accesibles
para toda la red de centros educativos. En segundo lugar, Xnet se
ha comprometido con espacios de formación y reexión avanzados
que han culminado en documentos de trabajo, como el generado
por Simona Levi para abrir el debate de la plataformización de la
educación ante la Unión Europea (European Parliament/Parlamento
Europeo y Levi, 2022) y más tarde el Primer Curso Internacional
de Educación Digital Democrática y Open EdTe ch,93 donde se ha
92. Herramienta de Digitalización Democrática, https://xnet-x.net/es/presentamos-dd-herra-
mienta-digitalizacion-democratica-educacion/
93. https://curso.digitalizacion-democratica.xnet-x.net/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
206
llamado a avanzar este debate a partir de varios expertos panelistas
en interacción con docentes participantes. Por lo tanto, el proyecto
se apoya en espacios de alfabetización basada en desarrollos de in-
vestigación y activismo, así como en una infraestructura que permite
salirse del «no tengo alternativa». Cabe destacar cuán titánico es este
esfuerzo, como lo ponía de maniesto la líder de la aFFac, Lidón
Gasull, en una entrevista de la Serie de Conversatorios «Educar con
Sentido» (Rivera-Vargas y Passeron, 2022). Según la experta en de-
rechos humanos y digitales, no hay una escucha cabal por parte de
la Administración gubernamental educativa, por lo tanto, su tarea
se mueve a partir de fondos locales e internacionales. Y ello implica
que todo procede por vía «piloto», sin llegar a poder convertirse en
una propuesta consolidada.
¿Podrían las universidades moverse en este sentido? La realidad
es que las dinámicas de entrada de servicios de cloud-computing y la
progresiva cesión de soberanía digital –y con ello, soberanía de da-
tos–, cuando no directamente de plataformas de gestión de la comu-
nicación (Google Workspaces, Microsoft Teams), se ha intensicado
con la pandemia (Williamson y Hogan, 2021). Ello parece constituir
una tendencia implacable, pues las universidades no pueden afron-
tar las exigencias de elaboración de información en un contexto de
aprendizaje como mínimo híbrido o a distancia (Fiebig et al., 2021).
La computación en la nube se basa en modelos en los cuales las
universidades –a diferencia de los centros educativos, que normal-
mente estaban dotadas de centros de cómputos y data-warehouse,
con servidores para apoyar la actividad de plataformas de código
abierto como Moodle– van cediendo todo este espacio a las big tech
como Amazon Cloud Services (Williamson et al., 2022). Ante estas
dinámicas de pérdida de soberanía digital y de datos, en el horizonte
no emergen, sin embargo, políticas y reacciones organizadas, sino
apenas algunos casos que buscan defender su independencia digital
y que llaman a una organización nacional, como el caso de la Uni-
versidad de Turín con su programa de educación abierta basado en
infraestructuras de código abierto y en la valorización de estructu-
ras tecnológicas nacionales independientes (como el IDEM-GARR,
207
5. JUSTICIA SOCIAL Y DATOS ❚
consorcio que apoya servicios digitales de investigación y docencia
en Italia).94
Reflexiones para la acción docente: más allá de la soledad
educativa
Luego de pasar revista a la conceptualización de una justicia de datos
en el marco de la justicia social, consideramos muy sumariamente
una serie de proyectos de investigación y transferencia educativa que
pueden inspirar la práctica. Como ya he planteado desde el inicio de
este capítulo, las actividades y los materiales citados podrían formar
parte de un currículo de alfabetización digital, que puede ser parte de
una formación básica de grado, o bien de un itinerario de formación
en metodología de la investigación social. Sin embargo, el avance de
estas temáticas las colocan en el contexto de la digitalización de ser-
vicios sanitarios y sociales y sus impactos; de tecnologías educativas
en la escuela y la educación social; de ética de la tecnología y de la
inteligencia articial en las carreras de ingeniería informática tanto
como de ciencias de la información y de ciencias de la comunicación
social, o incluso de estadística y ciencia de datos; en sociología, res-
pecto al estudio del fenómeno de las plataformas y de su impacto
social; en diseño, con relación a enfoques de privacidad desde el di-
seño, o de enfoques de codiseño, o de análisis de las experiencias de
uso; en la preparación jurídica respecto a las regulaciones necesarias
para convivir con sistemas inteligentes, y, por supuesto, en losofía
de la tecnología y ética de los algoritmos como reexión en teoría
matemática, por mencionar algunos contextos donde el currículo se
irá modicando para dar paso a asignaturas que traten completa-
mente de estas temáticas. Sin embargo, estos escenarios avanzan de
manera diversicada y mientras desde mi experiencia e interacción
con docentes de las mencionadas una visión verdaderamente holística
94. Portal Open Education Polito: Software Libre, Conocimiento Libre, https://openeduca-
tion.polito.it/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
208
e interdisciplinaria es difícil de conseguir, por todas las dicultades
asociadas a la interdisciplinariedad (Moran, 2010).Cabe destacar que
mientras que la integración de cursos de ética de algoritmos y ética
de la inteligencia articial ya ha avanzado rápidamente, en el ámbito
de la matemática y la informática, así como de los estudios de socio-
logía o comunicación y en el ámbito de la educación la daticación es
aún difícil de «digerir». Justamente, en el campo donde se preparan
docentes que trabajarán luego con personas en su educación inicial,
obligatoria y continua (tal y como emerge de la exploración de proble-
mas emergentes en pedagogía por el mismo alumnado de educación,
coordinado por Pablo Rivera-Vargas) (Rivera-Vargas et al., 2022), el
tema parece oscuro, lejano de la practicidad de situaciones que el pro-
fesorado debe resolver respecto del uso educativo de las tecnologías.
Esta situación podría cambiar rápidamente en cualquier caso (¡y ojalá
este libro ayude a que ello sea así!).
Sin embargo, nuestro recorrido conceptual nos ha permitido iden-
ticar un punto central: no todo es tarea del docente. Las infraes-
tructuras superan su capacidad profesional y requieren, justamente,
el poder ver con claridad los límites de acción: los docentes podrán
formar capacidades; podrán trabajar en procesos transformadores con
la comunidad y con organismos privados y públicos. Sin embargo, el
cambio de la tecnoestructura depende de muchas otras fuerzas, es-
pecialmente ligadas a movimientos sociales, políticos y de activismo,
sobre las cuales la educación converge o coadyuva, pero ciertamente
no lidera. Y sin embargo, la educación está frecuentemente cargada
de responsabilidades sobre la transformación social. Lo cual deja al
educador como «solista» en su aula, con la responsabilidad de formar
«todas las competencias» y de «no ser lo bastante ecaz». El resultado
puede ser una situación de desesperanza y de inmovilidad por parte
de muchos que se refugian en tecnicismos pedagógicos o disciplina-
rios dentro de la soledad del aula, como ya vimos; más ligados a una
formación técnica (en ciencia de datos) que a pensar, según comenta
Neil Selwyn. Así, «qué futuros de datos» (luego, qué utopías) segui-
mos hoy y, por lo tanto, hasta dónde podemos esforzarnos en llevar
nuestras prácticas actuales. En este sentido hablo de «ir más allá de la
209
5. JUSTICIA SOCIAL Y DATOS ❚
soledad»: veo esta soledad como refugio de la desesperanza educativa
o tal vez de la arrogancia. Es necesario sustituir esa soledad por una
comunidad integrada e interdisciplinaria, que pueda trabajar desde
la esperanza, desde la paciencia y, no menos importante, desde el
compromiso en el aula, hacia las comunidades y territorios con los
que trabaja la universidad.
Para concluir nuestro recorrido en el tercer cuadrante
Sobre la base de lo que ya sabemos (la complejidad de los datos y
sus infraestructuras), las alfabetizaciones necesarias para construir la
justicia social (y de datos) se revelan como fenómenos fuertemente
contrahegemónicos que es necesario contextualizar, que han de ser
especícos y desarrollados a lo largo del tiempo con los esfuerzos de
profesores, estudiantes y otras partes interesadas. Indiqué, además,
que tales alfabetizaciones no pueden verse como piezas separadas,
sino más bien como un rompecabezas social intrincado.
Como puede suponer quien lee, los escenarios institucionales pue-
den ser diversicados. Los discursos sobre la prometedora lógica de
big and open data podrían ser anunciados por una institución, mien-
tras que en otras podría haber un completo silencio. En el mejor de
los casos, podría darse un enfoque participativo hacia la exploración
del problema para generar lineamientos, políticas, maniestos o inter-
venciones estratégicas con que abordar la daticación y la vigilancia,
así como los datos para el empoderamiento y la cocreación.
Al explorar una serie de proyectos aquí propuestos, siento las ba-
ses para trabajar espacios de desarrollo profesional de las personas
que educan con el n de superar el oxímoron de la justicia de datos
(armativa).
Insisto en que una justicia de datos transformativa implica la co-
laboración entre docentes universitarios con decisores políticos, los
activistas, el sector privado y la sociedad, creando redes de trabajo
ligadas a diseños, procesos y productos basados en datos, poniéndolos
en relación con los temas enseñados, desde dentro hacia fuera de la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
210
institución educativa y más allá del entusiasmo tecnocrático. Concre-
tamente, signica tanto tener una comprensión profunda de lo que
implica el ujo de trabajo basado en datos, del diseño de algoritmos,
el código, la visualización de datos (epistemología de datos proactiva,
acceso público y privado a los datos), así como de los impactos ins-
titucionales y sociales de prácticas basadas en datos (epistemologías
reactivas de datos, acceso público y privado a los datos).
Mucho queda aún por explorar en términos de desarrollo curricu-
lar, de casos y experiencias, de análisis del impacto a largo plazo de la
formación en justicia de datos: este es justamente un campo rico en
el cual solo hay que atreverse a entrar.
211
6. DATOS EN EL PROCESO PEDAGÓGICO.
EN BUSCA DEL EQUILIBRIO95
Introducción
Nuestro recorrido termina –y como veremos, vuelve a empezar– en
este cuarto cuadrante, que reúne las epistemologías de datos proac-
tivas (entusiastas, orientadas a trabajar con los datos) con datos que
vienen de un espacio de conocimiento que debería ser respetado
como privado. De hecho, nos dedicaremos a fenómenos ligados al
desarrollo de tecnologías y prácticas basadas en datos, pero ello nos
impondrá reexiones justamente sobre la privacidad y la futilidad
de trabajar sobre ciertos conjuntos de datos. Aunque este cuadrante
podría ser ocupado por una casuística más amplia que la que tra-
bajaré yo, es decir, focalizada en desarrollos basados en datos en el
caso educativo y más especícamente de la analítica de aprendizaje,
95. Este capítulo ha sido posible gracias la posibilidad que me brindó la Universitat de Bar-
celona al organizar el Seminario-taller «Analíticas de Aprendizaje: ¿un continente oscuro?». Fui
construyendo un recorrido junto a Teresa Pagés y Anna Forés-Miravalles, que luego se abrió a un
grupo increíble de docentes apasionados por explorar las fronteras de las tecnologías educativas.
En plena pandemia, este grupo, en el que quiero destacar la presencia de Laura Pons-Seguí, Jaume
Fernández-Borras, Joan Simon, Ernest Pons-Fanals y María Mercedes Gracenea-Zugarramurdi,
participó activamente en una serie de actividades de exploración de la problemática del uso de
datos y las analíticas. Y fue el trabajo y el diálogo que me llevaron a las presentes reexiones. Más
tarde tuve el gusto de continuar esta conversación con Marcelo Maina, profesor-investigador de la
Universitat Oberta de Catalunya, al desarrollar juntos un material para el curso de Fundamentos
Tecnológicos, dirigido por él. Por supuesto, cómo olvidar el espacio que oportunamente me abrió
el proyecto Data Praxis, a partir del cual profundicé en todos los temas de ética de la analítica, y
elaboré un material accesible y usable junto a Caroline Kuhn y Quelic Berga (Universitat Oberta de
Catalunya). Finalmente, este tema fue una «mecha» que encendió la voluntad de colaborar en un
proyecto hoy felizmente aprobado y dirigido por Montse Guitert, quien me introdujo en su trabajo
con Teresa Romeu y Juan Pedro Cerro, dedicados a investigar sobre la factibilidad de apoyar los
procesos colaborativos sobre analíticas de aprendizaje.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
212
creo que la conguración ampliará las posibilidades de reexión
respecto al desarrollo de sistemas data-driven en general. Me re-
ero con ello a esa esfera de conocimiento humano que empuja
para seguir explorando el potencial de la tecnología en la sociedad
y que ha llevado a este espinoso momento histórico en el que siste-
mas inteligentes como redes neurales de un cerebro extendido en
nuestras casas o nuestras ciudades, robots «sociales» o incorporados
en sistemas con los que interactuamos y, por supuesto, todos los
automatismos con los que ya convivimos desde hace una década en
internet se están moviendo de la tierra de la ciencia cción a nuestra
realidad cotidiana. Y reclaman, ante nosotros, atención, cuidado,
reexiones que van desde ¿qué podemos seguir haciendo para que
esta tecnología sea aún más potente e inteligente? –una pregunta
que nos gusta mucho responder– a ¿cómo controlaremos estas tec-
nologías? y ¿cómo cambiarán estas tecnologías nuestro modo de
percibir el valor de la vida, de las cosas, de nuestra propia existencia
en términos de cognición y emoción?
Claramente, estas preguntas y estas problemáticas no solo exceden
ampliamente los objetivos del capítulo, sino del libro entero. Sin em-
bargo, propone un espacio epistémico de reexión, sobre todo para
la investigación educativa como área de la actividad social y cultural
humana a la cual la tecnología atraviesa de manera cada vez más
potente. Nos ocuparemos aquí de datos que requieren competencias
avanzadas para su tratamiento de desarrollos algorítmicos y de pro-
gramación de interfaces y paneles visuales, de su aceptación y su uso
para que entren (o no) a formar parte de nuestra experiencia educativa
como docentes o estudiantes. Ain embargo, vuelven a plantearnos
todas las preguntas que hemos ido haciéndonos en el recorrido por
los otros tres cuadrantes. Porque si bien los fenómenos que traba-
jaremos en este cuarto espacio podrían tener usos relevantes y de
empoderamiento y desafían la creatividad humana, la realidad nos
pone delante sistemas que tienen una visión demasiado simplista de
las problemáticas sociales que afrontan.
¿Por qué nos interesa trabajar el tema de las analíticas de apren-
dizaje?
213
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Porque hay una tendencia fuerte a su inclusión en plataformas
de aprendizaje, desde formas ya bien establecidas de visualización de
operaciones básicas (clics y logs) hasta paneles de representación de la
actividad y operaciones de recomendación automatizadas o incluso
robots conversacionales que se basan en el análisis de textos y conver-
saciones en línea. Y porque todo objeto «nuevo» atrae su brillo, más
que la verdadera percepción de «para qué me servirá esto», aunque en
mis conversaciones con docentes de varias universidades he encon-
trado tecnoentusiastas y tecnoescépticos extremos. Podríamos decir
que el enfoque más equilibrado es el de una cauta curiosidad, pues
aún no se acaba de comprender, por lo menos para un público de
educadores y educadoras en general, el verdadero uso de la analítica de
aprendizaje, sus problemáticas, su impacto potencial. Sobre todo, cabe
destacarlo aquí, estos «juguetes nuevos» en el campo del aprendizaje
en línea encierran todas las peligrosidades y problemáticas de las que
tanto hemos hablado en los cuadrantes II y III. Pero también, huelga
repetirlo, proponen oportunidades como en el primer cuadrante, de
avance de nuestro conocimiento y comprensión sobre procesos de
aprendizaje, de mejoramiento de las formas de orquestación de la ac-
tividad en clase, de precisión y diversicación de los tipos de feedback
que podremos dar a nuestro alumnado. Quien ha participado en mis
talleres sobre analíticas de aprendizaje por primera vez me dirá, con
voz desencantada, que estamos demasiado lejos de esta perspectiva.
Por ello cabe comprometerse, comprendiendo en primer lugar de qué
estamos hablando, sus pro y contras, explorando con cautela dispo-
sitivos y aplicaciones, considerando siempre a nuestro estudiantado
como un aliado ecaz en esa tarea.
Como ya hemos dicho para los otros tres cuadrantes, es necesa-
rio que el profesorado universitario, a medida que las analíticas del
aprendizaje se vuelven más populares y circulan algunas aplicaciones
experimentales y comerciales, preste atención a cómo las tecnologías
ingresan a sus experiencias educativas y qué valores o imaginarios
los docentes asignan a los datos en la enseñanza y el aprendizaje. En
particular, no podremos escapar a una reexión sobre los intereses
económicos y de control del comportamiento que encierran muchas
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
214
de las soluciones tecnológicas propuestas como panacea de la infor-
mación que mejora, facilita y da precisión al quehacer docente. Y la
analítica de aprendizaje es un fuerte anzuelo de este tipo.
Así, nuestro recorrido comenzará desde la exploración del costado
proactivo del concepto y aplicaciones de analíticas del aprendizaje en
su objetivo de apoyar una mayor ecacia en los procesos de enseñanza
y aprendizaje. Pero eles a la idea de «construir una cultura de datos
justa», deconstruiremos siempre el tecnosolucionismo que frecuente-
mente ha permeado los discursos y la investigación sobre las analíticas
del aprendizaje, trayendo a nuestra mesa la literatura crítica en torno
al uso de datos educativos, que recientemente ha abierto un capítulo
relacionado con la ética de datos (¡Tendremos la ventaja de venir del
capítulo reciente sobre justicia de datos!)
Para lograr un equilibrio entre el tecnoentusiasmo y la tecnodesilu-
sión, ofreceremos algunos casos que consideran los datos en la educa-
ción a través de lentes complejas, interdisciplinarias y participativas.
Y acabaremos este recorrido haciendo una propuesta: el avance tec-
nológico que lleva al uso de técnicas data-driven no puede ser vivido
pasivamente por el profesorado, sino que requiere un posicionamiento
de continua activación para reclamar la legibilidad de las infraestruc-
turas de datos, así como para participar en procesos de negociación
relacionados con la vigilancia y la privacidad del estudiantado y de
los mismos docentes. Este activismo nos podría permitir desman-
telar la relación de pasiva vigilancia y promoción de intereses de las
plataformas comerciales detrás de las «analíticas» (cabe recordar que
el concepto ha surgido del marketing en internet) para pensar de qué
manera los datos y las visualizaciones, e incluso automatismos como
recomendaciones o chatbots pueden ser también herramientas dise-
ñadas de manera participativa y cogestionadas, convirtiéndose así en
una herramienta más para el ecosistema educante que es la univer-
sidad, en interacción con la industria tecnológica, con el territorio y,
por supuesto, con grupos de docencia e investigación y del alumnado.
Por ello, más allá de la pasiva aceptación, hablaré de «activismo
de datos», en tanto que mentalidad y actitud crítica y transformadora
hacia la tecnoestructura en evolución, apuntando a la agencia, la ne-
215
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
gociabilidad y la legibilidad como medios para construir culturas de
datos justas en la educación superior y hacia la sociedad.
Analíticas del aprendizaje: un recorrido inicial para su
comprensión
En la conferencia LAK11 se ponía de maniesto, en la misma presen-
tación de la conferencia, lo siguiente:
Las instituciones y corporaciones de aprendizaje hacen poco uso de la
información que los estudiantes «desechan» en el proceso de acceso a
materiales de aprendizaje, interactuando con educadores y compañe-
ros, y creando nuevo contenido. En una época donde las instituciones
educativas están en creciente presión para reducir costos y aumentar
eciencia, la analítica promete ser un lente importante a través del cual
ver y planicar cambios en el curso y niveles de instituciones.96
El énfasis en la oportunidad dada por la recolección de datos abría
en aquel entonces una puerta para la generación de un área de inves-
tigación dedicada a considerar la conexión entre los datos trazados
en entornos digitales de aprendizaje y retroalimentación continua al
docente para informar su toma de decisiones, así como al estudiante,
para apoyarlo en la (auto)regulación de aprendizajes.
Siemens (2007) fue uno de los pioneros en la denición de un
naciente campo de estudio, el de las analíticas de aprendizaje (de
analíticas), de la mano de su trabajo en MOOC. Junto a Gasevic (otro
investigador cuya contribución veremos más adelante que será muy
relevante en el sector) denían las de analíticas como: «la medición,
recopilación, análisis e informe basado en datos sobre los estudiantes
y sus contextos, con el n de comprender y optimizar el aprendizaje
y los entornos en los que se produce» (Siemens y Gasevic, 2012, p. 1).
96. First Conference on Learning Analytics and Knowledge 2011, https://tekri.athabascau.ca/
analytics/ (traducción de la autora).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
216
Siguiendo esa tendencia, la Open University of UK, una gran uni-
versidad completamente en línea, produjo las primeras experimenta-
ciones, generó un grupo de trabajo que lideró el desarrollo del campo
y más tarde produjo también una crítica (Herodotou et al., 2019; Kni-
ght et al., 2014; Rienties et al., 2016). Rebecca Ferguson, del mismo
grupo, generó una visión sobre la complejidad del campo donde a la
recogida de datos se unía una visión compleja de las posibilidades de
investigación pedagógica sobre los mismos datos (Ferguson, 2012).
Este grupo de autores es también el que va a enfatizar que el trazado
de datos debe ir mucho más allá de las plataformas e-learning para
abarcar la interoperabilidad con otros sistemas y dar una base sólida a
los constructos pedagógicos adoptados (Herodotou et al., 2019; Kni-
ght et al., 2014). Ya indicadas en el trabajo seminal de Long y Siemens
(2011) a partir de la evolución de los temas dentro de la conferencia
LAK (Baker et al., 2021), se iban dividiendo también las áreas de
investigación en la educación superior, relacionadas con estos temas:
• la ecacia de sistema (prevención del abandono);
• el apoyo de las decisiones docentes (prevenir fracaso, focalizar
atención, orientar estudio de profundización, etc.);
• el apoyo de la autonomía de estudio o «autorregulación».
Asimismo, generaba una denición de las tipologías de analíticas
según el tipo de tecnología de trazado de datos y de operaciones al-
gorítmicas llevados a cabo, como se indica en la tabla 1.
Tabla 1. Tipologías de analíticas
ENFOQUES DE PROCESAM IENTO DE DATOS TIPOLOGÍA DE ANALÍTICA
Registro de eventos presentes, análisis expost.. Analíticas descriptivas
Registro de eventos presentes, análisis exa-nte. Analíticas de diagnóstico
Registro de eventos pasados, probabilidad posterior. Analíticas predictivas
Registro de eventos pasados, modelización y recomendación. Analíticas prescriptivas
217
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
La gura 3 expande la denición por tipologías mostrando los
niveles de automatización y su relación con la intervención humana
en los procesos pedagógicos mediados por analíticas de aprendizaje.
Figura 3. Tipologías de analíticas se gún los niveles de interacción automatismo-i ntervención humana. Esque-
ma adaptado de Ra aghelli et al. (2021).
En la imagen observamos los niveles de extracción de datos, las
operaciones estadísticas, de transformación de datos y algorítmicas
(desde la visualización al sistema de recomendación) que deberían
servir para apoyar distintos niveles de decisión y posterior acción
humana (e.g.: delante de un cierto diagnóstico de participación en
grupos de discusión, el docente puede animar, generar espacios sub-
sidiarios para el apoyo, sustituir una actividad, cambiar la disposición
de grupos colaborativos). Observamos justamente la relación entre la
tecnología aplicada y su nivel de automatismo, que apunta a sustituir
acciones humanas básicas para permitir al docente de operar en un
nivel más complejo y abstracto de la relación pedagógica.
También es importante que consideremos que para producir es-
tas tipologías de analíticas necesitamos una infraestructura digital
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
218
de extracción de datos. Normalmente, las plataformas hacen eso por
nosotros, pues se parte de la base de que «toda la vida del alumnado»
pasa por la plataforma de aprendizaje en línea. Sin embargo, los sis-
temas de analíticas más avanzados, que pueden realizar predicciones
sobre el riesgo de suspender un curso, requieren mucho más que las
notas y los «clics» capturados en nuestra clase virtual. Frecuentemen-
te, observamos que se asocian datos del sistema administrativo de
la universidad, como la media de la carrera del estudiante, la canti-
dad de asignaturas en las que se inscribe en paralelo, la cantidad de
accesos a la biblioteca, e incluso, en algunos casos muy discutibles,
se ha llegado a tomar información demográca o de visualización
de contenidos en redes sociales (Manca et al., 2016). En realidad,
estos «cruces» complejos de información es lo que llegan a hacer las
grandes empresas tecnológicas con gran ecacia y lo logran hacer las
universidades (y sistema escolar en general) con gran esfuerzo. Es
decir, si consideramos Google o Amazon, el usuario (incluidos los
niños, que desde la escuela deben crearse perles para poder trabajar
con Google Classroom) deja una «huella digital» que puedenser mi-
nada fácilmente por, además del sistema de gestión de aula virtual,
el buscador preferido de contenido, o el sistema a partir del cual hay
una identicación única (single sign-on) a una serie de aplicaciones
asociadas al móvil (que usan servicios en la nube Google o Amazon).
La gura 4 muestra algunas de las fuentes de datos que pueden llegar
a alimentar un sistema de analíticas en las infraestructuras digitales
normalmente adoptadas por las universidades: servicios de gestión
administrativas, biblioteca digital, repositorios de vídeos y plataforma
de aprendizaje son las más comunes.
Un elemento central sobre el que focalizar es que todas las de
analíticas se basan en un concepto pedagógico, que es un constructo
teórico o complejo, cuya fenomenología se «traza» a partir de da-
tos asociados a esta. Por ejemplo, un indicador de «potencialidad de
abandono» puede ser el menor tiempo transcurrido en una plataforma
de aprendizaje (ejemplo banal, con el n ilustrativo).
219
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Figura 4. Sistemas de d atos de los que emergen las analíti cas de aprendizaje.
Las guras 3 y 4 esquematizan un panel de analíticas de apren-
dizaje, basándose en ejemplos tomados plataformas de gestión de
cursos en línea (como Moodle o Blackboard) o proyectos experi-
mentales.97
Como es posible observar, existe una multiplicidad de fuentes que
se integran en muchos de los desarrollos existentes y publicados en la
literatura. Por ejemplo, en proyectos de análisis del abandono (drop-
out) se combinan datos de la trayectoria estudiantil (notas obtenidas
en asignaturas previas), frecuencia a la biblioteca, inscripción en varias
asignaturas simultáneamente, incluso datos personales como el barrio
de residencia (que es un indicador de estatus socioeconómico). Sobre
estos datos se establecen sistemas predictivos de riesgo de abandono,
que pueden o no desarrollar alertas para el alumnado en riesgo. Sin
embargo, muchos paneles de visualización (como el primer ejemplo
97. Por motivos de permisos no reproducimos imágenes reales en este párrafo. Sin embargo, los
ejemplos sobre los que se ha basado provienen de https://docs.moodle.org/400/en/Analytics_plugins
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
220
presentado arriba) se basan en la sola información recabada en el
campus o clase virtual. Se ha de considerar en estos casos que los
tipos de datos recabados pueden no ser ni sucientes ni relevantes
para establecer predicciones. Por ejemplo, en contextos híbridos o de
presencialidad apoyada por algunas actividades en línea, este espacio
virtual es claramente insuciente, a menos que el docente establezca
parámetros de acceso que luego monitoriza.
Figura 5. Ejemplo de pane l de analíticas del lado docente e n un curso internacional e n línea.
221
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Figura 6. Ejemplos de panel de analíticas del lado docente y lado estudiante en un curso híbrido. La repre-
sentación gráca captura actividades en línea y actividades desarrolladas en clase o en grupos presenciales,
entregadas en la plataforma de aprendizaje en línea (por ejemplo, Moodle).
Después de haber observado este esquema y tipicación de ana-
líticas, es importante comprender un conocimiento supercial de la
analítica lleva a asumir (muy frecuentemente en los «lugares comu-
nes» de la conversación sobre tecnología) una total automatización de
procesos e incluso un reemplazo del profesorado por estos sistemas.
Más tarde veremos que en los «lugares comunes» del discurso tec-
noentusiasta (en especial, de quien produce y vende aplicaciones y
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
222
plataformas), la analítica se presenta como ese pequeño milagro que
puede salvar al docente de su desesperada carga rutinaria. Pero en
realidad hay una gran dependencia de la acción humana en la interac-
ción con sistemas de analíticas. Más aún, es deseable que el docente
comprenda dichos niveles de interacción como una suerte de «trabajo
de equipo posthumano» en el que los niveles de automatización no
compiten con la acción humana, sino que la apoyan, y, por supuesto,
que quien desarrolla estas tecnologías las presente en ese sentido. No
hay milagro; quien quiera puede pensar: «por ahora», pero la historia
de la relación entre humanidad y tecnología todavía no ha generado
un solo ejemplo de desarrollo tecnológico que no requiera la humana
comprensión última de nes (de la acción o el producto tecnológi-
co). Y sin embargo, es necesario acercar el continuo progreso a qué
parte de los procesos humanos puede ser automatizada y a qué parte
requiere la supervisión humana: son límites que se están moviendo
continuamente (Hagendor, 2020).
El interés por la analítica de aprendizaje creció incesantemente
desde sus albores hace una década. Por una parte, debido al interés
de la comunidad de investigación interdisciplinar entre educación y
ciencia computacional. El crecimiento se asociaba a las posibilidades
aplicativas y en particular de negocio, si pensamos por ejemplo cómo
muchas de las plataformas de aprendizaje que usamos ofrecen como
aspecto «más innovador» la posibilidad de tener un panel de visualiza-
ciones de accesos y descargas, de participación del estudiantado, etc.
Sin embargo, la historia también se desarrolló desde la plataforma de
aprendizaje probablemente más difundida en el sistema universitario
a nivel global: Moodle.
La analítica que ya estaba entre nosotros: la contribución de Moodle
Voy a hacer una advertencia preliminar a quien lee: si no se tiene un
buen conocimiento de Moodle desde la práctica, este párrafo resultará
algo denso. Sobre todo, quiero advertir que solo un gran conoci-
miento experiencial y técnico de esta plataforma permite congurar
adecuadamente un sistema de analítica, por lo que en cualquier caso
223
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
se requieren algunos años de trabajo para llegar a una comprensión
profunda del tema. Baso estas armaciones sobre muchas horas de
trabajo con docentes expertos y formadores de Moodle que a su vez
dedicaron muchas horas de estudio y discusión conjunta para pen-
sar cómo adoptar la analítica en su práctica profesional. Pues no,
no hay plantillas de diseño, tutoriales rápidos ni receta de la abuela.
En primer lugar, porque, con una metáfora surgida de uno de los
laboratorios, cuando queremos hablar de la analítica en acción, nos
enfrentamos a un objeto de conocimiento al que podemos acceder
solo como el cirujano accede a una operación con un cuerpo abierto.
Es decir, si queremos observar casos y ejemplos concretos de trabajo
con paneles y recomendaciones, normalmente tendremos que hacerlo
«en el cuerpo abierto» de la plataforma mientras nuestro alumnado
trabaja e interactúa entre sí y con nosotros. Será muy difícil llegar
a comprender las problemáticas y modalidades de funcionamiento
desde un curso cticio, como se hace muchas veces para trabajar sobre
aplicaciones o módulos de Moodle. Y es que estamos, justamente,
trabajando con volúmenes considerables de datos, que permiten mo-
delizaciones, diagnósticos y el lanzamiento de recomendaciones. Para
simular estos datos, necesitaríamos horas de registros, miles de clics y
decenas de tareas completadas o post realizados que nos permitan ali-
mentar el sistema analítico. Otra advertencia que caracteriza el traba-
jo con datos en plataformas: si vamos a «mirar» ese cuerpo abierto sin
tener «lentes especiales», no veremos nada, por una serie de motivos.
En primer lugar, una regla fundamental de los datos que ya hemos
trabajado abundantemente en el segundo cuadrante es que no hablan
por sí solos –tampoco hay que torturarlos, pero esa es otra historia–.
Debo haber escuchado la frase «Bueno, si tenemos todos estos datos,
habría que ver qué podemos hacer con ellos» cientos de veces al acer-
carme a docentes que trabajan con clases virtuales en Moodle (y es
aplicable a cualquier otra plataforma). Este es un equívoco frecuente
y extremadamente peligroso, por las razones que dimos en el tercer
cuadrante sobre la ética de la extracción de datos de nuestro estudian-
tado –más adelante lo veremos especícamente para las analíticas–,
pero también porque sin esquemas conceptuales, los datos no se con-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
224
vierten en información, ni mucho menos en conocimiento (Borgman,
2017). En segundo lugar, tenemos razones técnicas, que tienen que
ver con el hecho de que los datos recogidos en la plataforma Moodle
escasamente representan de manera sistemática la vida «educativa» de
una universidad, ni tan siquiera de un curso universitario, no por lo
menos sin una intencionalidad de recogida sistemática basada en una
experimentación educativa. Y si bien podemos pensar en el modelo
«extractivo», tenemos que pensar también que ese modelo funciona
solo si se captura «ecológicamente» el dato. Para decirlo en pocas
palabras: si el estudiantado se reúne mayoritariamente en el café o en
la biblioteca para trabajar colaborativamente, no podremos extraer
conclusiones de los datos de un sociograma en el fórum online de
Moodle. Finalmente, tenemos razones de diseño y precisión algorít-
mica, pues el aprendizaje de máquina requiere el entrenamiento en
conjuntos de datos extraídos del universo de datos que trataremos
(como lo podemos ver en las especicaciones de Moodle Analítica).
Ello es así sobre todo en el caso que queramos desarrollar un sistema
de recomendaciones o una visualización predictiva, más que la simple
representación de lo que «está pasando» en nuestra clase en línea.
Con este preámbulo pasemos ahora al detalle. Es importante des-
tacar que Moodle ha venido ofreciendo la visibilidad de datos de
trabajo en la plataforma desde sus inicios. Quien trabajaba con ella
hace ya más de 15 años recuerda que los «logs» de acceso a recursos
y actividades ya estaba presente. Hubo desde entonces un enrique-
cimiento progresivo, sin pausa, de las tipologías y modalidades de
captura de datos, que queda bien representado en las páginas de do-
cumentación de Moodle.98 Antes del 2010 ya teníamos instrumen-
tos para ver la compleción de tareas de manera gráca por parte del
estudiantado y del profesorado. También era posible acceder a una
98. La página que comentaré en los párrafos siguientes es: https://docs.moodle.org/400/en/
Analytics_plugins. Dediqué a este tema varios de mis laboratorios para la Universidad de Barcelona
(Raaghelli, 2020b), la asignatura de Fundamentos Tecnológicos en la UOC y otros seminarios
abiertos como en el Congreso Internacional de la Universidad de San Agustín de Arequipa, Perú y
nalmente, para el Programa de Formación en Docencia en Ciencias Naturales de la Universidad
Autónoma de Entre R íos. Sobre estas bases he ido creando materiales educativos abiertos, accesibles
en cursos abiertos en castellano en https://bfairdata.net/resources-activities-networks/
225
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
página de resumen de las actividades por alumno y para toda la clase;
en este último caso, el docente podía ver la actividad sintética según la
estructura de diseño del curso (por ejemplo, cuántas participaciones
en foro o cuántas entregas por tarea). Pero también era posible ver las
estadísticas de logs seleccionando una especíca actividad, e incluso
un estudiante. Los motores de búsqueda dentro del database SQL de
Moodle fueron perfeccionándose para exibilizar criterios de búsque-
da de accesos, permitiendo así distinguir acceso de participación e in-
cluso edición (es decir, maniobras del profesorado que colabora en un
curso) respecto a los perles de usuario. También el libro de calica-
ciones fue generando modalidades para capturar sintéticamente, para
el profesorado, el desempeño de la clase, no solo la participación y la
compleción. Así, por ejemplo, estableciendo las escalas y pesos apro-
piados, el docente podía ver los niveles de desempeño por actividad y
por participante de manera comparativa. Con la introducción de las
insignias (open digital badges, hacia el 2013-2014 y a partir de Moodle
2.5)99 de las competencias y de los planes de formación, quien traba-
jaba en Moodle tenía la posibilidad de entregar reconocimientos de
manera automatizada a partir de las interacciones, compleción y notas
obtenidas; y orientar, en itinerarios personalizados, al alumnado, no
solo dentro de un curso, sino en relación con un grupo de cursos de
Moodle. Un reporte de Moodle sobre investigación de octubre del
2015 (Raadt, 2015, pp. 9-11) indicaba, en cualquier caso, que mien-
tras que un 75,2% de los casos universitarios relevados usaba logs, el
71% los informes de actividades y el 69,3% usaba la compleción de
actividades; la compleción del curso se observaba en solo el 50,8%;
la compleción del curso del lado docente (course completion status) se
usaba en solo el 42,4% de casos; el informe sobre sesión de usuario,
en el 28,2%; y la barra de progresión de tareas (lado alumnado) se
incluía como herramienta en solo el 29,4% de casos.
En mis conversaciones con docentes expertos y formadores de
Moodle (Raaghelli, 2020), una de las problemáticas más frecuente-
99. https://docs.moodle.org/all/es/Insignias Trabajé en algunos proyectos con insignias (Cuc-
chiara et al., 2014; J. Raaghelli et al., 2022), observando siempre la problemática de diseño peda-
gógico que anticipe la infraestructura digital a utilizar.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
226
mente identicadas era la de una focalización del diseño tecnopeda-
gógico con Moodle (y otras plataformas) en las capas superciales de
la plataforma. Es decir: el diseñar el aula sin pensar en cómo el objeto
digital que coloco con una función pedagógica se comportará en
materia de captura de datos, y más aún, de una captura alineada con
mis hipótesis de trabajo pedagógico. Por ejemplo, no será lo mismo
implementar un enlace a un contenido externo, respecto a una lección
rm línea con sus fases y ramicaciones de contenido. El primero no
me va a decir nada sobre el comportamiento de mi alumnado, mien-
tras que hipotéticamente –y lo enfatizo– el segundo debería desnudar
las estrategias adoptadas por el alumnado para acercarse a un tema. Y
este sería un enfoque microscópico de comportamiento del alumnado
respecto a un objeto, que nada me dice sobre cómo vive un curso
entero, dónde como docente puedo haber implementado un traba-
jo basado en proyecto en grupos colaborativos, con elaboración de
contenido digital y videopresentaciones. Volveremos sobre este punto
con un caso.
Retomemos nuestro recorrido con Moodle. Su gran riqueza como
plataforma de código abierto fue permitiendo el desarrollo de una
serie de módulos de analítica a medida que las técnicas de apren-
dizaje de máquina se iban desarrollando. Seguramente deberíamos
considerar plugin realizados con licencias Gnu Public (GPL software
license) que permiten seguir cursos de reexión y desarrollo desde el
código, pero también desde el enfoque pedagógico adoptado. Un caso
es Gismo,100 que, además de grácos clásicos como los histogramas
para vericar accesos por estudiante, usa otras visualizaciones, como
mapas de calor para caracterizar el envío de tareas y la nota obtenida.
Pero también es verdad que en buena parte fueron desarrollándose
herramientas comerciales de código abierto, que podían adoptarse
pagando licencias y trabajando en el propio servidor, como el caso
de LearnerScript,101 el cual ofrece paneles grácamente agradables y
totalmente congurables según los requisitos de la institución o gru-
100. http://gismo.sourceforge.net/, opera desde Moodle 2.0 en adelante.
101. https://learnerscript.com/, opera desde Moodle 3.0.
227
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
pos docentes. Y en versiones de Moodle sostenidas en espacios-nube
privados, como el caso de Blackboard Open LMS (anteriormente
Moodlerooms), colaboración que acabó en el 2018 (Millward, 2020).
En este caso, el módulo Intelliboard era integrado en estas soluciones,
aportando paneles precongurados que las instituciones podían ex-
plorar cómo adoptar, sin acceso a los algoritmos sobre los que dicho
módulo adoptaba para trabajar sobre los datos en la nube (contratada
con el servicio). Otro ejemplo es SmartKlass,102 que trabaja con la
especicación xAPI, la cual recolecta las interacciones del usuario con
la plataforma, aplicando luego algoritmos que promueven visualiza-
ciones predictivas. Sin embargo, según las posibilidades de xAPI, los
datos pueden ser guardados fuera de la plataforma LMS (Moodle, en
nuestro caso) en una aplicación distinta y autoconsistente instalada en
servidores que pueden ser externos a la universidad (LRS, Learning
Record Store).
Todo ello nos lleva a reexionar sobre una arquitectura de plata-
formas por universidad que puede diferir mucho, según las políticas
y simplemente los liderazgos que se han ido instalando en los equipos
de e-learning, con mayor o menor presencia del componente de diseño
pedagógico o de enfoque en desarrollo tecnológico. En mi experien-
cia, universidades de tamaño medio (20000 estudiantes) con equipos
de e-learning focalizados en la parte educativa podían llegar a tener
varios sitios de Moodle activos, con el criterio de un Moodle para
cada departamento, con áreas tercerizadas para la gestión en la nube,
en especial, en lo atinente a desarrollos como la inclusión de videolec-
ciones o para proyectos de cursos masivos abiertos en línea (MOOC).
También me topé con universidades de cerca de 60000 estudiantes
que adoptaban solo tres o cuatro plataformas y gestionaban sus datos
en servidores enteramente gobernados por el personal técnico a dis-
posición, con equipos fuertemente caracterizados por su formación
tecnológica. Ello daba menos libertad de movimiento en términos
de adopción de tecnologías por aula Moodle, pero un mayor control
102. https://moodle.org/plugins/local_smart_klass/versions, desde la versión 2.4 de Moodle
en adelante. Sin embargo. la documentación hallada en la página no es consistente, hay varias pági-
nas que no funcionan y la empresa que produce Smart Klass no tiene un sitio web ocial.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
228
en términos de datos. Todo ello en una era prepandemia. Como ya
he dicho, estas estructuras están «estallando» ante la imposibilidad
de gestionar la masa de datos que impuso la gestión de la pandemia
y las universidades están pasando a soluciones de espacio en la nube
(en Europa, mayoritariamente en Amazon) o bien con plataformas
«todo servido» como Microsoft Teams (Fiebig et al., 2021; William-
son et al., 2022). Y las analíticas, en estos casos, seguirán siendo un
patrimonio de «caja negra» de las empresas que se coloquen detrás de
la gestión de esos datos, a menos que haya movimientos de reclamo y
trabajo desde las universidades (Perrotta y Williamson, 2018).
Sin embargo, hay que decir que la comunidad de Moodle ha segui-
do siendo muy activa y ha generado posibilidades gratuitas y abiertas.
En especial, desde la versión 3.8 de Moodle tenemos una herramienta
que analiza la participación según el modelo de aprendizaje de la
comunidad de indagación (community of inquiry).103 Es decir, que
alinea cuidadosamente un modelo pedagógico con los modelos de
extracción, entrenamiento y modelado de datos.
Este enfoque pedagógico fue desarrollado inicialmente por los
lósofos pragmatistas Charles S. Peirce y John Dewey. Enfatiza la
naturaleza social de construcción del conocimiento y fue reconocido
y aplicado a nivel internacional en la educación superior a partir del
trabajo de los canadienses Randy Garrison, Terry Anderson y Walter
Archer (Garrison et al., 1999), quienes, analizando los mensajes en
foros en línea, llegaron a generar una guía heurística según la cual
existen tres tipos de presencia en un debate: social, cognitiva y del
docente. El equilibrio entre estas tres formas de presencia indica una
buena calidad del trabajo de debate en línea desarrollado. Asimismo,
al aplicar este enfoque en varios espacios de aprendizaje en línea, sos-
tuvieron que este posee un gran potencial para generar comunidades
de indagación. En el trabajo con analíticas, se vuelve sobre estos pasos
103. https://en.wikipedia.org/wiki/Community_of_inquiry // https://es.wikipedia.org/wiki/
Comunidad_de_indagaci%C3%B3n. Por lo que respecta a la herramienta de analítica, es posi-
ble hallar todas las especicaciones en estas páginas de documentación de Moodle: https://docs.
moodle.org/400/en/Analytics (introducción y especicaciones) y https://docs.moodle.org/400/en/
Using_analytics (uso).
229
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
de análisis manual basado en la guía de Garrison y colegas. El sistema
de analítica desarrollado para este módulo permite dos tipos de mode-
los: uno basado en aprendizaje de máquina, que permite la generación
de una analítica predictiva (por ejemplo, cómo está participando el
alumnado), y uno estático, que detecta situaciones de riesgo con re-
glas ya dadas (es decir, no cumplir sucientemente con alguna de las
pautas de presencia social o cognitiva para el alumnado). Y permite
al docente enviar mensajes según el riesgo de abandono mostrado por
el estudiantado ante el diseño del curso, que puede orientarse hacia
un enfoque más basado en la presencia social o la presencia cognitiva.
Claramente, si no «entrenamos» el modelo de estudiantado en riesgo
(e.g., con una cohorte previa de estudiantes que tenga características
similares a las de un grupo presente), no podremos poner a trabajar
este tipo de analítica.
En todo caso, ¿cuán relevante puede ser esta información respecto
a la relación y comunicación pedagógica directa?
Voy a recordar, llegados a este punto, las palabras de Ben William-
son (2016, p. 401):
La ciencia de datos educativos es un campo emergente y transdiscipli-
nario, que se basa tanto en las prácticas cientícas de datos como en los
conocimientos existentes de las ciencias del aprendizaje (una combina-
ción de ciencias psicológicas, cognitivas y neurológicas).
En esta línea y adoptando el concepto de Suther y Verbert (2013,
p. 2), podríamos decir que estas tecnologías (y la IA en general) se
colocan en «el espacio intermedio» entre las ciencias de la educación
y la ciencia computacional. Y en este sentido, si uno de esos saberes
falta, lo que obtenemos es ciertamente una ingeniería interesante,
una visualización grácamente agradable y un objeto prácticamente
inutilizable en la clase.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
230
De la difícil construcción de un puente entre pedagogía y datos
Como ya hemos comenzado a intuir en el apartado anterior, un ele-
mento central para comprender de dónde emergen las «dicultades»
en la caracterización de los sistemas de analíticas reside en la comple-
jidad intrínseca de las arquitecturas de datos necesarias para generar
representaciones (analíticas descriptivas y diagnósticas) y sistemas de
recomendación (sistemas predictivos prescriptivos) que resulten útiles,
usables y fundamentalmente relevantes para las y los usuarios.
Comentaré ahora algunos esquemas de trabajo que, con enfoques
más o menos avanzados de analítica, permiten observar la relación
entre el enfoque de diseño pedagógico y tecnológico en relación con
escenarios educativos de uso.
Comenzaré con un trabajo realizado con un grupo de docen-
tes-formadores de la Universidad de Barcelona en tecnología educa-
tiva, analizando conjuntamente los enfoques de trabajo con las he-
rramientas de recabado de datos normalmente accesibles en Moodle
(Raaghelli, 2020).
Trabajamos en tres fases principales, como sigue.
Fase 1. Autodiagnóstico y enfoque metodológico. Realizamos al-
gunos ejercicios de autodiagnóstico de conocimiento sobre el uso de
herramientas más comunes hasta las más sosticadas en Moodle. En
esta fase agregamos una primera discusión sobre las propias formas
de trabajar en clases virtuales, es decir, cómo se conguraba la parte
visible de la plataforma y según qué concepciones pedagógicas de
buena enseñanza y buen aprendizaje. Presenté el problema de «de-
nir analíticas» para una clase como una estructura de tres capas o
niveles. Un primer nivel, donde concebimos el enfoque pedagógico
y nos formulamos una hipótesis sobre lo que queremos ver como re-
sultado de nuestro trabajo. Ya en ese primer momento, esquematicé,
en un esfuerzo solo propedéutico y no normativo (es decir, limitando
la complejidad del problema para poderlo comprender), las hipótesis
pedagógicas sobre las que trabajaríamos: mejoramiento del diseño
general de un curso, mejoramiento de la ecacia docente sobre una
231
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
especica actividad, potenciación del alumnado para su autorregula-
ción y prevención del abandono.
El segundo nivel, en cambio, se relaciona con el diseño tecnoe-
ducativo, es decir, la forma «visible» que le damos a nuestra clase
virtual en términos de recursos, actividades y, no menos importante,
las formas de «captura» de datos que organizamos, como el plan-
tear esquemas de compleción para llegar a un determinado recurso
o actividad; el valorar con escalas integradas actividades como foro
y tarea, para luego integrar con resultados en quiz. Presenté el tercer
nivel, en cambio, como el de la estructura de datos generada luego de
poner en marcha el primer y segundo nivel y que en nuestro caso se
refería a los informes de Moodle, el panel de compleción general, las
estadísticas de acceso y las notas. La gura 7 muestra la arquitectura
de extracción de datos según los desarrollos más recientes (en el mo-
mento de escritura de este libro) de Moodle, según lo trabajé en mis
talleres sobre analíticas.
Figura 7. Estructu ra de datos de Moodle. Traducido y adapt ado de Inspire API components, de David Llaó
(2017 ). https://docs.moodle.org/dev/File:Inspire_API_components.png. GNU Public Licence.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
232
Nuestra primera fase de trabajo fue analizar conjuntamente las
prácticas de diseño del aula Moodle. Surgió ya en esa fase una gran
concienciación sobre la necesidad de profundizar en el profesorado
en formación y en los mismos participantes expertos y la relación
entre niveles, pues si bien ya es una práctica consolidada el adoptar
aulas virtuales y congurarlas más o menos autónomamente, es mu-
cho menos frecuente, o más bien «raro», preocuparse de qué datos
se capturan (más allá de alguna nota puesta usando el calicador de
tareas) y cómo se los integra. El profesorado acaba por crear una es-
tructura ad hoc (¡una hoja de cálculo, por ejemplo!) donde se registran
solo resultados, y no marcas de proceso de aprendizaje. En esta fase
fue necesario volver sobre todos y cada uno de los instrumentos de
Moodle de captura de datos, presentados inicialmente en seminario,
y dejar un tiempo para su exploración y selección.
Fase 2. Diseño pedagógico y aplicación experimental. Durante dos
meses y medio los participantes trabajaron en diseñar un plan docente
abrazando alguna de las hipótesis pedagógicas y aplicándolas en lo
posible en cursos in vivo, o bien en un área cticia donde habíamos
acordado un cierto nivel de colaboración entre pares para poder ge-
nerar «usos» y ver el impacto en el recabado de datos (de manera muy
limitada, según lo aclaré previamente). En esta fase ofrecí plantillas
para identicar las tipologías de procesos de aprendizaje identica-
dos, las tecnologías adoptadas y las modalidades de captura de datos.
También fuimos trabajando con escenarios de uso. La discusión en
clase llevó a la conguración de una tabla de relación entre los puntos
de recogida de datos (data points), las tecnologías adoptadas para reco-
ger esos datos y los métodos que podíamos integrar a posteriori para
comprender mejor las relaciones entre los datos extraídos. La tabla 2
muestra esta estructura de trabajo. Una evidente reexión de esta fase
fue que los enfoques de aprendizaje basado en máquina emergen solo
como posibilidad de trabajo con un grupo de desarrollo tecnológico
y van mucho más allá de la capacidad de elaboración de la persona
docente. E incluso, un enfoque excesivamente focalizado en recoger
datos podría perder la riqueza de las interacciones por «ponderar» o
233
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
«clasicar» un comportamiento, considerando así mismo la gran par-
te de la vida del estudiantado transcurrida por fuera de la «vigilancia»
ejercida por la plataforma LMS.
Tabla 2. Enfoque de trabajo para p ensar la integración de la analítica de Moodle en la prác tica docente
Recogida de d atos Métodos de recogida, análisis
y visualización
Integración de métodos de análisis
(expost)
DISEÑO PEDAGÓGICO
Hipótesis ped agógica: la arquitectu ra del curso, como un todo, tendrá u n mejor impacto sobre el
aprendizaje y l a opinión del estudianta do sobre la docencia.
Total y porcentajes
de accesos a rec ursos
o actividades
Informes de M oodle: Registros,
Participación en el curso
Estadísticas descriptivas
manuales
Paneles dinámicos descriptivos
asociados
OBSERVACIÓN
Series temporales
Correlación e ntre niveles de acceso de una
activida d o conjunto de actividade s y nota
obtenida
Regresión múl tiple o logística (niveles de
acceso en vario s recursos y activ idades,
reacción posi tiva a mensajes, nalizaci ón
de activid ades, opinión sobre el cur so,
dicultad de las preguntas (considerar la
normalizac ión de las variables sobre la no ta
nal del curs o)
EXPERIMENTACIÓN
Estadística inferencial (considerando
modelos simpl es como el del t-test o
muy complejos co mo un modelo general
lineal) comparando puntajes obtenidos en
una evaluación de g rupo previo y grupo
participante a innovaciones introducidas
por el diseño
DESARROLLO
Modelos predictivos de satisfacción del
estudiant ado sobre la base de encues tas
de calidad
Extra cción de tópicos (topic modelling)
basados en mensajes abiertos del
estudiantado
Porcentajes de
compleción
Informes de M oodle: nalización
de actividad
Estadísticas descriptivas
manuales
Paneles dinámicos descriptivos
asociados
Totales y porcentaje s
de reacción a
una indicación
docente (mensaje
automático)
Historial de me nsajes
Informes de Moodle: participación
en el curso, Final ización de
actividad
Estadísticas descriptivas
manuales
Notas Informe del calicador
Paneles de visualización agregada
para la clase
Item análisis/estadísticas
descriptivas
Opinión Resultados de cuestionario /
opinión en fórum
Estadísticas descriptivas
manuales
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
234
Recogida de d atos Métodos de recogida, análisis
y visualización
Integración de métodos de análisis
(expost)
EFICACIA DE UN MÉTODO
Hipótesis pedagógica: un cierto método (basado en una actividad o recurso principal) inuirá
positivame nte sobre el aprendizaje y la op inión de los estudiantes re specto a la docencia.
Total y porcentajes
de accesos a
actividad especíc a
Informes de M oodle: registros,
participación en el curso (focalizar
actividad)
Paneles de visualización
disponibles
Estadísticas descriptivas
manuales
OBSERVACIÓN
Series temporales
Correlación e ntre niveles de acceso de la
actividad experimental y nota obtenida
Correlación e ntre la calicación obten ida
en la actividad experimental y nota nal
obtenida
EXPERIMENTACIÓN
Estadística inferencial (análisis de varianza)
comparando niveles de participación
a la activida d especíca y notas nale s
obtenidas, o considerando las vistas de
la activida d que conlleva la aplicación
del método, o el tiem po trascurrido, o la
opinión sobr e la actividad como covariad a
DESARROLLO
Modelos predictivos basados sobre clusters
de estudiant es y respuesta a método.
Modelos de comunicación basados
en sistemas de pr ocesamiento de
natural language processing, o redes de
colaboración, o redes epistémicas.
Porcentajes de
compleción d e la
actividad especíc a
Participación en
foros
Informes de M oodle: nalización
de actividad
Paneles de visualización
disponibles
Estadísticas des criptivas manuales
(incluidos sociogramas de
comunicación entre participantes
en un foro)
Totales y porcentaje s
de reacción a una
indicación docente
(mensaje) sobre una
actividad especíc a
Historial de me nsajes
Informes de Moodle: participación
en el curso y na lización de
actividad
Estadísticas descriptivas
manuales
Notas parcial es y
totales
Informe del calicador
Paneles de visualización
disponibles
Item análisis/estadísticas
descriptivas
Opinión Resultados de cuestionario sobre
la actividad/opinión en fórum
Estadísticas descriptivas
manuales
235
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Recogida de d atos Métodos de recogida, análisis
y visualización
Integración de métodos de análisis
(expost)
PREVENCIÓN DEL ABANDONO
Hipótesis ped agógica: un método docente es pecíco inuirá sobre la d ecisión de abandono de un cier to
grupo de est udiantes en riesgo. Un métod o docente ayudará a identica r dicho grupo.
Total y porcentajes
de accesos a
actividad especíc a
durante perío do
inicial y poste rior del
curso
Informes de M oodle: registros,
participación en el curso (focalizar
actividad)
Instructor dashboard
Estadísticas descriptivas
manuales
OBSERVACIÓN
Series temporales
Identicación de grupos de riesgo:
porcentajes b asados en niveles de acceso s,
compleción, notas parciales (porcentajes,
medias, clusterización de grupos de
estudiantes)
Regresión logística sobre abandono (sí/
no) y niveles de acceso, not as parciales,
respuest a a intervención docente po r
mensaje, etc.
EXPERIMENTACIÓN
Estadística inferencial (con análisis
de varianza múltiple, por ejemplo)
comparando ni veles de respuesta
a intervención docente (mensaje
docente/automatizado más actividad
complementar ia de apoyo) y notas nales
obtenidas.
DESARROLLO
Aplicación de modelos de redes neurales
para la identicación temprana de
comportamientos «de riesgo».
Porcentajes de
compleción d e la
actividad especíc a
en período inic ial y
posterior d el curso
Informes de M oodle: nalización
de actividad
Paneles de visualización
disponibles
Estadísticas descriptivas
manuales
Totales y porcentaje s
de reacción a
una indicación
docente (mensaje)
en relación con
actividad especíc a
Historial de me nsajes
Informes de Moodle: participación
en el curso, Final ización de
actividad
Estadísticas descriptivas
manuales
Notas parcial es y
totales
Informe del calicador
Paneles de visualización
Item análisis/estadísticas
descriptivas
Opinión Resultados de sobre la actividad/
opinión en mensaje privado
Estadísticas descriptivas
manuales
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
236
Recogida de d atos Métodos de recogida, análisis
y visualización
Integración de métodos de análisis
(expost)
POTENCIACIÓN DE LA AUTORREGULACIÓN
Hipótesis pedagógica: un método docente especíco inuirá sobre el mejoramiento de habilidades de
autorregulación del alumnado. Un método docente ayudará a identicar habilidades de autorregulación.
Total y porcentajes
de accesos a
activida d en apoyo
de la autorregu lación
(ej: calendarios, for os
de planicac ión,
diario reexivo)
Informes de M oodle: registros,
participación en el curso (focalizar
actividad)
Paneles de visualización
disponibles
Estadísticas descriptivas
manuales
OBSERVACIÓN
Correlación e ntre niveles de acceso
activida des de apoyo a la autorregulaci ón y
nota obtenida según escala
Correlación e ntre la calicación obten ida
en la escala de aut orregulación y nota nal
obtenida
EXPERIMENTACIÓN
Estadística inferencial (por ejemplo,
análisis de varian za y covarianza)
comparando ni veles de la escala de
autorregulación y notas nales obtenidas,
considerando la s vistas de la activida d, o
el tiempo tras currido, o la opinión sobre la
activida d en apoyo de la autorregulación
como co-variada.
DESARROLLO
Aplicación de modelos de redes neurales
para la identicación de comportamientos
autorregulados, seguida de mensajes de
reconocimiento/motivacionales
Porcentajes de
compleción d e la
activida d en apoyo
de la autorregulación
Informes de M oodle: nalización
de actividad
Paneles de visualización
disponibles
Estadísticas descriptivas
manuales
Totales y porcentaje s
de reacción a
una indicación
docente (mensaje
automatizado)
en relación con la
activida d en apoyo
de la autorregulación
Historial de me nsajes
Informes de Moodle: participación
en el curso y na lización de
actividad
Estadísticas descriptivas
manuales
Escala que identica
la competencia
autorreguladora
Informe del calicador
Paneles de visualización
disponibles
Estadísticas descriptivas
manuales
FASE 3. Presentación y discusión de enfoques de trabajo docente
con datos. Luego de cuatro meses de trabajo reexivo, de exploración
de instrumentos y de discusión conjunta con encuentros semana-
les por videoconferencia, se llegó a una fase nal donde un grupo
reducido de seis docentes presentaron sus enfoques de trabajo con
datos. Desde los casos en los que tímidamente se pensó en integrar
237
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
dos fuentes de datos para comprender la ecacia de una estrategia
basada en problemas; a estrategias de uso de mensajes diversicadas
de acuerdo con las agrupaciones de estudiantes según su nivel de
riesgo calculado en cohortes previas; a la selección automatizada de
preguntas según un nivel de desempeño progresivo del estudiantado;
o a la motivación por mensajes personalizados y automáticos según
los enfoques de autorregulación adoptados, cada uno de los partici-
pantes exploró un camino de trabajo. Otro grupo relevante logró solo
trabajar a un nivel de comprensión de las problemáticas planteada por
la analítica. Todos, en general, concordamos en que las herramientas
«preconguradas» poco dicen sobre la complejidad de la vida en la
clase. Y que, en muchos casos, el mal funcionamiento tecnológico de
paneles y visualizaciones viene para generar un simple malestar y per-
cepción de no agregar nada a la vieja y buena intuición docente sobre
el proceso de enseñanza y aprendizaje. Además, aunque surgió como
parte del debate inicial, la privacidad del estudiantado se consideró
un problema de difícil abordaje. Cada uno de los docentes manifes-
taron su buena voluntad de adoptar el dato capturado para informar
procesos de enseñanza y aprendizaje. Sin embargo: ¿quién más tiene
acceso a ese dato?, ¿existe en el alumnado una cultura de reclamo
de la propia privacidad?, ¿es justo no tener una visión integrada de
captura de datos, generando así el sofocamiento del estudiantado a
través de operaciones (clicar, ver, participar, rellenar el cuestionario)
para generar datos que pueden caer luego en el olvido?
Después de este caso, podemos pensar en otros mucho más com-
pletos y complejos, pero observaremos que la estructura es siempre
la misma: existen unos supuestos pedagógicos a partir de los que se
trabaja en la extracción y análisis de datos de una manera más o me-
nos avanzada… y limitada.
Por ejemplo, Knight et al. (2014) trabajaron una distinción de
las tipologías de analíticas, no ya según los tipos de operaciones
posibles, sino a partir de los enfoques pedagógicos. Determinaron
así seis enfoques, que retomo identicando casos de investigación
consultables:
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
238
• Enfoque transaccional o instruccionalista. El aprendizaje se basa
en la transferencia de conocimientos del conocedor (profesor/a)
al aprendiz (alumno/a). Se caracteriza por una perspectiva de la
evaluación en la que el éxito es evaluable en el grado de correspon-
dencia entre las armaciones de los alumnos y los contenidos que
se les han enseñado. Está claro que este es el enfoque tradicional-
mente adoptado en las universidades y la facilidad tecnológica con
la que se pueden evaluar automáticamente es la base de su actual
predominio. El diseño de la analítica tiende a centrarse en métricas
sencillas, como las puntuaciones de los exámenes, y no requieren
un análisis más profundo de artefactos más complejos, o de los
procesos por los que se obtuvieron. En este esquema podría quedar
encuadrado el caso de trabajo para la prevención del abandono que
hemos visto anteriormente.
• Enfoque constructivista. Se centra en las formas de aprendizaje
que se producen en la exploración guiada del alumno hacia la
experimentación con el mundo. Estos modelos suelen medir el
éxito según la calidad del proceso de construcción o de artefactos
generados por el alumnado. El diseño de la analítica se centrará
en el progreso, en particular mediante el seguimiento y la evalua-
ción de las modicaciones realizadas a un conjunto de materiales,
recursos o herramientas seleccionadas y organizadas por el educa-
dor. Un ejemplo de análisis en esta tradición sería el seguimiento
de la evolución de los artefactos digitales dentro del entorno y la
comunidad de programación visual Scratch (Maloney et al., 2010),
o bien el trabajo de análisis de progreso en debates colaborativos
desarrollado por Cerro Martínez et al. (2020). Observamos que,
en estos casos, el foco está puesto en tipicar comportamientos
que indican progreso en un proceso (la construcción de objetos
con Scratch, los elementos que indican colaboración en un debate);
en cualquier caso, requieren un etiquetamiento previo para poder
producir visualizaciones que «muestran» al alumnado y al profeso-
rado el éxito en el proceso de construcción. Y ello no es evidente,
pues, según maniesta el estudio de Cerro-Martínez, el profeso-
rado no era consciente o necesitaba un arduo trabajo de lectura y
239
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
anotación para poder distinguir si el proceso colaborativo en un
foro era ecaz. A través de un sistema de visualización basado en
la construcción de un sociograma y de la identicación automática
de elementos clave del debate, se generaban grafos y nubes de pa-
labras, así como estadísticas de niveles de participación individual
y de grupo. Los docentes que pudieron experimentar este sistema
lo hallaron ecaz a la hora de transmitirles la ecacia del proceso
colaborativo, ayudando a la hora de intervenir sistemáticamente
en los grupos con más problemas.
• Enfoque subjetivista. Más allá del rol del desarrollo cognitivo,
en esta perspectiva, la emotividad y apoyo afectivo en la relación
pedagógica aparece como fundamental. En este enfoque –aun-
que ciertamente hay respuestas mejores y peores– hay demasiada
información y no se conoce la mejor solución. Por lo que el solo
hecho de responder a un desafío es relevante. Y a ello se asocia el
proceso reexivo de análisis del propio trabajo y de los hallazgos
generados individualmente o en grupo, considerando especial-
mente procesos de transformación ligados a retos que pongan en
marcha competencias transversales como el trabajo de equipo o el
emprendedorismo. El diseño de analíticas se focalizará, en estos
casos, en proporcionar feedbacks que motiven al alumnado a se-
guir trabajando, a comprender si alguien está o no involucrándose
en un proceso reexivo, o bien si trabaja en profundidad en la
autoevaluación o evaluación entre pares. Ejemplos de este tipo
de enfoque son el marcado semántico de procesos emotivos, el
llamado «análisis de sentimientos», junto a enfoques de análisis
textual que desencadenan acciones o sugerencias de trabajo para
el alumnado. Por ejemplo, Saucerman et al. (2017) generaron un
esquema para automatizar la detección de procesos reexivos con-
ducidos en acciones «expertas» para aplicarlo luego a la resolución
de problemas con el estudiantado universitario. También Crossley
et al. (2020) elaboraron un modelo basado en el procesamiento de
lenguaje natural para comprender el enfoque subjetivo de la ma-
temática o la «identidad matemática» que predispone a un buen o
mal aprendizaje de esta disciplina.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
240
• Enfoque de comunidad de práctica. Desde este punto de vista, el
éxito consiste en «formar parte de» un grupo determinado. Está
ligado a las nociones de comunidades de práctica: que «saber X»
es actuar hacia X de alguna manera denida por (o reejada en)
los comportamientos de una u otra comunidad. Para el diseño de
la analítica, la principal implicación es la necesidad de centrarse
en la clasicación de usuarios expertos y novatos y en el paso de
novato a experto. Este análisis puede explorar los marcadores de
comportamiento, aunque sea muy difícil comprender motivacio-
nes y procesos cognitivos. El trabajo de identicación de variables
de aprendizaje en entornos de juego ha sido un primer paso impor-
tante (pues es evidente que el objetivo es, dentro de un mismo en-
torno de juego, pasar de ser menos experto a más experto). En ese
sentido, es posible marcar, cuanticar y representar –incluso con
insignias– el grado en que quienes participan demuestran compor-
tamientos valorados en una comunidad de juego. Yendo un paso
más allá, el análisis de redes epistémicas ha hecho aportaciones
para comprender las conexiones entre cognición, aspectos sociales
del comportamiento e interacción en entornos de juego; después
ha transferido este enfoque a entornos de aprendizaje (Shaer et
al., 2016).
• Enfoque conectivista. Desde este punto de vista, el aprendizaje
consiste en comprender cómo conectar las ideas de forma ade-
cuada y dónde encontrar la información que nos permite dicha
conexión. El acto de conocer consiste en la capacidad de hacer re-
verberar redes de conocimiento, sean sus nodos basados en objetos
de información o en personas. Los enfoques conectivistas utilizan
el análisis de redes (social network analysis) para explorar justa-
mente la «conectividad» del conocimiento de un alumno, tanto en
términos de conceptos como de conexiones sociales. La analítica
examinaría cómo el tamaño, la calidad y los cambios de las redes a
lo largo del tiempo pueden servir como indicadores del aprendizaje
efectivo, pero también debería ser útil en indicar fuentes con las
que «tejer» redes, de naturaleza humana o poshumana (Markaus-
kaite et al., 2022; Nijland et al., 2018).
241
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
• Enfoque pragmático y sociocultural. A partir de Dewey, se sos-
tiene que, como conocedores humanos, nuestra concepción de las
cosas está ligada a nuestra comprensión de su aplicación práctica.
Así pues, el éxito de un proceso pedagógico se dará en la utilidad
de la información dada en un curso por parte del alumnado; es-
tando dicho proceso mediado y situado culturalmente. Las herra-
mientas analíticas de los enfoques socioculturales animan a los
alumnos a reexionar sobre su propia actividad, en un intento de
comprender cómo pueden desarrollar sus habilidades en el trata-
miento de la información, en sus propios contextos particulares de
vida. Analíticas dentro de este enfoque apoyan la mutualidad de
perspectivas en el discurso o en tareas de búsqueda de información
en colaboración, como las que ya señalamos para Cerro-Martínez,
pero también muchas de las analíticas producidas para promo-
ver el empoderamiento del alumnado en procesos colaborativos,
como el caso de la herramienta BLINC (Worsley et al., 2021).
Esta última parte de la identicación de siete dimensiones preo-
cupa al estudiantado al enfrentar un trabajo de equipo: el clima
de trabajo, la compatibilidad entre pares, la ecacia de los proce-
sos comunicativos, el surgimiento de conictos, la presión sufrida
desde los contextos de trabajo, los niveles de contribución y cuán
constructivo es el proceso en sí. A partir de estos elementos que
reexionan sobre los procesos de captura de datos en analíticas no
solo extraídas de contextos digitales, sino también multimodales,
se da el trabajo de grupos en clase, con captura de datos biométri-
cos, trazado facial y ocular, entre otros.
En general, en las instituciones de educación superior (IES) se
han focalizado desarrollos como los que hemos mencionado, consi-
derando que en el nivel universitario el estudiantado está conectado
masiva y continuamente, de manera mucho más intensiva que en
cualquier otro nivel o situación de aprendizaje, tanto a través de las
plataformas LMS (learning management system), adoptadas como base
para el campus virtual, como el uso de repositorios digitales de texto
y vídeo, o como los datos personales recogidos alrededor de la carrera
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
242
del estudiante con nes administrativos. Sin embargo, y como ha
surgido del caso que he presentado, el estado actual de desarrollo
muestra pocos avances en la adopción de analíticas, lo que genera
preocupación por la validación auténtica y la escalabilidad de las tec-
nologías como la analítica de aprendizaje predictivo y los paneles de
control para el aprendizaje (Tsai y Gasevic, 2017; Viberg et al., 2018).
Además, los problemas éticos del uso de datos no se consideran su-
cientes como para construir políticas institucionales que integren el
análisis del aprendizaje como parte de los modelos de educación de
calidad (Vuorikari et al., 2016).
En esta literatura, se resalta el hecho de que la abilidad teórica y
empírica de las diversas tecnologías exploradas sigue siendo un proble-
ma. Si bien es cierto que la falta de contextos auténticos de validación
genera un problema relacionado con la consistencia empírica, quizás
sean más preocupantes los problemas relacionados con la validez teó-
rica, política y ética de los constructos que se encuentran detrás de
la agregación de datos, el modelado y la visualización. Además, la
recopilación de datos se produce en contextos en los que los alumnos
no siempre son conscientes del tipo de datos publicados, un tema que
introduce la cuestión ética de las formas de vigilancia habilitadas que
conlleva la compensación entre la privacidad personal, el enfoque
personal a los procesos de cuanticación y los usos institucionales del
big data (Raaghelli et al., 2020)
Todo parece apuntar al hecho de que la diseminación de las ana-
líticas no ha superado aún el nicho del desarrollo: la innovación aún
parece no despegar del ámbito experimental para convertirse en un
servicio usado por la comunidad educativa en las IES. Por ello no se
tienen evaluaciones masivas de ecacia (Vuorikari et al., 2016). Ni
mucho menos podemos esperar, entonces, obtener enfoques de cali-
dad que impliquen particularmente elementos de equidad y justicia
social. Así, no solo la tecnología no está sucientemente desarrollada
al punto de tornarse fácilmente aplicable a la tarea cotidiana docente,
sino que quedan por vericarse muchos aspectos éticos, sociales y
políticos que hacen de las analíticas un instrumento situado todavía
en una zona oscura.
243
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
No obstante estas observaciones, tempranamente Siemens, Daw-
son y Lynch (2013) habrían considerado la implementación de las de
analíticas de aprendizaje en un marco de calidad. La gura 8 muestra
la visión de estos autores, según la cual una institución podría realizar
un recorrido de cinco fases: desde la toma de conciencia de los instru-
mentos de analíticas de aprendizaje, su experimentación, la formación
y desarrollo profesional de docentes y estudiantes para su uso, hasta
llegar a la transformación institucional (sobre cómo se construye un
sistema informativo de prácticas institucionales), para culminar en la
transformación del sector de investigación y de la información de la
docencia y la gestión académica basada en datos. Ello, según los auto-
res, posibilitaba una reexión hacia la calidad, ciertamente entendida
desde una perspectiva de evolución lineal y productiva.
Figura 8. Estrategias de desarrollo institucional basadas en la analítica de aprendizaje. Traducido y adaptado
de Siemens et al., 2013 .
Sin embargo, algunos avances más importantes se van a realizar
desde dos perspectivas.
La primera, relacionada con el mismo desarrollo tecnológico que
reclama una mayor actividad experimental in situ para comprobar la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
244
ecacia y el impacto de los instrumentos puestos a disposición de los
usuarios.
La segunda y más disruptiva, a través de la fuerte crítica promo-
vida por los estudiosos de las ciencias sociales. Desde estos estudios,
parece necesario dar forma a una agenda de investigación y policy
making sobre las analíticas de aprendizaje desde una perspectiva
práctica, contextualizada y crítica (Prinsloo, 2019). De extrema im-
portancia es también dar voz a los estudiantes en diseños partici-
pativos que cuiden las decisiones sobre privacidad y utilidad de los
instrumentos que se basan en el trazado continuo de datos (Brou-
ghan y Prinsloo, 2020).
Aunque el foco de estas dos líneas no queda ligado a la discusión
de calidad, sí se presenta como un debate en estado embrionario sobre
los que después pueden convertirse en instrumentos y estrategias de
calidad educativa en la educación superior.
De hecho, según Broughan y Prinsloo (2020, p. 618):
En gran parte de la investigación sobre el éxito y la retención del estu-
diantado en la educación superior es fundamental la aceptación norma-
tiva de que la deserción y el fracaso de los estudiantes están relacionados
con los décits en sus antecedentes educativos, la actitud, el compro-
miso y la capacidad de los estudiantes (Kahu y Nelson, 2018). Los mo-
delos de décit de comprensión de la capacidad de los estudiantes en la
educación superior a menudo sustentan las respuestas institucionales a
los estudiantes que no se corresponden con la norma de los estudiantes
de habla inglesa como primer idioma, a menudo blancos (por ejemplo,
Banks y Dohy 2019; Trent 2019). A medida que las instituciones de
educación superior procesan cada vez más los datos de los estudiantes
en análisis de aprendizaje, estos enfoques de deciencias en el aprendi-
zaje tienen el potencial de determinar no solo qué datos importan y se
recopilan, sino también cómo se utilizan (Macgilchrist 2019; Vytasek,
Patzak y Winne 2020). Como siempre, los métodos desplegados y la
postura ontológica adoptada inevitablemente darán forma a la evidencia
producida.
245
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Y ello nos lleva a pensar sobre los aspectos éticos de inclusión de
la analítica en nuestras clases.
La necesaria (y no suficiente) reflexión ética en el uso de
datos del estudiantado
La reexión sobre la ética en el uso de las analíticas de aprendizaje
ha ido evolucionando a partir del esfuerzo de ir más allá del mero
entusiasmo por el «desarrollo», hacia la implantación de enfoques
de uso de datos en el proceso pedagógico como parte de las políticas
institucionales.
Consideremos como ejemplo algunas iniciativas europeas y lati-
noamericanas, a partir de las cuales existen discusiones abiertas y
avanzadas sobre los aspectos que hay que tener en cuenta para un
mainstreaming (integración a la práctica cotidiana) que considere, asi-
mismo, aspectos éticos a partir del diseño.
Nos referimos aquí a los proyectos transnacionales nanciados
con fondos europeos LACE (2014-2016), SHEILA (2015-2018) y
LALA (2018-2020).104 El primero, desarrollado en el período 2014-
2016 y liderado por la Open University of Netherlands (IP Hendrik
Drachsler) tenía como objetivo concreto desarrollar un marco para
la calidad de las analíticas (Scheel et al., 2015). Dicho marco se
llamaba DELICATE (delicado, considerando la cuestión delicada
de tratar los datos estudiantiles). Cada letra de la palabra cubría una
dimensión de análisis de las políticas de implementación de de ana-
líticas en las IES, es decir: (D) denición de un sistema de de ana-
líticas en la institución, (E) explicación a los portadores de intereses
de dicho sistema, (L) legitimación del sistema, (I) interacción con el
sistema, experiencia del uso y evaluación, (C) consentimiento en el
uso de datos, (A) anonimización de datos, (T) técnicas, tecnología
usada para el desarrollo y realización de de analíticas, (E) presencia
104. LACE: http://www.laceproject.eu/, SHEILA: http://sheilaproject.eu/ y LALA: http s://
www.lalaproject.org/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
246
de proveedores externos que entran en contacto con datos sensibles.
El segundo proyecto, liderado por la Universidad de Edimburgo (IP
Dragan Gasevic) tenía por objetivo ayudar a las universidades eu-
ropeas a convertirse en instituciones más maduras en la custodia
de los datos digitales sobre sus estudiantes a medida que aprenden
en línea. Dicho proyecto creó un marco de desarrollo de políticas
para promover la evaluación formativa y el aprendizaje personalizado,
aprovechando la participación directa de las partes interesadas en el
desarrollo del proceso. El marco daba una serie de elementos para
autoevaluar si la institución estaría organizando correctamente la
implantación de sistemas de analíticas, considerando muy particular-
mente la participación de los estudiantes (Tsai y Gasevic, 2017). Asi-
mismo, desarrolló un MOOC para el desarrollo profesional docente
que apoyara la comprensión del problema y características de las ana-
líticas. El tercer y último proyecto, liderado por la Universidad Carlos
III de Madrid (IP Pedro Muñoz-Merino) expande las actividades del
proyecto SHEILA en colaboración con importantes universidades de
América Latina (Ecuador y Chile) para explorar las posibilidades de
implementación de analíticas en las universidades latinoamericanas.
Cuenta con una extensa red de instituciones asociadas que habrían
participado en acciones de investigación relacionadas. De hecho, en
América Latina la reexión crítica, de consideración de la privacidad
desde el diseño, se halla en estado avanzado, con todas las dicul-
tades infraestructurales y de organización de proyectos nacionales y
transnacionales para la homologación y armonización de prácticas
(Cechinel et al., 2020).
Durante el 2018, desde Edul@b UOC, la autora de este trabajo
realizó un breve mapeo de políticas de analíticas que hicieran refe-
rencias a modalidades de aplicación de estas, teniendo en cuenta el
instrumento DELICATE. Se realizó un muestreo de sitios web de
universidades europeas y latinoamericanas, partiendo de:
• Grupo A: 7 casos europeos + 3 de América Latina «pioneros»,
participantes de los proyectos LACE y LALA
247
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
• Grupo B : 20 top performers (10 EU y 10 LA) buscados en listas
del ranking universitario THE [1] (primeras diez universidades
halladas en el ranking de las mencionadas realidades regionales)
• Grupo C: 30 casos EU y 20 casos LA, seleccionados en modo
casual de la lista de universidades del ranking THE.
A partir de estos 80 casos, se realizó un análisis en los portales
universitarios usando los motores de búsqueda internos, indicando
las palabras clave (Learn*) AND (Analytics) OR (educational) AND
(data), en inglés, o (Apren*) AND (Analític*) OR (educacional). Se
revisaron también, manualmente, eventuales centros e-learning espe-
cializados y documentación de policy making como los reglamentos
de política institucional.
Las dimensiones analizadas fueron:
• Caracterización de uso de analíticas de aprendizaje: prevención de
abandono, decisión docente, proceso pedagógico, feedback para la
autorregulación.
• Aplicación de criterios DELICATE*: denición, explicación, le-
gitimación, interacción/participación, consentimiento, anonimi-
zación, técnicas, presencia de externos (determination, explain,
legitimate, involve, consent, anonymise, technical, external)
Dos investigadores asignaron un puntaje de 0 (ausencia total de
la dimensión analizada en la documentación revisada) a 2 (presencia
completa). La tabla 3 presenta los resultados, que no fueron muy sa-
tisfactorios. En general, se observó que excepto por las instituciones
involucradas fuertemente en la investigación sobre de analíticas, las
IES no se dotan aún de políticas que indiquen estándares de uso y
servicio basado en analíticas de aprendizaje, lo que claramente no
deja espacio para una discusión sobre la ética como parámetro de
calidad.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
248
Tabla 3. Monitorización de polític as de analíticas en 80 IES de Europa y América Latina
Dimensiones de análisis EU-A
[7]
EU-B
[10]
EU-C
[30]
AL-A
[3]
AL-B
[10]
AL-C
[20]
Uso Prevención de
abandono
1,43 00,03 0 0 0
Decisión docente 1,43 0,4 0,19 1 0 0
Proceso pedagógico 1,71 0,2 0,19 1 0 0
Feedback para la
autorregulación
10,2 0,19 0 0 0
DEL ICAT E
framework
Denición 1,71 0,2 0,22 200
Explicación 1,71 0,1 0,16 100
Legitimación 1,43 0,1 0,22 200
Participación 0,57 0,1 0,09 100
Consentimiento 1,43 0,2 0,06 000
Anonimización 1,43 0,2 0,18 000
Técnicas 1,28 0,2 0,12 200
Presencia de externos 0,14 0,2 0,09 200
Consistentemente con estos hallazgos, una de las últimas revisio-
nes de la literatura en el momento de escritura de este recurso (Parg-
man y McGrath, 2021) ya indicaba que entre 2014 y 2019 podían
identicarse unos 21 trabajos publicados en relación con la discusión
ética alrededor de la implantación de sistemas de analíticas de apren-
dizaje. Sin embargo, estos autores también indicaban que las percep-
ciones, perspectivas, actitudes y visiones sobre el tema representaban
sobre todo la visión institucional, más que la visión del estudiantado.
Mientras los temas más investigados tenían que ver con la transparen-
cia, la privacidad y el consentimiento informado, los estudios sobre
la justicia, la equidad, los sesgos algorítmicos o la libertad intelectual
han sido mucho menos explorados.
Griths (2020), en cambio, iba más allá, al apuntar la necesidad
de contextualizar la reexión ética dentro de un contexto histórico.
En efecto, para este autor la reexión ética es necesaria a partir del
249
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
crecimiento exponencial de datos y su facilidad de uso y la simple
ecuación que se ha realizado en el traspaso de instrumentos de trata-
miento de datos emergente de la investigación, al tratamiento de datos
del estudiantado alrededor de su uso en sistemas de analíticas. Pero su
argumentación enfatiza la visión de las analíticas de aprendizaje como
ámbito discreto especíco, desarticulado de un contexto de referencia
social e institucional, lo que ocasiona contradicciones que suponen el
uso de las analíticas como factor de calidad, pero también de control
por parte de la gestión académica; todo ello en situaciones en las que
la extracción coercitiva en una situación en la que el estudiantado no
puede sustraerse.
Más allá de estos esfuerzos especícos de pensar políticas de im-
plementación de las analíticas de aprendizaje, si consideramos la evo-
lución de la discusión ética alrededor del uso de estas tecnologías
basadas en datos, observaremos que estas evolucionan en la misma
dirección de la discusión ligada a la problemática ética en relación
con el desarrollo de sistemas de inteligencia articial. De hecho, las
analíticas de aprendizaje componen un caso especial de la IA.
Por ejemplo, en su trabajo de revisión, Tzimas y Demetriadis
(2021) acercan más la denición de las problemáticas éticas en las
analíticas de aprendizaje al debate relacionado con la evolución de
la inteligencia articial, conectando el desarrollo tecnológico a la di-
mensión pedagógica y de gestión académica y utilizando conceptos
como etiquetamiento, sesgo algorítmico, privacidad desde el diseño,
que ya circulan y son aplicados a la IA. La gura 9 presenta un mapa
de los conceptos claves que los autores codicaron a partir de 53
artículos relacionados con temas éticos en las analíticas de apren-
dizaje. Se observa que de los autores determinan un primer nivel
estructural de la institución (dimensión tecnológica, pedagógica y de
gestión institucional) para luego ponerlo en relación con los aspectos
éticos (privacidad, transparencia, etiquetamiento, propiedad de los
datos, justicia algorítmica, obligación de actuar) y sus elementos cons-
tituyentes. El mapa muestra áreas con mayor densidad de elementos
y conceptos, lo que se apoya, asimismo, en una mayor cantidad de
artículos en las áreas con más densidad.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
250
La cuestión de la privacidad ha recibido mayor atención en gene-
ral, conteniendo líneas de trabajo como la seguridad, sistemas legales
y anonimato, privacidad por diseño y respeto de diferencias cultu-
rales, basándose en acciones como el consentimiento y el entrena-
miento/aprendizaje sobre los mecanismos del sistema para generar
conanza y formas de control sobre los datos. El etiquetamiento,
que es una operación necesaria a la construcción de sistemas basa-
dos en aprendizaje de máquina (machine learning), muy presentes en
los artículos revisados, expresan una preocupación por la autonomía
de las personas que son etiquetadas y más adelante clasicadas con
claros efectos sobre la conducta. Ello conceptualmente se relaciona
con un contexto de paternalismo y vigilancia, una visión tecnológica
determinista y una tendencia a la monetización/producción «indus-
trial» de resultados. Áreas con menor densidad de concepto,s y por
ello menos presentes, probablemente por ser emergentes, son las de la
justicia algorítmica como posible enfoque de democracia algorítmica
o «algocracia» en íntima relación con la obligación de actuar de las
instituciones y del derecho a saber de los participantes (profesorado
y alumnado).
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
251
Figura 9. Mapa de conceptos clave s obre el desarrollo de un deb ate ético alrededor de las analíti cas de aprendizaje. Elaborac ión propia en base a pequeña mo dificación del
mapa de Tzimas y Demetr iadis.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
252
Uno de los listados más recientes publicados en un contexto de
recomendaciones de práctica para orientar enfoques éticos del desa-
rrollo de analíticas de aprendizaje ha sido realizado por Slade y Tait
(2019, p. 2), que introduce los siguientes puntos:
• Transparencia. El propósito de un sistema de analíticas debe ser
claro a todos los portadores de intereses, en particular el estu-
diantado. Si bien es justo indicar que la institución persigue unos
objetivos generales (que pueden no ser de inmediato interés in-
dividual, como comprender el abandono), los procedimientos de
recogida, análisis y presentación de datos deben estar explicados
y ser accesibles.
• Propiedad y control de los datos. Siguiendo el RGDP (Reglamen-
to General de Protección de Datos en Europea, 2018), el estudian-
tado debe aprobar los nes de uso de sus datos, que no pueden ser
cedidos a terceras partes sin su autorización. Además, deben tener
el derecho de acceder a sus registros de datos y pedir la cancelación
en el caso en que lo consideraran oportuno. La institución no po-
see los datos del estudiantado, simplemente los gestiona y cura con
propósitos que deben ser acordados con los portadores de intereses.
• Accesibilidad de datos. Concepto que se relaciona tanto con la
determinación de quién tiene acceso a los datos «crudos» y agre-
gados en conjuntos para su análisis, así como la capacidad de los
estudiantes para acceder y corregir sus propios datos (siendo pro-
pietarios de los mismos). El estudiantado podría enviar feedback
para pedir aclaraciones o mejorar la claridad de la información
relacionada con qué tipos de datos pueden ser usados en una apli-
cación. Si bien en general el enfoque de trabajo se realizará a nivel
institucional, algunos elementos podrían ser acordados con las
administraciones locales, regionales o nacionales.
• Validez y conabilidad de los datos. La validez y conabilidad
de los datos asegura que las representaciones, estimas y orien-
taciones a la acción basadas en datos tendrán una base sólida,
precisa y justa. Los datos crudos no dan alguna información y
las operaciones de deniciones de variables y dimensiones (como
253
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
«abandono») asociadas a métricas y datos recogidos (falta de in-
greso en el campus virtual en las últimas dos semanas) pueden
generar conictos (por ejemplo, no tener acceso a un wi y tra-
bajar oine con pocas sesiones de conexión). El uso de proxies
o variables que se acercan a la denición de un fenómeno sin
poderlo centrar completamente, también tendría que ser objeto
de discusión y actualización continua (por ejemplo, medir el in-
terés del estudiantado por un curso de acuerdo con el número de
descargas de un vídeo). Los cálculos estadísticos también tienen
que dejar explícitamente sus limitaciones, pues ciertos procedi-
mientos implican manipulaciones progresivas que pueden alejarse
mucho de una situación inicial (por ejemplo, introducir en una
regresión la satisfacción del estudiantado sobre base voluntaria de
respuesta a cuestionarios). Finalmente, la denición de algoritmos
debería considerar muy cuidadosamente la existencia de sesgos
que subrrepresenten o malrrepresenten grupos o características
del estudiantado (como, por ejemplo, raza o género asociados a
rendimiento académico).
• Responsabilidad institucional y obligación de actuar. La insti-
tución tiene la obligación moral de actuar ante la información
recogida. No se trata de un mero proceso de recabado de datos, se
trata de información que puede mejorar (o empeorar) signicati-
vamente la vida del estudiantado. Por ejemplo, si se observa riesgo
de abandono en un grupo especíco, es necesario, como mínimo,
generar un espacio de consulta y trabajo con dicho grupo.
• Comunicaciones. Las comunicaciones de situaciones de riesgo o
conictivas detectadas a través de los datos requieren cuidado en
la modalidad en la que se comunican. Asimismo, las analíticas que
desencadenan comunicaciones deben adoptar un lenguaje apro-
piado que haga comprender al estudiante que no se trata de un
mensaje personal, sino generalizado, y que hay siempre una opción
de comunicación humana para dirimir desacuerdos o errores.
• Valores culturales. En contextos multiculturales, los casos extre-
mos, inclasicables, diferentes (outliers) pueden ser más frecuentes
y pueden no corresponder con sistemas de analíticas generados
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
254
entrenando algoritmos sobre bases de datos de un estudiantado
más frecuente. Se debe poner mucha atención y cuidado en estos
casos, en particular cuando se «adquieran» productos analíticos
pre-congurados asociados a las plataformas LMS.
Selwyn (2019) puntualiza algunos de los problemas centrales que
pueden encontrarse en el mal uso de las analíticas de aprendizaje y
que vuelven sobre los puntos trazados en el trabajo anterior, pero lo
amplían.
En síntesis, se observa que un mal uso de las analíticas puede
llevar a:
• Una comprensión reducida de la educación, considerando que los
fenómenos medidos por los datos recogidos en las analíticas nece-
sitan reducir la complejidad de procesos de aprendizaje.
• Ignorar los contextos amplios en que se desarrolla la educación:
falta de comprensión de las dinámicas sociales que llevan a dar
relevancia a un problema o tema educativo y a detectar/orientar
microcomportamientos irrelevantes.
• Reducir la capacidad de estudiantes y docentes de buscar la infor-
mación para la toma de decisiones; ofreciendo sistemas de diag-
nóstico y recomendación, los usuarios se vuelven más pasivos en la
comprensión de sus propios procesos cognitivos y de interacción.
• Una forma de vigilancia, más que de apoyo, cuando las analíticas
se implementan para observar si los comportamientos de los usua-
rios se alinean con perspectivas de negocio.
• Una fuerte coerción a la performance. Una vez que se inventan
los sistemas de medida, los usuarios aprenden a comportarse para
obtener la «recompensa» evaluativa del mismo; es decir, actúan
(performance) en consecuencia.
• Desventajas para quien está excluido del sistema. En la medida
en que se propongan modelos de evaluación y recomendación ba-
sados en comportamientos deseables por una élite a cargo de la
programación de los sistemas, el riesgo podría ser la exclusión de
la minoría que no se ajusta.
255
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
• Servir intereses institucionales, más que de los individuos. La re-
cogida masiva de datos, basada en sistemas programados a cargo
de una institución, deja un espacio ilimitado de acción a favor de
esta última y sus modelos de ética de servicio y de deontología
profesional.
La propuesta de Selwyn, en este sentido, se relaciona con acciones
orientadas a:
• Dar a los usuarios el derecho de inspeccionar. El diseño de aplica-
ciones analíticas que son más abiertas y accesibles ofrece un con-
trol y supervisión genuinos a los usuarios que reejan mejor la
realidad vivida de los estudiantes.
• Dar a los usuarios más control sobre sus datos. Proporcionar a los
estudiantes la posibilidad de conocer el modo en que los datos
serán usados a nivel de investigación y de modelos institucionales
de negocio eventuales conectados a la educación.
• Repensar la política y la economía de la industria de las analíticas
de aprendizaje. Todos los servicios de visualización y sistemas de
recomendación ligados a plataformas de aprendizaje pueden tener
como implicación la monetización de los datos del estudiantado
para producir nuevos paneles y servicios de recomendación.
Un último punto –imposible dejalo fuera– atañe al debate empu-
jado por la pandemia. Este nuevo contexto de trabajo implicó un uso
masivo y forzado de entornos e instrumentos digitales, lo que generó
inicialmente un entusiasmo naíf alrededor de lo que se consideró un
experimento de uso de tecnologías educativas a escala global. Ello fue
particularmente indicado en el trabajo de Williamson et al. (2020a),
donde dichos autores hablaron de una «pedagogía de la pandemia».
La economía política detrás de lo que apareció como un acto heroico
de parte de las empresas big tech como Google, Amazon, Microsoft,
Apple, Facebook, se constituyó más tarde como un espacio de ex-
tracción masivo de datos del estudiantado para su posterior mone-
tización en productos y servicios digitales educativos. De hecho, las
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
256
mencionadas compañías (en especial Google y Microsoft) ofrecieron
inmediatamente servicios gratuitos de formación, de uso de las pla-
taformas y, con ello, de uso de espacio de almacenaje en la nube, lo
que representó una solución rápida y fácil para muchos gobiernos.
En los primeros meses de la pandemia, muchos países optaron por
apoyar ese uso o bien legalizarlo comprando servicios privados para
una oferta educativa pública (Bozkurt et al., 2020).
Según Williamson et al (2020), estas organizaciones y otras en
el sector Ed Te c h han considerado «la crisis una oportunidad de ne-
gocio» (Ibíd., p.108) con «consecuencias potenciales sobre cómo la
educación pública es percibida y practicada que van mucho más allá
del nal de la pandemia» (Ibíd., p. 108).
Este mecanismo, mejor develado en el minucioso reporte sobre la
situación en las instituciones de educación superior por Williamson y
Hogan (2021a), fue considerado un subterfugio para la privatización
de un bien considerado público en muchas de las políticas de estado
de bienestar, alineándolas pragmáticamente y por default, a una lógica
neoliberal. Una de las preocupaciones manifestadas por Williamson y
Hogan ha sido justamente la alimentación del negocio de desarrollo
de servicios de analíticas a partir del entrenamiento, predicción, a-
nación de algoritmos basados en la captura masiva de datos desde las
universidades que no pueden pagar de otra manera que no sea con los
datos de sus estudiantes, en particular, las universidades del mundo
en desarrollo, o de las periferias urbanas y redes comunitarias. Ello
se relaciona con la ya conrmada «presión sobre las instituciones de
educación superior para la mercantilización, privatización y comer-
cialización» de sus servicios «ahora a través de tecnologías digitales y
sistemas de datos que combinan las aspiraciones educativas con las
aspiraciones políticas de dominar la educación superior en términos
de rendimiento según una multiplicidad de métricas y con las am-
biciones de negocio del sector privado de capitalizar (el bien de los
datos)» (Williamson y Hogan, 2021ª, p. 17).
Esta crítica al fundamento mismo de la existencia de productos
basados en la captura de datos del estudiantado pone bajo tela de
juicio la existencia misma de los productos (como las analíticas de
257
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
aprendizaje) que se generan. En sí mismo, el concepto de dichos pro-
ductos parte de una base fallida, de apropiación y comercialización,
por lo que podría ser inútil discutir si una captura de datos se hace con
o sin consentimiento, con o sin participación, si luego hay una trans-
formación para el benecio de pocos. No se ha de olvidar la profunda
crítica realizada a todos los enfoques éticos en una fatal limitación:
la de promover un «blanqueo» de prácticas generadas por intereses
económicos con la sola inclusión de recomendaciones, declaraciones
de adherencia a normas internacionales, listados o decálogos que no
van más allá de la supercie declarativa (Green, 2021).
Para cerrar este apartado voy a dejar a quien lee con algunos ele-
mentos para reexionar. El primero tiene que ver con la llamada opor-
tunidad de la recolección de datos en la carrera por el desarrollo de
sistemas de analíticas.
Como pudimos observar en este apartado, las problemáticas de
interacción de efectiva posibilidad de uso y, no menos importante, de
justicia educativa y social nos llevan a plantearnos una pregunta: ¿por
qué el desarrollo de las analíticas se ha dado de esta manera? Esta ya
se ha respondido subliminalmente en todo el libro, pero es un buen
ejercicio hacerla cuando uno se pone delante a cualquier sistema de
analítica. Y la respuesta será, en buena parte, que porque el acceso a
unos conjuntos de datos era fácil. Y allí comenzó la «tortura de los
datos», según la famosa expresión de Ronal Coase, Nobel de Econo-
mía,105 para hacerlos decir algo sobre el proceso educativo.
Según el informe coordinado por Vuorikari et al (2016), todo pa-
rece apuntar al hecho de que la diseminación de las analíticas no ha
superado aún el nicho del desarrollo. La innovación aún parece no
despegar del ámbito experimental para convertirse en un servicio usa-
do por la comunidad educativa en las IES. Ello hace que no se tengan
evaluaciones masivas de ecacia. Para la persona que lee, posiblemente
ya implicada en la práctica docente, es importante reexionar sobre
su contacto con aplicaciones de analítica. Y si no ha habido contacto,
será un buen momento para plantear esa pregunta a colegas y a los
105. https://en.wikiquote.org/wiki/Ronald_Coase
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
258
centros de e-learning de la universidad, lo que va a llevar a descubrir
una buena parte de la cultura de datos adoptada o simplemente exis-
tente en la propia universidad.
En los ámbitos europeo y latinoamericano existen discusiones
abiertas y avanzadas sobre los aspectos que cabe considerar para un
mainstreaming (integración a la práctica cotidiana) que considere tam-
bién los aspectos éticos a partir del diseño. Pero he aquí un nuevo
desafío para el lector, sea humanista o informático, cuya investigación
se centra en la ciencia de datos: ¿cuántos ejemplos de discusiones
profundas y orientadas a políticas institucionales activas conoce sobre
el uso de datos del estudiantado en su universidad?... Voy a dejar la
respuesta en puntos suspensivos. Aunque, si la respuesta fuera «sí»,¡es-
pero leer pronto ese caso!
Activismo en datos como compromiso del profesorado: una
pieza clave en las culturas de datos justas en la educación
superior
La discusión sobre el desarrollo e innovaciones en analíticas de apren-
dizaje parece mucho más avanzada que la reexión sobre la calidad
educativa promovida e incorporada en los mismos sistemas basados
en datos del estudiantado. Mientras se revisan cuestiones de tipo tec-
nológico, social, educativo y ético, la pregunta es cuán útiles, inclu-
sivas y «justas» pueden ser las analíticas. La idea de promover formas
de diseño participativo y de considerar la privacidad y problemáticas
éticas del uso de datos no debe ser posterior a la implementación, sino
anterior al desarrollo. También hemos de considerar que, cuanto más
reciente es una innovación tecno-pedagógica, más difícil es encon-
trar discursos de calidad y aún más difícil sobre aspectos socio-éticos
asociados: estos surgen normalmente más adelante y ante casos pro-
blemáticos que generan debate público. Todavía, las problemáticas
que surgen a partir de la investigación social y tecnológica sientan las
bases de lo que luego serán los focos de análisis de la calidad; por lo
cual, queda aún un largo recorrido.
259
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
El activismo en datos emergió como respuesta a las desigualdades
de la vigilancia ya teorizada por Jose van Dijck (2014) y más tarde
explorado por otros autores que puntualizaron las diferencias de las
actitudes de los «activistas» para evitar los costados más perversos de
la daticación (Gutiérrez, 2018; Gutiérrez y Milan, 2019; Lehtiniemi
y Ruckenstein, 2019). Por ejemplo, Milan y van der Velden (2016)
postularon que los activistas se han ido colocando sea del lado del uso
de los datos como bien común, en contextos de apertura de la ciencia
y el gobierno; sea como una reacción de resistencia, de sustraerse a
los dispositivos de vigilancia o de protestar por su existencia. En su
capítulo relacionado con un análisis crítico de los futuros daticados
(critical data futures), Neil Selwyn (2021b) retoma la idea de que pue-
den generarse distintos escenarios futuros de comprensión, actitud y
uso de los datos, escenarios por los que es necesario trabajar activa-
mente, proyectándose desde el presente en esos futuros.
No podemos olvidar en este caso el importante trabajo realiza-
do por las comunidades dedicadas a promover el software abierto,
que hoy por hoy se conecta con lo que entendemos como formas de
soberanía digital, de infraestructuras tecnológicas y de por conse-
cuencias, de datos. Por ejemplo, a partir de la plataforma DECIDIM
en Barcelona,106 Francesca Bria (coordinadora del proyecto europeo
DECODE que dio origen a esta) lideró un enfoque activista a partir
del cual el acceso a los datos debía ser factible para todos los partici-
pantes, que los datos fueran generados por el sector público o privado
(Graham, 2018). Varias universidades en América Latina deenden
el uso de software de código abierto como base para un dominio
sobre el uso de los datos (Cechinel et al., 2020) y se están planteando
un debate de avance en políticas educativas que tengan en cuenta el
potencial control ejercido por la plataformización extranjera (Lim y
Tinio, 2018). Otro ejemplo interesante proviene de la adopción de
una distribución Linux a instalar como software en los PC otorgados
por el gobierno hasta el 2015 a docentes y alumnado en Argentina: la
distribución Huayra (Ceballos et al., 2020).
106. https://www.decidim.barcelona/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
260
El caso especíco de la Universitat Oberta de Catalunya apunta
a realizar un recorrido de este tipo: se trata del instrumento Folio.107
La herramienta nace desde la conceptualización del prof. Quelic
Berga y se presenta de la siguiente manera:
Folio [es] una reinterpretación del concepto de porfolio que permite el
trabajo colaborativo, el desarrollo de una imagen digital, la creación
de una identidad como estudiante y la visibilidad de esta en el mundo
profesional, entre otras cosas que iréis descubriendo en este documento
y a medida que vayáis utilizando la herramienta. Folio se ha creado
utilizando la tecnología WordPress. Como posiblemente ya sepáis, Wor-
dPress es un software libre desarrollado por cientos de colaboradores.
Actualmente es una de las plataformas más populares para crear blogs
y todo tipo de webs.
En esta breve presentación ya se hace hincapié en dos aspectos
centrales: la herramienta capturará, a partir de un acto voluntario del
estudiantado, elementos centrales de su identidad profesional en un
contexto digital y lo hará a partir de software no privativo.
Folio se basa, según se destaca en la página de presentación, en
un concepto de publicación transversal entre los logros del estudian-
tado en las asignaturas, su representación gráca y estética, a partir
de líneas elegidas siempre por el mismo estudiante y nalmente la
conexión transversal con otros componentes de la universidad que
puedan interesarse en los elementos publicados en un Folio indivi-
dual. La idea es claramente superar la notación tradicional de logros
(una carrera basada en asignaturas) y que estos se representen como
elementos elegidos, con una decisión que implica contenido y forma
estética. El proyecto incluye datos del estudiante, que este elige libre-
mente. Dichos datos se relacionan con bases de datos «cuidadas» por
la universidad. La función de visibilidad y de representación generan
una situación de apropiación, de desarrollo personal, de uso.
10 7. https://folio.uoc.edu/es/
261
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
Figura 10. Presentació n de Folio en el contexto del pr oyecto «Data Praxis». https://datapraxis.net/taller-2-da-
tos-en-el-proceso-pedagogico-en-busca-del-equilibrio/
Esta reexión en torno a cómo Folio materializa su modelo de
aprendizaje en la interfaz gráca de su campus virtual es solo un
esbozo de cómo los datos del estudiantado pueden utilizarse para
conceptualizar espacios que coneran mayor libertad creativa y ex-
presiva, no mayor trazado, perlado y control del comportamiento
estudiantil. El diseño de las interfaces e infraestructuras tecnológicas
de Folio, en efecto, llevan inscritas postulados políticos, culturales y
sociales que afectan a la manera de relacionarse del alumnado como
comunidad, una comunidad particular que no llega a verse (se trata
de estudiantado de una universidad completamente en línea). Dicho
modelo permite crear un espacio personal de trabajo y representación
digital, empoderando así al estudiante y a la comunidad por medio de
facilitar la circulación de datos conscientemente elegidos y comparti-
dos. Berga apunta así a activar una cultura de gobernanza de datos,
soberanía tecnológica y software libre.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
262
El recorrido de implementación de Folio ha llevado en este contex-
to a una reexión ulterior: los datos, una vez recogidos sobre paradig-
mas de equidad y justicia como indicado en las secciones anteriores,
se pueden transformar de muchas maneras, grácamente o como
información asociada a acciones de los participantes. Sin embargo,
no debe dejarse nunca de lado que dichas representaciones son un
artefacto cultural, un ensamblaje de procesos, prácticas, ideas que son
materiales (existen en el mundo) antes que convertirse en represen-
taciones digitales. Y por ello, si se alejan del usuario nal, terminan
por representar el deseo de un grupo de poder que implica control,
orientación a nes de productividad, de ecacia del sistema, etc.
La captura de datos del estudiantado y desarrollos íntimamente
relacionados como las analíticas no tienen un poder en sí mismos,
sino que son producto de un sistema cultural, de una cultura de datos
justa (ver referencia en el glosario de este módulo) que les da forma. Y
pueden ser útiles solo en el caso en que se les reconozca como tales y
se las inserte en la vida de la clase o de la comunidad de aprendizaje
de manera tal que enriquezcan sus itinerarios reexivos y narrativos.
De ahí que para los autores no hay ningún dato extraído del proceso
pedagógico, transformado y reorganizado como analítica de apren-
dizaje que pueda llevar al «éxito», «ecacia», «productividad» o «au-
torregulación». Más bien, un uso creativo, balanceado dentro de un
sistema de recursos, puede informar las decisiones o debates que ese
grupo humano en su relación pedagógica puedan (y quieran) darse.
Lo cierto es que un enfoque de activismo aparece como necesario
en un contexto en el cual las formas de interrelación entre desarrollo
tecnológico, intereses económicos y políticas que orientan las estra-
tegias institucionales pueden dejar muy pocos grados de libertad al
docente en el ejercicio de su agencia. Las formas de resistencia, de
oposición, de visibilización de cualquier violación de los mecanismos
éticos antes explicitados no podrá ser siempre hecho en un marco
de proyecto institucional. Muchas veces, el académico se encontrará
solo, o en grupos de creciente interés, buscando oponerse, retardar ac-
ciones, desconocer dispositivos o incluso bloquearlos en un escenario
de uso de tecnologías coercitivas donde se sospeche la monetización
263
6. DATOS EN EL PROCESO PEDAGÓGICO ❚
de datos. Ello podría incluso enmarcarse en un contexto de «desobe-
diencia civil» (García González, 2006): una búsqueda de la justicia
que rompe eventualmente, puntualmente, una norma o regla que se
presenta como parte del sistema instituido de justicia, pero que el
acto de desobediencia civil puede desnudar en su real injusticia. Por
ejemplo, el uso de un sistema de uso de datos del estudiantado que
lo perlan, para predecir las inscripciones en una universidad y así
regular el ujo económico para mantener un cierto plantel docente,
puede ser objeto de una acción de resistencia o de ofuscación de datos
recogidos por grupos de académicos que buscan proteger sus clases y
su relación pedagógica con el alumnado.
Por otra parte, el profesorado podrá adoptar un enfoque proactivo,
de uso de software de código abierto alternativo, o generar grupos de
trabajo en el que dicho software se adopte como base esencial de la
innovación educativa mediada tecnológicamente, como hemos mos-
trado en el caso de Folio.
Alineándonos a los casos estudiados por Miren Guitérrez en su
trabajo sobre el activismo en datos como fuente de cambio social
(2018), el docente hace así uso de su autonomía intelectual, para con-
vertirse en nodo de una red de transformación, o, como mínimo, de
resistencia a escenarios de pérdida de transparencia, de imposibilidad
de negociación y, por lo tanto, de quita de soberanía tecnológica en
su relación pedagógica con el estudiantado.
Para concluir nuestro recorrido en el cuarto cuadrante
Cierro nuevamente con algunas provocaciones para la reexión, con
unas preguntas que se nutren en las dudas propuestas desde la in-
tensa investigación en campo de Carla Fardella. Ella ha tratado de
comprender cómo los académicos resisten en su quehacer cotidiano»
y «conguran la subjetividad política académica en esta tensión» (Far-
della et al., 2022, p. 2), que la universidad neoliberal (y sus métricas)
ha tratado de deconstruir y convertir en «la desviación» respecto de
una posición de neutralidad. Y justamente esta autora sostiene que el
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
264
activismo no tiene por qué ser considerado solo desde una resistencia
antagónica y demostrativa; en muchos casos, se tratará de «activismos
silenciosos» consistentes en «criticar, afectarse, reelaborar y colaborar»
(Ibíd., p.3), como modos de subvertir la universidad neoliberal.
Mis preguntas a quien lee, para activar ese activismo respecto a las
problemáticas de vigilancia, control y repetición de tradiciones que
encierran las prácticas basadas en datos en general y la analítica de
aprendizaje en particular, serían: ¿Existe un modo en que la analítica
pueda ser pensada como objeto de co-liberación y no de dominación?
Si abrazamos esas innovaciones, ¿nos hemos preguntado qué valores
(axiológica y deontológicamente hablando) nos mueven? Y si no lo
hiciéramos, ¿cuál sería el precio por pagar? y ¿qué caminos alterna-
tivos encontraríamos para plantear la inutilidad de una innovación
tecnológica, o su cuestionable utilidad, o los intereses que la mueven,
como manera de generar debate y trabajo mancomunado para pensar
a futuros alternativos? Y una pregunta aún más simple que podemos
experimentar con nuestro alumnado: ¿Hasta qué punto saben (y acep-
tan o quieren) ustedes, mis queridas alumnas y alumnos, qué datos
estamos capturando y leyendo en este contexto universitario que nos
acomuna?
265
7. DESAFÍOS PARA EL PROFESORADO.
HACIA LA CONSTRUCCIÓN DE CULTURAS
DE DATOS JUSTAS
Desde nuestro recorrido…
Hemos desarrollado un recorrido que nos ha llevado a reconocer las
problemáticas abiertas de la daticación en la sociedad, para luego
adentrarnos en cómo llegó la universidad a ese mismo escenario.
También hemos reexionado sobre una conceptualización del pro-
blema, tratando de comprender por qué amamos la cuanticación
antes que los datos y por qué los artilugios de la daticación nos han
fascinado antes de provocarnos las primeras impresiones negativas.
Y de cómo estas últimas fueron llegando lentamente, con eviden-
cias que han sido recogidas valerosamente desde el activismo y la
investigación social, contraponiéndose a los fervorosos discursos del
avance tecnológico sin brújula. He invitado justamente a pensar la
daticación como un fenómeno complejo, algo que está sucediendo
entre nosotros y que asume todas las tensiones del humano existir:
intereses de poder, visiones utópicas (sobre el poder de la tecnología
para generar un mundo mejor) y a la vez sesgadas (sobre el ignorar
con ingenuidad o sin ella el impacto que la tecnología tiene sobre
contextos y personas).
Ha llegado el momento de mirar qué desafíos tenemos por de-
lante y desde que he tratado de entablar un diálogo con los docentes
universitarios que, como yo, se hallan visto abocados a superar los
límites de la daticación en sus propias instituciones, invito ahora a
mirar este «tejido» de ideas para tratar de pensar cómo podemos ser-
virnos de ellas en nuestra práctica profesional o en nuestros procesos
de transformación institucional. También será el momento de consi-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
266
derar las limitaciones de los planteamientos contenidos en este libro,
pensando, claro está a todo lo que nos queda por hacer. Lejos de mí
adivinar o trazar un camino normativo, bien señalizado del trabajo
educativo, de desarrollo académico o de investigación en este tema.
Más bien la intencionalidad será dejar espacios abiertos para seguir
una conversación con otros educadores, líderes e investigadores; o más
bien para estimular la curiosidad (otra) de proseguir un camino en el
que estamos lejos de haberlo dicho todo.
He querido dejar, también, una herramienta para leer la datica-
ción en su contexto. Esa herramienta o dispositivo insiste sobre un as-
pecto puntual: no existe daticación universal y sí, en cambio, formas
de relacionarse con los fenómenos extractivos de datos y sus efectos
de manera diversicada, de acuerdo con contextos sociohistóricos y
culturales. De ahí que hablemos de culturas de datos y que nuestro
mayor desafío sea en primer lugar explorarlas, para luego comprender
su especicidad y nalmente, actuar en consecuencia, generando una
voz única, que se haga escuchar, sobre el lado de la daticación (y la
plataformización) del que estamos plantados. Y de ahí que hayamos
planteado que son distintas las perspectivas (o epistemologías) que
llevan a pensar en los datos como riqueza o como amenaza.
Lo que el dispositivo busca plantear es la necesidad, también, de
evitar «cacofonías», es decir, la repetición de discusiones por tenden-
cia en las redes sociales o presencia en los debates académicos de la
comunidad anglófona.
Me reero con ello a un cierto enfoque según el cual se hacen cir-
cular documentos y se aumentan mensajes que pueden no tener valor
para uno u otro contexto de práctica profesional. En pocas palabras, la
daticación no pasa de la misma manera por la Ivy League en sus redes
de trabajo con Silicon Valley, respecto a cómo puede pasar por una uni-
versidad de alguna provincia perdida en el sur global, o de Occidente,
respecto a China, o a Europa del Norte o Europa del Sur. Tampoco será
el mismo efecto para universidades de dimensiones grandes o pequeñas;
completamente en línea o en presencia; públicas o privadas. Cada uno
de estos contextos se basará en ideologías, reglas, experiencias, gurús,
posibilidades de acceso a la infraestructura que asumirán escenarios dis-
267
7. DESAFÍOS PARA EL PROFESORA DO ❚
tintos con implicaciones de trabajo para alcanzar (si acaso fuera posible)
una cultura de datos justa en la educación superior. Ofreceré entonces,
en lo sucesivo, algunos pequeños ejemplos de trabajo, en primer lugar,
para explorar culturas de datos y, en segundo lugar, para pensar en su
transformación, como desafíos para el profesorado.
Desafíos para el profesorado
Conceptualizar un marco para la alfabetización en datos
en el desarrollo profesional del profesorado
Como hemos indicado a lo largo de la caracterización de nuestro es-
pacio cuatridimensional, una cultura de datos (justa) se basa en prác-
ticas de datos constructivas y críticas. Y es claro que la alfabetización
en datos puede coadyuvar dichas prácticas, considerando que puede
llevar a discutir, cuestionar, replantear y expandir la comprensión so-
bre los fenómenos de la daticación tal y como se viven en el espacio
de cotidianidad del profesorado y el estudiantado en las IES. Mis
estudios hasta el 2020 observaban una cierta lentitud de reacción res-
pecto a integrar dichas formas de alfabetización al concepto general
de competencia profesional del profesorado, que abarca, entre otras,
las prácticas profesionales, las condiciones de trabajo y las identidades
de los académicos en el contexto de educación superior digitaliza-
da (Raaghelli, 2018a; Raaghelli y Stewart, 2020). Y como ya he
planteado a lo largo de nuestro recorrido por los cuatro cuadrantes,
se dio una explosión del debate relacionado con las prácticas basadas
en datos en las universidades y la sociedad desde el 2020 en adelante.
Sin embargo, la falta de una caracterización general y holística de
los problemas sobre los que es necesario desarrollar competencia, es
justamente el primer impedimento para orientar marcos de práctica
profesional. En este sentido planteo aquí que los cuatro cuadrantes
nos permiten comprender cómo se desarrollan las prácticas de datos
en contextos de posdigitalidad, haciendo referencia a los campos de
práctica profesional de la docencia, la investigación y la gestión aca-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
268
démica. Por lo tanto, una primera pregunta que podemos hacernos
es ¿cómo debe diseñarse y desarrollarse el desarrollo profesional del
personal académico para introducir un uso transformativo y crítico de
los datos digitalizados y asegurar un impacto positivo en la alfabeti-
zación en datos (data literacy, DL) en tanto que componente esencial
de la educación superior en contextos daticados?
Esta pregunta de investigación es tremendamente amplia; sin em-
bargo, fue la primera que me planteé, en un ejercicio de denición de
constructos y de marcos de competencia que esbozaban su relación
con el espacio cuatridimensional.
Cabe recordar que la alfabetización en datos está profundamente
ligada a la discusión sobre la competencia digital del profesorado, que,
sin embargo, ha sido largamente banalizada al colocarse sustancialmen-
te del lado de una comprensión funcional de herramientas y entornos
digitales y su uso en la docencia. Mucho menos frecuente es la discusión
sobre el impacto crítico que estas tecnologías podrían tener, aspecto que
estaba presente en la intuición de algunos estudiosos de las tecnologías
educativas (Ranieri, 2011; Sancho-Gil et al., 2020; Selwyn, 2014) y
que se dispersaba en discusiones vinculadas a si la práctica académica
debía salirse del aula a través de prácticas abiertas, en red y digitales en
el concepto de digital scholarship (Raaghelli, 2017; Raaghelli et al.,
2016). Todas estas discusiones eran tentativas y se desligaban de ver la
identidad del trabajo académico en la era digital como un todo, desde
la investigación y la docencia, a la gestión y desarrollo institucional
académico, lo que imponía una dicultad mayor al querer ocuparme
de una caracterización conceptual y operativa de la alfabetización en
datos. Por lo tanto, mi recorrido se centró en una revisión sistemática
de 19 marcos de alfabetización en datos (Raaghelli, 2019a), en la que
identiqué las competencias en las que más hincapié se hacía en la li-
teratura. Llegué a la conclusión de que existía mucha más focalización
sobre aspectos técnicos y funcionales de la ciencia de datos (nuestro
cuarto cuadrante); que las prácticas relacionadas con datos abiertos
aparecían, si bien desligadas y de manera fragmentada (nuestro primer
cuadrante); y que una visión crítica parecía faltar (nuestros segundo y
tercer cuadrante). Por ello llevé a cabo otra revisión considerando los
269
7. DESAFÍOS PARA EL PROFESORA DO ❚
aspectos faltantes más que los existentes, desde una mirada teórica, en
el 2020 y conrmé, junto a Bonnie Stewart (Universidad de Windsor,
Canadá), en ese momento, la falta de un enfoque crítico y complejo
(Raaghelli y Stewart, 2020). Sin embargo, para poder dar forma a
una primera propuesta de competencia que pudiera «dialogar con las
propuestas de competencia digital» existentes, me basé en el marco de
competencia digital docente DigCompEdu (Redecker y Punie, 2017).
A partir de ir acomodando las habilidades, actitudes y conocimientos
necesarios y esperables según mis revisiones en este marco, surgieron las
siguientes escalas, teóricamente denidas (Raaghelli, 2020a): 1) uso
de datos educativos en el contexto de práctica profesional (en especial
para la gestión y la calidad); 2) datos en el proceso de evaluación; 3)
datos como recurso de aprendizaje; 3) datos que apoyan los procesos
de enseñanza y aprendizaje; 5) datos para empoderar al estudiantado,
y 6) alfabetización en datos del estudiantado. La tabla 4 muestra las di-
mensiones de competencia relacionadas con un estado avanzado, ideal
de alfabetización en datos.
Tabla 4. Marco de referencia para el desarrollo de la alfabetización en datos para el profesorado
universitario
Dimensión de
la competencia
Descriptor Detalle descriptor
CONTEXTO
DE PRÁCTICA
PROFESIONAL
Datos en la
investigació n y para
la investigación
A lo largo del ciclo c ompleto de la información c ientíca, el
docente debe participar activamente en la ciencia abierta
y en las práct icas de datos que pueden crea r puentes entre
investigación y docencia.
Comunicación
organizacional
Utilizar los da tos disponibles para mejor ar la comunicación
organizati va con colegas, estudiante s y terceros, partiendo
de su comprensión y d econstrucción crí tica. Contribuir
al desarro llo y la mejora de las estrategia s y políticas
de comunicación organizacional impulsadas p or datos
(aprendizaje y análisis académico, informes estadísticos,
datos de redes s ociales, etc.) sin dejar de comprend er las
trampas que encierran los excesos de la cuanticación.
Colaboración
profesional
Utilizar enfoques de datos abiertos en actividades
cientíca s y educativas para interac tuar con otros
académicos, compartir e intercambiar conocimientos y
experiencias y prácticas pedagógicas colaborativamente.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
270
Dimensión de
la competencia
Descriptor Detalle descriptor
Práctica reexiva Evaluar críticamente y desarrollar activamente las propias
práctic as basadas en datos dentro de la e nseñanza.
Reexionar s obre las conexiones entr e el avance de la
propia disci plina de investigación y los pr ocedimientos de
datos integrad os en la docencia.
Desarrollo
profesional
continuo
Cultivar espac ios de aprendizaje prof esional formales,
informales y n o formales que apoyen una conti nua
alfabetización compleja en datos.
LOS DATOS COMO
RECURSOS PARA EL
APRENDIZAJE
Selección de da tos
como recur so para
el aprendizaje
Identicar, evaluar y s eleccionar datos o enfoque s de datos
como recur sos para la enseñanza y el apre ndizaje.
Considerar obje tivos de aprendizaje esp ecícos, contextos,
enfoques pe dagógicos y grupos de est udiantes al diseñar
enfoques didácticos con uso de datos.
Generación,
recolección,
extracc ión de datos
como recur so para
el aprendizaje
Planicar la extracción, modicación y elaboración
de datos abier tos (Open Data) como parte de tare as
de aprendiza je auténticas, basadas en pr oblemas y
orientadas a proyectos.
Gestionar, proteger
y comparti r datos
Organizar lo s datos como contenido educati vo y ponerlos
a disposición d el alumnado y, eventualmente, de otras
partes interesadas.
Disponer los datos seleccionados para la enseñanza,
protegiendo c on ecacia los datos sensibl es; respetando
y aplicando cor rectamente las reglas d e privacidad y
derechos de au tor para abrir datos y generan do formas
de comprensión del uso de licencias abiertas incluida su
atribución adecuada.
PROCESOS DE
ENSEÑANZA Y
APRENDIZAJE
Enseñanza Planicar e implementar actividades y visualizaciones
basadas en dato s en el proceso de enseñanza y
aprendizaje, a n de mejorar la ecacia de las
intervenciones docentes.
Reconocer, en ese marco, las i nfraestructu ras digitales y
sus riesgos, e n particular ligados a la plat aformización.
Guía/tutorización Integrar los dat os (presentes en regist ros de los
estudiantes, evaluaciones, evaluaciones de cur sos,
procesos de m onitoreo, paneles) para ofre cer orientación y
asistencia oportunas y especícas.
Experimentar y desarrollar nuevos formular ios y formatos
para ofrec er orientación y sopor te basados en datos.
271
7. DESAFÍOS PARA EL PROFESORA DO ❚
Dimensión de
la competencia
Descriptor Detalle descriptor
Aprendizaje
colaborativo
Utilizar enf oques basados en datos par a fomentar y
mejorar la colabo ración de los alumnos para pe rmitir
que el alumnado ut ilice sus propios datos como par te
de tareas colabo rativas y como un medio para m ejorar
la comunicació n y la colaboración y la creació n de
conocimiento colaborativo.
Aprendizaje
autorregulado
Utilizar enf oques basados en datos (a par tir de registros
del estudiantado, evaluaciones, evaluaciones de cursos,
procesos de m onitoreo, paneles de contro l) para apoyar
el aprendiza je autorregulado de los es tudiantes, es decir,
para permit ir que los estudiantes plani quen, monitoreen
y reexionen sobre su propio aprendizaje, que busquen,
comprendan, compartan ideas y encuentren soluciones
creativas sobre la evidencia del propio progreso.
EVALUACIÓN Es trategias de
evaluación
Integrar los dato s producidos a lo largo del pro ceso de
aprendizaje c on nes de evaluación format iva y sumativa,
reconociendo los límites de métricas y conceptualizaciones
basadas en dato s adoptadas para ello.
Análisis de proce sos
de aprendizaje
Generar, seleccionar, analizar críticamente e interpretar
los datos como evid encia de la actividad, el re ndimiento
y el progreso d el alumnado a n de apoyar proces os de
diseño educativo.
Considerar en es te contexto las limitaci ones impuestas por
a las infraes tructuras digit ales elegidas para trabaj ar (en
particular plataformas privativas).
Retroalimentación
y planicación
Utilizar los da tos producidos a lo largo del pr oceso de
aprendizaje para proporcionar retroalimentación dirigida
y oportun a al alumnado.
Adaptar las est rategias de enseñanza y pro porcionar un
apoyo especí co basado en la evidencia gene rada por las
tecnologías digitales utilizadas.
Permitir que el e studiantado y otras par tes interesadas
entiendan los dato s como una forma de evidencia
proporcionada por tecnologías digit ales, enfatizando
también sus limitaciones y riesgos, ligados en particular
a las infraes tructuras digit ales elegidas para trabaj ar (en
particular plataformas privativas).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
272
Dimensión de
la competencia
Descriptor Detalle descriptor
EMPODERAMIENTO
DEL ESTUDIANTADO
Accesibilidad e
inclusión
Garantizar e l acceso a los datos generados y ut ilizados
durante las ac tividades de aprendizaj e, de todo el
alumnado, incluidos aquellos con necesidades especiales.
Considerar y responder a las expectativas, habilidades,
usos y conceptos e rróneos del estudian tado sobre los
datos manipulado s durante procesos de enseñ anza y
aprendizaje.
Diferenciación y
personalización
Usar las tecnol ogías digitales para abo rdar las diversas
necesidades d e aprendizaje del alumando, ayud ando a
que seleccionen objetivos y actividades de aprendizaje
que expandan s us posibilidades de autoex presión y
crecimiento.
Participación activa
del alumnado
Usar tecnolo gías digitales (como la narració n de datos y la
generación de infografías) para fomentar el compromiso
creativo y crí tico del alumnado con los datos com o
contenido de aprendizaje.
Abrir el apren dizaje a nuevos contexto s de uso de datos
en el mundo real, involu crando al propio alumnado en
actividades prácticas, investigación cientíc a o resolución
de problemas complejos.
FACILITAR LA
ALFABETIZACIÓN DE
DATOS AUTÓNOMA
Capacidad técnica
del alumnado par a
manejar los datos
Incorporar ac tividades de aprendi zaje, tareas y
evaluaciones que requieran que se interroguen sobre
qué nuevas fue ntes de datos consultar, extrae r o crear;
ayudar a las y los es tudiantes a encontrar y ex traer
datos sin proces ar en entornos digitales; ap oyarles en la
organización, procesamiento, análisis e interpretación de
datos para comp arar y evaluar críticamente l a credibilidad
y conabilidad de lo s datos disponibles, en relaci ón con
las fuentes de e xtracción para su pro cesamiento directo o
aplicado en el ap rendizaje de máquina en la IA.
Uso de los datos
del alumnado en
la comunicació n y
colaboración
Incorporar ac tividades de aprendi zaje, tareas y
evaluaciones que requieran que usen herramientas
digitales de m anera efectiva y res ponsable para compar tir,
comentar, elaborar y presentar datos.
Habilidades
del alumnado
para generar
«narrativas» basada
en datos
Incorporar ac tividades de aprendi zaje, tareas y
evaluaciones q ue promuevan en el alumnado la cap acidad
de generar visualizaciones, representaciones e historias
utilizando da tos. Trabajar junto al alumnado para
comprender cóm o se aplican los derechos de a utor y las
licencias exis tentes a los datos como contenido d igital,
incluso el que e s adoptado luego en el entrena miento para
el aprendiza je de máquina en la IA.
273
7. DESAFÍOS PARA EL PROFESORA DO ❚
Dimensión de
la competencia
Descriptor Detalle descriptor
Uso responsa ble de
los datos por par te
de los estudi antes
Permitir que re conozcan y gestionen los r iesgos de usar
datos personales, sociales y generalmente abier tos de
forma segur a y responsable en el proce samiento directo y
en el aprendiz aje de máquina para el desar rollo de la IA.
Explorar y comprender el impacto ambiental que tiene
el uso de datos par a tecnologías inteligente s adoptadas
en procesos de a prendizaje o ligados a las dis ciplinas
estudiadas.
Uso de los datos
del alumnado par a
la resolución d e
problemas
Incorporar ac tividades de aprendi zaje, tareas y
evaluaciones que ayuden al estudiantado a identicar
y resolver pro blemas técnicos de ext racción de datos,
elaboración y p resentación, exten diéndose a tareas
especícas de programación relacionadas con las
disciplinas estudiadas por el estudiantado, incluidas las
ciencias sociales y las humanidades.
Comprender el im pacto ético y social que p ueden tener
las solucione s data-driven o inteligentes de ciertos
problemas «prácticos».
Fuente: actualización del esquema elaborado en Raaghelli (2020a)
A partir de esta elaboración, fui relacionando los espacios de
alfabetización con la categorización brindada por el dispositivo de
cuadrantes (Raaghelli, 2021). En la gura 11 puede observarse
ese ejercicio, que, si bien es del todo heurístico, nos propone un
primer esquema de trabajo: podemos localizar los conocimientos,
habilidades, actitudes y valores deseables en base a los espacios de
cuadrantes, trabajando sobre las deniciones dadas en la tabla 4, o,
yendo mucho más allá, a partir de las especicidades de la propia
disciplina en la que se investiga y se enseña. Como podemos obser-
var en la gura, trabajar en cada una de estas áreas de alfabetización
puede tener efectos relevantes para la institución en la que llevamos
a cabo nuestra tarea. Por ejemplo, el actualizar nuestras prácticas
profesionales a partir de datos abiertos en la investigación y la co-
municación cientíca con colegas y al mismo tiempo extenderse al
uso de esos datos como contenido de aprendizaje, incluyendo todos
los aspectos éticos de recogida de datos, nos llevará a trabajar en
competencias ligadas al primer cuadrante, ligadas al contexto de
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
274
práctica profesional y al uso de datos abiertos como contenido de
aprendizaje. El impacto logrado podría alimentar una visión indi-
vidual, o mejor aún institucional si se adopta por grupos de trabajo,
de una ciencia y práctica educativa abiertas.
También superar problemáticas de control y vigilancia en exáme-
nes en línea junto a grupos del estudiantado; trabajando por ejemplo
en la comprensión de términos y condiciones del uso de plataformas
en el contexto universitario o en la vida de los jóvenes puede llevar a
desarrollar competencias relacionadas con los datos en el proceso de
aprendizaje-enseñanza y del empoderamiento del estudiantado que se
desarrolla en el tercer cuadrante y pueden tener un impacto (reducido,
si lo trabajamos solo en una clase; o más amplio, si trabajamos por
departamentos o carreras universitarias) en una visión o una política
institucional respecto al uso de datos educativos que se nutre de con-
ceptos de justicia de datos.
Dejo el ejercicio de pensar en los cuadrantes restantes a partir de
la lectura de los capítulos de este libro y su relación con marcos com-
petenciales que, como ya he dicho, simplemente he sugerido.
Figura 11. Dimensiones de alfabetización en datos respecto al espacio cuatridimensional de una cultura
de datos.
275
7. DESAFÍOS PARA EL PROFESORA DO ❚
Este esquema trata entonces de ir más allá de las orientaciones
de aprendizaje profesional relacionadas con los procesos de dati-
cación en cuanto a la investigación y el desarrollo, sea en el ámbito
académico o industrial, donde la ciencia de datos ha nacido y to-
mado su forma. Estamos de acuerdo en que en el momento actual
la evolución en el desarrollo de cursos de postgrado universitarios
avanzados como másteres y doctorados ha ido cubriendo rápida-
mente una reexión sobre temas como la justicia y la ética de datos.
Sin embargo, insisto en que un camino es mirar esas prácticas no
solo de manera separada, sino tratar de ir generando una gura
compleja que por fuerza cambiará incluso los currículos universita-
rios. Y para ello, un primer desafío es comprender nuestras mismas
habilidades, conocimientos, actitudes y valores respecto a los datos,
en general, y respecto a la cultura de datos en la que nos colocamo,
en particular.
Claro está que el desarrollo profesional de profesorado universita-
rio, a partir de procesos reexivos y de experimentación que encierran
formas de aprendizaje profesional no formal e informal, puede sentar
las bases para enfoques más complejos de la alfabetización básica en
datos del estudiantado, que a su vez transferirá estas habilidades a los
respectivos contextos de vida y de práctica profesional. La discusión
que tenemos por delante, en este sentido, deberá necesariamente mo-
verse por las herramientas de análisis y promoción de la formación
de habilidades básicas y avanzadas en relación con la alfabetización
de datos, también vinculada a las epistemologías subyacentes a las
formas de conocimiento que ya no se basan en la «recolección», sino
en la lógica «extractiva» del dato. Este último enfoque implica pensar
en nuevos espacios y límites ontológicos como una entidad que en
su conguración asume aspectos conceptuales, ideológicos e incluso
de poder –como lo he puesto de maniesto a lo largo del libro–.
Estas son fronteras de acción y reexión que no deben olvidarse en
los enfoques pragmáticos, a menudo muy orientados al resultado
esperado por el mercado y poco basados en la profunda reexión
educativa sobre qué se enseña y qué se aprende y para qué contextos
de desarrollo humano. En este punto, uno podría preguntarse si esta
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
276
es la oportunidad de salir de la lucha entre las «dos culturas» que
fuera denunciada por el físico y escritor Charles Snow (1959). No
es una prevalencia de ciencias duras o STEM (science, technology,
engineering, math) (ciencia, tecnología, ingeniería y matemáticas),
no es una prevalencia de la esfera humanista-social, sino un diálogo
fructífero que permita la generación de interpretaciones (datos) que
a su vez apoyen la comprensión del complejo y rico desarrollo de la
cultura humana.
Identificar prácticas basadas en datos en sus contextos
institucionales (y culturales)
La identicación de competencias y el trabajo de la alfabetización
en datos me parecía, en cualquier caso, una tarea aislada que ocurría
en la soledad de un aula o desde la reexión personal y profesional.
Las dinámicas de la daticación en mi estudio –tal y como traté de
plasmarlo en este libro– descubrían cada vez más su carácter social
y cultural, que generaba un entramado intrincado de interdependen-
cias, como, por ejemplo, la falta de «grados de libertad» del educa-
dor para seleccionar herramientas digitales durante la pandemia. De
hecho, al tratar de contextualizar el desarrollo de competencias y el
aprendizaje profesional en relación con el cambio tecnológico posdi-
gital, que interrogaba fuertemente la idea tradicional de competencia
digital, resultó evidente la imposibilidad de pensar en términos uni-
versales: y ese es un desafío evidente, que tiene que ver con asumir
las particularidades con que la daticación puede presentarse a un
docente. No podemos olvidar, llegados a este punto, que la práctica
profesional es de por sí un fenómeno situado, vinculado a culturas y
grupos organizativos (Chai y Kong, 2017; Felisatti y Serbati, 2019;
Wenger, 1998; Za et al., 2014). En este sentido, las organizaciones
y sus culturas institucionales (narrativas, instrumentos, prácticas,
héroes) se convierten en contextos cruciales que alimentan o impiden
el aprendizaje profesional para la apropiación crítica de las innova-
ciones tecnológicas (Fenwick y Edwards, 2016). Al llegar aquí, el
recorrido realizado en el libro nos ha permitido comprender que las
277
7. DESAFÍOS PARA EL PROFESORA DO ❚
universidades, como instituciones, desarrollan culturas más o menos
propensas a comprometerse críticamente con las innovaciones tecno-
lógicas y sus efectos; además, ha habido una estampida más o menos
violenta en las universidades hacia la adopción de métricas facilitadas
por la transformación digital (Sangrà, Guitert et al., 2019b; William-
son, 2018). Podemos pensar, entonces, que las diferencias con que las
universidades enfrentan y construyen sus culturas de datos plantean
oportunidades de aprendizaje que es necesario mapear. Y eso fue
lo que me propuse hacer junto a algunos colega, en una tarea que
cruzó el Mediterráneo, entre España e Italia, en dos universidades
(Raaghelli, Grion et al., 2021). Este ejercicio comenzó al tratar
de pensar qué alfabetizaciones espontáneas, basadas en procesos de
aprendizaje formal, no formal o informal se estaban dando en las
universidades como punto de partida para entender las necesidades
de desarrollo profesional docente –según ya había planteado en las
revisiones mencionadas en el párrafo anterior– y también desde un
primer recorrido conceptual dialogando con colegas expertos acerca
del problema de la daticación en las universidades (Raaghelli et
al., 2020). Diseñé una encuesta en este contexto de colaboración
internacional cuyo objetivo era justamente explorar divergencias y
convergencias entre las universidades como contextos locales y orga-
nizativos que enmarcan la respuesta del profesorado a la daticación,
que luego publicamos como estudio conjunto (Raaghelli, Grion et
al., 2021) y al que me referiré muy brevemente para mostrar un ca-
mino posible para explorar prácticas y necesidades de aprendizaje.108
El primer foco de estudio fueron las prácticas basadas en datos en
relación con la evaluación especícamente (desde la conceptualiza-
ción de la nota al uso de analíticas de aprendizaje) y su asociación
con el análisis de la calidad, aspecto que más tarde iba a colocar en el
segundo cuadrante, detallado en el capítulo cuatro. Dicho foco fue
elegido por la consistencia teórica y empírica observada inicialmente,
pero el instrumento que adoptamos fue desarrollado según un estu-
108. Es posible ver de manera sintética el enfoque del estudio en esta página: https://bfairdata.
net/mapping-pedagogical-practices/survey/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
278
dio Delphi que cubría todas las escalas revisadas en el marco compe-
tencial que analizamos en el párrafo previo (Raaghelli, 2019b). En
total, las seis escalas se basaban en 38 ítems que describían prácticas
especícas. Se presentaban entonces seis preguntas con sus respec-
tivos ítems, con la posibilidad de dar una puntuación de 1 a 5 (1
indicaba una práctica «para nada frecuente» y 5, una «práctica muy
frecuente o cotidiana»), en un espacio temporal que se relacionaba
con el último año de trabajo.
Son dos las preguntas que guiaron en general esta exploración y
que tienen valor heurístico para quien quiera acometer este trabajo en
una o varias instituciones:
• ¿Cuáles son las prácticas de datos más comunes en relación con la
actividad de gestión de la calidad y la evaluación del aprendizaje
como expresiones de la cultura de datos en las dos universidades?
• ¿Existen diferencias entre los dos casos con respecto a las prácti-
cas de datos, apoyando el concepto de cultura de datos como un
fenómeno situado?
Trabajamos entonces en dos de las escalas, es decir:109
• Datos en el contexto de desarrollo profesional (ligado sobre todo a
la gestión de la calidad docente), que consistía en 8 ítems:
– CDP1. Utilicé datos procesados (informes nacionales o institu-
cionales) para abordar el desarrollo y la planicación institucio-
nal.
– CDP2. Utilicé los datos de la evaluación institucional para apo-
yar el desarrollo y la planicación institucional.
– CDP3. Utilicé los datos de la evaluación de mi propio curso para
participar en el desarrollo y la planicación institucional.
– CDP4. Utilicé los datos de la evaluación institucional para el
diseño del plan de estudios.
109. El cuestionario fue sometido a dos tipos de validación, Delphi (incluyendo Kappa Fleiss
para el acuerdo entre ocho expertos) y alpha de Cronbach para la validación empírica de las escalas,
según lo reportado en Raaghelli et al., 2021..
279
7. DESAFÍOS PARA EL PROFESORA DO ❚
– CDP5.Utilicé los datos del análisis del aprendizaje de mis pro-
pios cursos para apoyar el diseño del aprendizaje posterior.
– CDP6. Utilicé los datos del análisis del aprendizaje de mis pro-
pios cursos para reexionar sobre mi propia ecacia docente.
– CDP7. He utilizado los datos de medios sociales integrados en
mi actividad docente para analizar y mejorar la ecacia de la
enseñanza.
– CDP8. Extraje y utilicé datos de los medios sociales en los que
mi alumnado participa libremente para abordar la ecacia de la
enseñanza.
• Datos para la evaluación, que consistía en 10 ítems:
– DE1. Utilicé los datos de las actividades de evaluación para ana-
lizar los procesos de aprendizaje.
– DE2. Utilicé los datos de las actividades de evaluación para con-
trolar la ecacia de la enseñanza.
– DE3. Utilicé los datos de las actividades de evaluación para dar
feedback sobre el aprendizaje.
– DE4. Utilicé los datos de la evaluación general del curso para
dar feedback formativo a mis estudiantes.
– DE5. He reexionado con mi alumnado sobre los datos recogi-
dos en las evaluaciones nales.
– DE6. Utilicé los datos de los registros de los alumnos para mo-
nitorizar/evaluar mi propia enseñanza.
– DE7. Utilicé los datos de paneles y sistemas integrados al entor-
no virtual de aprendizaje para supervisar/evaluar la enseñanza.
– DE8. Utilicé datos de sistemas digitales automatizados sencillos
para analizar y calicar el trabajo de las y los alumnos (cuestio-
narios en línea).
– DE9. Utilicé los registros y paneles del entorno virtual de apren-
dizaje para reexionar con mi alumnado sobre la calidad del
aprendizaje y la enseñanza.
– DE10. Utilicé sistemas digitales sencillos y automatizados para
analizar juntamente con mi alumnado sus opiniones sobre el
curso (encuestas nales en línea).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
280
Cabe destacar que ambas universidades estudiadas poseen cerca
de 60000 estudiantes. La primera, italiana, cuenta con casi 4500
profesores, de los cuales casi el 35% son titulares y dividen su
tiempo entre la investigación y la docencia. La universidad puede
considerarse una de las más antiguas de Italia y también de las
mayores, pues la media nacional se coloca alrededor de 22000
estudiantes, con 1250 puestos de trabajo académico. La univer-
sidad es conocida a nivel regional y nacional. Los estudiantes in-
ternacionales son unos 2500, pero en un buen número pueden
considerarse mayoritariamente residentes (segundas generaciones
de inmigrantes en Italia). En cuanto al segundo caso, está repre-
sentado por una joven universidad privada española centrada en la
formación a distancia y el aprendizaje permanente. Con cerca de
80000 estudiantes, cuenta unos 5000 miembros relacionados con
tareas docentes. Dentro de esta plantilla, casi el 10% se dedica a
actividades de investigación y la mitad de ellos como investigadores
a tiempo completo. La universidad es reconocida por su modelo
educativo exible y global, ya que atiende a unos 6500 estudiantes
internacionales de casi 145 países. Los estudiantes matriculados en
dicha universidad representan casi el 6% del total matriculado en
instituciones españolas, que en promedio es de 15500 estudiantes.
Por lo tanto, la segunda universidad también puede considerarse
un caso de dimensión medio-grande. Sin embargo, como podemos
observar, las trayectorias históricas y de impacto social actual son
diversicadas.
En total, se invitaron unos 8500 profesores entre ambas universi-
dades, cerca de 4500 en la primera y 4000 en la segunda. Si bien se
obtuvieron cerca de 1100 respuestas en total, pudimos trabajar sobre
cerca de 600 respuestas en total, lo que permitió realizar una serie de
análisis estadísticos completos.
Las diferencias de composición de ambas universidades se pro-
fundizaron al observar género, ámbitos de trabajo cientíco y edad
de las personas que respondieron. En cuanto al género, el caso A
(IES italiana) mostró una mayor presencia masculina, mientras que
en el caso B (IES española) se observó lo contrario. En cuanto a
281
7. DESAFÍOS PARA EL PROFESORA DO ❚
los ámbitos cientícos, las ciencias sociales se vieron mucho más
representadas en el caso de la universidad española, mientras que las
ciencias naturales fueron más relevantes en el caso de la universidad
italiana; pero en ambos casos se vió una situación relativamente
equilibrada en lo que respecta a la tecnología y ciencias formales
(como matemática y estadística); las humanidades, la lingüística y
el ámbito biomédico. Finalmente, en cuanto a la edad, en relación
con el segundo caso, el primero concentró una población de mayor
edad, especialmente respecto a la experiencia investigadora, lo que
puede ser indicador del envejecimiento del personal y una lenta
evolución de la carrera. En cambio, el segundo caso mostró una
distribución más plana y una presencia diversicada de personal
más joven con menos experiencia en investigación y un grupo cre-
ciente de académicos senior; con una diversicación de las trayec-
torias profesionales en dicha universidad, donde el nivel de entrada
a la carrera académica también puede basarse en las actividades
docentes.
Sin adentrarnos más en las particularidades de los análisis reali-
zados –para ello aconsejo a quien lee de consultar el trabajo de in-
vestigación publicado–, presentaré dos grácos que son bastante elo-
cuentes de por sí y nos muestran las diferencias de las universidades
respecto de las dos dimensiones de prácticas de datos analizadas. Se
trata de grácos de radar que muestran los patrones de práctica según
las dos escalas analizadas. Y si bien estos dos grácos muestran patro-
nes más o menos coincidentes, se observan algunas diferencias que
luego, a partir de la inferencia estadística, se mostraron signicativas.
En primer lugar, se observan diferencias en cómo las tendencias de
trabajo institucionales inuyen en la decisión docente individual, te-
niendo aparente mayor peso en el primer caso (A) respecto al segun-
do (B) si consideramos fundamentalmente las escalas CDP3, CDP4
y CDP5. Y una mayor atención a los datos emergentes de la propia
práctica profesional para la reexión docente, con aparente mayor
autonomía de decisión en la segunda universidad (B, CDP6). Por lo
que respecta a las prácticas de datos en la evaluación, la mayoría se
basan en datos recogidos y generados por el profesor al calicar en
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
282
ambos casos. Sin embargo, en el segundo caso se observa que las y los
participantes dedican cierta atención a un análisis básico basado en
datos extraídos del sistema de aprendizaje en línea, consultando los
registros de los alumnos y adoptando procesos automatizados de re-
cogida de datos (DE6 y DE7) y ello implica que el profesorado tiene
acceso a estos datos y que eventualmente la institución ha formado
al profesorado para entender esos datos. Y sin embargo y mucho más
importante, la puntuación de la apertura de los sistemas de datos a los
estudiantes para debatir con ellos sobre la calidad de la experiencia
de enseñanza y aprendizaje es aparentemente inexistente en ambos
casos (DE8, DE9 y DE10), lo que implica que hay mucho recorrido
por hacer respecto a formas de trabajo participativas con datos en el
aula y en las IES.
Si consideramos entonces las dos escalas analizadas, observamos
que hay prácticas comunes en ambas universidades, pero también hay
diferencias que caracterizan culturas institucionales especícas en la
forma de concebir y utilizar los datos digitales y los datos en general.
Demostramos que en la universidad más tradicional (caso A), las
prácticas de datos se ciñen a la idea de ajustar el diseño del aprendi-
zaje y la enseñanza a la luz de tendencias nacionales e institucionales.
En cambio, en la universidad más joven (caso B), la atención recae
en las percepciones más individuales de innovación y calidad. Esta
conclusión no implica que haya innovadores únicos en cada universi-
dad. Pero en el segundo caso parece que se pone en juego una mayor
autonomía docente, con más atención a los microespacios de práctica
profesional. Por el contrario, en el segundo caso, la atención se centra
en la relación entre la forma dada a los microespacios por parte de los
macroespacios (las métricas institucionales).
283
7. DESAFÍOS PARA EL PROFESORA DO ❚
Figuras 12 y 13. Grácos de radar que representan los valores medios de las escalas de prácticas de datos en
dos IES diferentes.
Las pruebas inferenciales estadísticas que siguieron detectaron –y
conrmaron– las diferencias apenas comentadas.
Estos resultados son increíblemente limitados desde que no apor-
tan ninguna información sobre las prácticas de datos para los diferen-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
284
tes subgrupos (académicos más jóvenes, género, diferentes dominios
cientícos, los niveles de experiencia en la enseñanza y la investiga-
ción, etc.). Por lo tanto, es necesario seguir investigando para com-
prender si las prácticas de datos se caracterizan por esas diferencias
individuales y si las culturas de datos (emergentes desde las prácticas)
son transversales a grupos de edad o género más allá de las institu-
ciones. Además, si observamos el uso de datos en la evaluación, los
enfoques tradicionales vinculados a datos analógicos de instrumentos
ad hoc usados por el profesorado podrían prevalecer en ambos casos y
muestran alineamientos o patrones de práctica. Sin embargo, el uso
más frecuente de los entornos digitales en el caso B parece apoyar una
mayor atención a la adopción de paneles y analíticas, probablemente
desde que la institución da una disponibilidad de esos instrumentos.
Sin embargo, parecería faltar el apoyo en ambos casos para el trabajo
crítico y en diseños participativos en ambos casos, lo cual, si se está
haciendo uso de analíticas en el segundo caso, puede exponer a mayor
controversia ética.
A pesar de que este estudio se limita a dos casos concretos, los
resultados apoyan una reexión preliminar sobre las diferencias ha-
lladas al relevar las prácticas y con ello la cultura de los datos en IES.
Como dijimos, dicha reexión es relevante para abordar las recomen-
daciones de desarrollo del profesorado y las estrategias institucionales
de manera contextual, situada y respetuosa de procesos de desarrollo
en curso.
Este ejemplo que he traído aquí respalda el desafío planteado por
la necesidad de revisar prácticas existentes sistemáticamente, antes
de implementar políticas para abrazar una u otra moda en relación
con la daticación. Las universidades ya no pueden sustraerse a una
reexión crítica sobre el uso de los datos producidos por la Adminis-
tración, la evaluación de la calidad, la docencia, la investigación. En
este caso, se ha usado un cuestionario con una serie de ítems que se
relacionan con una exploración de competencias y a su vez una de-
nición de espacios sobre los que se basa y se desarrolla una cultura
de datos. En nuestro gráco de cuadrantes, en efecto, este trabajo ha
recorrido ampliamente las problemáticas del segundo cuadrante. Sin
285
7. DESAFÍOS PARA EL PROFESORA DO ❚
embargo, las instituciones pueden optar por instrumentos y enfoques
de trabajo ligados a estrategias y grupos de trabajo institucionales,
con laboratorios o conversatorios cuyos resultados sean sintetizados
en reportes, infografías, posters u otras formas de visualización que
pueden llamar a la involucración de los portadores de intereses res-
pecto a un área de prácticas de datos y sus narrativas; es decir, lo
que la institución quiere ser o lo que cuestiona ser, de la manera más
participativa posible.
A este respecto, Felisatti y Serbatti (2019) arman que el desa-
rrollo del profesorado requiere estructuras complejas y proyectos ar-
ticulados, en los que los objetivos de formación sean claros, apoya-
dos por el compromiso colaborativo e interdisciplinario en proyectos
institucionales. También cabe reconocer un contexto como espacio
identitario donde muchas formas de ser sean posibles y no haya una
narrativa ganadora; ello con particular atención a las universidades
del sur global (Grosfoguel, 2022). No es la tecnología avanzada com-
prada a caro precio, que entra cual caballo de Troya en la universidad
«periférica» que cambiará la suerte de una universidad, ni tan siquiera
cuando la lleve a subir una decena de lugares en un ranking inter-
nacional. Un proyecto con el profesorado y el estudiantado requiere
repensar el propio lugar en la daticación, explorando lo existente, lo
problemático, lo heurístico, para comprometerse (eventualmente) en
resistencias o en movimientos para la transformación. En cualquier
caso, dimensiones tecnológicas, legales, sociales, educativas, etc., de
las prácticas de datos deberían investigarse más a fondo desde grupos
expertos, pues no siempre la actividad colaborativa o reexiva llega a
ver el propio límite epistemológico, el problema que se encuentra en
la conguración de escenarios emergentes e inesperados. Fundamen-
talmente, podríamos no ser capaces de ver la matriz cultural de la que
un grupo o institución puede ser portadora: por ejemplo, en contextos
«periféricos» donde prima la ansiedad por ser visible en una relación
centro-periferia, que lleva a preferir soluciones de avanzada (como las
plataformas) respecto a soluciones locales (como las promovidas por
grupos de activismo en código abierto y soberanía tecnológica).
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
286
Desarrollar la comprensión sobre prácticas existentes
Como he indicado previamente, la exploración de prácticas basadas
en datos desde herramientas puntuales y focalizadas como cuestio-
narios es solo un punto de entrada para comprender cómo ha llegado
la daticación a una IES.
Y hemos subrayado abundantemente que el docente no pueden
operar solo, aunque cualquier acción llevada a cabo en el aula apun-
tando a alfabetizar críticamente y descubrir las problemáticas encerra-
das en los tipos de infraestructuras en las que nos movemos pueda ser
considerada un paso adelante. Por ello, los espacios de taller, conver-
satorios y grupos de trabajo abren paso a una reexión sobre prácticas
que establece también una base para la transformación.
Durante los años 2018-2020 llevé a cabo una serie de talleres focali-
zados, no continuativos, en los que implementé una visión interpretati-
va hermenéutica, es decir, basada en el uso de viñetas (las tres historias
que conté al inicio de este libro y algunas más sobre la daticación) para
activar preguntas, diálogo y profundización de la comprensión (Raa-
ghelli, 2022a). Las actividades y las estructuras de estos talleres han sido
reportadas en abierto y se encuentran en la comunidad Zenodo que he
creado como espacio para mi investigación en abierto.110 El objetivo de
los talleres fue abordar las prácticas de datos y la daticación a partir
de detectar tensiones, conictos, posicionamientos e impactos sobre las
identidades de los participantes. Desarrollé 12 talleres, que contaron
con 298 participantes. Trabajé conjuntamente con otros colegas con
quienes iba «conversando» sobre los enfoques para una alfabetización
compleja en datos, más allá de la crítica, es decir, englobando una vi-
sión crítica, pero pensando en cómo cada taller contribuía a una visión
holística del problema. La tabla 5 muestra los nombres de los talleres y
el enlace a los recursos e informes abiertos publicados; también incluye
el número de participantes, los idiomas de trabajo, el tipo de expe-
riencia requerida para participar activamente y los objetivos esperados.
Además, se informa del tiempo necesario y el número de encuentros
110. https://zenodo.org/communities/plec-ds/
287
7. DESAFÍOS PARA EL PROFESORA DO ❚
implementados. Las áreas geográcas cubiertas se pueden encontrar
en la séptima columna. Todas las columnas mencionadas retratan la
extensión y diversidad de profesionales de la educación que participa-
ron y se comprometieron con la actividad. La mayoría de los talleres
se llevaron a cabo en conferencias internacionales, aunque algunos for-
maron parte de estrategias de desarrollo docente. Abordé el problema
de esta manera para ir más allá de las fronteras institucionales y orga-
nizar las actividades como una investigación abierta. Como resultado
yo (investigador/educador participante) y los educadores participantes
trabajamos con piezas de un rompecabezas que (aparentemente) no
estábamos viendo como conjunto integrado para orientar una práctica
focalizada y transformadora. Acomodé los talleres en conexión con la
fenomenología que estaba explorando, relacionando las prácticas de
datos en la sociedad con las halladas en las instituciones de educación
superior. Ofrecí a quienes participaban la lente para ver el problema de
la forma en que yo lo estaba haciendo a partir de problemas emergentes,
pero también considerando la posibilidad de encontrar juntos respues-
tas nuevas. Mi enfoque fue el de la ciencia posacadémica, evitando
ceñirme a un «ideal de verdad pedantemente estéril o conformista a la
moda» (Ziman, 1996).
Por lo tanto, el trabajo se basó en un progresivo avance interpretativo
a través de «círculos hermenéuticos» en términos de Gadamer: un pro-
ceso iterativo donde se explora el detalle de la experiencia para alcanzar
una nueva comprensión de un todo, que, además, está mediada por
conversaciones con otros (Gadamer, 1975). Mi interés en este enfoque
se centraba en la relevancia dada por el lósofo alemán a la conver-
sación como conocimiento situado para la búsqueda contextualizada
de la verdad, que no puede redirigirse a un conjunto de métodos de
investigación. Las reexiones en cada taller fueron el resultado de una
conversación basada en la hermenéutica material tomando en cuenta,
como decía, viñetas, fotografías, casos, modelos y otras presentaciones
visuales, como el gráco de cuadrantes que presentaban situaciones
complejas (y generalmente injustas) en relación con la entrada de la
daticación en la sociedad y la educación, buscando comprender las
reacciones y grados de libertad percibidos por los educadores.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
288
Tabla 5. Detalles de talleres desarrollados sobre temas de datic ación, sociedad y educación
Nombre
del taller
Fecha NId Experiencia
Particip
Tipología
Particip
Distrib geog Dur M Enfoque
de datos
Modo Informe
NWL2018 Mayo
2018
9EN Avanzado Investigadores educativos
Líderes IES
Europa 60 1 A pres http://doi.org/10.5281/
zenodo.4446013
EDEN18 Junio
2018
8EN Avanzado Líderes de pr oyectos
transnacionales
Investigadores educativos
Educador es de EFP
Líderes en educación abierta
Europa 90 1 B pres http://doi.org/10.5281/
zenodo.4446267
MASTER
UB19
Febrero
2019
16 ES Medio-
avanzado
Capacitadores de profesorado.
Tecnólogas/os de la Educación
Europa
América de l Norte
América Latina
240 2 B pres http://doi.org/10.5281/
zenodo.4446763
JTELSS19 Junio
2019
25 EN Inicial Candidatas/os de doctorado en
tecnología educativa
Europa 60 1 A pres http://doi.org/10.5281/
zenodo.4446844
OEG19 Nov
2019
6EN Medio-
avanzado
Líderes de p royectos
transnacionales
Investigadores educativos
Líderes en educación abierta
Exper tos en IES
Europa
América de l Norte
60 1 C pres http://doi.org/10.5281/
zenodo.3557431
UOC2019 Dic
2019
12 EN Inicial Candidatas/os a doctorado
Asistentes de investigación en
aprendizaje en línea
Europa
América de l Norte
180 1 C pres http://doi.org/10.5281/
zenodo.4453078
UBAAP2020 Enero
2020
10 ES Medio-
avanzado
Profesorado universitario Cataluña-España
(Europa)
180 1 D híbr http://doi.org/10.5281/
zenodo.4460680
7. DESAFÍOS PARA EL PROFESORA DO ❚
289
OER2020.I Abril
2020
73 EN Medio-
avanzado
Líderes de p royectos
transnacionales
Investigadores educativos
Líderes en educación abierta
Exper tos en IES
Europa
América de l Norte
América Latina
30 1 B en
línea
http://doi.org/10.5281/
zenodo.3739180
OER2020.II Abril
2020
94 EN Medio-
avanzado
Líderes de p royectos
transnacionales
Investigadores educativos
Líderes en educación abierta
Exper tos en IES
Europa
América de l Norte
60 1 C en
línea
http://doi.
org/10.5281/
zenodo.3744135
ÁREA2020 Abril
2020
25 ES Medio-
avanzado
Tecnólogas/os de l a educación
Líderes en educación abierta
Profesorado universitario
Capacitadores de profesorado
América Latina 90 1 B en
línea
http://doi.
org/10.5281/
zenodo.3839439
MED2020 Nov
2020
5IT Inicial y
medio
Capacitadores de profesorado.
Tecnólogas/os de la Educación
Italia (Europa) 240 4 B Y C en
línea
https://www.youtube.
com/watch?v=F0Z-
BWGPcwQ
LATAM2020 Dic
2020
15 ES Todos los
niveles
Profesorado IES América Latina 60 2Culturas
de datos
justas
[A a D]
en
línea
http://doi.org/10.5281/
zenodo.4475965
TOTAL: 12 talleres, 298 participantes
Identidad d e los talleres: A = Dato s abiertos de inves tigación para la c iencia educativ a abierta; B = Datos ab iertos como RE A; C = Vigilancia de dato s en la educación y la so ciedad; D = Datos
para el bien e n la educación.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
290
La estructura permitió –aunque de modo imperfecto, pues los
posicionamientos individuales no son irreducibles en una pequeña
experiencia de taller– que las reexiones desencadenadas condujeran
a una mayor comprensión de las prácticas de datos (lo que los educa-
dores hacen con los datos o lo que sienten que se les hace usando los
datos producidos), las culturas (conocimiento situado sobre los datos),
las epistemologías (conocimiento y creencias acerca de los datos que
conducen a prácticas aceptadas, emprendidas o supuestas) y la necesi-
dad vinculada de alfabetizaciones. En la tabla 6 muestro cómo fueron
evolucionando las preguntas desarrolladas en el interior de los talleres,
desde quienes educan en diálogo con mi estructura de trabajo inicial.
Tabla 6. Trabajo interpretativo desarrollado en los talleres
Enfoque de datos El punto de par tida del círculo
hermenéutico
Preguntas generadas a partir
del proceso interpretativo-
hermenéutico
NWL2018
A = Datos de
investigación abiertos
para la ciencia e ducativa
abierta
La apert ura de datos como
práctic a emergente dentro de la
ciencia abier ta y el enlace con una
perspec tiva renovada de la profesi ón
académica digital como punto de
partida a prácticas co-liberador as.
¿Qué pasa con la cali dad de los
datos publicados? ¿Qué pasa
con nuestro t iempo y nuestra
sobrecar ga de trabajo como
académicos? ¿Nos ayudar á la
normativa sobre privacidad a
compartir los datos abiertos?
EDEN18
B = Datos abier tos como
recurso e ducativo abierto
Debate sobre e l uso de datos abiertos
como recursos educativos abiertos,
comprometiéndose con la losofía de
la educación a bierta en un espacio de
co-liberación.
¿Qué pasa con la adapt abilidad
de los datos abiertos publicados
para ser adoptados como recurso
educativo? ¿Qué pas a con nuestra
sobrecar ga de tiempo y trabajo
como académicos?
MASTERUB19
B = Datos abier tos como
recurso educativo abierto
Mismo punto de par tida y enfoque,
incluyendo los problemas observados
por los educa dores en el taller
anterior (EDEN18).
¿Estamos preparados para
afrontar las f ases técnicas de
preparació n de los datos para
nuestros al umnos? ¿Por qué es
tan difícil t rabajar en equipos
interdisciplinarios (que incluyan
a profesore s de matemáticas,
estadís ticos, informáticos y de
humanidades y ciencias sociales)?
291
7. DESAFÍOS PARA EL PROFESORA DO ❚
JTELSS19
A = Datos de
investigación abiertos
para la ciencia e ducativa
abierta
El mismo punto de par tida y
enfoque del t aller NWL2018, con
un foco en las dif erencias entre los
investigador es educativos senior y
junior.
¿Qué pasa con nuestras
necesidades de aprendizaje para
empaquetar adecuadamente
los datos? ¿Qué pasa con la
relevancia que s e da a los datos
abiertos de ntro de las unidades de
investigació n en las que estamos
iniciando nuestras carreras? ¿Qué
pasa con los dato s que no son o
no pueden ser vi sibles (como los
datos de las redes s ociales y las
plataformas LMS privadas)?
OEG19
BC = Pasar de los dato s
educativos a biertos a la
vigilancia de lo s datos en
la educación y la s ociedad
Los datos abier tos son solo la
punta del iceberg. Los problemas
en el uso de los datos e ducativos
también están relacionados con
las platafor mas en las que los
educadores no tienen ninguna
inuencia. Además, los educadores
pueden vers e atrapados en la
monetización de los datos educativos
producidos.
Deseamos que to dos los datos
sean públicos y pu edan utilizarse
para el bien, per o ¿es esto posib le?
¿Cuáles son las limita ciones? ¿Qué
podemos hacer r ealmente en torno
a la vigilancia com o educadores?
UOC 19
C = Vigilancia de dato s en
la educación y la s ociedad
Necesidad de ex plorar los
problemas de la v igilancia no solo
en la educación sino también en la
sociedad. De stacar las formas de
sesgo algor ítmico y las injusticias que
encierran la mayo ría de las prácticas
de datos, espec ialmente detrás de la
inteligencia articial.
¿Cómo podemos enfrentarnos
al dilema de const ruir una web
participativa y dejar nuestros
datos allí en est a intención? ¿Qué
podemos hacer r ealmente en torno
a la vigilancia com o educadores?
¿Podemos realmente de cir no al
rastreo de d atos?
UBAAP2020
D= Datos para el b ien de
la educación
La analítica d el aprendizaje podría
convertirse en una herramienta
habitual en la enseñanza
superior, pero habr ía que estudiar
los conjuntos de dat os y sus
consecuencias.
¿Podemos realmente ut ilizar la
analítica del a prendizaje si los
sistemas inst itucionales no están
sucientemente desarrollados?
¿Responderemos a las preguntas
correct as o solo a las preguntas
para las que tenem os los datos?
OER2020.I
B = Datos abier tos como
recurso educativo abierto
Reforza r la idea de los datos abiertos
como un buen punto d e partida para
comprometer se con los datos “para
bien”. La forma en que los cie ntícos
han colaborado p ara resolver
la falta de datos e n torno a las
pandemias, per o también el elitismo
en las posibilida des de acceso y la
imposibilidad de abrir ciertos datos
¿Cómo pueden los es tudiantes
partici par en la producción de
datos abiertos? ¿Quién «puede»
abrir datos?
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
292
OER2020.II
D = Vigilancia de dato s en
la educación
Profundizar en los problemas
de la vigilancia en la s ociedad y
sus impacto s en la educación. La
incidencia de la p andemia fue
muy relevante para aumentar la
preocupación del profesorado en
torno al probl ema.
¿Qué tipo de enfoq ues educativos
debemos utilizar para concienciar
sobre la vigilan cia de datos,
los sesgos alg orítmicos y la
monetización de los datos?
ÁREA 2020
B = Datos abier tos como
recurso educativo abierto
El concepto de datos ab iertos, más
allá de los datos abie rtos existentes,
puede adopt arse para promover el
compromiso cí vico y el activismo del
estudiantado universitario.
¿Pueden los estud iantes ser un
enlace entre el conocimiento
académico y las comunidades
marginadas mientras producen
datos?
MED2020
B Y D
Encontrar un buen equilibrio entre
las epistemologías de datos reactivas
y proactivas, hacia el desarrollo
de alfabeti zaciones de datos
empoderadoras y críticas.
¿Podemos hacerlo solos?
LATAM2020
Culturas de datos justas
[A a D]
Profundiz ar en la idea de un buen
equilibrio entre las epistemologías
de datos reactivas y proactivas
como acción situ ada, conectada a
una cultura institucional incrustada
en un context o local. El desarrollo
de una alfabet ización de datos
empoderadora y crítica depende
del compromis o técnico, estético y
político de los e ducadores.
¿Cómo podemos elab orar opciones
que amplíen lo que tenemos como
contexto lo cal, pero también
lidiar con los peli gros de «tomar
prestadas las innovaciones» en una
sociedad de plataformas?
En un primer círculo hermenéutico, fue claramente dedicado a la
apertura y disponibilidad de los datos desde una mirada de co-libe-
ración, aspecto que enseguida llevó a pensar en las tensiones y con-
tradicciones de las culturas de datos experimentadas por las y los
participantes. Los talleres NWL2018, EDEN18, JTELSS19 fueron
espacios con los datos abiertos como forma de activismo en una inves-
tigación educativa dominada por la publicación en circuitos cerrados
e inaccesibles, así como el uso de los datos abiertos como recurso
educativo abierto. Las preguntas de los educadores en esos talleres
nos llevaron (a mí y a los participantes) a focalizar hechos, tensiones
en la práctica como investigadores educativos y docentes, pues los
293
7. DESAFÍOS PARA EL PROFESORA DO ❚
datos aún son de baja calidad, porque el trabajo de los académicos
no obtiene reconocimiento en esos ámbitos; las reglamentaciones no
se habían difundido lo suciente ni se comprendían para respaldar
prácticas seguras de intercambio de datos; la elaboración necesaria
para ofrecer datos abiertos como recursos educativos requiere una
intensa mediación docente y un andamiaje que muchas veces los
docentes no están en grado de cumplir completamente, o bien re-
quieren una labor imposible de abarcar en los contextos educativos
de referencia. La interpretación de la justicia de datos en torno a las
prácticas mencionadas en estos talleres estuvo, por tanto, relacionada
con la necesidad de generar reconocimiento al trabajo docente en el
esfuerzo por abrir datos educativos de forma intencionada y construc-
tiva para trabajar visualizaciones coliberadoras. Sin embargo, en un
círculo hermenéutico ulterior, las preguntas que surgieron entre los
educadores del grupo MED (Italia) y en parte en MASTERUB19 y
LATAM20, que traduzco sintéticamente, fueron: ¿cuándo es posible
generar enfoques de co-liberación de datos?, ¿cuáles son los factores
desencadenantes necesarios?, ¿cómo pueden los medios educativos
servir al propósito de la co-liberación de datos?, las cuales hicieron
emerger la importancia de los «pequeños datos» que son controlables
y circulan por estructuras tecnológicas visibles. Se colocaron en ese
espacio los casos de los datos (de investigación) abiertos en oposición a
la idea de los macrodatos (big data) como resultado y materia prima de
procedimientos oscuros, relacionados con la mercantilización, lleva-
dos a cabo por poderosas multinacionales. Ante esta última tipología,
los grados de libertad y de autogestión disminuyen ostensiblemente.
En cambio, el docente puede desempeñar un rol fundamental al mos-
trar ejemplos de co-liberación, de trabajo comunitario a partir de los
datos pequeños, desmadejando la complejidad y los maniqueísmos
alrededor de las narrativas y prácticas basadas en datos. Es decir, se
pone de maniesto la necesidad de los educadores de estudiar con-
textos, trabajar en diseños educativos y profundizar el conocimiento
técnico y conocimiento estadístico para asegurar las fases apropiadas
de los estudiantes en la comprensión de la materialidad de los datos,
para avanzar más en la comprensión de cómo los datos pueden usar-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
294
se para representar problemas o desarrollar soluciones. Abrir vías de
reconocimiento a los esfuerzos intelectuales de los académicos para
llevar los datos abiertos a la clase como recursos, logrando luego el
objetivo real de promover el compromiso cívico y el monitoreo de los
datos abiertos, sería el enfoque educativo asociado a la búsqueda de
justicia en datos, a través de una justicia laboral alrededor de la tarea
docente.
Los talleres, sin embargo, tuvieron un impacto (particularmente
AREA20 y OER20.I, donde se observó una amplia participación
de comunidades «dateras» de América Latina) en el refuerzo de la
voluntad de construir ecosistemas de datos abiertos más allá de los
existentes, de compartirlos como comunidad educativa y educante,
con la participación del estudiantado. Se discutió, asimismo, sobre
cómo el estudiantado puede recopilar y publicar datos en un trabajo
de mediación y contacto con las comunidades locales. En particular,
se comentó el alto impacto del problema de la ausencia total de datos
(no data). Es decir, los problemas sociales para los que no existen datos
y donde el estudiantado puede tener un papel en el apoyo a las po-
blaciones marginadas para recopilar, interpretar y contar sus propias
historias de datos. La educación como dispositivo tendría en ese caso
un impacto directo en la búsqueda de formas de justicia de datos. No
fue extraño que este enfoque surgiera como debate en un contexto
LATAM, donde el espacio educativo ha sido visto por muchos como
motor de transformación social (Rodríguez-Arango, 2010).
Las interpretaciones del primer problema cerrando el círculo so-
bre el potencial de datos pequeños y abiertos para la coliberación
abrieron un círculo hermenéutico sobre la imposibilidad de acceder
a los macrodatos manejados por los gigantes tecnológicos y el tipo
de efecto coercitivo de estos. En los talleres MASTERUB19 (2019) y
UBAAP20 (2020) donde la presencia se componía de un profesorado
LATAM o de la Europa Mediterránea, la preocupación quedó más
del lado del dominio de las herramientas técnicas para trabajar con
datos y sobre datos en el proceso pedagógico que una comprensión y
compromiso de cambio de la tecnoestructura. En el taller OER20.II
(Nord América, toda Europa) y en el MED2020 (Italia) se observó
295
7. DESAFÍOS PARA EL PROFESORA DO ❚
una mayor preocupación en torno a la monetización de datos detrás
de la vigilancia, con la escala sin precedentes de uso de datos durante
las pandemias. Sin embargo, todos los grupos de educadores comen-
taron su incapacidad para enfrentarse a «los gigantes de las tecnologías
educativas», manifestando su pasividad en el no poder imaginar vías
alternativas que no tuvieran implicaciones de peso respecto a su tiem-
po y su trabajo en el desarrollo de habilidades técnicas. Por ejemplo,
siendo los participantes de OER20.II educadores abiertos activos, es-
tuvieron más preparados para temas de acceso, inclusión y poder que
en los otros casos. Además, una preocupación más evidente en torno
a la privacidad y la vigilancia se observó particularmente en el grupo
que no se veía afectado por una problemática de representación. Los
participantes europeos del primer grupo y latinoamericanos expresa-
ron un deseo mayor de dominar la técnica, un «ser parte de» antes
que contestar. Su búsqueda de la justicia respecto a sus alumnados
se basaba principalmente en el facilitarles los alfabetos para poder
como mínimo asomarse al mundo dominante, a poder tener palabra
conociendo sus instrumentos. Parece banal decir que el grupo de edu-
cadores dentro las áreas geopolíticas representadas, en cambio, desde
el privilegio de su posición pueden focalizarse en la deconstrucción
del sistema.
La interpretación, en este caso, nos llevó a pensar en la dicul-
tad de asumir y develar las formas que la falta de representación
toma en la interacción con dispositivos digitales. El enfoque para
el trabajo educativo atraviesa de lleno la imposibilidad de dominar
la tecnoestructura y la debilidad en sí misma del educador como
«solista» dentro del aula, una suerte de enfrentamiento entre David
(los educadores) y Goliat (las grandes multinacionales tecnológicas).
Los enfoques educativos, en este caso, según fue discutido en los
talleres mencionados, tienen un espacio de acción concreto en el
concienciar, develar conjuntamente y discutir las formas de falta de
representación, a) adquiriendo habilidades técnicas de visualización
de datos y coding para comprender el núcleo mismo del problema;
b) mostrando casos y comprendiendo su impacto desde una pers-
pectiva interseccional.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
296
Fue interesante observar durante los talleres del 2019 un cierto
escepticismo ante la crítica, una mayor necesidad de vincularse a la
«novedad» y de probar instrumentos, si bien muchos participantes
ya venían con una mirada crítica respecto del uso de métricas en la
educación superior. En particular, encontré un profesorado fuerte-
mente relacionado con la educación y el software de código abierto,
cuyo compromiso les daba los instrumentos simbólicos y materiales
para interrogar las prácticas de plataformas privativas. Durante el
2019, sin embargo, los educadores se mostraban casi «distraídos» res-
pecto a la vigilancia de datos y el compromiso real en prácticas que
podrían deconstruirla. Aquellos con habilidades tecnológicas avan-
zadas (UOC19, en particular) sintieron que sus prácticas expresaban
mejor sus identidades, pudiendo resistir, piratear o incluso generar
vías alternativas a la vigilancia, no considerándola un riesgo para su
alumnado. Volvió a quedar claro que la capacidad técnica dota al
educador de las habilidades para organizar medios para que sus alum-
nos comprendan y «jaqueen» la vigilancia. Pero también los debates
críticos sobre las consecuencias sociales de las prácticas de datos que
son oscuros requieren la participación de los educadores en grupos
profesionales y dentro del aula, en busca de un equilibrio complejo.
Aunque el trabajo reexivo avanzó, observé que los medios que yo
misma estaba utilizando no promovían un desplazamiento profundo
de los posicionamientos de quienes participaban.
Los talleres que se realizaron dentro de la pandemia mostraron
una increíble y rápida evolución respecto en relación con los supues-
tos que movilizaban a los educadores. Quienes participaron en los
talleres mostraron una sensibilidad aumentada hacia el problema de
la datacación y las prácticas de datos, también relacionada con lo
que se comentó como «la infodemia de COVID19» y las terribles
consecuencias de los malos usos de las redes sociales. Cabe destacar
que el tema de la daticación obtenía cada vez más cobertura me-
diática y los efectos de los sesgos algorítmicos pasaban a ser más visi-
bles en el discurso cotidiano, no solo a través del trabajo académico.
Historias locales, como el terrible caso del «asco de la evaluación
automatizada» en Reino Unido, que penalizó al estudiantado más
297
7. DESAFÍOS PARA EL PROFESORA DO ❚
pobre, y, sin embargo, excelente en sus posibilidades de acceso a la
universidad,111 así como la distribución por Netix de la docuserie
e social dilemma112 tuvieron un impacto profundo en la forma en
que los educadores percibían su necesidad de activarse respecto a la
vigilancia. Sin embargo, también era cierto que los participantes es-
taban muy interesados en adoptar datos para comprender el proceso
pedagógico, más allá de mostrar las problemáticas de la privacidad
en la tecnoestructura en la que nos movemos. De alguna manera,
muchos manifestaron (en particular, en contextos LATAM y en el sur
de Europa) su capacidad de «usar para bien» los datos del estudianta-
do, desde su pequeño rol en la clase. Esa armación fue contrastada
con el problema de la infraestructura detrás de la captura de datos,
aspecto que muchos educadores desconocían o sobrevolaban. Dicho
nudo fue en parte desentrañado a través de la posibilidad de generar
infraestructuras participativas y controladas de denición y uso de los
datos. Se concluyó, junto al profesorado participante, que distribuir
el poder simbólico, así como los recursos materiales a través de la
educación requiere que los educadores interactúen con las institucio-
nes y sus infraestructuras de datos para construir enfoques situados
y participativos para la comprensión y las prácticas de datos. Yendo
más allá del compromiso técnico, estético y político como educadores
con datos, avanzamos justamente en la idea de construir culturas de
datos justas, como una práctica situada en torno a los datos. En esos
contextos, en la búsqueda de la justicia se actúa en la posibilidad de
participar en la denición de las prácticas de datos, el reconocimiento
de los valores detrás de los datos y la oportunidad de expresión en pro-
cesos institucionales y grupales continuos de creación de signicado.
Como puede observarse en este caso, cada uno de los talleres se
posicionó en uno de los cuadrantes del espacio cuatridimensional de
culturas de datos, pero siempre hubo una tensión al mostrar la fuerza
111. Daan Kolkman (2020). F**k the algorithm?: what the world can learn from the UK’s
A-level grading Fiasco. Impact of social sciences - Blog of the LSE (acceso online). <https://blogs.lse.
ac.uk/impactofsocialsciences/2020/08/26/fk-the-algorithm-what-the-world-can-learn-from-the-
uks-a-level-grading-asco/>
112. https://en.wikipedia.org/wiki/e_Social_Dilemma
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
298
opuesta, la complejidad de la situación. Al acomodar las actividades
en el espacio de cuadrantes, sobre todo en los últimos talleres, fue
surgiendo la percepción de una tarea incompleta cuando se trabajaba
la problemática de la daticación desde un solo frente. Si bien este
recorrido de talleres por mi parte fue focalizado en un cuadrante
más relacionado con la investigación que llevaba a cabo que con un
proceso de transformación institucional; el trabajo puede ser tomado
como inspiración para un proceso estratégico de cocreación y trans-
formación institucional ligado al desarrollo profesional del profesora-
do, hacia una alfabetización de datos compleja que contribuya a una
cultura de datos justa.
Promover resistencias y activismos
Situar la transformación cultural de una institución hacia la cons-
trucción de una cultura de datos justos en el contexto de lo posdigital
(Jandrić et al., 2018), donde lo digital pasa cada vez más a un segundo
plano de forma encubierta y desaparece lentamente de nuestra vista,
requiere una visión que trascienda la comprensión o la problemati-
zación y abarque acciones concretas (Andersen, Cox y Papdopoulos,
2014, citado en Jandrić et al., 2018). Hasta aquí, hemos planteado
situaciones en las que se identican las competencias necesarias, se
descubren las prácticas existentes y se trabaja para comprender cuáles
son las fronteras de acción y las utopías para seguir. Pero transformar
los espacios de práctica hoy en un espacio en el que mucho depende
de la pequeña resistencia (Fardella et al., 2022), o directamente de la
acción para impulsar la discusión sobre el dominio de las platafor-
mas, más allá de si elegimos este o aquel programa dentro de nuestras
clases (Castañeda y Williamson, 2021), requiere mucha más energía
y ciertamente la repolitización de la alfabetización, más allá de la
alfabetización (Jansen, 2021).
Una cultura de datos, a pesar de pertenecer a una institución, a
una comunidad o a la sociedad en general, será el producto de per-
sonas que interactúan con el contexto cultural. Por lo tanto, puede
incluir voces conictivas, expresiones de desacuerdo o prácticas con-
299
7. DESAFÍOS PARA EL PROFESORA DO ❚
tradictorias –lo que ya comentamos en el capítulo 2– como expresio-
nes de tensiones y conictos en un sistema de actividad (Engenström,
2008). Algunas de estas prácticas serán reconocidas y apoyadas en
determinados contextos culturales, mientras que otras serán margi-
nadas como efecto de las dinámicas de poder. Cualquier imaginario
o alternativa que se conciba en una determinada cultura de datos, al
igual que los datos, nunca será neutral. Esto fue lo que argumenta-
mos junto a Caroline Kuhn dentro del proyecto DataPraxis (Kuhn y
Raaghelli, 2022, en prensa), donde más allá de trabajar sobre habili-
dades, conocimientos o valores, se reexionó sobre la agencia política,
perspectiva introducida por la Kuhn a partir de buscar, en palabras de
Hayes (2021, p. 10) el «volver a comprometer los terrenos separados
de la cultura y la tecnología con la ciudadanía en un diálogo postdi-
gital continuo e inclusivo».
La visión política se unía a la idea de activismo que ya he planteado,
considerando la necesaria expansión de capacidades del profesorado
para juzgar las injusticias producidas por un sistema daticado y sus
posibilidades de responder a ello. El resultado concreto del proyecto
DataPraxis era generar un recurso educativo abierto (REA) (Data-
Praxis), es decir un kit de herramientas versátil para el profesorado,
compuesto por una serie de diferentes elementos: cinco módulos con
lecciones y actividades, talleres de formación de docentes que incluyen
actividades y tareas integradas, podcasts, charlas y talleres grabados
impartidos por expertos invitados, instrumentos para trabajar en clase
y diferentes herramientas heurísticas interactivas, entre las cuales se
introdujo el esquema de cuadrantes. En general, el objetivo del REA
y el enfoque pedagógico utilizado era explorar y problematizar los
enfoques de alfabetización en datos con los que los educadores pen-
sábamos comprometernos al terminar un curso de desarrollo profe-
sional pasando por el REA (o por otros espacios). Este proyecto fue
una colaboración transnacional entre cuatro instituciones asociadas
estratégicas de tres continentes: África, América Latina y Europa. Las
instituciones asociadas fueron: Tangaza University College (Kenia),
Universidad de La República (Uruguay), Universidad de Surrey (Rei-
no Unido) y la Universidad Abierta de Cataluña (España). No había
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
300
en el trabajo alguna voluntad de replicar enfoques, cada institución
asumió su propio espacio y aproximación de trabajo. Me referiré al
capítulo de la Universitat Oberta de Catalunya (UOC) en el que me
ví directamente involucrada.
El caso de la UOC promovió una estructura de aprendizaje no for-
mal que hacía hincapié en la idea de un proceso de codiseño de planes
de acción para alfabetizar en datos con los educadores participantes.
Se prerió este enfoque a un curso formal para abarcar las diversas
epistemologías de datos y las culturas de datos subyacentes de las
que procedían los participantes. Además, la actividad no formal para
el desarrollo del profesorado debía funcionar como sensibilización y
espacio de reexión en torno a los mismos posicionamientos posdi-
gitales del profesorado invitado y sus grados de libertad para ampliar
su agencia política. De ahí que la estrategia consistiera en mediar las
ideas de diseño, vinculando el pasado con las prácticas futuras.
Desarrollamos esta serie de talleres con la siguiente pregunta:
¿Cómo pueden los educadores fomentar la profesionalidad y, por tan-
to, la agencia política para ayudar a su alumnado a moverse técnica,
ética y políticamente a través del ujo de la complejidad de los datos?
Para captar la complejidad de los datos, ofrecimos el esquema de
cuadrantes para mapear las diferentes prácticas de datos, comprender
el mosaico de complejidad más allá de una idea inicial del docente y
trabajar en ese espacio para su transformación o diálogo con los otros
espacios. Denominamos el espacio de cuadrantes la «herramienta de
pensamiento» (thinking tool);113 concretamente se la dispuso como un
lienzo interactivo para que los educadores tomaran notas, colocaran
preguntas y dispusieran de acciones en relación con los cuatro espa-
cios formados. En la gura 14 ilustramos el gráco nal resultante
de una de las sesiones de trabajo colaborativo. Recordamos al lector
que, como sugerimos anteriormente, este es un modelo que se utiliza
con nes analíticos y, como tal, es una reducción o simplicación de
la realidad, que sabemos que es un enredo de mucho más que estas
cuatro dimensiones.
113. https://datapraxis.net/thinking-tool/
301
7. DESAFÍOS PARA EL PROFESORA DO ❚
Distribuimos los temas potenciales identicados por los partici-
pantes, lo que resultó luego en una serie de tres talleres que captu-
raron, en cierta medida, la constelación de problemas signicativos
relacionados con los imaginarios, discursos y prácticas en torno a los
datos y sus implicaciones.
Figura 14. El uso de la herr amienta «de pensamiento » en el trabajo cocreativo p ara entender la complejidad d e
los datos (Kuhn y Raa ghelli, 2022, en prensa)
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
302
Cada uno de los talleres se centró en la agencia, la legibilidad y la
negociabilidad como parte del enfoque de aprendizaje profesional. Es-
tos son los principios clave de un campo relativamente nuevo, a saber
human data interaction, que fue propuesto por diferentes académicos
para iniciar una conversación entre los interesados en los ecosistemas
personales y de big data (Mortier et al., 2020). Más recientemente han
incluido un nuevo principio, a saber, la resistencia, que han hecho
para abordar la cuestión de qué debemos hacer cuando la legibilidad,
la agencia y la negociabilidad no son sucientes. Este nuevo tema es
exactamente lo que previmos e incluimos como la dinámica princi-
pal o fuerza motriz de la transformación de prácticas y situaciones
vividas en torno a los datos, en prácticas profesionales, a través de la
herramienta de pensamiento, en el continuo reactivo/proactivo repre-
sentado en el eje Y de la gura 14.
La agencia se expresó a través de la selección por parte de los par-
ticipantes del tema que les parecía más urgente en relación con su
propio contexto de práctica como profesorado. La legibilidad se vio
respaldada por el contenido que ofrecimos en torno a las infraestruc-
turas de datos y los problemas actuales a los que se enfrenta la falta
de transparencia en la recopilación y el uso de datos. La negociabi-
lidad, en cambio, se apoyó en proporcionar una oportunidad para
desentrañar las prácticas y los discursos actuales sobre los datos hacia
el desarrollo de actividades de enseñanza e investigación conectadas
con los «espacios de posibilidad» de cada uno de los participantes.
Para reforzar el enfoque cointencional, los talleres se propusieron en
un formato público, abierto y gratuito, destinado a la publicación de
materiales conjuntos basados en las propuestas y prácticas avanzadas
de los participantes. Para analizar el impacto del taller en la profesio-
nalidad de los participantes y, eventualmente, en su agencia política,
adoptamos un formulario de autoevaluación de competencias inicial
y realizamos una ronda de entrevistas con participantes (cinco) como
expertos, que «iluminaron» cada área del espacio cuatridimensional,
es decir, trajeron sus experiencias y saberes para comprender mejor los
temas tratados en cada uno de los cuadrantes. También celebramos
un grupo de discusión con los participantes más activos (cuatro),
303
7. DESAFÍOS PARA EL PROFESORA DO ❚
que eran educadores menos experimentados y que interactuaban con
los ponentes invitados para crear materiales adicionales. Observamos
justamente cómo desde sus posiciones iniciales y sus trayectorias per-
sonales fueron interceptadas por nuestra propuesta (los talleres que
llevan a construir un REA por los participantes) y cómo a partir de
esta se expresó su posibilidad de acción hacia pequeñas resistencias o
grandes proyectos. Así, por ejemplo, estos educadores con sus perte-
nencias a diferentes disciplinas (en el grupo teníamos estadísticos/as;
un investigador cientíco y otros dos académicos que colaboraban
con el campo de las ciencias; mientras que uno era un artista y dise-
ñador gráco comprometido con el uso de tecnologías) manifestaron
convergencias y divergencias sobre la daticación. Las diferentes ideas
sobre los datos en el espacio digital se movieron entre algo que debe ser
«de calidad» y logrado, «abierto», «explorado a través de un enfoque
interdisciplinario» y hacia enfoques que implican una comprensión
crítica de los datos. Por lo tanto, naturalmente, algunos se situaron
más cerca del extremo proactivo del continuo de la epistemología
de los datos, mientras que otros se situaron más cerca del extremo
reactivo. Un elemento de convergencia fue el poder vivir y trabajar
en una cultura de datos justa y más igualitaria. En los casos de los
educadores más cercanos a las ciencias sociales y las humanidades, la
principal limitación que hay que superar es la falta de una respuesta
coherente y centrada en el ser humano por parte de las instituciones
de educación superior hacia la digitalización; considerando, además,
que la limitación se encuentra en la tecnoestructura instrumental y
capitalista que se está abriendo paso en el ámbito educativo, especial-
mente evidente durante la pandemia. Y, por lo tanto, traer al frente la
falta de una postura crítica institucional es la limitación sobre la que
este grupo se empeña a superar. Sin embargo, dentro de este mismo
grupo, el marco de acción surge desde dentro de la propia esfera pro-
fesional en forma de autocrítica, reconociendo que se ha de superar
lo contradictorio de una alfabetización en datos «crítica o técnica»
deconstruyendo esa separación, que ha formado parte de una cultura
de datos aceptada con poca contestación a lo largo de sus años en la
universidad.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
304
En el grupo con una orientación más cientíca observamos una
motivación para democratizar el acceso a los datos; un acto que está
integrado en su enfoque creativo de trabajo con los datos. Hay en este
grupo quien produce datos de investigación que pueden (y deben)
ser utilizados abiertamente y quien está comprometido con la idea
de cambiar la forma en que los datos son (y deben) ser compartidos,
como «acto de generosidad y reciprocidad». Y se coincide en que, sin
acceso, la crítica es inútil. También hay en el grupo quien se alinea
con una visión de acceso a los datos como riqueza por temor a ser
excluido de ella y enfatiza el promover todas las formas posibles de
concienciación para que los datos sean «de calidad» y se pueda acceder
a ellos.
DataPraxis interceptó estos grupos de profesorado en un punto
concreto de su vida y su discurso, y lo que observamos al invitar a
«parar, reexionar y repensar la acción» fue, en primer lugar, una
situación de indefensión (en las palabras de uno de los participantes
«ví el problema como un tsunami»). Sin embargo, el plantearse su
espacio desde las ciencias o las humanidades, al colocarse en el es-
pacio de cuadrantes, se comprende qué parte de los procesos pueden
ser empujados: cambiar el currículum de enseñanza de la estadística
e insistir en nuevos enfoques y transversalidades interdisciplinarias;
mejorar la calidad de datos educativos para dialogar sobre «dónde
hemos llegado en nuestras instituciones»; descubrir lógicas invisibles
de opresión en los instrumentos (plataformas) que se adoptan día a
día, desde la práctica y desde la investigación educativa, y cambiar el
modo de pensar la ciencia de datos como trabajo creativo y cocreativo.
Todavía hay quien se sorprende por la excentricidad de generar un
espacio en el que pueden converger gente de estadística y ciencia de
datos, con gente de ciencias y con artistas y gente de educación. En
las palabras de uno de los participantes: «¿Qué me sorprendió de la
invitación? Pues la excentricidad de organizar algo así».
Naturalmente, hubo grandes diferencias entre las posibilidades de
expresión de quien partía con un bagaje profesional rico, con mayores
conocimientos y posibilidades de actuar en sus propias instituciones.
Sin embargo, observamos en los grupos de profesorado que se acer-
305
7. DESAFÍOS PARA EL PROFESORA DO ❚
caron para una primera aproximación al problema de la daticación
menos referencias a cuestiones de gobernanza de los sistemas basados
en datos, las infraestructuras y cómo pueden transformarse. Por ejem-
plo, si bien se conocía el concepto de datos abiertos y los procesos de
recopilación de datos y elaboración de estadísticas, se conocía menos
el uso de los datos para el desarrollo de la inteligencia articial y la
monetización de los datos. Los participantes manifestaron «necesitar
tiempo para profundizar realmente en ese problema (la IA) e interio-
rizar temas tan amplios y diversos», considerando un nivel de visión
general de problemas (de datos) que aparecían disgregados y que veían
por primera vez en el trabajo de talleres. No obstante, el simple he-
cho de reexionar sobre un plan de acción en el aula, en clase, para
implementar nuevos alfabetismos en datos a partir de los materiales
trabajados (y la apertura a nuevos materiales a buscar) fue un enfoque
valorizado por su potencial transformador.
Está claro que quien se involucró en este proceso de cocreación
fue porque tuvieron preocupación por generar futuros de datos al-
ternativos y sintieron que podían, en cierta medida, dar los primeros
pasos para contribuir a transformar las culturas de datos en las que
viven. En este sentido y para el trabajo en instituciones, detectar a
las personas que desean moverse más allá de las señales evidentes o
repetitivas dadas por un sistema es la base necesaria para activar un
dispositivo de mediación como DataPraxis. Sin embargo, se puede
observar en este caso cómo ese espacio, enriquecido por materiales
adaptados y ordenados desde una perspectiva integrada y compleja,
expande la visión del problema y, por lo tanto, la planicación de la
acción. Para algunos educadores participantes, la forma de construir
una cultura de datos justa se cristalizaba compartiendo abiertamente
los datos de esta investigación y contribuyendo así a un uso más justo
de los datos para el empoderamiento de los ciudadanos. Para unos y
otros, el camino que se tenía que seguir para lograr una cultura de
datos diferente se vislumbraba a través de epistemologías de datos
proactivas destinadas a resistir la incursión de la big EdTech y sus
prácticas de vigilancia, en el ámbito educativo. Así, generalmente,
pensar en alternativas de acción fue un proceso iniciado a partir de la
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
306
reexión sobre las limitaciones de la propia acción, coadyuvado por
el tiempo y los instrumentos de mediación para planicar formas de
acción, que acaso no sean más que oponer resistencia desde el espacio
del aula o de la investigación.
Pensar la transformación institucional114
Como docente e investigadora participante, pude observar la transi-
ción realizada en los últimos cinco años por la Universitat Oberta de
Catalunya para construir sus preguntas y espacios de trabajo para una
cultura de datos ajustada a su propia identidad institucional. Y ello
nos lleva a la última estrategia que quiero compartir en este contexto:
la posibilidad que tiene una institución de pensarse (o repensarse)
como un todo. He usado el esquema de cuadrantes para facilitar la
esquematización de las experiencias y espacios abiertos por esta ins-
titución en cuanto a la daticación que llegaba sin dudas, al ser una
universidad totalmente en línea. Sin embargo, cada institución puede
elegir su enfoque y sus espacios; lo relevante es adoptar una mirada
compleja sobre la cultura de datos que se cultiva y se actúa, para poder
encontrar los espacios en donde actuar un enfoque de justicia.
Cabe destacar que la UOC ha seguido las tendencias de investiga-
ción y desarrollo en estrecha relación con otras universidades abiertas
(Bates y Sangra, 2011), en particular la Universidad de Athabasca y
la Universidad Abierta del Reino Unido; en ese sentido, ha habido
siempre una reexión relevante sobre su propia identidad institucional
a diferencia de las universidades más tradicionales.
El primer proyecto de organización y adopción de datos llegó en
2016 con el UOC Índex, cuando los discursos sobre la analítica del
aprendizaje como innovación disruptiva alcanzaron un punto rele-
vante de difusión (eLearn Center, 2016). En la presentación del pro-
yecto se lee:
114. Este apartado es el resultado de una perspectiva de análisis personal de la investigadora, y
no representa en ningún caso una visión ocial de la institución implicada.
307
7. DESAFÍOS PARA EL PROFESORA DO ❚
El objetivo del proyecto UOC Índex es convertir los datos del DataMart
del eLearn Center de la UOC en información valiosa y fácil de entender
para los miembros de la comunidad UOC. Para ello, se propone crear
índices numéricos o categóricos como simples elementos de transmisión
de información que pueden ir acompañados de elementos visuales (por
ejemplo, según el número esté pintado de un color u otro o representado
mediante grácos –un semáforo, por ejemplo–).
Había, pues, una intención de hacer que los datos fueran utiliza-
bles y accesibles, sobre todo para mejorar la enseñanza y el aprendi-
zaje. No obstante, el planteamiento estaba aparentemente ligado a la
productividad y a la visibilidad de los resultados de la universidad,
sin que se debatieran las implicaciones del uso de los datos. De ese
empeño inicial surgieron varios proyectos relacionados con la acti-
vidad de las áreas de informática. Hubo desarrollos, entre otros, en
el campo de la analítica predictiva en relación con el abandono de
los estudiantes (Bañeres Besora et al., 2021) la elección profesional
de los estudiantes (Baneres y Conesa, 2017) y el aprendizaje cola-
borativo (Cerro Martínez et al., 2020). Durante una comunicación
personal dentro de uno de los proyectos en los que he participado,
uno de los investigadores explicó cuán complicado podía ser, pese
a las facilitaciones generadas y mantenidas por la institución, inte-
ractuar y extraer datos del Datamart, por una cuestión intrínseca a
la mole de trabajo necesaria para mantener una infraestructura de
este tipo. Se había producido un incidente crítico: los cambios de
parámetros en la recuperación y gestión de datos de la base de datos
provocaron problemas en las respuestas automáticas integradas en
una actividad didáctica experimental. Esto terminó por desorientar
al profesorado y alumnado que adoptaba la analítica de aprendizaje
en fase de pilotaje. Este caso pone de maniesto la tensión entre
el esfuerzo puesto en hacer funcionar una infraestructura digital
propia y las actividades de innovación pedagógica basada en datos.
Otro incidente crítico que promovió la reexión sobre qué es-
tructuras digitales y qué resultados a nivel pedagógico se relacionó
con el aprendizaje colaborativo apoyado por paneles visuales y reco-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
308
mendaciones basadas en datos. En 2021, la UOC decidió cambiar la
plataforma propietaria, desarrollada internamente, por la plataforma
privativa Canvas;115 todo el modelado y los procedimientos de extrac-
ción de datos y el apoyo a las visualizaciones dinámicas no se podían
transferir y replicar completamente y había dudas sobre los grados
de libertad que el proveedor (Canvas) habría autorizado en relación
con el uso de los datos. Naturalmente, las negociaciones con Canvas
se basaron en la presencia de productos especícos que prometían la
«colaboración en el aula» y la «agilización de la introducción de proce-
sos innovadores» como la retroalimentación o los vídeos interactivos
(Doñate, 2021). Una de las opiniones que circulaban (comunicación
personal dentro del proyecto de trabajo y observación de quienes par-
ticipaban) era que este cambio ciertamente habría llevado a la UOC
a un enfoque de servicio en la nube, probablemente mejorando la
eciencia y la gráca, pero con una pérdida de control sobre la go-
bernanza de los datos.
La UOC tiene, en cualquier caso, una serie de proyectos ambicio-
sos que pretenden posicionar a la universidad en una situación avan-
zada en cuanto al uso de los datos del estudiantado, como por ejemplo
Graf116 (Girona et al., 2022) y Folio117 (Raaghelli, Kuhn et al., 2021).
El primero es un sistema que conecta la evaluación por competencias
con la visualización de toda la carrera del estudiante. El esfuerzo rea-
lizado es relevante: más allá de los datos recogidos. También puede
decidir, dentro de cualquiera de los cursos, qué competencias se están
desarrollando a través de las diversas tareas para automatizar la cap-
tura de datos y llevar el resultado de cualquier estudiante individual
al nivel de una visualización para todo el curso y para la carrera del
mismo estudiante. El directivo del centro de e-learning que promueve
la iniciativa ha indicado que el sistema vinculará las competencias
de los estudiantes con la búsqueda de talento en el mercado laboral
a través de esta visualización y que se trata de un relevante «reto de
ingeniería pedagógica transversal e interdisciplinar». No obstante, el
115. https://www.instructure.com/product/higher-education/canvas-lms
116. https://graf.uoc.edu/
117. https://folio.uoc.edu/
309
7. DESAFÍOS PARA EL PROFESORA DO ❚
profesorado ha debatido sobre las implicaciones de tener que esque-
matizar excesivamente el tipo de competencias dentro del sistema y la
posibilidad de que se produzcan ltraciones de datos que representen
al estudiante de forma precisa: esto forma parte de los retos futuros.
En cuanto a Folio, su creador, el profesor Quelic Berga, se esfuerza
por ir más allá de la idea inicial de solo personalizar el aprendizaje;
más bien, apuesta por ampliar la agencia de los estudiantes en la in-
troducción de sus propias carreras, sobre la base de una plataforma
de código abierto. Todo ello se aborda claramente en la presentación
del proyecto, en palabras de Berga:
Folio es una reinterpretación del concepto de portafolio que permite
a los usuarios trabajar de forma colaborativa, desarrollar una imagen
digital, construir una identidad como estudiante y hacer visible esta
identidad en el mundo profesional, entre otras funciones que descubri-
rás en este documento y mientras utilizas la herramienta. Folio ha sido
desarrollado con la tecnología de WordPress. Como sabrás, WordPress
es un software de código abierto desarrollado por cientos de colabo-
radores. Actualmente es una de las plataformas más populares para la
creación de blogs y todo tipo de sitios web.
Resulta especialmente interesante ver, en estos dos casos, el mismo
tipo de objeto de actividad (la visibilidad de la carrera de los estudian-
tes) y la diferente formae mentis tecnológica: si uno de los proyectos
se ocupa de cuanticar y mostrar resultados que suponen una acción
comparativa basada en un estándar (del profesor a varios estudiantes;
del estudiante a sí mismo; del cazatalentos a varios perles de gradua-
dos), el otro hace hincapié en la comunicación y la identidad a través
del trabajo creativo de los estudiantes. En uno, los datos se capturan
automáticamente desde el estudiante; en el otro, el estudiante visibili-
za la información (y los datos) que considera relevantes, pero también
puede dar forma a dicha información en conexión con otros com-
pañeros y profesores en una comunidad de conocimiento. Aquí, los
dos sistemas (equipos que trabajan en los distintos proyectos) ponen
de maniesto las divergencias y necesidades de negociación en torno
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
310
a la agencia y capacidad de negociación del estudiante de su propia
identidad digital y profesional.
También es relevante decir, en este punto, que respecto a los datos
producidos por la investigación, más que por la actividad docente, la
UOC ha estado profundamente comprometida con una estrategia de
conocimiento abierto desde sus inicios; sin embargo, este compromiso
en una serie de proyectos de educación abierta y ciencia abierta se
hace patente en sus políticas y activismo como rmante de la declara-
ción DORA.118 Esta declaración es un hito en la forma de introducir
nuevas formas de evaluación de la carrera de los investigadores que
está cobrando fuerza en los países occidentales. La UOC fue de las
primeras universidades profundamente comprometidas con la ciencia
abierta en España a través de su Plan de Acción de conocimiento abierto
(Editorial Deparment, 2018). No solo se impulsó el plan, sino que se
siguió una participación activa en grupos de trabajo transnacionales
por parte de responsables de la UOC y una serie de instrumentos
dedicados a los investigadores tanto desde las áreas técnicas de apoyo
a la investigación como desde la biblioteca.119 En todos los casos, se
hizo hincapié en los cambios relevantes que se están produciendo en
la política de la Comisión de la UE.
Esto llevó a que grupos de investigación especícos y ocialmente
reconocidos (un enfoque institucional en España para apoyar los en-
foques colaborativos de la investigación) discutieran e implementaran
políticas internas de ciencia abierta y particularmente de datos abier-
tos, como fue el caso de Edul@b, grupo de investigación reconocido
institucionalmente al que pertenezco.120 No obstante, en muchos de
los debates internos de este último grupo, ha habido preocupación y
perplejidad por el cambio de panorama y las peticiones de promoción
profesional aún basadas en la bibliometría y la publicación en revistas
de alto factor de impacto, expresando los tipos de contradicciones
terciarias y cuaternarias entre las políticas universitarias y el sistema
cientíco nacional externo.
118. https://sfdora.org/
119. https://www.uoc.edu/portal/en/coneixement-obert/index.html
120. http://edulab.uoc.edu/en/publications/open-data/
311
7. DESAFÍOS PARA EL PROFESORA DO ❚
Hay una sensación de sobrecarga expresada por los investigado-
res en relación con sus identidades profesionales, como profesores,
divulgadores de noticias sobre su actividad cientíca, activistas com-
prometidos en las comunidades que investigan o como analistas de
datos técnicos y escritores académicos. Sus mensajes responden a lo
que Cristina Costa ha denominado «doble juego», es decir, realizar
las tareas tradicionales de la investigación y, al mismo tiempo, crear
redes y hacer que la erudición sea «más social». Todo ello genera un
espacio de debate que ya ha sido planteado dentro de la institución y
se halla en progreso.
La necesidad de pensar los datos se impulsó también desde espa-
cios abiertos a la sociedad y el profesorado, como los seminarios de
la Cátedra Unesco de Tecnología Educativa para la Transformación
Social de la UOC sobre IA (2019) y las culturas de datos (2020).121
Naturalmente, la inuencia del avance de la literatura y la investi-
gación de grupos especícos dentro de la UOC y el evidente cambio
en el imaginario social en torno a la relevancia de los datos en la
sociedad impulsaron la apertura desde la UOC de un laboratorio
dedicado a pensar «los datos» o DataLab. Esta unidad se creó en el
otoño de 2021 y llevó a «democratizar los datos», proponiendo una
«estrategia» y una «gobernanza» de datos basada en todos los datos
producidos a todos los niveles por la universidad. En una newsletter
interna al profesorado (12 de septiembre de 2021), se manifestaba
justamente la importancia de crear una comunidad de práctica con
técnicos y analistas de datos cuyo objetivo sería hacer crecer el talen-
to analítico de la UOC y promover un servicio interno. Asimismo,
se planteaba la forma que se daría a la arquitectura de la informa-
ción para poder convivir con los sistemas actuales «sin hipotecar las
necesidades futuras, apostando claramente por la nube, la analítica
avanzada y la inteligencia articial responsable». Se indicaba tam-
bién que el grupo estaba realizando decisiones en relación con las
plataformas y los productos con los que se trabajaría, a partir de uni-
dades de gestión dedicadas a la planicación y la calidad de la oferta
121. https://blogs.uoc.edu/unescochair/
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
312
educativa, de unidades de desarrollo de analíticas de aprendizaje, de
unidades de investigación y de capacitación en ciencias de datos y el
mismo DataLab. Todo ello permitiría trabajar para orquestar toda
la demanda de datos, su gestión y los posibles servicios que habñia
que tipicar en relación con esa demanda, considerando también
los perles profesionales y los planes a implementar para desarro-
llarlos, junto al trabajo mancomunado en el desarrollo continuo de
la infraestructura digital.
La idea en el ámbito institucional entonces era la de pasar de
una cultura de datos pull a una cultura push, es decir, en la que los
diversos interesados puedan escoger los datos relevantes ya publica-
dos por el grupo y emprender actividades ligadas a investigación y
docencia basadas en datos. El enfoque es claramente proactivo; sin
embargo, parecen quedar atrás (o demasiado ligado a una comunidad
de práctica autoseleccionada) los problemas relacionados con la alfa-
betización del profesorado para adoptar dichos datos, considerando,
por ejemplo, la dirección de cómo se transforman los datos en infor-
mación relevante y cómo estos representan a los colectivos implicados
(grupos docentes, alumnado). Y si bien se menciona con claridad la
intención de trabajar en un desarrollo tecnológico responsable, el
enfoque de impacto es aparentemente un paso que se ha de seguir. De
hecho, otra newsletter interna (14 de enero de 2022) destacaba que se
integraría una unidad docente con el equipo ocupado en la produc-
ción de analíticas de aprendizaje, ligado al Centro de Innovación en
E-learning. Con un foco en «evidencias obtenidas a partir del análisis
de datos en los procesos de decisión del personal académico», la aspi-
ración es desarrollar procesos de innovación basados en la evidencia
para mejorar continuamente la experiencia de estudiar en la UOC.
Por lo tanto, se observa una clara sensibilidad en el intento de ligar
el desarrollo del equipo con un impacto a nivel pedagógico, más allá
de lo tecnológico.
Sin embargo, un riesgo discutido en grupos de trabajo en los
departamentos ha sido que la unidad técnica, muy ligada al desa-
rrollo tecnológico, direccione la toma de decisiones del profesorado
a aceptar paneles visuales o representaciones no necesariamente co-
313
7. DESAFÍOS PARA EL PROFESORA DO ❚
nectadas a las necesidades percibidas como directas por dicho pro-
fesorado. También se ha manifestado preocupación sobre qué datos
docentes pueden ser vistos a nivel superior, considerando eventuales
formas de vigilancia que limiten la autonomía docente en el afán
de generar indicadores académicos o «evidencias». Como ya hemos
discutido, qué ensamblajes simbólicos de datos se añaden a los datos
brutos, hasta qué punto los mediadores son conscientes de su posi-
ción de poder y hasta qué punto el control se otorga a los usuarios
nales (es decir, investigadores, educadores y estudiantes) supone un
riesgo continuo en la denición de estos grupos de trabajo. Más allá
de los riesgos de vigilancia y el control para los estudiantes (Collier y
Ross, 2020), el impacto podría ser lo que Facer y Selwyn señalaron
claramente como el riesgo de «la desagregación del trabajo de los
profesores en tareas discretas más pequeñas» que con el tiempo «ace-
lera una desprofesionalización de la enseñanza, fragmentando los
trabajos en procesos de trabajo desconectados que requieren poca
capacidad conceptual» (Facer y Selwyn, 2021, p. 8). Sin embargo,
el hecho de que haya grupos que expresan estas problemáticas, im-
plica que la institución puede dotarse de mecanismos de chequeo y
control para el adecuado balance de estos procesos de innovación
tecnológica.
Es de destacar el empeño de grupos de trabajo UOC para replan-
tear la denición de calidad educativa, insistiendo en la relevancia y
la oportunidad para el aprendizaje a lo largo de toda la vida planteado
por la educación en línea y discutiendo también su poca representa-
ción en rankings internacionales. En efecto, esa falta de representa-
ción invisibiliza el esfuerzo de las universidades en línea (Pozzi et al.,
2019a; Sangrà et al., 2019b)
La gura 15 intenta acomodar varios elementos discutidos en este
caso, mostrando las diferentes posiciones tomadas por los diversos
grupos y destacando las áreas no cubiertas de la práctica de datos, o
donde todavía hay necesidad de generar espacios de negociación para
apoyar la transformación, tal y como la evolución de las prácticas de
datos es ilustrada por el movimiento centrífugo.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
314
Figura 15. Mapeo de las prác ticas de datos de la UOC.
Este caso arroja luz sobre varios de los elementos que retratamos
como parte de una cultura de datos: múltiples grupos (que engloban
sistemas de actividad humana) en la misma universidad están pasan-
do por múltiples procesos de toma de decisiones que pueden estar ali-
neados o en conicto con las subjetividades individuales o entre uno u
otro grupo. No obstante, en este caso es evidente que existen espacios
para la negociación de tales diferencias en algunas de las áreas de ac-
tividad (por ejemplo, el conocimiento abierto), mientras que en otras
áreas hay grupos de interés, especialmente los que ocupan posiciones
no tecnológicas, que tienen mayor fuerza representativa en la conduc-
ción de procesos de desarrollo. En este sentido traemos a colación la
naturaleza de una cultura de datos: hay narrativas y discursos basados
en un devenir histórico que en la UOC están fuertemente conectados
con su identidad abierta y en red, herencia de las ideas de Manuel
Castells arraigadas en el modelo; hay un compromiso con una iden-
tidad en desarrollo, basada en discursos y metáforas, que en el caso
analizado se centra en la infraestructura innovadora, ágil, avanzada,
basada en la nube y digital, en la que se consideran relevantes los pro-
315
7. DESAFÍOS PARA EL PROFESORA DO ❚
cesos impulsados por los datos y la estrategia de datos, alineados con
la evolución contextual del big data y la IA; hay un centro y unidades
de trabajo especializadas que se ocupan de los datos, que están en un
proceso de sintonía y convergencia, dadas las tensiones existentes o
potenciales en los grupos internos que ven este avance de las prácticas
de datos de manera diversa.
Estos espacios abren oportunidades de generar nuevos alfabetis-
mos para el profesorado y desde allí, para el alumnado. La coordina-
ción de estas sinergias sigue siendo, claramente, uno de los problemas
más relevantes que hay que afrontar.
A modo de conclusión: más allá del desarrollo profesional
del profesorado
En el contexto de este libro, he ido consolidando una posición que
a estas alturas quedará clara para quien lee estas líneas: las docentes,
desde su rol como educadores y como investigadores, desempeñan un
papel crucial al cultivar un enfoque de complejidad respecto al fenó-
meno de la daticación. Sin embargo, en este panorama fragmentado,
los esfuerzos por dar sentido a las prácticas basadas en datos podrían
estar más guiados por la necesidad de «gambetear» amenazas para la
autonomía académica y sus ideales, que por una verdadera visión de
conjunto y de comunidad que actúa en pos de utopías educativas y
sociales. La aproximación dinámica a las culturas de datos plantea
varios desafíos para la profesión académica, porque va más allá de los
tecnicismos de las tareas de investigación y docencia, para pensar en
los mecanismos de gobernanza de la universidad. Reclama también
una atención especíca a los procesos microdecisionales que conec-
tan la investigación y la docencia con la macroestructura daticada.
Como he señalado, los espacios de negociación adquieren relevancia
como lugares para explorar y superar las tensiones y contradicciones
de los grupos y los espacios de trabajo respecto a la cultura de datos.
Y ello, como he demostrado en cada uno de los desafíos ejempli-
cados en este capítulo, va mucho más allá de «formar» o «alfabetizar»
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
316
para adquirir competencias. Implica conceptualizar competencias,
pero también identicar prácticas, desarrollar procesos de compren-
sión y crítica, permitir la resistencia y los activismos mientras se busca
la apertura de nuevos caminos, para entonces pensar la institución,
respecto a la daticación, como un todo. Como hemos visto a lo largo
de todo el libro, ello implica profundizar la investigación sobre la da-
ticación desde una perspectiva interdisciplinaria, así como potenciar
las experiencias y reexión docente. A este punto, se sabe que los datos
como problema complejo interrogan a varios niveles y ámbitos de la
actividad humana. Cabe destacar que en este libro no se han podido
analizar temas relevantes, como aspectos normativos y jurídicos que
están cambiando rápidamente y que compondrán una frontera de
trabajo en una sociedad daticada, posdigital, sobre todo en relación
con los derechos humanos. Asimismo, no puedo pretender dar cuenta
de la relevante discusión respecto a los desarrollos en teoría algorít-
mica, donde desde la matemática se trata de dar respuesta a las pro-
blemáticas éticas más recientes, como las cuestiones de privacidad e
imparcialidad de los algoritmos aplicados. Y fundamentalmente, creo
que queda todo un capítulo por cubrir respecto a la materialidad de las
tecnologías y su impacto ecoambiental –que en mi trabajo de inves-
tigación no avizoré y que plantea un interesante espacio de trabajo–.
Estas son limitaciones impuestas por mi propia perspectiva de análisis
que enfoca solo las problemáticas educativas. Por lo tanto, tómense
estas últimas palabras desde esa limitación, pero considérense, asimis-
mo, los desafíos que vienen desde un punto de vista interdisciplinario.
Para concluir, subrayo que debemos salirnos, como profesorado, de
las presiones de la «innovación» y la «competencia digital» ya impues-
tas en la década pasada de la primera digitalización de la universidad,
a la que algunas de las prácticas basadas en datos podrían simplemen-
te agregarse como segunda digitalización (o como lo he llamado aquí,
de posdigitalización).
A principios de la pasada década, mucho se discutió sobre la digital
scholarship, o profesión académica digital (Weller, 2011), considerán-
dose dicho enfoque como un motor clave del cambio de las IES.
Sin embargo, no podemos sino considerar que mucho de este debate
317
7. DESAFÍOS PARA EL PROFESORA DO ❚
bien intencionado, que se ligaba a la necesidad de «modernizar la do-
cencia» con métodos activos, se daba –como lo he expuesto desde el
primer capítulo de este libro– en un contexto de «gerencialismo», de
convertir la universidad en una máquina de dar respuesta a un sistema
neoliberal. Y si bien el esfuerzo de Weller respecto a una reconcep-
tualización de la profesión académica digital iba en la dirección de
mostrar resistencias y búsqueda de nuevos espacios de expresión en lo
digital, su misma reexión algunos años después mostraba en buena
parte que esa búsqueda había terminado generando los resultados más
canónicos, en particular, abrir contenidos sin pensar en su calidad o
circulación, ni mucho menos en cómo se promovía la apropiación por
parte del alumnado y la sociedad (Weller, 2018).
En ese contexto llegaba la daticación, que arrasaba –como lo he
planteado largamente a estas alturas– con certezas y enfoques en las
dos principales actividades profesionales del profesorado: la docencia
y la investigación. Llamando a una ciencia abierta a que se desnudase
a través de los datos abiertos; y a una ciencia educativa abierta fuer-
temente atravesada por automatismo plasmados en visualizaciones y
recomendaciones para la «perfecta personalización» de la experiencia
del alumnado.
La transformación digital reinaba soberana sobre estos procesos,
con su última evolución durante la crisis de la pandemia COVID-19.
En efecto, esta golpeaba al mundo académico (junto con cualquier
otra actividad humana), empujando en la dirección de la digitalización
como el único canal posible para llevar a cabo la práctica académica
(Bozkurt et al., 2020; Manca et al., 2021). Pero fueron estas mis-
mas dinámicas exacerbadas las que permitieron discutir sobre aquel
modelo de transformación digital en el que la «culpa» de la falta de
«innovación» recaía toda sobre el profesorado. Se planteó nalmente el
drama de la monetización de los datos del estudiantado a partir de pla-
taformización, que había entrado como un caballo de Troya invisible
en la vida cotidiana de las universidades (Williamson y Hogan, 2021).
Finalmente, la «sospecha» y la resistencia del profesorado a la digi-
talización ingenua (o tal vez salvaje) encontraba sus motivos. Durante
décadas se ha hablado de la falta de preparación de los académicos
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
318
para hacer frente a las tecnologías digitales (Bacow et al., 2012; Kir-
kup y Kirkwood, 2005; Reed, 2012). Y lo que se observaba en la
práctica era que la mayoría de los programas de formación para po-
tenciar la alfabetización digital de los académicos no alcanzaban los
resultados esperados (Entwistle, 2009; Meyer, 2014). Sin embargo,
se ha de señalar que lo que faltaba era considerar estas actividades de
«capacitación» como espacios donde no solo pudiera darse la lisa y
llana aceptación de las tecnologías entrantes, sino la experimentación
reexiva alineada con el contexto institucional y un reconocimiento
claro de competencias, en términos de saberes, pero también de valo-
res alineados entre discurso institucional y espacio de acción personal
del o la académica (Ranieri et al., 2019).
Sin lugar a dudas, el profesorado se ha movido en tensiones y di-
cotomías al enfrentar la digitalización de su tarea. Del aislamiento, al
exhibicionismo en línea. De las identidades protegidas por espacios
tradicionales de visibilidad institucional y pública, a la uidez de la
identidad digital. De la independencia intelectual, a la dependencia
de equipos técnicos y tecnólogos para mediar la docencia y la investi-
gación. De la emancipación, a la explotación. De la fuerte identidad y
expresión de sí mismos a través del quehacer académico, a la autoex-
plotación y la afectación de la salud mental. De la oportunidad, a la
marginación. De la libertad de expresión, a la censura. Estas son solo
algunas de las tensiones que conectan los posicionamientos individua-
les de los académicos hoy por hoy (Hayes, 2021, p. 49).
Vale la pena recordar en este punto lo que los estudios críticos
sobre las tecnologías educativas han puesto de relieve: la asunción
ingenua del tecnosolucionismo que ha impregnado la mayoría de los
enfoques institucionales e incluso los políticos y ha llevado a descui-
dar la integración esencial entre la tecnología y los procesos sociales
(Sancho-Gil et al., 2020; Selwyn, 2014). Entonces no tendremos bien
enfocado el problema de cómo tratar con la daticación (y los desa-
rrollos tecnológicos que seguirán, en particular, la inteligencia arti-
cial en la educación) si se sigue neutralizando el contexto cultural,
el devenir sociohistórico de las transformaciones digitales, universa-
lizando los buenos efectos de la digitalización y las prácticas basadas
319
7. DESAFÍOS PARA EL PROFESORA DO ❚
en datos, para dar paso al discurso del tecnosolucionismo por encima
de quienes son académicos en una institución particulary en su terri-
torio particular.
Además, cabe enfrentarse a la crisis que viven las IES, que se están
viendo superadas en su capacidad de respuesta al sistema tecnocrático.
Ha habido una hiperinación de diplomas y certicados que en cual-
quier caso parecen no poder alcanzar las microcredenciales ofrecidas
por la industria en su conexión inmediata con puestos de trabajo,
sobre todo en el sector tecnológico. Véase, si no, el caso de los planes
de formación de Google, precedidos por las certicaciones Microsoft
e IBM, entre otras. Las IES y el profesorado académico se han visto
cuestionados en su capacidad de formar técnicos actualizados; pero
también se halla en el ojo de la tormenta su capacidad de producir
mentes críticas e intelectuales brillantes, que puedan enfrentarse a los
enigmas de la sociedad, desde el cambio climático hasta la equidad
social (Engwall, 2020).
Para construir una cultura de los datos justos, por lo tanto, es ne-
cesario conectarse la resiliencia de las universidades y comprometerse
con un continuo proceso de transformación. Por ello es irrenunciable
el plantearse ir más allá del desarrollo profesional docente, ir más allá
de cursos que ofrezcan el último grito de la moda tecnológica, de
seminarios clickbait que circulen por redes sociales y creen reverbe-
raciones cacofónicas a partir de retweets varios. Se necesitan espacios
con forma de talleres o colaboratorios basados en problemas reales,
compartiendo espacios entre docentes con mucha, poca y ninguna
experiencia, junto a técnicos, administrativos y por supuesto la repre-
sentación del alumnado. Se necesita una lenta investigación-acción,
en ciclos que pueden llegar a durar años para ver resultados, para ir
dando forma a procesos de creación de sentido alrededor una sociedad
posdigital, donde el avance tecnológico es una panacea que esconde
justamente eso, la falta de reexión, la falta de nes humanos últimos,
una crisis de valores y del sistema por el que y con el que hemos vivido
en el siglo y albores del .
La creciente contaminación entre la investigación y la docencia
en espacios abiertos, en red y digitales, puede hacer que el estudian-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
320
tado y la sociedad asuman un papel especialmente relevante como
potenciales colaboradores en proyectos de investigación multitudi-
narios, donde la cocreación pueda convertirse en la fuerza motriz de
la transformación (Langdon et al., 2020). Y todo ello, sin pasar a una
crítica vacía y esnobista, cuya única función puede ser, de nuevo, la
reverberación en redes sociales, en ese egocentrismo competitivo aca-
démico festejado por el gerencialismo (Fardella-Cisternas et al., 2021).
La idea, en cambio, es adoptar una visión de una práctica profesio-
nal construida sobre posicionamientos profesionales que modulan el
compromiso continuo con los problemas sociales emergentes y que a
su vez refuerzan la identidad de los docentes como intelectuales no en
competición, sino en redes y comunidades que investigan y educan (y
me reero a colectivos que incluyen el alumnado y la sociedad): lo que
Grosfoguel caracteriza como una diversidad posible en las formas de
ser de las universidades y de ser académica o académico (Grosfoguel,
2022).
Armo en este punto que enfrentarse a un problema emergente de
naturaleza compleja como es el de la daticación excede con mucho
las capacidades disciplinarias y metodológicas especícas del acadé-
mico aislado y crea así algo que yo ya he ido escuchando en muchas
voces y en muchos espacios en mi trabajo sobre este tema: una suerte
de «impotencia» profesional y personal. Si bien hay un gran descono-
cimiento de las complejas topologías de las infraestructuras de datos
(Raaghelli, 2022; Stewart y Lyons, 2021), la impotencia indica la
soledad (o el aislamiento) que culpabiliza al profesorado, como en la
era de la primera digitalización, por su «falta» de competencia. Esa
desorientación se da, en cambio, en un contexto en el que el enfoque
institucional general también parece ser incoherente con los ideales
de soberanía digital y autonomía universitaria (Fiebig et al., 2021;
Williamson y Hogan, 2021).
En pocas palabras, el desconocimiento de las epistemologías y de
las narrativas de datos subyacentes, estrechamente conectadas con los
posicionamientos posdigitales, en mi opinión, mantendrá al profeso-
rado en situación de aceptación de los poderes privativos que están
entrando, con intereses denidos, en la educación superior; e impe-
321
7. DESAFÍOS PARA EL PROFESORA DO ❚
dirá, sin lugar a dudas, la transformación hacia escenarios de justicia
de datos. De hecho, las intervenciones en un contexto de comunidad
académica educante e investigadora requieren que se preste atención
a problemas que aún no se han mapeado, que no se conocen o se
conocen poco, como es el tema de la soberanía tecnológica y la trans-
parencia en las infraestructuras digitales, hasta la salud mental del
profesorado y el estudiantado ante la exposición digital (Bayne et al.,
2020).
Insisto en evitar lo que Gert Biesta (2019, p. 449) ha llamado la
learnication, término para el que no hallo traducción y que llama
a repensar los excesos del lifelong learning en tanto que proceso de
formación de habilidades y conocimientos sobre lo existente y sobre
todo sobre lo existente alineado con objetivos tecnocráticos. La clave
es desentrañar, revelar y discutir las prácticas de datos existentes y
comprometerse con ellas diariamente en varios puntos de la actividad
profesional.
Ciertamente, se han de conseguir los medios (y esto implica me-
dios técnicos) para trabajar adecuadamente dentro de un determina-
do espacio, con las necesidades que plantean sus grupos humanos.
Pensemos, por ejemplo, el trabajo con la analítica en el cuarto cua-
drante, los medios tecnológicos especícos que requiere o que usa y en
que quien viene de una formación tecnológica, tendrá que compren-
der objetivos de naturaleza humana y social, y viceversa, quien viene
de estas últimas disciplinas necesita entender las lógicas algorítmicas
para sentarse a una mesa común de discusión. Pero en este ejercicio
podrán ser buscadas las alternativas a cualquier injusticia percibida,
para apoyar los ideales de la libertad académica no desde la acepta-
ción, sino desde la resistencia y el activismo (Acar y Cokan, 2020;
Fardella et al., 2022).
Todo un camino por construir, que comienza indudablemente
desde un escrutinio interior de cada académica y académico respecto
al propio modo de vivir este tiempo posdigital.
REFERENCIAS
Acar y. G. y Cokan, C. (2020). Academic activism and its impact on
individual-level mobilization, sources of learning, and the future of
academia in Turkey. Journal of Community y Applied Social Psychology,
30 (4), 388-404. https://doi.org/10.1002/casp.2455
Agger, B. (2014). Cultural studies as critical theory. Routledge.
Akkerman, S. F. y Bakker, A. (2011). Boundary crossing and boundary
objects. Review of Educational Research, 81 (2), 132-169. https://doi.
org/10.3102/0034654311404435
Alender, B. (2016). Understanding volunteer motivations to partici-
pate in citizen science projects: a deeper look at water quality mon-
itoring. Journal of Science Communication, 15 (3), A04. https://doi.
org/10.22323/2.15030204
Álvarez Castillo, J. L., Martínez Usarralde, M. J., González González,
H. y Buenestado Fernandez, M. (2017). El aprendizaje-servicio en
la formación del profesorado de las universidades españolas. Revista
Española de Pedagogía, 75 (267), 199-217. https://doi.org/10.22550/
REP75-2-2017-02
Andersen, M. L. y Taylor, H. F. (2012). Sociology: the essentials. Cengage
Learning.
Anderson, T. y Shattuck, J. (2012). Design-based research: a decade of
progress in education research? Educational Researcher, 41 (1), 16 -25.
https://doi.org/10.3102/0013189X11428813
Andrejevic, M. (2014). e big data divide. International Journal of Com-
munication, 8 (1), 1673-1689.
Andrejevic, M., Hearn, A. y Kennedy, H. (2015). Cultural studies of data
mining: introduction. European Journal of Cultural Studies, 18 (4-5),
379-394. https://doi.org/10.1177/1367549415577395
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
324
Arendt, H. (2008). La natura del totalitarismo. En: Antologia. Pensiero,
azione e critica nell’epoca dei totalitarismi (Paolo Costa). Feltrinelli.
Arendt, H. (2019). La banalità del male. Eichmann a Gerusalemme (30.ª
ed.). Feltrinelli.
Argyris, C. (1977). Double loop learning in organizations. Harvard Busi-
ness Review.
Atenas, J., Bazzarin, V., Nascimbeni, F. y Raaghelli, J. E. (2018). Wor-
kshop «Exploring the potential of open data: from ongoing practices
to future scenarios». En: A. Volungeviciene y A. Szűcs (eds.). Abstracts
of the EDEN Annual Conference 2018 (p. 84). European Distance and
E-Learning Network.
Atenas, J. y Havemann, L. (2015). Open data as open educational re-
sources: case studies of emerging practice. https://doi.org/10.6084/m9.
gsha re.1590031.v1
Atenas, J. y Raaghelli, J. E. (2020). Datos abiertos como recursos educati-
vos abiertos: resultados de un workshop en línea. Universitat Oberta de
Catalunya. https://doi.org/10.5281/ZENODO.3839439
Baack, S. (2015). Datacation and empowerment: How the open data
movement re-articulates notions of democracy, participation, and
journalism. Big Data and Society, 2 (2), 205395171559463. https://doi.
org /10.1177/2053951715594634
Bacchus, R., Colvin, E., Knight, E. B. y Ritter, L. (2020). When rubrics
aren’t enough: Exploring exemplars and student rubric co-construc-
tion. Journal of Curriculum and Pedagogy, 17 (1), 48 -61. https://doi.org
/10.1080/15505170.2019.1627617
Bacow, L. S., Bowen, W. G., Guthrie, K. M., Lack, K. A. y Long, M. P. (2012).
Barriers to adoption of online learning systems in U.S. higher education.
Baker, R. S., Gašević, D. y Karumbaiah, S. (2021). Four paradigms in
learning analytics: why paradigm convergence matters. Computers and
Education: Articial Intelligence, 2, 100021. https://doi.org/10.1016/j.
caeai.2021.100021
Bakker, I. y Gill, S. (2003). Power, production and social reproduction:
Human in/security in the global political economy. En: Power, produc-
tion and social reproduction: human in/security in the global political econ-
omy. Palgrave MacMillan. https://doi.org/10.1057/9780230522404
325
REFERENCIAS ❚
Ball, S., Bew, C., Bloxham, S., Brown, S., Kleiman, P., May, H., Morris,
E., Orr, S., Payne, E., Price, M., Rust, C., Smith, B. y Watereld, J.
(2012). A marked improvement. Transforming assessment in higher edu-
cation (p. 58). Higher Education Academy. https://www.heacademy.
ac.uk/system/les/A_Marked_Improvement.pdf
Bañeres Besora, D., Guerrero Roldán, A. E., Rodríguez González, M. E.
y Karadeniz, A. (2021). A predictive analytics infrastructure to sup-
port a trustworthy early warning system. Applied Sciences, 11 (13), 57-
81. https://doi.org/10.3390/app11135781
Baneres, D. y Conesa, J. (2017). A life-long learning recommender system to
promote employability. International Journal of Emerging Technologies in
Learning (IJET), 12 (06), 77-93. https://doi.org/10.3991/ijet.v12i06.7166
Barbosa, L., Pham, K., Silva, C., Vieira, M. R. y Freire, J. (2014). Struc-
tured open urban data: understanding the landscape. Big Data, 2 (3),
144-154 . https://doi.org/10.1089/big.2014.0020
Barefoot, B. (2004). Higher education’s revolving door: confronting the
problem of student drop out in US colleges and universities. Open
Learning, 19 (1), 9-18. https://doi.org/10.1080/0268051042000177818
Bates, A. W. y Sangra, A. (2011). Managing technology in higher education:
strategies for transforming teaching and learning. John Wiley y Sons.
Bayne, S., Evans, P., Ewins, R., Knox, J., Lamb, J., Macleod, H., O’Shea,
C., Ross, J., Sheail, P. y Sinclair, C. (2020). e manifesto for teaching
online. MIT Press.
Beardsley, M., Santos, P., Hernández-Leo, D. y Michos, K. (2019). Eth-
ics in educational technology research: Informing participants on data
sharing risks. British Journal of Educational Technology, 50 (3), 1019-
1034. htt ps://doi.org/10.1111/bjet.12781
Bearman, M., Boud, D. y Tai, J. (2020). New directions for assessment
in a digital world. En: Re-imagining university assessment in a dig-
ital world (vol. 7, p. 297). Springer Nature Switzerland. https://doi.
org/10.1007/978-3-030-41956-1_2
Bearman, M., Dawson, P., Ajjawi, R., Tai, J. y Boud, D. (2020). Re-imag-
ining university assessment in a digital world. Springer Nature.
Bearman, M., Dawson, P. y Tai, J. (2020). digitally mediated assessment
in higher education: ethical and social impacts. En: M. Bearman, P.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
326
Dawson, R. Ajjawi, J. Tai y D. Boud (eds.). Re-imagining university
assessment in a digital world (pp. 23-36). Springer International Pub-
lishing. https://doi.org/10.1007/978-3-030- 41956-1_3
Benjamin, R. (2019). Race after technology: abolitionist tools for the new
Jim code. John Wiley y Sons.
Bernedo Del Carpio, M., Alpizar, F. y Ferraro, P. J. (2021). Communi-
ty-based monitoring to facilitate water management by local institu-
tions in Costa Rica. Proceedings of the National Academy of Sciences,
118 (29), e2015177118. https://doi.org/10.1073/pnas.2015177118
Bhargava, R., Deahl, E., Letouzé, E., Noonan, A., Sangokoya, D. y
Shoup, N. (2015). Beyond data literacy: reinventing community engage-
ment and empowerment in the age of data. Data Pop Alliance. https://
datapopalliance.org/item/beyond-data-literacy-reinventing-communi-
ty-engagement-and-empowerment-in-the-age-of-data/
Biesta, G. (2007). Why «what works» won’t work: evidence-based practice
and the democratic decit in educational research. Educational eory,
57 (1), 1-22. Wiley/Blackwell (10.1111). ht tps://doi.or g/10.1111/j.1741-
5446.2006.00241.x
Biesta, G. (2015). Resisting the seduction of the global education mea-
surement industry: Notes on the social psychology of PISA. Ethics and
Education, 10 (3), 348-360. https://doi.org/10.1080/17449642.2015.1
106030
Biesta, G. (2019). Should teaching be re(dis)covered? Introduction to
a symposium. Studies in Philosophy and Education, 38 (5), 549-553.
https://doi.org/10.1007/s11217-019-09667-y
Biesta, G. (2020). What constitutes the good of education? Reections
on the possibility of educational critique. Educational Philosophy and
eory, 52 (10), 1023-1027. https://doi.org/10.1080/00131857.2020.17
23468
Biggs, J. y Tang, C. (2011). Teaching for quality learning at university (4.ª
ed.). McGraw-Hill International.
Bill y Melinda Gates Foundation (2017). Gates open research. https://
gatesopenresearch.org/about/policies#dataavail https://gatesopenre-
search.org/about
327
REFERENCIAS ❚
Black, P. y Wiliam, D. (2009). Developing the theory of formative assess-
ment. Educational assessment, evaluation and accountability. Former-
ly: Journal of Personnel Evaluation in Education, 21 (1), 5. https://doi.
org/10.1007/s11092-008-9068-5
Bloxham, S. y Boyd, P. (2007). Developing eective assessment in higher
education: a practical guide. Open University Press.
Borgman, C. L. (2017). Big data, little data, no data: scholarship in the
networked world. MIT Press.
Borrego, Á. (2017). Institutional repositories versus ResearchGate: the de-
positing habits of Spanish researchers. Learned Publishing, 30 (3), 185-
192 . https://doi.org/10.1002/leap.1099
Boud, D. (1988). Developing student autonomy in learning. Taylor and
Francis.
Boud, D. (1995). Enhancing learning through self-assessment. Routledge.
Boud, D. (1999). Situating academic development in professional work:
using peer learning. International Journal for Academic Development, 4
(1), 3-10. https://doi.org/10.1080/1360144990040102
Boud, D. (2014). Shifting views of assessment: from secret teach-
ers’ business to sustaining learning. En: C. Kreber, C. Anderson, J.
McArthur y N. Entwistle (eds.). Advances and innovations in uni-
versity assessment and feedback (pp. 13-31). Edinburgh University
Press. https://www.cambridge.org/core/books/advances-and-innova-
tions-in-university-assessment-and-feedback/shifting-views-of-assess-
ment-from-secret-teachers-business-to-sustaining-learning/4FEDC-
881D1EE52292B58E0D44A2D6CEE
Boud, D., Lawson, R. y ompson, D. G. (2013). Does student engage-
ment in self-assessment calibrate their judgement over time? Assess-
ment and Evaluation in Higher Education, 38 (8), 941-956. https://doi.
org/10.1080/02602938.2013.769198
Boud, D. y Soler, R. (2016). Sustainable assessment revisited. Assessment
and Evaluation in Higher Education, 41 (3), 400-413. https://doi.org/1
0.1080/02602938.2015.1018133
Bourdieu, P. y Passeron, J.-C. (1970). La reproducción. Elementos para una
teoría del sistema educativo. Siglo XXI.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
328
boyd, d. y Crawford, K. (2012). Critical questions for big data. Informa-
tion, Communication y Society, 15 (5), 662-679. https://doi.org/10.108
0/1369118X.2012.678878
Bozkurt, A., Jung, I., Xiao, J., Vladimirschi, V., Schuwer, R., Egorov, G.,
Lambert, S. R., Al-Freih, M., Pete, J., Olcott, D., Rodes, V., Arancia-
ga, I., Bali, M., Alvarez, A. V., Roberts, J., Pazurek, A., Raaghelli,
J. E., Panagiotou, N., De Coëtlogon, P., … y Askevicius, M. (2020).
A global outlook to the interruption of education due to COVID-19
pandemic: navigating in a time of uncertainty and crisis. Asian Jour-
nal of Distance Education, 15 (1), 1-126. https://doi.org/10.5281/zeno-
do.3878572
Bozzi, M., Raaghelli, J. E. y Zani, M. (2021). Peer learning as a key
component of an integrated teaching method: overcoming the com-
plexities of physics teaching in large size classes. Education Sciences, 11
(2), 67. https://doi.org/10.3390/educsci11020067
Brand, J. y Sander, I. (2020). Critical data literacy tools for advancing
data justice: a guidebook. Data Justice Lab. https://datajusticelab.org/
wp-content/uploads/2020/06/djl-data-literacy-guidebook.pdf
Braunschweig, K., Eberius, J., Thiele, M. y Lehner, W. (2016). The
state of open data. En: Figshare (p. 52). https://doi.org/10.6084/m9.
gshare.4036398
Broadfoot, P. M. (1996). e myth of measurement. En: P. Woods (ed.).
Contemporary issues in teaching and learning (pp. 203-231). Open Uni-
versity Press. http://bookshop.blackwell.co.uk/jsp/id/Contemporary_
Issues_in_Teaching_and_Learning/9780415137195
Brøgger, K. (2019). How education standards gain hegemonic power
and become international: the case of higher education and the Bolo-
gna Process. European Educational Research Journal, 18 (2), 158-180.
https://doi.org/10.1177/1474904118790303
Broughan, C. y Prinsloo, P. (2020). (Re)centring students in learning an-
alytics: in conversation with Paulo Freire. Assessment and Evaluation in
Higher Education, 45 (4), 617-628. https://doi.org/10.1080/02602938
.2019.1679716
Brown, S. (2005). Assessment for learning. Learning and Teaching in
Higher Education, 1, 81-89. University of Queensland.
329
REFERENCIAS ❚
Campbell, D. T. (1979). Assessing the impact of planned social
change. Evaluation and Program Planning, 2 (1), 67-90. https://doi.
org/10.1016/0149-7189(79)90048-X
Carey, K. (2015). e end of college: creating the future of learning and the
university of everywhere. Penguin Publishing Group.
Carlson, J., Fosmire, M., Miller, C. C. y Nelson, M. S. (2011). Determin-
ing data information literacy needs: a study of students and research
faculty. Portal: Libraries and the Academy, 11 (2), 629-657. https://doi.
org/10.1353/pla.2011.0022
Castañeda, L., Selwyn, N. y Aagaard, J. (2019). Reiniciando la universi-
dad: Buscando un modelo de universidad en tiempos digitales. UOC.
Castañeda, L. y Williamson, B. (2021). Assembling new toolboxes of
methods and theories for innovative critical research on educational
technology. Journal of New Approaches in Educational Research, 10 (1),
1-14. https://doi.org/10.7821/naer.2021.1.703
Ceballos, L. D., Maisonnave, M. A. y Londoño, C. R. B. (2020). Sobera-
nía tecnológica digital en Latinoamérica. Propuestas para el Desarrollo,
IV, 151-167.
Cechinel, C., Ochoa, X., Lemos dos Santos, H., Carvalho Nunes, J. B.,
Rodés, V. y Marques Queiroga, E. (2020). Mapping learning analytics
initiatives in Latin America. British Journal of Educational Technology,
51 (4), 892-914. https://doi.or g/10.1111/ bjet.12941
CERN. (2018). CMS data preservation, re-use and open access policy.
CERN Open Data Portal. CERN. https://doi.org/10.7483/OPENDA-
TA.CMS.7347.JDWH
Cerro Martínez, J. P., Guitert Catasús, M. y Romeu Fontanillas, T. (2020).
Impact of using learning analytics in asynchronous online discussions
in higher education. International Journal of Educational Technology in
Higher Education, 17 (1), 39. https://doi.org/10.1186/s41239-020-00217-y
Chai, C. S. y Kong, S.-C. (2017). Professional learning for 21st centu-
ry education. Journal of Computers in Education, 4, 1-4. https://doi.
org/10.1007/s40692-016-0069-y
Cinque, M. (2016). Valutare per valorizzare. En: Valutare l’università y
valutare in università. Per una cultura della valutazione (pp. 71-102).
Franco Angeli.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
330
Cobo-Romaní, C. (2019). Acepto las condiciones: usos y abusos de las tecno-
logías digitales. Santillana. https://www.aceptolascondiciones.com/
Collier, A. y Ross, J. (2020). Higher education after surveillance? Post-
digital Science and Education, 2 (2), 275-279. https://doi.org/10.1007/
s42438-019-00098-z
Collins, R. (1979). e credential society: an historical sociology of education
and stratication. Academic Press.
Coughlan, T. (2019). e use of open data as a material for learning. Ed-
ucational Technology Research and Development, 68 (1),1-28. https://
doi.org/10.1007/s11423-019-09706-y
Crawford, K. (2021). Atlas of AI. Yale University Press.
Crawford, K. y Panglen, T. (2019). Excavating AI: the politics of training
sets for machine learning. https://excavating.ai
Crenshaw, K. (1991). Mapping the Margins: intersectionality, identity
politics, and violence against women of color. Stanford Law Review,
43 (6), 1241-1299. https://doi.org/10.2307/1229039
Creswell, J. W. y Garrett, A. L. (2008). e «movement» of mixed meth-
ods research and the role of educators. South African Journal of Educa-
tion, 28 (3), 321-333.
Cribb, J. y Sari, T. (2010). Open science: sharing knowledge in the global
century. CSIRO Publishing.
Crosier, D., Kocanova, D., Birch, P., Davykovskaia, O. y Parveva, T.
(2019). Modernisation of higher education in Europe. En: Eurydice
report (pp. 1-28). Eurydice (Education, Audiovisual and Culture Ex-
ecutive Agency). https://doi.org/10.2797/806308
Crossley, S. A., Karumbaiah, S., Ocumpaugh, J., Labrum, M. J. y Baker,
R. S. (2020). Predicting math identity through language and click-
stream patterns in a blended learning mathematics program for ele-
mentary students. Journal of Learning Analytics, 7 (1), 19-37. https://
doi.org/10.18608/jla.2020.71.3
Cucchiara, S., Giglio, A., Persico, D. y Raaghelli, J. E. (2014). Support-
ing self-regulated learning through digital badges: a case study. En: Y.
Cao, T. Väljataga, J. K. T. Tang, H. Leung y M. Laanpere (eds.). New
horizons in web based learning. ICWL 2014 International Workshops,
SPeL, PRASAE, IWMPL, OBIE, and KMEL, FET. (vol. 8699, pp.
331
REFERENCIAS ❚
134-142). Tallinn, Estonia (14-17 de agosto). Springer International
Publishing. https://doi.org/10.1007/978 -3-319-13296-9
Dai, Q., Shin, E. y Smith, C. (2018). Open and inclusive collaboration in
science. OECD Science, Technology and Industry Policy Papers, 7, 1-29.
https://doi.org/10.1787/2db737-en
Davies, T., Perini, F. y Alonso, J. (2016). Researching the emerging im-
pacts of open data ODDC conceptual framework. Journal of Commu-
nity Informatics, 12 (2, 148-178.
De Raadt, M. (2015). Plugins usage survey. Moodle. https://research.moo-
dle.org/71/
De Rossi, M. (2017). Methodological demands, soft skill and ICT inte-
gration. Formazione y Insegnamento, XV (1), 193-204. https://doi.or-
g/07346/-fei-XV-01-17_15
Decuypere, M. (2021). e topologies of data practices: a methodological
introduction. Journal of New Approaches in Educational Research, 10
(1), 67-84. https://doi.org/10.7821/naer.2021.1.650
Decuypere, M., Grimaldi, E. y Landri, P. (2021). Introduction: critical
studies of digital education platforms. Critical Studies in Education, 62
(1), 1-16. https://doi.org/10.1080/17508487.2020.1866050
Delors, J., Al mufti, I., Amagi, I., Carneiro, R., Ching, F., Geremek, B.,
Gorham, W., Kornhauser, A., Manely, M., Padrón-Quero, M., Sa-
vané, M.-A., Singh, K., Stavenhagen, R., Won Suhr, M. y Zhou, N.
(1996). Learning: the treasure within (pp. 1-46). Unesco. https://unes-
doc.unesco.org/ark:/48223/pf0000109590
Didriksson, A. (2018). De la conciencia crítica a la producción de un
conocimiento sustentable y de bien social: entre La Habana (1996)
y Cartagena (2008) a Córdoba (2018), el debate sobre la universidad
en América Latina y el Caribe. En: Balances y desafíos hacia la CRES
2018. Cuaderno 1: Aportes para pesar la universidad latinoamericana
(vol. 1). Clacso. https://www.jstor.org/stable/pdf/j.ctvt6rkhr.5.pdf
Dietze, S., Taibi, D. y D’Aquin, M. (2016). Facilitating scientometrics in
learning analytics and educational data mining, the LAK dataset. Se-
mantic Web, 8 (3), 395-403. https://doi.org/10.3233/SW-150201
Digital Science, Fane, B., Ayris, P., Hahnel, M., Hrynaszkiewicz, I.,
Baynes, G. y Farrell, E. (2019). e State of open data report 2019: a se-
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
332
lection of analyses and articles about open data, curated by Figshare. Dig-
ital Science. https://doi.org/10.6084/M9.FIGSHARE.9980783.V2
D’Ignazio, C. y Klein, L. F. (2020). Data feminism. MIT Press. https://
doi.org/10.7551/mitpress/11805.001.0001
Doñate, À. (2021, 15). e UOC starts the academic year with new custom-
izable training programmes and a new classroom for its students. UOC
(Universitat Oberta de Catalunya). https://www.uoc.edu/portal/en/
news/actualitat/2021/239-new-classroom-open-masters.html
Doria, B. y Grion, V. (2020). Self-assessment in the university context: a
systematic review. Form@re. Open Journal per la Formazione in Rete,
20 (1), 78-92. https://doi.org/10.13128/form-8247
Ebel, R. L. (1972). Essentials of educational measurement (pp. xiv, 622).
Prentice-Hall.
Editorial Deparment (2018). e UOC is launching a plan for all knowl-
edge generated at the University to be made open. UOC (Universitat
Oberta de Catalunya). https://www.uoc.edu/portal/en/news/actuali-
tat/2018/249-open-access.html
Editors, T. P. M. (2006). e impact factor game. PLOS Medicine, 3 (6),
e291. https://doi.org/10.1371/journal.pmed.0030291
Edwards, P. N., Mayernik, M. S., Batcheller, A. L., Bowker, G. C. y
Borgman, C. L. (2011). Science friction: data, metadata, and col-
laboration. Social Studies of Science, 41 (5), 667-690. https://doi.
or g/10.1177/0306312711413314
eLearn Center. (2016). UOC índex. Usando Learning Analytics para medir
el e-learning. InLab FIB. https://inlab.b.upc.edu/es/uoc-index-usan-
do-learning-analytics-para-medir-el-elearning
Emery, C. R., Kramer, T. R. y Tian, R. (2003). Return to academ-
ic standards: a critique of students’ evaluations of teaching effec-
tiveness. Quality Assurance in Education, 11, 37-47. https://doi.
org/10.1108/09684880310462074
Engenström, Y. (2008a). e future of activity theory: a rough draft. http://
lchc.ucsd.edu/mca/Paper/ISCARkeyEngestrom.pdf
Engeström, Y. (2008b). From Teams to knots: activity-theoretical studies of
collaboration and learning at work. Cambridge University Press.
Engeström, Y. (2015). Learning by Expanding. Cambridge University Press.
333
REFERENCIAS ❚
Engwall, L. (2020). e future of universities. En: L. Engwall (ed.). Mis-
sions of universities: past, present, future (pp. 193-207). Springer Inter-
national Publishing. https://doi.org/10.1007/978-3-030-41834-2 _12
Entwistle, N. (2009). Taking stock: teaching and learning research in
higher education. En: H. Christensen y J. Mighty (eds.). Taking stock:
research on teaching and learning in higher education. McGill-Queen’s
University Press.
Essa, A. (2019). Is data dark? Lessons from borges’s «funes the memorius».
Journal of Learning Analytics, 6 (3), 35-42. https://doi.org/10.18608/
jla.2019.63.7
Eubanks, V. (2018). Automating inequality. How High.tech tools prole,
police, and punish the poor. St. Martin’s Press.
European Commission/Comisión Europea. (2011). Europe 2020 agship
initiative Innovation Union. SEC(2010) 1161, Communication from the
Commission to the European Parliament, the Council, the European Eco-
nomic and Social Committee and the Committee of the Regions, 1 (0), 1-48.
European Commission/Comisión Europea. (2016a). Open innovation,
open science, open to the world. A vision for Europe. Digital single mar-
ket. European Commission, Publications Office of the European
Union. https://doi.org/doi:10.2777/061652
European Commission/Comisión Europea. (2016b). Open science mo-
nitor. http://ec.europa.eu/research/openscience/index.cfm?pg=homey-
section=monitor
European Commission/Comisión Europea. (2018). Facts and case studies
related to accessing and reusing the data produced in the course of sci-
entic production. https://ec.europa.eu/info/research-and-innovation/
strategy/goals-research-and-innovation-policy/open-science/open-sci-
ence-monitor/facts-and-gures-open-research-data_en
European Commission/Comisión Europea, RISE (Research Innovation
and Science Policy Experts/Grupo Experto en Investigación, Innova-
ción y Políticas en Ciencia) (2016). Mallorca declaration on open sci-
ence: achieving open science. European Commission. https://ec.europa.
eu/research/openvision/pdf/rise/mallorca_declaration_2017.pdf
European Higher Education Area EHEA/Espacio Europeo de Educación
Superior. (2015). Yerevan communiqué. Bologna Process.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
334
European Parliament/Parlamento Europeo. (2022). Establishing a Euro-
pean declaration on digital rights and principles for the digital decade.
European Commission. https://digital-strategy.ec.europa.eu/en/li-
brary/declaration-european-digital-rights-and-principles
European Parliament/Parlamento Europeo y Levi, S. (2022). Proposal for
a sovereign and democratic digitalisation of Europe. Publications Oce
of the European Union. https://data.europa.eu/doi/10.2861/671958
Facer, K. y Selwyn, N. (2021). Digital technology and the futures of educa-
tion - towards ‘non-stupid’ optimism . Unesco Digital Library. https://
unesdoc.unesco.org/ark:/48223/pf0000377071.locale=en
Fanghanel, J., Pritchard, J., Potter, J. y Wisker, G. (2016). Dening and
supporting the scholarship of teaching and learning (SoTL): a sector wide
study. Higher Education Academy.
Fanon, F. (2001). e wretched of the Earth. Penguin Classics.
Fardella, C., Broitman, C. y Matter, H. (2022). Activismo, resistencia y
subjetividad académica en la universidad neoliberal. Revista Izquier-
das, 51 (3), 1-16.
Fardella-Cisternas, C., García-Meneses, J., Roy, A. S. y Corvalán-Na-
via, A. (2021). Exacerbados. Identidades académicas y la transforma-
ción de la educación superior chilena. Quaderns de Psicologia, 23 (2),
e1602-e1602. https://doi.org/10.5565/rev/qpsicologia.1602
Fawns, T., Aitken, G. y Jones, D. (2021). Ecological teaching evaluation
vs the datafication of quality: understanding education with, and
around, data. Postdigital Science and Education, 3 (1), 65-82. https://
doi.org/10.1007/s42438-020-00109- 4
Felisatti, E. y Serbati, A. (2019). Prospettive e pratiche di sviluppo pro-
fessionale dei docenti universitari,. En: P. Federighi, M. Ranieri y G.
Bandini (eds.). Digital scholarship tra ricerca e didattica. Studi, ricerche,
esperienze (pp. 66-83). FrancoAngeli.
Fenwick, T. y Edwards, R. (2016). Exploring the impact of digital technologies
on professional responsibilities and education. European Educational Re-
search Journal, 15 (1), 117-131. https://doi.org/10.1177/1474904115608387
Ferguson, R. (2012). Learning analytics: drivers, developments and chal-
lenges. International Journal of Technology Enhanced Learning, 4 (5-6),
30 4-317. https://doi.org/10.1504/IJTEL.2012.051816
335
REFERENCIAS ❚
Fiebig, T., Gürses, S., Gañán, C. H., Kotkamp, E., Kuipers, F., Lin-
dorfer, M., Prisse, M. y Sari, T. (2021). Heads in the clouds: mea-
suring the implications of universities migrating to public clouds.
ArXiv:2104.09462 [Cs]. http://arxiv.org/abs/2104.09462
Fikkema, M. (2016). Sense of serving: reconsidering the role of universities
now. VU University Press.
Filc, D. (2020). Is resistance always counter-hegemonic? Journal of Politi-
cal Ideologies. https://doi.org/10.1080/13569317.2020.1825281
Foucault, M. (2009). Nacimiento de la biopolítica: Curso del Collège de
Fr a n c e (1978-1979). Ediciones Akal.
Fraser, N. (2000). Rethinking recognition. New Left Review, 3.
Fraser, N. (2005). Mapping the Feminist imagination: from redistribu-
tion to recognition to representation. Constellations, 12 (3), 295-307.
ht tps://doi.org /10.1111/j.1351-0487.20 05.00418.x
Fraser, N. (2008). From redistribution to recognition? Dilemmas of justice in
a ‘postsocialist’ age. En: e new social theory reader (2.ª ed.). Routledge.
Freire, P. (1970). Pedagogía del oprimido. Tierra Nueva.
Fricker, M. (2007). Epistemic injustice: power and the ethics of know-
ing. Oxford University Press. https://doi.org/10.1093/acprof:oso/
9780198237907.001.0001
Gadamer, H.-G. (1975). Hermeneutics and social science. Cultural Herme-
neutics, 2 (4), 307-316. https://doi.org/10.1177/019145377500200402
Galimberti, U. (2016). Psiche e techne. L’uomo nell’età della tecnica (9.ª ed.).
Feltrinelli.
Garrison, R. S., Anderson, T. y Archer, W. (1999). Critical inquiry in
a text-based environment: computer conferencing in higher educa-
tion. e Internet and Higher Education, 2 (2-3), 87-105. https://doi.
org/10.1016/S1096-7516(00)00016- 6
Germany’s Presidency of the Council of the EU. (2020). Berlin Decla-
ration on Digital Society and Value-Based Digital Government. En:
Declaration (pp. 1-16). Council of Europe. https://www.bmi.bund.de/
SharedDocs/pressemitteilungen/EN/2020/12/berlin-declaration-digi-
talization.html
Gewin, V. (2020). Six tips for data sharing in the age of the coronavirus.
Nature. https://doi.org/10.1038/d41586-020-01516-0
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
336
Ghislandi, P. M. M. (2005). Didattiche per l’università. Trento University
Press.
Ghislandi, P. M. M. y Raaghelli, J. E. (2014a). Il maharaja, l’elefante e
la qualità dell’(e)Learning. ECPS. Educational, Cultural and Psycho-
logical Studies, 10, 49-81. https://doi.org/10.7358/ecps-2014-010-ghis
Ghislandi, P. M. M. y Raaghelli, J. E. (2014b). Quality teaching mat-
ters: perspectives on quality teaching for the modernization of higher
education. A position paper Importanza della qualità dell’insegna-
mento per la modernizzazione della formazione universitaria. Un po-
sition paper. FormazioneyInsegnamento, European Journal of Research
on Education and Teaching, 1 (XII), 57-88. https://doi.org/10746/-fei-
XII-01-14_06
Ghislandi, P. M. M. y Raaghelli, J. E. (2015). Forward-oriented de-
signing for learning as a means to achieve educational quality. Brit-
ish Journal of Educational Technology, 46 (2), 280-299. https://doi.
or g/10.1111/ bjet.12257
Ghislandi, P. M. M., Raaghelli, J. E., Sangrà, A. y Ritella, G. (2020).
e street lamp paradox: analysing students’ evaluation of teaching
through qualitative and quantitative approaches. ECPS. .Educa-
tional Cultural and Psychological Studies, 0 (21), 65-85. https://doi.
org/10.7358/ecps-2020-021-ghis
Ghislandi, P. M. M., Raaghelli, J. E. y Yang, N. (2013). Mediated qual-
it y. International Journal of Digital Literacy and Digital Competence, 4
(1), 56-73. https://doi.org/10.4018/jdldc.2013010106
Gibson, A. y Lang, C. (2019). Quality indicators through learning an-
alytics. En: M. A. Peters (ed.). Encyclopedia of teacher education (pp.
1-6). Springer. https://eprints.qut.edu.au/200971/
Gil-Garcia, J. R., Gasco-Hernandez, M. y Pardo, T. A. (2020). Beyond
transparency, participation, and collaboration? A reection on the di-
mensions of open government. Public Performance y Management Re-
view, 43 (3), 483-502. https://doi.org/10.1080/15309576.2020.1734726
Girona, C., Pastor, L., Mas, X. y Martínez-Aceituno, J.-A. (2022).
GRAF: A system for the assessment, accreditation and representation
of competency learning in online higher education. En: D. Guralnick,
M. E. Auer y A. Poce (eds.). Innovations in learning and technology for
337
REFERENCIAS ❚
the workplace and higher education (pp. 111-121). Springer Internation-
al Publishing. https://doi.org/10.1007/978-3-030-90677-1_11
Gleason, B. y Heath, M. K. (2021). Injustice embedded in Google Class-
room and Google Meet: a techno-ethical audit of remote education-
al technologies. Italian Journal of Educational Technology. https://doi.
org /10.17471/2499- 4324/1209
Goglio, V. (2016). One size ts all? A dierent perspective on university
rankings. Journal of Higher Education Policy and Management, 38 (2),
212-226. https://doi.org/10.1080/1360080X.2016.1150553
Graham, T. (2018). Barcelona is leading the ghtback against smart city
surveillance. Wired UK, 18 de mayo. https://www.wired.co.uk/article/
barcelona-decidim-ada-colau-francesca-bria-decode
Gray, J., Gerlitz, C. y Bounegru, L. (2018). Data infrastructure lit-
erac y. Big data y society, 5 (2), 205395171878631. https://doi.
org /10.1177/2053951718786316
Green, B. (2021). e contestation of tech ethics: a sociotechnical approach to
ethics and technology in action. http://arxiv.org/abs/2106.01784
Greenhow, C., Gleason, B. y Staudt Willet, K. B. (2019). Social scholar-
ship revisited: changing scholarly practices in the age of social media.
British Journal of Educational Technology, 50 (3), 987-1004. https://doi.
or g/10.1111/ bjet.12772
Grin, S. (2015). Introduction to the special issue on digital scholar-
ship. International Journal on Digital Libraries, 16 (1), 1-2. https://doi.
org/10.1007/s00799-015-0142-6
Griths, D. (2020). e ethical issues of learning analytics in their his-
torical context. En: D. Burgos (ed.). Radical solutions and open sci-
ence: an open approach to boost higher education (pp. 39-55). Springer.
https://doi.org/10.1007/978-981-15-4276-3_3
Grion, V. y Serbati, A. (2018). Assessment of learning or assessment for
learning? Towards a culture of sustainable assessment in higher education.
Pensa Multimedia.
Grion, V., Serbati, A., Tino, C. y Nicol, D. (2017). Ripensare la teoria
della valutazione e dell’apprendimento all’università: Un modello per
implementare pratiche di peer review. Italian Journal of Educational
Research, 19, 209-226.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
338
Grosfoguel, R. (2022). Los cuatro genocidios/epistemicidios del largo si-
glo y las estructuras de conocimiento racistas/sexistas de la moder-
nidad en la universidad occidental. Izquierdas, 51, 1-20.
Guba, E. y Lincoln y. S. (1989). Fourth generation evaluation. Sage Pub-
lications.
Gutiérrez, M. (2018). Data activism and social change. Palgrave Pivot. ht-
tps://doi.org/10.1007/978-3-319-78319-2
Gutiérrez, M. y Milan, S. (2019). Playing with data and its consequences.
First monday. https://doi.org/10.5210/fm.v24i1.9554
Hagendor, T. (2020). e ethics of ai ethics: an evaluation of guide-
lines. Minds and Machines, 30 (1), 99-120. https://doi.org/10.1007/
s11023-020-09517-8
Harding, S. (2011). Beyond postcolonial theory: two undertheorized per-
spectives on science and technology. En: e postcolonial science and
technology studies reader (pp. 1-31). Duke University Press.
Hargittai, E. (2003). e digital divide and what to do about it. En: D.
C. Jones (ed.). New economy handbook (pp. 822-841). Academic Press.
Harvey, L. y Williams, J. (2010). Fifteen years of quality in high-
er education. Quality in Higher Education, 16 (1), 3-36. https://doi.
org/10.1080/13538321003679457
Hayes, A. F. y Krippendor, K. (2007). Answering the call for a standard
reliability measure for coding data. Communication Methods and Mea-
sures, 1 (1), 77-89. https://doi.org/10.1080/19312450709336664
Hayes, S. (2021). Postdigital positionality: developing powerful inclusive
narratives for learning, teaching, research and policy in higher education.
Brill. https://brill.com/view/title/57466
Hazelkorn, E. (2016). Global rankings and the geopolitics of high-
er education: understanding the inuence and impact of rankings
on higher education, policy and society. En: Global rankings and the
geopolitics of higher education: understanding the influence and im-
pact of rankings on higher education, policy and society. https://doi.
org/10.4324/9781315738550
Herodotou, C., Rienties, B., Boroowa, A., Zdrahal, Z. y Hlosta, M.
(2019). A large-scale implementation of predictive learning analytics
in higher education: the teachers’ role and perspective. Educational
339
REFERENCIAS ❚
Technology Research and Development, 67 (5), 1273-1306. https://doi.
org/10.1007/s11423-019-09685-0
Hildebrandt, K. y Couros, A. (2016). Digital selves, digital scholars: the-
orising academic identity in online spaces. Journal of Applied Social
eory, 1 (1).
Hodges, C. B. y Barbour, M. K. (2021). Assessing learning during emer-
gency remote education. Italian Journal of Educational Technology, 29
(2), 85-98. https://doi.org/10.17471/2499-4324/1208
Hou y.-W. y Jacob, W. J. (2017). What contributes more to the ranking of
higher education institutions? A comparison of three world universi-
ty rankings. International Education Journal: Comparative Perspectives,
16 (4), 29-46.
Hummel, P., Braun, M., Tretter, M. y Dabrock, P. (2021). Data sover-
eignty: a review. Big Data y Society, 8 (1), 205395172098201. https://
doi.org/10.1177/2053951720982012
Ibarra-Sáiz, M. S. y Rodríguez-Gómez, G. (2019). Una evaluación como
aprendizaje. En: Royo-Paricio, J., Fernández, A., Fernández, I (eds.).
Cartografía de la buena docencia universitaria. Un marco para el desa-
rrollo del profesorado basado en la investigación (pp. 175-196). Narcea.
Jamali, H. R., Nicholas, D. y Herman, E. (2016). Scholarly reputation in
the digital age and the role of emerging platforms and mechanisms.
Research Evaluation, 25 (1), 37-49. https://doi.org/10.1093/reseval/
rvv032
Jandrić, P., Knox, J., Besley, T., Ryberg, T., Suoranta, J. y Hayes, S.
(2018). Postdigital science and education. Educational Philosophy and
eory, 50 (10), 893-899. https://doi.org/10.1080/0 0131857.2018.145
4000
Jansen, F. (2021). Critical is not political: the need to (re)politicize data lit-
erac y. Seminar. Net, 17 (2), art. 2. https://doi.org/10.7577/seminar.4280
Jarke, J. (2019). Open government for all? Co-creating digital public ser-
vices for older adults through data walks. Online Information Review,
43 (6), 1003-1020. https://doi.org/10.1108/OIR-02-2018-0059
Jetzek, T., Avital, M. y Bjorn-Andersen, N. (2019). e sustainable value
of open government data. Journal of the Association for Information Sys-
tems, 702-734. https://doi.org/10.17705/1jais.00549
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
340
Johnson, J. A. (2014). From open data to information justice. Ethics and
Information Technology, 16 (4), 263-274. https://doi.org/10.1007/
s10676-014-9351-8
Johnson, J. A. (2018). Open data, big data, and just data. En: J. A. John-
son (ed.). Toward information justice: technology, politics, and policy for
data in higher education administration (pp. 23-49). Springer Interna-
tional Publishing. https://doi.org/10.1007/978-3-319-70894 -2_2
Kahneman, D. (2011). inking, fast and slow. Penguin UK.
Kearns, M. y Roth, A. (2020). El algoritmo ético. La ciencia del diseño de
algoritmos socialmente responsables (e ethical algorithm. e science of
socially aware algorithm design). Wolters Kluwer España.
Kemper, J. y Kolkman, D. (2019). Transparent to whom? No algorithmic
accountability without a critical audience. Information, Communica-
tion and Society, 22 (14), 2081-2096. https://doi.org/10.1080/136911
8X.2018.1477967
Kennedy, H., Poell, T. y Van Dijck, J. (2015). Data and agen-
cy. Big Data y Society, 2 (2), 2053951715621569. https://doi.
org /10 .117 7/2053951715 621569
Kerr, A., Barry, M. y Kelleher, J. D. (2020). Expectations of articial
intelligence and the performativity of ethics: Implications for com-
munication governance. Big Data y Society, 7 (1), 205395172091593.
https://doi.org/10.1177/2053951720915939
Kincheloe, J. y Berry, K. (2004). Rigour and complexity in educational Re-
search. McGraw-Hill International.
Kirkup, G. y Kirkwood, A. (2005). Information and communications
technologies (ICT) in higher education teaching. A tale of gradualism
rather than revolution. Learning, Media and Technology, 30 (2), 185-
199. https://doi.org/10.1080/17439880500093810
Kitchin, R. (2014). e data revolution: big data, open data, data infra-
structures y their consequences. Sage Publications.
Kippin, S., Cairney, P. (2022). e COVID-19 exams asco across the
UK: four nations and two windows of opportunity. Br. Polit., 17,
1-23. https://doi.org/10.1057/s41293-021-00162-y
Knight, S., Shum, S. B. y Littleton, K. (2014). Epistemology, assess-
ment, pedagogy: where learning meets analytics in the middle space.
341
REFERENCIAS ❚
Journal of Learning Analytics, 1 (2), 2347. https://doi.org/10.18608/
jla.2014.12.3
Knox, J. (2016). Posthumanism and the massive open online course: contam-
inating the subject of global education. Routledge.
Kolkman, D. (2020, August 26). ‘F**k the algorithm?’: What the world
can learn from the UK’s A-level grading asco. Impact of social sci-
ences (blog of the LSE). https://blogs.lse.ac.uk/impactofsocialscienc-
es/2020/08/26/fk-the-algorithm-what-the-world-can-learn-from-the-
uks-a-level-grading-asco/
Koltay, T. (2016). Digital research data. Where are we now? En: Digi-
tal information strategies (pp. 71-84). Elsevier. https://doi.org/10.1016/
B978-0-08-100251-3.00005-6
Koltay, T. (2017). Data literacy for researchers and data librarians. Jour-
nal of Librarianship and Information Science, 49 (1), 3-14. https://doi.
org /10.1177/0961000615616450
Kreitzer, R. J. y Sweet-Cushman, J. (2021). Evaluating Student evalua-
tions of teaching: a review of measurement and equity bias in SETs
and recommendations for ethical reform. Journal of Academic Ethics,
20 (1), 73-84. https://doi.org/10.1007/S10805-021-09400-W
Kuhn, C. (2020). Module 4 data justice. Understanding data: praxis and
politics. https://datapraxis.net/blog/module/data-justice/
Kuhn, C. y Raaghelli, J. (2022). Report for the project: Understanding
data: praxis and politics. Bath Spa University. https://doi.org/10.5281/
zenodo.6482614
Kuhn, C. y Raaghelli, J. (en prensa). Something important is going on
with data: the educators’ search for political agency to act as profes-
sionals in complex dataed contexts. En: S. Hayes, S. Connor, M.
Johnson y M. Jopling (eds.). Human data interaction, disadvantage and
skills in the community: enabling cross-sector environments for postdigital
inclusion. Springer.
Kuo, T., Tsai, G. Y., Jim Wu y.-C. y Alhalabi, W. (2017). From sociability
to creditability for academics. Computers in Human Behavior, 75, 975-
984. https://doi.org /10.1016/J.CHB.2016.07.044
Langdon, R. J., Youse, P. D., Relton, C. L. y Suderman, M. J. (2020).
Responsible research y innovation in Finland: IO-1 report, RRIL.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
342
Responsible research and innovation learning. Clinical Epigenetics.
https://doi.org/10.2/JQUERY.MIN.JS
Lareau, A. y Weininger, E. B. (2003). Cultural capital in educational re-
search: a critical assessment. eory and Society, 32 (5/6), 567- 606.
Lassinantti, J., Ståhlbröst, A. y Runardotter, M. (2019). Relevant social
groups for open data use and engagement. Government Information
Quarterly, 36 (1), 98-111. https://doi.org/10.1016/j.giq.2018.11.001
Latour, B. (2008). Reensamblar lo social: una introducción a la teoría del
actor-red. Manantial.
Lehtiniemi, T. y Ruckenstein, M. (2019). e social imaginaries of data
activism. Big Data y Society, 6 (1), 205395171882114. https://doi.
or g/10.1177/2053951718821146
Li, L. y Grion, V. (2019). e power of giving feedback and receiving
feedback in peer assessment. All Ireland Journal of Higher Education,
11 (2), art. 2. https://ojs.aishe.org/index.php/aishe-j/article/view/413
Lim, C. y Tinio, V. L. (2018). Analíticas de aprendizaje para el sur global.
Fundación para la Formación en Tecnología de la Información y el
Desarrollo. https://prep-digital.fundacionceibal.edu.uy/jspui/hand-
le/123456789/279
Long, P. y Siemens, G. (2011). Penetrating the Fog: analytics in learning
and education Educause Review, 31-40.
Lovett, J. y Rathemacher, A. (2016). A comparison of research sharing
tools: the institutional repository vs. academic social networking
among University of Rhode Island Faculty. Technical Services Faculty
Presentations. http://digitalcommons.uri.edu/lib_ts_presentations/47
Lovett, J., Rathemacher, A., Boukari, D. y Lang, C. (2017). institution-
al repositories and academic social networks: competition or comple-
ment? A study of open access policy compliance vs. researchgate par-
ticipation. Journal of Librarianship and Scholarly Communication, 5.
https://doi.org/10.7710/2162-3309.2183
Lyon, L. (2016). Transparency: e emerging third dimension of open
science and open data. Liber Quarterly, 25 (4), 153-171. https://doi.
org/10.18352/lq.10113
Maina, M. F., Guàrdia Ortiz, L., Mancini, F. y Martinez Melo, M.
(2022). A micro-credentialing methodology for improved recognition
343
REFERENCIAS ❚
of the employability skills. International Journal of Educational Tech-
nology in Higher Education, 19 (1), 10. https://doi.org/10.1186/s41239-
021- 00315 -5
Malik, M. M. (2020). A hierarchy of limitations in machine learning.
http://ar xiv.org/abs/2002.05193
Maloney, J., Resnick, M., Rusk, N., Silverman, B. y Eastmond, E.
(2010). e scratch programming language and environment. ACM
Transactions on Computing Education, 10 (4), 16:1-16:15. https://doi.
org/10.1145/1868358.1868363
Manca, S. (2018). Researchgate and academia.edu as networked so-
cio-technical systems for scholarly communication: a literature review.
Research in Learning Technology, 26 (0), 1-16. https://doi.org/10.25304/
rlt.v26.2008
Manca, S., Caviglione, L. y Raaghelli, J. E. (2016). Big data for social me-
dia learning analytics: potentials and challenges. Journal of E-Learning
and Knowledge Society, 12 (2). https://doi.org/10.20368/1971-8829/1139
Manca, S., Persico, D. y Raaghelli, J. E. (2021). Emergency remote
education: methodological, technological, organizational and pol-
icy issues. Italian Journal of Educational Technology. https://doi.
org /10.17471/2499- 4324/1251
Manca, S. y Raaghelli, J. E. (2017). Towards a multilevel framework
for analysing academic social network sites: a networked socio-tech-
nical perspective. Proceedings of the 4th European Conference on So-
cial Media, ECSM 2017, 193-201. https://www.scopus.com/inward/
record.uri?eid=2-s2.0-85028564003ypartnerID=40ymd5=61bd59fd-
d42ef107e4c209412c4ecb6d
Mandinach, E. B. y Gummer, E. S. (2016). What does it mean for
teachers to be data literate: laying out the skills, knowledge, and dis-
positions. Teaching and Teacher Education, 60, 366-376. https://doi.
org/10.1016/j.tate.2016.07.011
Markauskaite, L., Marrone, R., Poquet, O., Knight, S., Martínez-Maldo-
nado, R., Howard, S., De Laat, M., Buckingham Shum, S., Gasevic,
D. y Siemens, G. (2022). Rethinking the entwinement between arti-
cial intelligence and human learning: what capabilities do learners
need for a world with AI? ScienceDirect. Computers and Education:
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
344
Articial Intelligence, 3 (100056), 1-16. https://doi.org/10.1016/j.ca-
eai.2022.100056
Markham, A. N. (2018). Critical pedagogy as a response to datacation.
Qualitative Inquire. https://doi.org/10.1177/1077800418809470
Markham, A. N. (2020). Taking data literacy to the streets: critical peda-
gogy in the public sphere. Qualitative Inquiry, 26 (2), 227-237. ht tps://
doi.org/10.1177/1077800419859024
Matsumoto, M. (2017). e sociology of science and technology. En: K.
O. Korgen (ed.). e Cambridge handbook of sociology: specialty and
interdisciplinary studies (vol. 2, pp. 166-177). Cambridge University
Press. https://doi.org /10.1017/9781316418369.018
Matt, S. (2016). E-infrastructures to facilitate open scholarship. En: Fu-
turium. European Commission (p. 3). https://ec.europa.eu/futurium/
en/content/e-infrastructures-facilitate-open-scholarship
Maybee, C. y Zilinski, L. (2015). Data informed learning: a next phase
data literacy framework for higher education. Proceedings of the Asso-
ciation for Information Science and Technology, 52 (1), 1-4. https://doi.
org/10.1002/pra2.2015.1450520100108
Mazon, J. N., Lloret, E., Gómez, E., Aguilar, A., Mingot, I., Pérez, E. y
Quereda, L. (2014). Reusing open data for learning database design.
2014 International Symposium on Computers in Education, SIIE 2014
(pp. 59-64). https://doi.org/10.1109/SIIE.2014.7017705
McAleese, M., Bladh, A., Berger, V., Bode, C., Muelhfeit, J., Petrin, T.,
Schiesaro, A. y Tsoukalis, L. (2013). Report to the European commission
on ‘improving the quality of teaching and learning in Europe’s higher
education institutions’.
McAuley, D., Rahemtulla, H., Goulding, J. y Souch, C. (2011). How
open data, data literacy and linked data will revolutionise higher ed-
ucation. En: L. Coiait (ed.). New thinking about the future of higher
education (pp. 88-93). Pearson.
McKiernan, E. C., Bourne, P. E., Brown, C. T., Buck, S., Kenall, A.,
Lin, J., McDougall, D., Nosek, B. A., Ram, K., Soderberg, C. K.,
Spies, J. R., aney, K., Updegrove, A., Woo, K. H. y Yarkoni, T.
(2016). How open science helps researchers succeed. ELife, 5. https://
doi.org/10.7554/eLife.16800
345
REFERENCIAS ❚
Medland, E. (2019). ‘I’m an assessment illiterate’: towards a shared dis-
course of assessment literacy for external examiners. Assessment and
Evaluation in Higher Education, 44 (4), 565-580. https://doi.org/10.10
80/02602938.2018.1523363
Meyer, K. A. (2014). An analysis of the cost and cost-eectiveness of fac-
ulty development for online teaching. Journal of Asynchronous Learn-
ing Networks, 17 (4), 93-113.
Milan, S. y Van der Velden, L. (2016). e alternative epistemologies
of data activism. Digital Culture and Society, 2, 57-74. https://doi.
org/10.14361/dcs-2016-0205
Miller, D. (2001). Principles of social justice (vol. 28). Harvard University
Press.
Millward, W. T. (2020, March 10). Blackboard to sell open LMS prod-
uct (formerly moodlerooms) for $31.7 million. EdSurge News. https://
www.edsurge.com/news/2020-03-10-blackboard-to-sell-open-lms-
product-for-31-7-million
Mitch, D. (2005). Education and economic growth in historical perspec-
tive. En: EH.Net Encyclopedia. Economic History Association. https://
eh.net/encyclopedia/education-and-economic-growth-in-histori-
cal-perspective/
Moats, D. y Seaver, N. (2019). «You social scientists love mind Games»:
experimenting in the «divide» between data science and critical algo-
rithm studies. Big Data y Society, 6 (1), 205395171983340. https://doi.
org /10.1177/2053951719833404
Moed, H. F. (2017). A critical comparative analysis of ve world universi-
ty rankings. Scientometrics, 110 (2), 967-990. https://doi.org/10.1007/
s11192- 016-2212-y
Molloy, J. C. (2011). e open knowledge foundation: open data means
better science. PLoS Biology, 9 (12). https://doi.org/10.1371/journal.
pbio.1001195
Moran, J. (2010). Interdisciplinarity. Routledge.
Morin, E. (2008). On complexity. Hampton Press.
Mortier, R., Haddadi, H., Henderson, T., McAuley, D., Crowcroft, J. y
Crabtree, A. (2020). Human-data interaction. En: Interaction Design
Foundation (ed.). e encyclopaedia of human-computer interaction (2.ª
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
346
ed.). Interaction Design Foundation. https://www.interaction-design.
org/literature/book/the-encyclopedia-of-human-computer-interac-
tion-2nd-ed/human-data-interaction
Muller, J. (2018). e tyranny of metrics. Princeton University Press.
Nichols, T. P. y García. (2022). Platform studies in education. The
Harvard Educational Review. HEPG, 92 (2), 209-230. https://doi.
org/10.17763/1943-5045-92.2.209
Nicolini, D. (2012). Practice theory, work, and organization: an introduc-
tion. OUP Oxford.
Nijland, F., Van Amersfoort, D., Schreurs, B. y De Laat, M. (2018). Stim-
ulating teachers’ learning in networks: awareness, ability, and Appre-
ciation. En: Networked by design. Routledge.
Noble, S. U. (2018). Algorithms of oppression: how search engines re-
inforce racism by Saya Umoja Noble. En: NYU Press. https://doi.
org/10.15713/ins.mmj.3
Nussbaum, M. (2002). Capabilities and social justice. International Rela-
tions and the New Inequality, 4 (2), 123-135.
Nussbaum, M. (2011). Creating capabilities. e human development ap-
proach. Harvard University Press.
NWO. (n.d.). Open science. https://www.nwo.nl/en/policies/open+science
OECD. (2018a). What is PISA? PISA 2018 results (volume I: What
students know and can do). OECD Library. https://www.oecd-il-
ibrary.org/sites/609870a0-en/index.html?itemId=/content/compo-
nent/609870a0-en
OECD. (2018b). Open government data report. Enhancing policy maturity for
sustainable impact. OECD. https://doi.org/10.1787/9789264305847-en
OECD. (2019). Forty-two countries adopt new OECD principles on arti-
cial intelligence. En: Going digital. https://www.oecd.org/going-dig-
ital/forty-two-countries-adopt-new-oecd-principles-on-articial-intel-
ligence.htm
Ohanian, B. I. (2015). Abuelas de Plaza de Mayo: El pasado en función
del presente. Tramas, 41 (3), 109-136.
Okoye, K., Arrona-Palacios, A., Camacho-Zuñiga, C., Hammout, N.,
Nakamura, E. L., Escamilla, J. y Hosseini, S. (2020). Impact of stu-
dents evaluation of teaching: a text analysis of the teachers qualities
347
REFERENCIAS ❚
by gender. International Journal of Educational Technology in Higher
Education, 17 (1), 49. https://doi.org/10.1186/s41239-020-00224-z
O’Neil, C. (2016). Weapons of math destruction: how big data increases in-
equality and threatens democracy. Penguin.
O’Neill, D. K. (2016). Understanding design research-practice partner-
ships in context and time: why learning sciences scholars should learn
from cultural-historical activity theory approaches to design-based re-
search. Journal of the Learning Sciences, 25 (4), 497-502. https://doi.org
/10.1080/10508406.2016.1226835
Open Data for Development Network y Omidyar Network. (2018).
Open data barometer 4th edition. International Development Research
Centre. https://opendatabarometer.org/doc/4thEdition/ODB-4thEdi-
tion-GlobalReport.pdf
Open Education Sociology Dictionary. (2013). Credentialism. En: Open
education sociology dictionary. Kenton Bell, University of Wollongong.
https://sociologydictionary.org/credentialism/
Owen, R., Macnaghten, P. y Stilgoe, J. (2012). Responsible research and
innovation: from science in society to science for society, with soci-
ety. Science and Public Policy, 39 (6), 751-760. https://doi.org/10.1093/
scipol/scs093
Pangrazio, L. y Selwyn, N. (2019). «Personal data literacies»: a crit-
ical literacies approach to enhancing understandings of person-
al digital data. New Media and Society, 21 (2), 419-437. https://doi.
org/10.1177/1461444818799523
Pangrazio, L. y Selwyn, N. (2020). Towards a school-based ‘critical data
education’. Pedagogy, Culture and Society. https://doi.org/10.1080/146
81366.2020.1747527
Pangrazio, L., Stornaiuolo, A., Nichols, T. P., Garcia, A. y Philip, T. M.
(2022). Datacation meets platformization: materializing data pro-
cesses in teaching and learning. Harvard Educational Review, 92 (2),
257-283. https://doi.org/10.17763/1943-5045-92.2.257
Papavlasopoulou, S., Giannakos, M. N. y Jaccheri, L. (2017). Empirical
studies on the Maker Movement, a promising approach to learning: a
literature review. Entertainment Computing. https://doi.org/10.1016/j.
entcom.2016.09.002
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
348
Pargman, T. C. y McGrath, C. (2021). Mapping the ethics of learning
analytics in higher education: a systematic literature review of empir-
ical research. Journal of Learning Analytics, 8 (2), 123-139. https://doi.
org/10.18608/jla.2021.1
Pastore, S. y Pentassuglia, M. (2015). What university students think
about assessment: a case study from Italy. European Journal of Higher
Education, 5 (4), 407-424. https://doi.org/10.1080/21568235.2015.10
70277
Perrotta, C., Gulson, K. N., Williamson, B. y Witzenberger, K. (2020).
Automation, APIs and the distributed labour of platform pedagogies
in Google Classroom. Critical Studies in Education, 00, 1-17. https://
doi.org/10.1080/17508487.2020.1855597
Perrotta, C. y Williamson, B. (2018). e social life of learning analyt-
ics: cluster analysis and the ‘performance’ of algorithmic education.
Learning, Media and Technology, 43 (1), 3-16. https://doi.org/10.1080/
17439884.2016.1182927
Piattoeva, N. (2021). Numbers and their contexts: how quantied actors
narrate numbers and decontextualization. Educational Assessment,
Evaluation and Accountability, 33 (3), 511-533. https://doi.org/10.1007/
s11092-021-09363-x
Popat, S. y Starkey, L. (2019). Learning to code or coding to learn? A
systematic review. Computers and Education. https://doi.org /10.1016/j.
compedu.2018.10.005
Pouchard, L. y Bracke, M. S. (2016). An analysis of selected data prac-
tices: a case study of the purdue college of agriculture. Issues in Sci-
ence and Technology Librarianship, 2016 (85). https://doi.org/10.5062/
F4057CX4
Pozzi, F., Manganello, F., Passarelli, M., Persico, D., Brasher, A., Holmes,
W., Whitelock, D. y Sangrà, A. (2019a). Ranking meets distance ed-
ucation: Dening relevant criteria and indicators for online universi-
ties. International Review of Research in Open and Distance Learning,
20 (5), 42-63. https://doi.org/10.19173/irrodl.v20i5.4391
Pozzi, F., Manganello, F., Passarelli, M., Persico, D., Brasher, A., Holmes,
W., Whitelock, D. y Sangrà, A. (2019b). Ranking meets distance ed-
ucation: Dening relevant criteria and indicators for online universi-
349
REFERENCIAS ❚
ties. International Review of Research in Open and Distance Learning,
20 (5), 42-63. https://doi.org/10.19173/irrodl.v20i5.4391
Pratt, N. (2004). Bringing politics back in: examining the link between
globalization and democratization. Review of International Political
Economy, 11 (2), 311-336.
Prinsloo, P. (2017). Fleeing from Frankenstein’s monster and meet-
ing Kafka on the way: algorithmic decision-making in higher edu-
cation. E-Learning and Digital Media, 14 (3), 138-163. https://doi.
org/10.1177/2042753017731355
Prinsloo, P. (2019). A social cartography of analytics in education as per-
formative politics. British Journal of Educational Technology, 50 (6),
2810-2823. ht tps://doi.org/10.1111/bjet.12872
Prinsloo, P. (2020). Data frontiers and frontiers of power in (higher) edu-
cation: a review of/from the Global South. Teaching in Higher Educa-
tion, 25 (4), 366-383. https://doi.org/10.1080/13562517.2020.1723537
Prinsloo, P., Slade, S. y Khalil, M. (2022). e answer is (not only) tech-
nological: Considering student data privacy in learning analytics.
British Journal of Educational Technology, 53 (4), 876-893. https://doi.
or g/10.1111/ bjet.13216
Pritchard, R. (2004). Humboldtian values in a changing world: sta and
students in German universities. Oxford Review of Education, 30 (4),
509-528.
Purwanto, A., Zuiderwijk, A. y Janssen, M. (2018). Group development
stages in open government data engagement initiatives: a comparative case
studies analysis (pp. 48-59). Springer. https://doi.org/10.1007/978-3-
319-98690-6 _5
Pybus, J., Coté, M. y Blanke, T. (2015). Hacking the social life of big
data. Big Data and Society, 2 (2), 205395171561664. https://doi.
org /10.1177/20539517156166 49
QQA. (2018). UK quality code for higher education. Advice and guidance: as-
sessment. e Quality Assurance Agency for Higher Education. https://
www.qaa.ac.uk//en/quality-code/advice-and-guidance/assessment
Quarati, A. (2021). Open government data: usage trends and metada-
ta quality. Journal of Information Science. https://doi.org/10.1177/
01655515211027775
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
350
Quarati, A. y De Martino, M. (2019). Open government data usage: a brief
overview. Proceedings of the 23rd International Database Applications y
Engineering Symposium, 1-8. https://doi.org/10.1145/3331076.3331115
Quarati, A. y Raaghelli, J. E. (2020). Do researchers use open research
data? Exploring the relationships between usage trends and metadata
quality across scientic disciplines from the Figshare case. Journal of
Information Science. https://doi.org/10.1177/0165551520961048
Quigley, D. S., Neely, E., Parkolap, A. y Groom, G. (2013). Scholarship
and digital publications: where research meets innovative technology.
Visual Resources, 29 (1-2), 97-106. https://doi.org/10.1080/01973762.2
013.76112 2
Raaghelli, J. E. (2012). Apprendere in contesti culturali allargati. For-
mazione e globalizzazione. En: Le scienze dell’apprendimento: Cog-
nizione e formazione. FrancoAngeli. http://www.francoangeli.it/Ricer-
ca/Scheda_libro.aspx?CodiceLibro=1361.1.1
Raaghelli, J. E. (2014). Open digital badges: tecnologie a supporto della
valutazione per il lifelong learning. En: TD Tecnologie Didattiche, 22
(2), 119-123. https://doi.org/10.17471/2499-4324/150
Raaghelli, J. E. (2017a). Alfabetizzare ai dati nella società dei big e open
data: una sda formativa. Formazione Insegnamento. European Journal
of Research on Education and Teaching, 25 (3), 279-304. https://doi.
org/107346/-fei-XV-03-17_21
Raaghelli, J. E. (2017b). Exploring the (missed) connections between
digital scholarship and faculty development: a conceptual analysis. In-
ternational Journal of Educational Technology in Higher Education, 14
(1), 20. https://doi.org/10.1186/s41239-017-0058-x
Raaghelli, J. E. (2018a). Educators’ data literacy supporting critical pers-
pectives in the context of a «dataed» education. En: M. Ranieri, L.
Menichetti y M. Kashny-Borges (eds.). Teacher education y training on
ICT between Europe and Latin America (pp. 91-109). Aracné. https://
doi.org/10.4399/97888255210238
Raaghelli, J. E. (2018b). Open data for learning: A case study in higher
education. En: A. Volungeviciene y A. Szűcs (eds.). Exploring the mi-
cro, meso and macro navigating between dimensions in the digital learn-
ing landscape. Proceedings of the EDEN Annual Conference, 2018 (pp.
351
REFERENCIAS ❚
178-190). European Distance and E-Learning Network. ht tps://doi.
org/978-615-5511-23-3
Raaghelli, J. E. (2018c). Pathways to openness in networked learning re-
search: the case of open data. Resources and notes from the eld. Uni-
versitat Oberta de Catalunya. https://zenodo.org/record/4446013#.
YR4sf4j7SUk
Raaghelli, J. E. (2019a). Developing a framework for educators’ data liter-
acy in the European context: proposal, implications and debate. Inter-
national Conference on Education and New Learning Technologies EDU-
LEARN, 10520-10530. https://doi.org/10.21125/edulearn.2019.2655
Raaghelli, J. E. (2019b). Delphi study to validate the survey exploring aca-
demic awareness and engagement with data-driven practices. https://doi.
org/10.5281/ZENODO.3581290
Raaghelli, J. E. (2020a). «Daticación» y educación superior: hacia la
construcción de un marco para la alfabetización en datos del profeso-
rado universitario. Revista Interamericana de Investigación, Educación y
Pedagogía, RIIEP, 13 (1), 177-205.
Raaghelli, J. E. (2020b). Analíticas de aprendizaje: ¿un continente oscu-
ro? Notas de trabajo en campo. Zenodo. https://doi.org/10.5281/zeno-
do.4460680
Raaghelli, J. E. (2020c). Is data literacy a catalyst of social Justice? A
response from nine data literacy initiatives in higher education. Edu-
cation Sciences, 10 (9), 233. https://doi.org/10.3390/educsci10090233
Raaghelli, J. E. (2021). «Daticazione» e istruzione superiore: verso la
costruzione di un quadro competenziale per una rinnovata digital
scholarship. Excellence and Innovation in Learning and Teaching. Open
Access, 0 (0), 128-147. https://doi.org/10.3280/exioa0-2021oa11132
Raaghelli, J. E. (2022a). Alfabetización en datos y justicia social, ¿un
oxímoron? Respuestas desde la contrahegemonía (Data literacy and
social justice: an oxímoron? Responses from the counter-hegemony).
Izquierdas, 51, 1-18.
Raaghelli, J. E. (2022b). Educators’ data literacy: understanding the
bigger picture. En: Learning to live with datacation: educational case
studies and initiatives from across the world (pp. 80-99). Routledge. ht-
tps://doi.org/10.4324/9781003136842
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
352
Raaghelli, J. E., Cucchiara, S., Manganello, F. y Persico, D. (2016).
Dierent views on digital scholarship: separate worlds or cohesive re-
search eld? Research in Learning Technology, 24 (0), 1-17. https://doi.
org/10.3402/rlt.v24.32036
Raaghelli, J. E., Cucchiara, S. y Persico, D. (2015). Methodological
approaches in MOOC research: retracing the myth of Proteus. Brit-
ish Journal of Educational Technology, 46 (3), 488-509. https://doi.
or g/10.1111/ bjet.12279
Raaghelli, J. E., Grion, V. y De Rossi, M. (2021). Data practices in
quality evaluation and assessment: two universities at a glance. Higher
Education Quarterly. https://doi.or g/10.1111/ hequ.12361
Raaghelli, J. E., Kuhn, C. y Berga, Q. (2021). Data activism in high-
er education, a scholarly commitment. https://doi.org/10.5281/zeno-
do.5768143
Raaghelli, J. E. y Manca, S. (2019). Is there a social life in open data? e
case of open data practices in educational technology research. Publi-
cations, 7 (1), 9. https://doi.org/10.3390/PUBLICATIONS7010009
Raaghelli, J. E. y Manca, S. (2022). Exploring the social activity of open
research data on ResearchGate: Implications for the data literacy of
researchers. Online Information Review. https://doi.org/10.1108/OIR-
05-2021-0255
Raaghelli, J. E., Manca, S., Stewart, B., Prinsloo, P. y Sangrà, A. (2020).
Supporting the development of critical data literacies in higher edu-
cation: building blocks for fair data cultures in society. Internation-
al Journal of Educational Technologies in Higher Education, 17 (58).
https://doi.org/10.1186/s41239-020-00235-w
Raaghelli, J. E. y Stewart, B. (2020). Centering complexity in ‘educa-
tors’ data literacy’ to support future practices in faculty development:
a systematic review of the literature. Teaching in Higher Education, 25
(4), 435-455. https://doi.org/10.1080/13562517.2019.1696301
Raffaghelli, J., Español-Fernández, D., Romero-Carbonell, M.,
Romeu-Fontanillas, T., Lakkala, M., Ro, A. y Gouseti, A. (2022).
SOLET, a self-organised learning environment for teachers about
critical digital literacies: proposal and validation. INTED2022 Procee-
dings, 3993-4003. https://doi.org/10.21125/inted.2022.1093
353
REFERENCIAS ❚
Ranieri, M. (2011). Le insidie dell’ovvio: tecnologie educative e critica della
retorica tecnocentrica. ETS.
Ranieri, M., Raaghelli, J. E. y Bruni, I. (2019). Supporting learning design
as a driver for pedagogical innovation within an integrated model of fac-
ulty development. En: A. Elçi, L. L. Beith y A. Elçi (eds.). Handbook of
research on faculty development for digital teaching and learning (pp. 77-98).
IGI Global. https://doi.org/10.4018/978-1-5225-8476-6.ch005
Redecker, C. y Punie, Y. (2017). European framework for the digital com-
petence of educators: DigCompEdu. En: Joint Research Centre (JRC)
science for policy report (pp. 1-95). https://doi.org/10.2760/159770
Reed, P. (2012). Awareness, attitudes and participation of teaching sta
towards the open content movement in one university. Research in
Learning Technology, 20. https://doi.org/10.3402/rlt.v20i0.18520
Reimann, N. y Wilson, A. (2012). Academic development in ‘assessment
for learning’: the value of a concept and communities of assessment
practice. International Journal for Academic Development, 17 (1), 71-
83. https://doi.org/10.1080/1360144X.2011.586460
Ricaurte, P. (2019). Data epistemologies, the coloniality of power, and
resistance. Television y New Media, 20 (4), 350-365. https://doi.
org/10.1177/1527476419831640
Rienties, B., Boroowa, A., Cross, S., Kubiak, C., Mayles, K. y Murphy,
S. (2016). Analytics action evaluation framework: a review of evi-
dence-based learning analytics interventions at the Open University
UK. Journal of Interactive Media in Education, 2016 (1). https://doi.
org/10.5334/jime.394
Rienties, B., Herodotou, C., Olney, T., Schencks, M. y Boroowa, A.
(2018). Making sense of learning analytics dashboards: a technol-
ogy acceptance perspective of 95 teachers. e International Review
of Research in Open and Distributed Learning, 19 (5). https://doi.
org /10.19173/irrodl.v19i5.3493
Rigo, D. Y., Squillari, R. B., Caraballo, M. R. y Rovere, R. (2021). Revi-
sión teórica del concepto agencia. Implicancias educativas para com-
prender el compromiso académico. Ciencia y Educación, 5 (2), 81-92.
Rivera-Vargas, P., Guajardo, P., Marchante, M., Moreno, M., Núñez, S. y
Ordoñez, M. (2022). Pedagogías emergentes en la sociedad digital (vol.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
354
3). Liber Libro. https://esbrina.eu/es/portfolio/pedagogias-emergen-
tes-en-la-sociedad-digital-vol-3-2/
Rivera-Vargas, P. y Passeron, E. (2022). Entrevista con Lidón Gasul. Edu-
car con Sentido (tercera temporada), 22 de febrero. https://w ww.youtu-
be.com/watch?v=FMFdHUisn0E
Rodríguez-Arango, M. (2010). Filosofía política de la educación en Amé-
rica Latina. Teoría y Praxis Investigativa, 5 (1).
Rodríguez-Gallego, M. R. (2014). El aprendizaje-servicio como estrategia
metodológica en la universidad. Revista Complutense de Educación, 25
(1), 95-113. https://doi.org/10.5209/rev_RCED.2014.v25.n1.41157
Rose, C. P. (2019). Monolith, multiplicity, or multivocality: What do we
stand for and where do we go from here? Journal of Learning Analytics,
6 (3), 31-34. https://doi.org/10.18608/jla.2019.63.6
Rosenblat, A., Kneese, T. y boyd, d. (2014). Workplace surveillance (SSRN
Scholarly Paper ID 2536605). Social Science Research Network.
https://doi.org/10.2139/ssrn.2536605
Ruijer, E., Grimmelikhuijsen, S., van den Berg, J., Meijer, A., Quarati,
A., Raaghelli, J. E., Wilkinson, M. D., Dumontier, M., Aalbersberg,
Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W.,
da Silva Santos, L. B. O. B., Bourne, P. E., Bouwman, J., Brookes, A.
J., Clark, T., … y Rahm, E. (2016). On the barriers for local govern-
ment releasing open data. Government Information Quarterly, 31 (1),
267. https://doi.org/10.3390/info9110267
Sancho-Gil, J. M., Rivera-Vargas, P. y Miño-Puigcercós, R. (2020). Mov-
ing beyond the predictable failure of ed-tech initiatives. Learning, Me-
dia and Technology, 45 (1), 61-75. https://doi.org/10.1080/17439884.2
019.1666873
Sander, I. (2020). What is critical big data literacy and how can it be
implemented? Internet Policy Review, 9 (2). https://policyreview.info/
articles/analysis/what-critical-big-data-literacy-and-how-can-it-be-im-
plemented
Sangrà, A., Guitert, M., Cabrera-Lanzo, N., Taulats, M., Toda, L. y Ca-
rrillo, A. (2019a). Collecting data for feeding the online dimension
of university rankings: a feasibility test. Italian Journal of Educational
Technology, 27 (3), 241-256. https://doi.org /10.17471/2499-4 324/1114
355
REFERENCIAS ❚
Sangrà, A., Guitert, M., Cabrera-Lanzo, N., Taulats, M., Toda, L. y Car-
rillo, A. (2019b). Collecting data for feeding the online dimension of
university rankings: A feasibility test. Italian Journal of Educational
Technology, 27 (3), 241-256. https://doi.org /10.17471/2499-4 324/1114
Sangrà, A., Raaghelli, J. E. y Veletsianos, G. (2019). Lifelong learning
ecologies: linking formal and informal contexts of learning in the dig-
ital era. British Journal of Educational Technology, 12828. https://doi.
or g/10.1111/ bjet.12828
Sannino, A. (2011). Activity theory as an activist and intervention-
ist theory. Theory and Psychology, 21 (5), 571-597. https://doi.
org /10.1177/0959354311417485
Santos-Hermosa, G. (2019). L’educació oberta a Europa: avenços, inte-
gració amb la ciència oberta i rol bibliotecari. BiD: Textos Universi-
taris de Biblioteconomia i Documentació, 43. https://doi.org/10.1344/
BiD2019.43.14
Santos-Hermosa, G. y Boixadera Ibern, M. (2019). Open access course
(EdD). Universitat Oberta de Catalunya (UOC). https://openaccess.
uoc.edu/handle/10609/101366
Saucerman, J., Ruis, A. R. y Shaer, D. W. (2017). Automating the detec-
tion of reection-on-action. Journal of Learning Analytics, 4 (2), 212-
239. https://doi.org/10.18608/jla.2017.42.15
Saunders, B., Kitzinger, J. y Kitzinger, C. (2015). Anonymising interview
data: challenges and compromise in practice. Qualitative Research,
QR, 15 (5), 616-632. https://doi.org/10.1177/1468794114550439
Saura, G. y Bolívar, A. (2019). Sujeto académico neoliberal: cuanticado,
digitalizado y bibliometricado. REICE. Revista Iberoamericana sobre
Calidad, Ecacia y Cambio en Educación, 17 (4), 9-26.
Saura, G., Gutiérrez, E. J. D. y Vargas, P. R. (2021). Innovación tec-
no-educativa Google. Plataformas digitales, datos y formación Docen-
te. REICE. Revista Iberoamericana sobre Calidad, Ecacia y Cambio en
Educación, 19 (4), art. 4. https://doi.org/10.15366/reice2021.19.4.007
Scheel, M., Drachsler, H. y Specht, M. (2015). Developing an evalua-
tion framework of quality indicators for learning analytics. ACM In-
ternational Conference Proceeding Series (16-20 de marzo). https://doi.
org/10.1145/2723576.2723629
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
356
Schneider, R. (2013). Research data literacy. Communications in Com-
puter and Information Science, 397 CCIS, 134-140. https://doi.
org/10.1007/978-3-319-03919-0_16
Selwyn, N. (2019). What’s the problem with learning analytics? Journal of
Learning Analytics, 6 (3), 11-19. https://doi.org/10.18608/jla.2019.63.3
Selwyn, N. (2020). ‘Just playing around with Excel and pivot tables’. e
realities of data-driven schooling. Research Papers in Education. https://
doi.org/10.1080/02671522.2020.1812107
Selwyn, N. (2021a). «ere is a danger we get too robotic»: an investiga-
tion of institutional data logics within secondary schools. Educational
Review, 1-17. https://doi.org/10.1080/00131911.2021.1931039
Selwyn, N. (2021b). Critical data futures. https://doi.
org/10.26180/15122448.v1
Selwyn, N. y Gašević, D. (2020). e datacation of higher education:
discussing the promises and problems. Teaching in Higher Education,
25 (4), 527-540. https://doi.org/10.1080/13562517.2019.1689388
Selwyn, Neil. (2013). Education in a digital world: global perspectives on
technology and education. Routledge.
Selwyn, Neil. (2014). Distrusting educational technology: critical questions
for changing times (Routledge).
Serbati, A., Grion, V. y Fanti, M. (2019). Caratteristiche del peer feed-
back e giudizio valutativo in un corso universitario blended. Giornale
Italiano della Ricerca Educativa, XII, 115-137.
Shaer, D. W., Collier, W. y Ruis, A. R. (2016). A Tutorial on epistemic
network analysis: analyzing the structure of connections in cognitive,
social, and interaction data. Journal of Learning Analytics, 3 (3), 9-45.
https://doi.org/10.18608/jla.2016.33.3
Shum, S. J. B. (2019). Critical data studies, abstraction and learning an-
alytics: editorial to Selwyn’s LAK keynote and invited commentar-
ies. Journal of Learning Analytics, 6 (3), 5-10. https://doi.org/10.18608/
jla.2019.63.2
Siemens, G. (2013). Learning analytics. American Behavioral Scientist, 57
(10), 1380-1400. https://doi.org/10.1177/0002764213498851
Siemens, G., Dawson, S. y Lynch, G. (2013). Improving the quality and
productivity of the higher education sector (white paper for the Aus-
357
REFERENCIAS ❚
tralian Government Oce for Learning and Teaching). Society for
Learning Analytics Research. https://solaresearch.org/core/improv-
ing-the-quality-and-productivity-of-the-higher-education-sector/
Siemens, G. y Gasevic, D. (2012). Guest editorial. Learning and knowl-
edge analytics. Educational Technology and Society, 15 (3), 1-2.
Slade, S. y Tait, A. (2019). Global guidelines: ethics in Learning Analytics.
ICDE. https://www.icde.org/knowledge-hub/the-aim-of-the-guide-
lines-is-to-identify-which-core-principles-relating-to-ethics-are-core-
to-all-and-where-there-is-legitimate-dierentiation-due-to-separate-
legal-or-more-broadly-cultural-env-5mppk
Slavin, R. E. (2002). Evidence-based education policies: transforming ed-
ucational practice and research. Educational Researcher, 31 (7), 15-21.
https://doi.org/10.2307/3594400
Smith, A. (1776). An inquiry into the nature and causes of the wealth of
nations. Creech, Mundell, Doig, Stevenson.
Smith, C. D., Worsfold, K., Davies, L., Fisher, R. y McPhail, R. (2013).
Assessment literacy and student learning: the case for explicitly de-
veloping students ‘assessment literacy’. Assessment and Evaluation in
Higher Education, 38 (1), 44-60. https://doi.org/10.1080/02602938.2
011.598636
Snow, C. P. (1959). e two cultures and the scientic revolution. Cam-
bridge University Press.
Snowden, E. (2019). Permanent Record. Pan MacMillan.
Soh, K. (2017). The seven deadly sins of world university ranking: a
summary from several papers. Journal of Higher Education Policy
and Management, 39 (1), 104-115. https://doi.org/10.1080/136008
0X.2016.1254431
Spooren, P. y Christiaens, W. (2017). I liked your course because I believe
in (the power of) student evaluations of teaching (SET). Students’ per-
ceptions of a teaching evaluation process and their relationships with
SET scores. Studies in Educational Evaluation, 54, 43-49.
Stewart, B. E. y Lyons, E. (2021). When the classroom becomes data-
ed: a baseline for building data ethics policy and data literacies across
higher education. Italian Journal of Educational Technology. https://
doi.org /10.17471/2499-4324/1203
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
358
Stiggins, R. J. (2002). Assessment crisis: the absence of assessment
for learning. Phi Delta Kappan, 83 (10), 758-765. https://doi.
org/10.1177/003172170208301010
Stracke, C., Bozkurt, A., Conole, G., Nascimbeni, F., Ossiannilsson,
E., Sharma, R. C., Burgos, D., Cangialosi, K., Fox, G., Mason, J.,
Nerantzi, C., Obiageli Agbu, J. F., Ramirez Montaya, M. S., San-
tos-Hermosa, G., Sgouropoulou, C. y Shon, J. G. (2020). Open
education and open science for our global society during and after
the COVID-19 outbreak. Open Education Global Conference 2020.
https://doi.org/10.5281/ZENODO.4275632
Styron, J. y Styron, R. A. (2011). Teaching to the test: a controversial is-
sue in measurement. IMSCI 2011 - 5th International Multi-Conference
on Society, Cybernetics and Informatics, Proceedings, 2, 161-163.
Suthers, D. y Verbert, K. (2013). Learning analytics as a ‘middle space’.
Proceedings of the ird International Conference on Learning Analytics
and Knowledge, 1-4. https://doi.org/10.1145/2460296.2460298
Taebi, B., Correljé, A., Cuppen, E., Dignum, M. y Pesch, U. (2014). Re-
sponsible innovation as an endorsement of public values: the need for
interdisciplinary research. Journal of Responsible Innovation, 1 (1), 118-
124. https://doi.org/10.1080/23299460.2014.882072
Tapia, M. N. (2018). El compromiso social en la educación superior.
CLAYSS, Centro Latinoamericano de Aprendizaje y Servicio Solida-
rio. https://www.clayss.org.ar/04_publicaciones/CompromisoSocia-
lEdSup.pdf
Taylor, L. (2017). What is data justicee? e case for connecting digital
rights and freedoms globally. Big Data y Society, 4 (2), 1-14. https://
doi.org /10.1177/2053951717736335
Teal, T. K., Cranston, K. A., Lapp, H., White, E., Wilson, G., Ram, K. y
Pawlik, A. (2015). Data carpentry: workshops to increase data literacy
for researchers. International Journal of Digital Curation, 10 (1), 135-
143. https://doi.org/10.2218/ijdc.v10i1.351
Tenopir, C., Talja, S., Horstmann, W., Late, E., Hughes, D., Pollock, D.,
Schmidt, B., Baird, L., Sandusky, R. J. y Allard, S. (2017). Research
data services in European academic research libraries. LIBER Quarter-
ly, 27 (1), 23-44. https://doi.org /10.18352/lq.10180
359
REFERENCIAS ❚
elwall, M. y Kousha, K. (2015). ResearchGate: disseminating, com-
municating, and measuring scholarship? Journal of the Association
for Information Science and Technology, 66 (5), 876-889. https://doi.
org/10.1002/asi.23236
Thompson, T. L. (2020). Data-bodies and data activism: presenc-
ing women in digital heritage research. Big Data and Society, 7 (2),
205395172096561. https://doi.org/10.1177/2053951720965613
Trifonas, P. P. (2009). Deconstructing research: paradigms lost. Inter-
national Journal of Research y Method in Education, 32 (3), 297-308.
https://doi.org/10.1080/17437270903259824
Tsai y.-S. y Gasevic, D. (2017). Learning analytics in higher education.
Challenges and policies. Proceedings of the Seventh International Learn-
ing Analytics y Knowledge Conference on Lak ’17 (pp. 233-242). https://
doi.org/10.1145/3027385.3027400
Tygel, A. F. y Kirsch, R. (2016). Contributions of Paulo Freire for a critical
data literacy: a popular education approach. e Journal of Community
Informatics, 12 (3), art. 3. https://doi.org/10.15353/joci.v12i3.3279
Tzimas, D. y Demetriadis, S. (2021). Ethical issues in learning analyt-
ics: a review of the eld. Educational Technology Research and Develop-
ment, 69 (2), 1101-1133. https://doi.org/10.1007/s11423-021-09977-4
UKtransparency y CabinetoceUK (2012). Open data white paper: un-
leashing the potential. En: Printed in the UK for e Stationery Oce
Limited on behalf of the Controller of Her Majesty’s Stationery Oce.
https://data.gov.uk/library/open-data-white-paper
Unterhalter, E. y Brighouse, H. (2007). Distribution of what for social
justice in education? e case of education for all by 2015. En: Ama-
rtya sen’s capability approach and social justice in education (pp. 67-86).
Palgrave MacMillan. https://doi.org/10.1057/9780230604810_4
van der Zee, T. y Reich, J. (2018). Open education science. AERA Open,
4 (3). https://doi.org/10.1177/2332858418787466
Van Dijck, J. (2014). Datacation, dataism and dataveillance: big data
between scientic paradigm and ideology. Surveillance y Society, 12
(2), 197-208. https://doi.org/10.24908/ss.v12i2.4776
Van Dijck, J., Poell, T. y de Waal, M. (2018). e platform society. Public
values in a connective world. Oxford University Press.
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
360
Vasquez Heilig, J. y Nichols, S. L. (2013). A quandary for school leaders:
equity, high-stakes testing and accountability. En: L. Tillman y J. J.
Scheurich (eds.). Handbook of research on educational leadership for eq-
uity and diversity. Routledge.
Veletsianos, G. y Kimmons, R. (2012). Assumptions and challenges of
open scholarship. International Review of Research in Open and Dis-
tance Learning, 13 (4), 166-189.
Verhaar, P., Schoots, F., Sesink, L. y Frederiks, F. (2017). Fostering eec-
tive data management practices at leiden university. Liber Quarterly,
27 (1), 1-22. https://doi.org/10.18352/lq.10185
Viberg, O., Hatakka, M., Bälter, O. y Mavroudi, A. (2018). e current
landscape of learning analytics in higher education. En: Comput-
ers in Human Behavior (vol. 89, pp. 98-110). Pergamon. https://doi.
org/10.1016/j.chb.2018.07.027
Vuorikari, R., Ferguson, Rebecca., Brasher, Andrew., Clow, Doug., Cooper,
Adam., Hillaire, Garron., Mittelmeier, J. y Rienties, Bart. (2016). Research
evidence on the use of learning analytics (p. 148). Joint Research Center. Pub-
lications Oce of the European Union. https://doi.org/10.2791/955210
Vuorikari, R., Kluzer, S. y Punie y. (2022). DigComp 2.2: the digi-
tal competence framework for citizens. With new examples of knowl-
edge, skills and attitudes. JRC Publications Repository. https://doi.
org/10.2760/115376
Watkins, K. E. y Golembiewski, R. T. (1995). Rethinking organization
development for the learning organization. e International Jour-
nal of Organizational Analysis, 3 (1), 86-101. https://doi.org/10.1108/
eb028825
Wellcome Trust (2016). Wellcome signs open data concordat. Wellcome
trust blog. https://wellcome.ac.uk/news/wellcome-signs-open-da-
ta-concordat
Weller, M. (2011). e digital scholar: how technology is transforming schol-
arly practice. Bloomsbury Academic.
Weller, M. (2018). e digital scholar revisited. e Digital Scholar: Phi-
losopher’s Lab, 1 (2), 52-71. https://doi.org/10.5840/dspl20181218
Wenger, E. (1998). Communities of practice: learning, meaning,
and identity. En: R. Pea, J. S. Brown y J. Hawkins (eds.). Learn-
361
REFERENCIAS ❚
ing in doing (vol. 15, 4). Cambridge University Press. https://doi.
org/10.2277/0521663636
Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Ax-
ton, M., Baak, A., Blomberg, N., Boiten, J.-W., Da Silva Santos, L.
B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M.,
Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … y
Mons, B. (2016). e fair guiding principles for scientic data man-
agement and stewardship. Scientic Data, 3 (1), 160018. https://doi.
org/10.1038/sdata.2016.18
Williamson, B. (2016a). Digital education governance: an introduc-
tion. European Educational Research Journal, 15 (1), 3-13. https://doi.
or g/10.1177/1474904115616630
Williamson, B. (2016b). Digital education governance: data visualization,
predictive analytics, and ‘real-time’ policy instruments. Journal of Ed-
ucation Policy, 31 (2), 123-141. https://doi.org/10.1080/02680939.201
5.1035758
Williamson, B. (2016c). Coding the biodigital child: the biopolitics and
pedagogic strategies of educational data science. Pedagogy, Culture y
Society, 24 (3), 401-416. https://doi.org/10.1080/14681366.2016.1175
499
Williamson, B. (2017). Big data in education. e digital future of learn-
ing, policy and practice. Sage.
Williamson, B. (2018). The hidden architecture of higher education:
building a big data infrastructure for the ‘smarter university’. Inter-
national Journal of Educational Technology in Higher Education, 15 (1),
12. https://doi.org/10.1186/s41239-018- 0094-1
Williamson, B., Eynon, R. y Potter, J. (2020a). Pandemic politics, ped-
agogies and practices: digital technologies and distance education
during the coronavirus emergency. Learning, Media and Technology,
45 (2), 107-114. Routledge. https://doi.org/10.1080/17439884.2020.1
761641
Williamson, B., Gulson, K., Perrotta, C. y Witzenberger, K. (2022). Am-
azon and the new global connective architectures of education gov-
ernance. Harvard Educational Review, 92 (2), 231-256. https://doi.
org/10.17763/1943-5045-92.2.231
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
362
Williamson, B. y Hogan, A. (2021). Education international research pan-
demic privatisation in higher education: Edtech and university reform.
https://www.researchgate.net/publication/349144766_Pandemic_Pri-
vatisation_in_Higher_Education_Edtech_University_Reform
Willis, J. E., Slade, S. y Prinsloo, P. (2016). Ethical oversight of student
data in learning analytics: a typology derived from a cross-continen-
tal, cross-institutional perspective. Educational Technology Research
and Development, 64 (5), 881-901. https://doi.org/10.1007/s11423-
016-9463-4
Wiorogórska, Z., Leśniewski, J. E. y Rozkosz, E. (2018). Data literacy and
research data management in two top universities in Poland. Raising
awareness. Communications in Computer and Information Science, 810,
205-214. https://doi.org/10.1007/978-3-319-74334 -9_ 22
Worsley, M., Anderson, K., Melo, N. y Jang, J. Y. (2021). Designing
Analytics for Collaboration Literacy and Student Empowerment.
Journal of Learning Analytics, 8 (1), 30-48. ht tps://doi.org/10.18608/
jla.2021.7242
Wouters, P. y Haak, W. (2017). Open data: the researcher perspective.
En: Elsevier open science (p. 48). https://doi.org/10.17632/bwrnfb4b-
vh.1
Za, S., Spagnoletti, P. y North-Samardzic, A. (2014). Organisational
learning as an emerging process: the generative role of digital tools in
informal learning practices. British Journal of Educational Technology,
45 (6), 1023-1035. https://doi.org/10.1111/bjet.12 211
Zhang,G., Raina,A. Cagan, J. y McComb,C. (2021). A cautionary tale
about the impact of AI on human design teams. Design Studies,
72,100990. https://doi.org/10.1016/j.destud.2021.100990
Zhao y. (2020). Two decades of havoc: a synthesis of criticism against
PISA. Journal of Educational Change, 21 (2), 245-266. https://doi.
org/10.1007/S10833-019-09367-X
Ziman, J. (1996). ‘Post-academic science’: constructing knowledge with
networks and norms. Science y Technology Studies, 9 (1), 67-80. https://
doi.org/10.23987/sts.55095
Zubo, S. (2019). e age of surveillance capitalism: the ght for a human
future at the new frontier of power. Prole Books.
363
REFERENCIAS ❚
Zuiderwijk, A. y Janssen, M. (2014). Open data policies, their implemen-
tation and impact: a framework for comparison. Government Informa-
tion Quarterly, 31 (1), 17-29. https://doi.org/10.1016/j.giq.2013.04.003
Zuiderwijk, A., Janssen, M. y Dwivedi y. K. (2015). Acceptance and use
predictors of open data technologies: drawing upon the unied theory
of acceptance and use of technology. Government Information Quar-
terly, 32 (4), 429-440. https://doi.org/10.1016/j.giq.2015.09.005
Zuiderwijk, A., Shinde, R. y Jeng, W. (2020). What drives and inhibits
researchers to share and use open research data? A systematic literature
review to analyze factors inuencing open research data adoption. Plos
One, 15 (9), e0239283. https://doi.org/10.1371/journal.pone.0239283
365
ÍNDICE DE TABLAS
Tabla 1. Tipologías de analíticas ................................... 216
Tabla 2. Enfoque de trabajo para pensar la integración de la
analítica de Moodle en la práctica docente ...................... 233
Tabla 3. Monitorización de políticas de analíticas en 80 IES
de Europa y América Latina .................................... 248
Tabla 4. Marco de referencia para el desarrollo de la
alfabetización en datos para el profesorado universitario ....... 269
Tabla 5. Detalles de talleres desarrollados sobre temas de
datificación, sociedad y educación .............................. 288
Tabla 6. Trabajo interpretativo desarrollado en los talleres ......... 290
367
ÍNDICE DE FIGURAS
Figura 1. Recomendaciones de compra después del escaneo
con Google Lens. ............................................... 23
Figura 2. Esquema cuatridimensional para representar y
mapear una cultura de datos en una IES. ....................... 108
Figura 3. Tipologías de analíticas según los niveles de
interacción automatismo-intervención humana. Esquema
adaptado de Raffaghelli et al. (2021). .......................... 217
Figura 4. Sistemas de datos de los que emergen las analíticas
de aprendizaje. ................................................. 219
Figura 5. Ejemplo de panel de analíticas del lado docente en
un curso internacional en línea. ................................. 220
Figura 6. Ejemplos de panel de analíticas del lado docente
y lado estudiante en un curso híbrido. La representación
gráfica captura actividades en línea y actividades
desarrolladas en clase o en grupos presenciales,
entregadas en la plataforma de aprendizaje en línea (por
ejemplo, Moodle). .............................................. 221
Figura 7. Estructura de datos de Moodle. Traducido y
adaptado de Inspire API components, de David Llaó
(2017). https://docs.moodle.org/dev/File:Inspire_API_
components.png. GNU Public Licence. ......................... 2 31
Figura 8. Estrategias de desarrollo institucional basadas en la
analítica de aprendizaje. Traducido y adaptado de Siemens
et al., 2013. .................................................... 243
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
368
Figura 9. Mapa de conceptos clave sobre el desarrollo de un
debate ético alrededor de las analíticas de aprendizaje.
Elaboración propia en base a pequeña modificación del
mapa de Tzimas y Demetriadis. ................................. 251
Figura 10. Presentación de Folio en el contexto del proyecto
«Data Praxis». https://datapraxis.net/taller-2-datos-en-el-
proceso-pedagogico-en-busca-del-equilibrio/ ................... 261
Figura 11. Dimensiones de alfabetización en datos respecto al
espacio cuatridimensional de una cultura de datos. ............. 2 74
Figuras 12 y 13. Gráficos de radar que representan los
valores medios de las escalas de prácticas de datos en dos
IES diferentes. ................................................. 283
Figura 14. El uso de la herramienta «de pensamiento» en
el trabajo cocreativo para entender la complejidad de los
datos (Kuhn y Raffaghelli, 2022, en prensa) .................... 301
Figura 15. Mapeo de las prácticas de datos de la UOC. ............ 314
369
ÍNDICE ❚
ÍNDICE
Prologo ............................................................. 7
Introducción ..................................................... 7
¿Qué son los datos? .............................................. 9
El contexto de la enseñanza superior ............................... 10
Culturas de datos justas .......................................... 12
Desafíos para el profesorado ...................................... 14
Reto n.º 1. Infraestructuras y procesos de datos transparentes .... 15
Reto n.º 2. Crear una alfabetización crítica en materia de
datos para los principales interesados ....................... 16
Reto n.º 3. Dotar de recursos a las instituciones y
organizaciones para que desarrollen procesos de datos
justos y coherentes ........................................ 17
Conclusión ...................................................... 18
Referencias ...................................................... 19
Introducción ........................................................ 21
Tres historias de datos para comenzar… ............................ 21
Historia I. Invisibilidad ........................................ 22
Historia II. La lucha por la visibilidad ........................... 26
Historia III. Uso abusivo de datos ............................... 29
Este libro ........................................................ 33
1. Datos, sociedad y universidad. Contornos del problema ................ 35
Datificación: un espacio de debate fragmentado y polarizado ......... 38
La universidad en la tormenta perfecta de la «datificación» .......... 52
Digitalizar la universidad, construir infraestructuras de datos:
de la modernización al gerencialismo ........................ 52
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
370
La universidad data-driven I: gerencialismo y plataformización
en la enseñanza superior .................................. 60
La universidad data-driven II: la práctica académica basada
en datos .................................................. 66
2. Pensar la datificación desde la complejidad. Bases para construir
culturas de datos (justas) en las IES ................................. 73
De la obsesión (y riesgo extremo) por cuantificar la realidad .......... 74
Puentes entre tecnología y humanidades, o de las
«epistemologías de datos» ..................................... 79
Pensar la datificación desde la complejidad. . . . . . . . . . . . . . . . . . . . . . . . . 84
Atravesar la complejidad en torno a los datos: un enfoque
conceptual para pensar y construir culturas (justas) de datos ...... 91
Culturas de datos: hacia la conceptualización .................... 95
Culturas de datos en la enseñanza superior: un enfoque
dinámico ................................................. 103
¿Puede una cultura de datos llegar a ser «justa»? ................ 108
3. ¿Abrir la caja de pandora? Hacia nuevas prácticas de datos en la
ciencia y la educación abierta ...................................... 115
Introducción ..................................................... 115
Universidad y datos abiertos: ¿mucho ruido y pocas nueces? ......... 120
No solo generar datos, saber usarlos: rol de la alfabetización
(crítica) en datos .............................................. 132
Para concluir nuestro recorrido en el primer cuadrante ............... 142
4. Datos que brillan. De métricas, valores y visibilidad de las IES .......... 147
Introducción ..................................................... 147
Evaluación: cuantificación, métricas y mitos ........................ 149
Evaluación del aprendizaje: el problema de la calificación ......... 154
Credenciales y crisis en la educación superior ................... 158
Datos «para el éxito» en la enseñanza superior: ¿técnicas,
tecnologías y profesionalismo, o audiencias críticas? .............. 161
Más tecnología no cambiará la evaluación ni la calidad
de la educación ........................................... 166
371
ÍNDICE ❚
Alfabetización (crítica) en materia de datos y evaluación en la
coyuntura de la universidad «datificada» ........................ 169
Para concluir nuestro recorrido en el segundo cuadrante ............. 176
5. Justicia social y datos. Más allá de la soledad educativa ............... 179
Introducción ..................................................... 179
Metáforas sobre los datos: develando las injusticias de la datificación . 181
Activismo de datos: la búsqueda de justicia ........................ 186
Justicia social y educación ........................................ 189
Justicia de datos y alfabetismos (de datos) necesarios: más allá
de un oxímoron ............................................... 195
Reflexiones para la acción docente: más allá de la soledad educativa .. 207
Para concluir nuestro recorrido en el tercer cuadrante ............... 209
6. Datos en el proceso pedagógico. En busca del equilibrio ............... 211
Introducción ..................................................... 211
Analíticas del aprendizaje: un recorrido inicial para su comprensión ... 215
La analítica que ya estaba entre nosotros: la contribución de
Moodle ................................................... 222
De la difícil construcción de un puente entre pedagogía y datos ... 230
La necesaria (y no suficiente) reflexión ética en el uso de datos
del estudiantado .............................................. 245
Activismo en datos como compromiso del profesorado: una pieza
clave en las culturas de datos justas en la educación superior .... 258
Para concluir nuestro recorrido en el cuarto cuadrante ............... 263
7. Desafíos para el profesorado. Hacia la construcción de culturas de
datos justas ...................................................... 265
Desde nuestro recorrido… ........................................ 265
Desafíos para el profesorado ...................................... 267
Conceptualizar un marco para la alfabetización en datos en el
desarrollo profesional del profesorado ....................... 267
Identificar prácticas basadas en datos en sus contextos
institucionales (y culturales) ................................ 276
Desarrollar la comprensión sobre prácticas existentes ............ 286
❚ co n s t r u i r c ul t u r a s d e d a t o s j u s t a s en l a un i v e r s i d a d
372
Promover resistencias y activismos ............................. 298
Pensar la transformación institucional .......................... 306
A modo de conclusión: más allá del desarrollo profesional del
profesorado .................................................. 315
Referencias ......................................................... 323
Índice de tablas ..................................................... 365
Índice de figuras .................................................... 367
EDUCACIÓN UNIVERSITARIAEDUCACIÓN UNIVERSITARIA
ICE-UB
Construir culturas de datos justas en la universidad Juliana Elisa Raffaghelli
Construir culturas de datos justas en la universidad
Desafíos para el profesorado
La obra pretende contribuir al creciente corpus de investigación que ex-
plora las problemáticas del inminente cambio tecnológico ocurrido en los
últimos diez años: el gobierno de nuestras interacciones digitales a través
de plataformas big tech, que conlleva a una masiva extracción de datos y
su elaboración con distintos fines.
Debemos preguntarnos: ¿cómo se van a posicionar las universidades en
este contexto?, ¿cómo van a contribuir a generar nuevos equilibrios posi-
tivos, transformadores, emancipadores, en lugar de sostener las prácticas
abusivas de una red oscura en cuyos hilos nos encontramos atrapados?
El libro no solo presenta la universidad como una institución social im-
portante por sus propias prácticas pedagógicas y su riqueza interdiscipli-
nar, sino también por su capacidad de diálogo con la sociedad. A través
de estos espacios se considera que se puede dar forma a una agenda más
amplia y justa de la dataficación y sus desarrollos.
Los capítulos aportan una llave de lectura epistemológica del por qué
amamos la datificación y los automatismos que esta conlleva. Y por qué
no podemos dejar de leer estos procesos desde un enfoque complejo que
encierra una mirada crítica, pero no inmovilizadora. Supone el análisis de
prácticas y enfoques para comprender cómo están trabajando áreas que
contribuyen al desarrollo de estas tecnologías posdigitales e inteligentes.
Pero, sobre todo, se trata de ofrecer un marco a quien educa y a quienes
forman educadores, es decir, unas herramientas conceptuales y de tra-
bajo para enfrentar, desde el aula y desde los espacios de aprendizaje no
formal e informal, ese «monstruo sin cara ni ojos» que es la datificación.
El propio título Construir culturas de datos justas apunta a un esfuerzo de
comprensión y diálogo alrededor de elecciones tecnológicas y su impacto
ético y social.
Juliana E. Raffaghelli. Investigadora en la Universidad de Padua y aso-
ciada del grupo de investigación Edul@b de la Universitat Oberta de Ca-
talunya. En los últimos quince años ha coordinado unidades, redes y pro-
yectos internacionales de investigación en América Latina, los Balcanes,
Turquía y Europa Occidental en el campo de las tecnologías educativas.
Ha concluido recientemente el proyecto nacional «Ecologías de aprendi-
zaje para la profesión académica digital: caminos para la modernización
de la educación superior». Ha coordinado seis números especiales para
revistas internacionales, varios artículos de investigación y tres libros sobre
temas de educación.
Construir culturas
de datos justas en
la universidad
Desafíos para el
profesorado
Juliana Elisa Raffaghelli
La colección Educación Universitaria contribu-
ye a la difusión de experiencias significativas y buenas
prácticas de innovación y mejora docente en el ámbito
de la educación superior, y a intentar dar respuestas
adecuadas a los retos que plantean tanto las actuales
tendencias sobre el proceso de docencia-aprendizaje,
como la construcción de nuevos espacios para la edu-
cación superior.
Compuesta por libros de alta divulgación so-
bre temas de enseñanza y aprendizaje universitarios,
va dirigida especialmente a los profesores universita-
rios y futuros docentes en fase de formación; también
a los responsables de la gestión universitaria, al alum-
nado de estudios superiores y a todas las personas que
se interesan por el mundo de la docencia en la universi
¿Cómo es que venís juntos a clase? dad.
En la serie «Educación superior comparada
e internacional», de orientación diferenciada y pro-
pia, se publican obras que presentan los resultados de
destacadas investigaciones internacionales sobre te-
mas relacionados con la educación superior desde una
perspectiva comparada.
Esta colección también presenta ediciones di-
gitales de todos los libros y, además, de aquellos do-
cumentos que, por su naturaleza o por la extensión y
amplitud de sus planteamientos, exceden las posibili-
dades de ediciones en formatos tradicionales.
últimos títulos publicados
La educación en la sociedad mundial
John W. Meyer y Francisco O. Ramírez
Buenas práctic as docentes en la universidad
Teresa Pagès, Albert Cornet, Jordi Pardo (coords.)
La gobernanza en la enseñanza supe rior
Barbara M. Kehm
Experiencias de mejora e innovación docente
en el ámbito del Derecho
Max Turull Rubinat (ed.)
Una mirada internac ional a las competencias
docentes universitarias
Rosa Mª Esteban Moreno (dir. y coord.)
Sara Vilma Menjívar de Barbón (coord.)
Experiencias de innovación docente en la enseñanza
universitaria de las humanidades
Mireia Trenchs Parera, Mar Cruz Piñol (coord.)
La gestión de la tecnología en la educación superior
A. W. (Tony) Bates y Alber t Sangrà
La nueva gobernanza de los sistemas universitarios
Barbara M. Kehm (comp.)
Enseñar y a prender en la unive rsidad
Guillermo Bautista Pérez, A nna Escofet Roig (ed s.)
Las políticas d e formación profesional e n España
y en Europa
Antonio Luzón Trujillo, Mónica Torres Sánchez (comps.)
La expan sión del conocimiento en abierto: los MOOC
Esteban Vázquez Cano, Eloy López M eneses,
José Luis Sarasola Sánchez-Serrano
La semipresencialidad como respuesta a los nuevos retos de
la universidad
Joan Simon Pallisé, C arles Be nedí González,
Cèsar Blanché Vergés
Empleo y trabajo de los graduados universitarios
José-Ginés Mora, Harald Schomburg, Ulrich Teichler (comps.)
La escritura académica a través de las disciplinas
Liliana Tolchinsky (coord.)
IDP/ICE
IDP/ICE
EDUCACIÓN UNIVERSITARIA
EDUCACIÓN UNIVERSITARIA
ICE-UB
Construir culturas de datos justas en la universidad Juliana Elisa Raffaghelli
Construir culturas de datos justas en la universidad
Desafíos para el profesorado
La obra pretende contribuir al creciente corpus de investigación que ex-
plora las problemáticas del inminente cambio tecnológico ocurrido en los
últimos diez años: el gobierno de nuestras interacciones digitales a través
de plataformas big tech, que conlleva a una masiva extracción de datos y
su elaboración con distintos fines.
Debemos preguntarnos: ¿cómo se van a posicionar las universidades en
este contexto?, ¿cómo van a contribuir a generar nuevos equilibrios posi-
tivos, transformadores, emancipadores, en lugar de sostener las prácticas
abusivas de una red oscura en cuyos hilos nos encontramos atrapados?
El libro no solo presenta la universidad como una institución social im-
portante por sus propias prácticas pedagógicas y su riqueza interdiscipli-
nar, sino también por su capacidad de diálogo con la sociedad. A través
de estos espacios se considera que se puede dar forma a una agenda más
amplia y justa de la dataficación y sus desarrollos.
Los capítulos aportan una llave de lectura epistemológica del por qué
amamos la datificación y los automatismos que esta conlleva. Y por qué
no podemos dejar de leer estos procesos desde un enfoque complejo que
encierra una mirada crítica, pero no inmovilizadora. Supone el análisis de
prácticas y enfoques para comprender cómo están trabajando áreas que
contribuyen al desarrollo de estas tecnologías posdigitales e inteligentes.
Pero, sobre todo, se trata de ofrecer un marco a quien educa y a quienes
forman educadores, es decir, unas herramientas conceptuales y de tra-
bajo para enfrentar, desde el aula y desde los espacios de aprendizaje no
formal e informal, ese «monstruo sin cara ni ojos» que es la datificación.
El propio título Construir culturas de datos justas apunta a un esfuerzo de
comprensión y diálogo alrededor de elecciones tecnológicas y su impacto
ético y social.
Juliana E. Raffaghelli. Investigadora en la Universidad de Padua y aso-
ciada del grupo de investigación Edul@b de la Universitat Oberta de Ca-
talunya. En los últimos quince años ha coordinado unidades, redes y pro-
yectos internacionales de investigación en América Latina, los Balcanes,
Turquía y Europa Occidental en el campo de las tecnologías educativas.
Ha concluido recientemente el proyecto nacional «Ecologías de aprendi-
zaje para la profesión académica digital: caminos para la modernización
de la educación superior». Ha coordinado seis números especiales para
revistas internacionales, varios artículos de investigación y tres libros sobre
temas de educación.
Construir culturas
de datos justas en
la universidad
Desafíos para el
profesorado
Juliana Elisa Raffaghelli
La colección Educación Universitaria contribu-
ye a la difusión de experiencias significativas y buenas
prácticas de innovación y mejora docente en el ámbito
de la educación superior, y a intentar dar respuestas
adecuadas a los retos que plantean tanto las actuales
tendencias sobre el proceso de docencia-aprendizaje,
como la construcción de nuevos espacios para la edu-
cación superior.
Compuesta por libros de alta divulgación so-
bre temas de enseñanza y aprendizaje universitarios,
va dirigida especialmente a los profesores universita-
rios y futuros docentes en fase de formación; también
a los responsables de la gestión universitaria, al alum-
nado de estudios superiores y a todas las personas que
se interesan por el mundo de la docencia en la universi
¿Cómo es que venís juntos a clase? dad.
En la serie «Educación superior comparada
e internacional», de orientación diferenciada y pro-
pia, se publican obras que presentan los resultados de
destacadas investigaciones internacionales sobre te-
mas relacionados con la educación superior desde una
perspectiva comparada.
Esta colección también presenta ediciones di-
gitales de todos los libros y, además, de aquellos do-
cumentos que, por su naturaleza o por la extensión y
amplitud de sus planteamientos, exceden las posibili-
dades de ediciones en formatos tradicionales.
últimos títulos publicados
La educación en la sociedad mundial
John W. Meyer y Francisco O. Ramírez
Buenas práctic as docentes en la universidad
Teresa Pagès, Albert Cornet, Jordi Pardo (coords.)
La gobernanza en la enseñanza supe rior
Barbara M. Kehm
Experiencias de mejora e innovación docente
en el ámbito del Derecho
Max Turull Rubinat (ed.)
Una mirada internac ional a las competencias
docentes universitarias
Rosa Mª Esteban Moreno (dir. y coord.)
Sara Vilma Menjívar de Barbón (coord.)
Experiencias de innovación docente en la enseñanza
universitaria de las humanidades
Mireia Trenchs Parera, Mar Cruz Piñol (coord.)
La gestión de la tecnología en la educación superior
A. W. (Tony) Bates y Alber t Sangrà
La nueva gobernanza de los sistemas universitarios
Barbara M. Kehm (comp.)
Enseñar y a prender en la unive rsidad
Guillermo Bautista Pérez, A nna Escofet Roig (ed s.)
Las políticas d e formación profesional e n España
y en Europa
Antonio Luzón Trujillo, Mónica Torres Sánchez (comps.)
La expan sión del conocimiento en abierto: los MOOC
Esteban Vázquez Cano, Eloy López M eneses,
José Luis Sarasola Sánchez-Serrano
La semipresencialidad como respuesta a los nuevos retos de
la universidad
Joan Simon Pallisé, C arles Be nedí González,
Cèsar Blanché Vergés
Empleo y trabajo de los graduados universitarios
José-Ginés Mora, Harald Schomburg, Ulrich Teichler (comps.)
La escritura académica a través de las disciplinas
Liliana Tolchinsky (coord.)
IDP/ICE
IDP/ICE
