Blog de AlexUned

PREGUNTA 3: METODOLOGÍA AL SERVICIO DE LOS DATOS.

Escrito por AlexUned 12-05-2018 en datos. Comentarios (0)

Enfoque del servicio

Con este enfoque queremos mostrar las características de nuestro servicio a aquellas personas o empresas interesadas. Para ello responderemos a las siguientes preguntas:

¿Qué ofrece el servicio?

Nuestro servicio ofrece la oportunidad de analizar y reducir el abandono educativo de los cursos virtuales, a través del tratamiento in situ de los problemas que van surgiendo a lo largo del curso. Mejorando así tanto el propio curso, como la experiencia del estudiante.

¿Por qué es útil un servicio de analítica de este tipo?

Nuestro servicio es útil ya que permite a cualquier curso virtual reducir el abandono en sus cursos, que es uno de los principales problemas de los cursos online, si no el principal. Con este servicio podemos analizar al alumnado, su participación, sus motivaciones y, destinar todo ello, a la reducción del abandono o la baja participación en los cursos.

 ¿En qué casos se puede aplicar?

Nuestro servicio se puede aplicar a todos aquellos cursos virtuales en los que se necesite estudiar la participación y tasa de abandono del alumnado.

Ventajas que ofrece.

Nuestro servicio ofrece una gran cantidad de ventajas, ya que primeramente nos permite conocer la participación y la tasa de abandono de los distintos cursos, pero además de esto, nos da información sobre si la metodología del curso es adecuada, la aceptación que tiene las tareas y actividades, etc. Lo que desemboca en ventajas importantes como:

  • Conocer las fortalezas y debilidades de los cursos, para así conocer los aspectos a mejorar y ofrecer unos mejores cursos.
  • Ayudar a reducir la tasa de abandono de los cursos virtuales.
  • Dar un tratamiento más personalizado e individualizado al alumnado, teniendo en cuenta sus características propias.

Objetivos

1. Aumentar la participación en los cursos virtuales.

2. Reducir las tasas de abandono.

3. Ofrecer un tratamiento personalizado a los alumnos.

4. Ofrecer cursos motivantes.

5.  Mejorar la calidad del curso.

6.  Lograr resultados positivos al finalizar el curso.

 Líneas de acción del servicio

Con este servicio se ofrece el análisis de datos de cualquier curso online en momentos claves del curso:

·  Matriculación. Analizaremos los datos personales de los estudiantes para elaborar su perfil en relación a edad, sexo, etc, así como el número de estudiantes matriculados.

·  Evaluación inicial. Obtendremos los primeros datos relativos al curso, con lo que podemos ver aspectos como conocimientos previos, motivaciones personales o aspectos relacionados directamente con el curso, como la participación.

·  Evaluación a mitad de curso. Obtendremos información acerca de la participación, los abandonos y sus razones, la motivación de los alumnos, etc.

·  Evaluación final. Nos servirá para comprobar y analizar todos los datos del curso, como son:

    • Porcentaje de éxito y de abandono.
    • Grado de satisfacción del alumnado.
    • Grado de participación a lo largo del curso.
    • Porcentaje final de participación en el foro o chat
    • Motivos del abandono.

Anexo.  Ejemplo práctico.

Para finalizar, voy a realizar un ejemplo de cursos virtual que recoja todas estas características que hemos desarrollado.

Nuestro curso se trata de un MOOC basado en tareas integradas y ABP, en el cual queremos conseguir que la participación sea fluida y constante. Para ello, hemos diseñado una serie de actividades con distintos recursos, ya sea con vídeos, juegos, breves lecturas, fomentando así la participación de los alumnos y no cerrándonos solo a un tipo de actividad.

También ofrecemos distintas formas de participación para los alumnos, ya sea a través de foros, chats, videoconferencias, así como formas de estar en contacto tanto con los compañeros como con los propios tutores, con los que también podrán contactar vía mail. Con ello lo que pretendemos en fomentar el trabajo colaborativo y el ayudarse los unos a los otros, reduciendo así los posibles factores de abandono.

También ofrecemos una agenda del curso, en donde se recogen todas las actividades y tareas, así como los chat y videoconferencias, para que así los alumnos se puedan adaptar sus tiempos al curso, reduciendo posibilidades en otro factor que influye en la tasa de abandono.

Nosotros como tutores analizaremos el curso de manera constante, es decir, la participación de los alumnos, la idoneidad de las tareas, etc. E intervendremos en los casos en los que sea necesario para ayudar a nuestros alumnos.

Por último, para la evaluación en nuestro curso MOOC optamos por llevar a cabo varios tipos de evaluación, como son: autoevaluación y heteroevaluación tanto de profesores a alumnos (cuestionario), como de alumnos a profesores (evaluación de calidad). Con lo que promoveremos no sólo una evaluación activa del curso, sino también una evaluación de calidad del mismo, tanto nuestra propia, como  por nuestros alumnos, en las que observaremos los aspectos finales a mejorar.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de

https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


PREGUNTA 2: CAPTURA DE DATOS

Escrito por AlexUned 12-05-2018 en datos. Comentarios (0)

Una vez que he definido el curso piloto, paso a señalar los momentos más importantes que debemos estudiar para analizar nuestro curso de manera correcta. Para ello paso a señalar los momentos más importantes y los datos que de ellos podemos extraer e interpretar, para saber que cuales son los puntos fuertes y débiles de nuestro curso y que es lo que debemos mejorar y donde intervenir

El análisis predictivo de los datos nos permite conocer los problemas que pueden aparecer a lo largo de nuestro curso para poder subsanarlos, evitando así posibles abandonos del mismo. Ya que hay momentos clave a lo largo del curso que nos pueden indicar la baja participación del alumnado, el abandono, etc. A través del análisis de los datos, conoceremos determinados momentos que son clave para detectar que algo está ocurriendo. Algunos de los momentos clave para determinar que algo sucediendo son los siguientes:

1º- Momento inicial: La matriculación.

Es el primer momento importante, ya que nos permite obtener datos básicos del alumnado, tales como edad, sexo, nivel de estudios, etc., es decir, todos los ratos referentes a los alumnos, además de saber el número de alumnos a los que nos vamos a enfrentar.

Estos datos nos van a servir para hacernos una primera idea de a que nos enfrentarnos y ponernos en situación, ya que vamos a tener tanto el número de alumnos, como las características personales de cada uno.

2º - Al principio del curso. 

En este segundo momento obtendremos los primeros datos relativos al curso, con lo que podemos ver aspectos como conocimientos previos, motivaciones personales o aspectos relacionados directamente con el curso, como:

·  Primera conexión.

·  Tiempo dedicado.

·  Participación en el curso.

Los cuales nos servirán ir detectando los primeros problemas del curso en alumnos que no se hayan conectado o su participación sea escasa o muy baja, por lo que podremos intervenir desde un primer momento.

3º A mitad del curso. 

Estamos por así decirlo, ante uno de los momentos más claves, ya que ya conocemos al alumnado, el cual ya se ha asentado en el curso y en este momento ya podemos obtener más datos importantes como pueden ser entre otros:

·  Porcentaje alumnos activos.

·  Porcentaje de abandonos.

·  Porcentaje de alumnos que realizan las tareas y con qué grado de calidad.

·  Tiempo dedicado al curso.

·  Porcentaje de  participación en el foro o chat.

El análisis de todos estos datos nos servirá para intervenir si se diera el caso y corregir fallos durante el curso, así como aumentar la motivación y la participación de los estudiantes si hiciese falta.

4º Al finalizar el curso. 

Se trata del momento final y que nos servirá para comprobar y analizar todos los datos del curso, como son:

·  Porcentaje de éxito y de abandono.

·  Grado de satisfacción del alumnado.

·  Grado de participación a lo largo del curso.

·  Porcentaje final de participación en el foro o chat

·  Motivos del abandono.

Por todo ello, una vez finalizado el curso nos debemos poner a analizar todos los datos obtenidos para mejorar nuestro curso, corrigiendo esos aspectos que hacían abandonar al alumnado y ofreciéndoles alternativas o una mayor motivación.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


PREGUNTA 1: PLANIFICACIÓN DE DATOS

Escrito por AlexUned 12-05-2018 en planificacion. Comentarios (0)

La primera actividad de este módulo consiste en realizar un plan de análisis predictivo para dar respuesta a la baja tasa de finalización de los estudiantes en nuestro curso online, mediante la utilización y el análisis de datos. Para ello haremos uso  del modelo de análisis predictivo propuesto por Ekowo & Palmer (2017). Concretamente en el primer paso de este modelo que es “tener una visión y un plan.” (Have a vision and a plan.)

Para ello, lo primero que voy a hacer es plantear un curso o prueba piloto a través de nuestra empresa "ANALITICACURSOSONLINE", para analizar cómo utilizar los datos generados en el contexto del curso y la información del estudiante para abordar el abandono y las bajas tasas de finalización.

En este caso, lo primero que debemos hacer es marcarnos una serie de objetivos que queremos conseguir, así como sus correspondientes indicadores de logro (Key Performance Indicator o KPI) que estarían contextualizados dentro de un plan de análisis predictivo de un curso virtual (Ekowo & Palmer). Los objetivos nos marcarán las  metas que se desean alcanzar, y los indicadores, la forma de medir los resultados.

Este  análisis predictivos de los datos nos permitirá tratar futuras necesidades educativas, baja motivación y participación,  abandonos, así como mejorar nuestro curso adaptándonos a nuestros estudiantes. Para ello los objetivos e indicadores que nos hemos marcado son los siguientes:

  • Reducir el abandono durante el curso.
    • KPI 1: Identificar las causas de abandono.
    • KPI 2:Detectar el momento temporal de abandono
    • KPI 3: Conocer tasas de acceso y participación de cada alumno en el curso.
  • Localizar al alumnado con posibilidades de abandono.
    • KPI 1: Nº de participaciones que realiza en foros y chats.
    • KPI 2: Nº de actividades realizadas.
    • KPI 3: Nº de conexiones al curso.
  • Conocer los posibles problemas que desemboquen en abandono:
    • KPI 1: Problemas personales del alumnado.
    • KPI 2: Problemas internos del curso.
    • KPI 3: Tiempo del que dispone el alumnado.
    • KPI 4: Motivación del alumnado.
  • Conocer el grado de satisfacción con el curso:
    • KPI 1: Acceso a las actividades y recursos.
    • KPI 2: Participación general en el curso.
    • KPI 3: Resultados y notas finales.
  • Averiguar si la metodología del curso es la adecuada.
    • KPI 1: Nº de alumnos que participa en las actividades.
    • KPI 2: Nivel de motivación del alumnado.
    • KPI 2: Nº de alumnos que utiliza los foros.
    • KPI 4: Nivel de participación general del curso.
    • KPI 5: Identificar las actividades a mejorar.

Con todo ello, lo que pretendemos es reducir el abandono y la baja participación en nuestro curso e ir mejorándolo para adaptarlo a nuestros estudiantes.

BIBLIOGRAFÍA

- Domínguez Figaredo, D. (2018). Big data , analítica del aprendizaje y educación basada en datos. Recuperado de  https://papers.ssrn.com/abstract=3124369 

- Ekowo, M. y Palmer, I. (2016). The promise and peril of predective analytics in higher education: A Landscape Analysis.New America. Recuperado de

https://na-production.s3.amazonaws.com/documents/Promise-and-Peril_4.pdf 


Actividad 2. Proyecto LRNG.

Escrito por AlexUned 09-04-2018 en Actividad 2. Comentarios (0)

         Hoy vengo a hablaros del aprendizaje conectado y, en concreto, del Proyecto LRNG.

         Primeramente, decir que el aprendizaje conectado es un tipo de aprendizaje que integra el interés personal, las relaciones con los compañeros y los logros en áreas académicas o de la carrera correspondiente.​Además, el aprendizaje conectado es un enfoque para la reforma educativa centrado en la abundancia de la información y la conexión social provocada por los medios de comunicación en red y digitales.  El modelo de aprendizaje conectado sugiere que la juventud aprende más cuando están interesados en lo que están aprendiendo; junto a sus compañeros y mentores comparten estos intereses; y su aprendizaje se dirige hacia la oportunidad y reconocimiento

         Por su parte, el proyecto LRNG es una plataforma que se creó hace unos diez años, y en la que se desarrolla un proyecto basado en la certificación digital, a su vez relacionado con la metodología del aprendizaje conectado. Por lo que ayuda a los jóvenes a adquirir conocimientos teniendo en cuenta sus motivaciones, dándoles libertad para abordar su aprendizaje a través de diferentes itinerarios y de manera conectada, ya sea desde su ordenador, teléfono móvil o Tablet. Y, que todo ello, les prepare para su futuro.

        Para ello el proyecto LRNG parte de tres conceptos básicos que debemos entender para llevar a cabo correctamente este método:

Playlist o listas de reproducción.

       Son una serie de actividades clasificadas por temas que conectan el aprendizaje con los intereses de los jóvenes. Es decir, son listas de reproducción colaborativas que crean una rica red de aprendizaje, estas se pueden agrupar en experiencias, recursos o eventos. Consiste en un conjunto de actuaciones que el alumnado debe realizar con el propósito de alcanzar una meta establecida previamente, de manera que están en íntima consonancia con el objetivo final.

      Asimismo, estas actividades colaboran con el dominio de distintos conceptos y contenidos clave que permite conseguir la meta deseada. Incluye recursos variados como juegos, imágenes, textos, audios, vídeos, los cuales el alumnado usa a fin de poder realizar las actividades propuestas.

Learning pathways / Itinerarios de aprendizaje.

       Son vías o caminos de aprendizaje elegidas por un alumno a través de una variedad de actividades, recogidas en los “playlist” citados anteriormente, y que permiten desarrollar el conocimiento progresivamente.  Implican un conjunto de actividades y recursos procedentes de distintos ámbitos (formal, no formal e informal) orientados hacia el descubrimiento y desarrollo de nuevos intereses y habilidades. Del mismo modo, a medida que se avanza en un itinerario, se pueden ir descubriendo otros que lleven hacia nuevos aprendizajes y formas de dominio. Se organizan según diferentes temáticas, para que los estudiantes se sumen a las se adecúen a sus intereses, y puedan compartir conocimientos.

      Las “playlist” albergan gran cantidad de contenidos que permiten que el aprendizaje sea efectivo y, así, decidir qué itinerario seguir para alcanzar los conocimientos. El alumnado ante tal cantidad ingente de información elige un itinerario planteado por el docente en función de sus motivaciones.

Badges o insignias

      Son un certificado digital que se puede compartir públicamente y proporciona una evidencia de un logro de aprendizaje. Implican una demostración de la adquisición de una serie de habilidades fruto de las experiencias que se han realizado en un itinerario así como del organismo que las emite. Un ejemplo de ello, podrían ser las insignias que te dan al avanzar en algunos videojuegos, ya que has cumplido unas serie de misiones o adquirido ciertas habilidades.

      Estos badges o insignias se consiguen tras finalizar los distintos learning pathways, y dependiendo de los criterios marcados y los itinerarios seguidos, se conseguirán unos badges u otros.

Ejemplo práctico.

        Una vez que hemos dejado claros los conceptos, paso a realizar un caso práctico en el que pongo en práctica lo aprendido.  

        Para ello, partiré de una playlist y a partir de estas mismas actividades, propondré dos itinerarios diferentes que permitan alcanzar los logros de aprendizaje. Por último, según el itinerario elegido se conseguirá un badge u otro, los cuales nos indicaran las habilidades adquiridas.

El ejemplo tratará sobre los huertos urbanos y la playlist sería la siguiente: 

·  Vídeo: Cómo elaborar tu mini-huerto en casa (YouTube).

·  Chat: Dudas sobre el mini-huerto

·  Fotografiar nuestro huerto para ver cómo se transforma y crear un blog donde veamos paso a paso su evolución.

·  Curso sobre los huertos urbanos. (MOOC)

·  Preparación de nuestro mini-huerto en casa ()

·  Siembra de semillas en los semilleros ().

·  Trasplante de las plantas del semillero al mini-huerto.

·  Recolección.

·  Visitar un huerto.

·  Realizar un cuaderno de fichas y carteles con las plantas del huerto.

·  Sembrar distintos tipos de flores de temporada.

·  Elaborar ramos de flores

·  Buscar en internet o bibliotecas información sobre lo plantado.

·  Collage con hojas, semillas, flores, piedras.

·  Elaboración de recetas con lo recolectado.


Los itinerarios son los siguientes, con sus correspondientes insignias: 


Itinerario 1.

·  Vídeo: Cómo elaborar tu mini-huerto en casa (YouTube).

·  Chat: Dudas sobre el mini-huerto

·  Curso sobre los huertos urbanos. (MOOC)

·  Visitar un huerto.

·  Buscar en internet o bibliotecas información sobre lo plantado.

·  Realizar un cuaderno de fichas y carteles con las plantas del huerto.

·  Fotografiar nuestro huerto para ver cómo se transforma y crear un blog donde veamos paso a paso su evolución.

·  Preparación de nuestro mini-huerto en casa.

·  Siembra de semillas en los semilleros.

·  Trasplante de las plantas del semillero al mini-huerto.

·  Recolección.

·  Elaboración de recetas con lo recolectado.


Badge/ Insignia.

Horticultor nobel.


Itinerario 2.

·  Vídeo: Cómo elaborar tu mini-huerto en casa (YouTube).

·  Chat: Dudas sobre el mini-huerto

·  Fotografiar nuestro huerto para ver cómo se transforma y crear un blog donde veamos paso a paso su evolución y donde mostremos todas nuestros trabajos.

·  Curso sobre los huertos urbanos. (MOOC)

·  Buscar en internet o bibliotecas información sobre lo plantado.

·  Realizar un cuaderno de fichas y carteles con las plantas del huerto.

·  Preparación de nuestro mini-huerto en casa.

·  Siembra de semillas de flores en los semilleros.

·  Trasplante de las plantas del semillero al mini-huerto.

·  Elaborar ramos de flores

·  Collage con hojas, semillas, flores, piedras.


Badge/ Insignia.


Artista florista


Ensayo Actividad 1.

Escrito por AlexUned 11-03-2018 en Ensayo. Comentarios (0)

BIG DATA, SIX PROVOCATIONS OF BIG DATA.


Bienvenidos a la época del big data, ¿No os ha pasado alguna vez que estáis navegando por internet mirando cosas que quizás os interese compraros y después cuando os metéis en otro lado os llega publicidad sobre lo que acabáis de ver?, entonces es cuando piensas ¿es que saben lo que quiero? ¿Es que me están observando?, te sientes como Jim Carrey en el show de Truman. Pero ¿por qué ocurre esto? ¿A qué es debido? Esto se consigue a través del Big data, pero, ¿Qué es el Big data?

Si buscamos en internet la definición del concepto de Big data vemos que tiene una gran variedad, pero la mayoría de las éstas se refieren a Big Data como un conjuntos de grandes datos (caracterizados por las 3V del analista Doug Lane, de la consultora Gartner: volumen, velocidad y variedad) que superan la capacidad del software habitual para ser capturados, gestionados y procesados. Posteriormente se le han ido añadiendo otras V, como la validez, la veracidad, el valor y la visibilidad.

Por su parte Tascon, M. y Coullaut, A. (2016) en su libro “Big Data y el internet de las cosas”, lo definen como “la utilización de grandes cantidades de información, que pueden provenir tanto de la actividad de una empresa como de la de los ciudadanos en su relación con la Administración pública, de su quehacer diario o de sus conversaciones en redes sociales, pero también de las estaciones meteorológicas, los sensores de tráfico desplegados por un ayuntamiento o los coches que circulan por las carreteras“.

En definitiva, big data, se refiere a la información o la cantidad de datos que por su elevado volumen, variedad y complejidad no se pueden almacenados ni ser visualizados con herramientas tradicionales, sino que necesita de nuevas formas para ello.

Pero, ¿De dónde proceden esta enorme cantidad de datos? Pues son producidos por diferentes agentes:

-  Uno de ellos son las personas que los producen de una infinidad de maneras, ya sea a través sms, tuits, correos electrónicos, compras online, vídeos, notas de voz., llamadas, redes sociales, blogs, utilización de  páginas web y un largo etcétera.

-  También proceden de las máquinas de la información M2M (Machine to machine): que son aquellas que comparten datos con otros dispositivos: como por ejemplo pueden ser medidores de temperatura, de altura, presión, etc. que transforman información en valores

-  Y, por último, la biométrica: que son los datos que se utilizan en el mundo de la seguridad e inteligencia.

Como vemos, esta gran cantidad de datos están presentes en nuestras vidas de manera constante, pero muchas veces ni nos damos cuenta de sus aplicaciones. Pero cuando conoces cómo funcionan, cómo se usan, no puedes dejar de verlos en todo lo que te encuentras, o mejor dicho, en una gran cantidad sitios donde no pensabas que pudiesen estar. Lo que nos hace preguntarnos por sus usos actuales y futuros. Por ello, tras la lectura del artículo “Big data. Six provocations of big data”, podemos ver una serie de puntos en contra o  sombras que encierra el big data. Para ello iré comentando las ideas punto a punto.

1.  Automatización de Investigación Cambia la definición de conocimiento.

Con la llegada del big data hemos pasado de una época marcada por el fordismo, basado en la línea de montaje para dividir las tareas interconectadas, en otras más simples, a una época marcada por el porfordismo, por el capitalismo cognitivo.  Se nos habla sobre que este es un mundo donde grandes cantidades de datos y matemáticas aplicadas reemplazan cualquier otra herramienta.

Como vemos el Big Data ofrece la posibilidad de hacer enormes avances en distintas  disciplinas científicas. Por ello, es por lo que el trabajo cognitivo adquiere mayor importancia en el proceso creado, en la investigación, y en la vida en general. Hemos pasado de un capitalismo industrial a un capitalismo basado en el  conocimiento y en la información, lo que trae consigo cambios.

2.  Reclamaciones a la objetividad y la precisión son engañosas

Otro de los puntos en contra del Big data es la objetividad y la precisión que puedan mostrar el análisis de los datos, ya que el Big data podría crea,  debido a ello, una brecha social; ya que como nos señala  la  matemática y científica de datos Cathy O’Neil “ las particularidades personales no pueden medirse con un algoritmo, es arriesgado tomar decisiones dependiendo solo de estos análisis, porque se hacen utilizando algoritmos matemáticos los cuales no tienen en cuenta las particularidades de  las personas o situaciones, y además, al ser  diseñados por humanos se tendría que tener en cuenta un margen de error.”

Por ello como vemos,  la información que se obtiene y analiza se generaliza aplicando algoritmos que posteriormente generan  modelos matemáticos que no contemplan las diferencias y particularidades de cada persona.

Los análisis del big data  no tienen en cuenta variantes como el tiempo o la nueva información que se genera, por eso la objetividad y la precisión que muestran son engañosas.

3.  Los datos más grandes no son siempre mejores datos

En la actualidad, se producen una cantidad ingente de datos, según IBM,  cada día se generan 2,5 trillones de bytes de datos. Una cantidad que crece y se acumula.  Y, sobre esto, Martin Hilbert en una reciente entrevista a la BBC, decía que si poníamos en la actualidad toda esta información en el formato de libros y hacíamos una pila de libros, haríamos 9000 pilas de libros que llegarían hasta el Sol. Pero ello no implica que más cantidad sea mejor.

Como vemos en la totalidad de internet, ya sea en redes sociales, páginas web, etc. Estamos ante una cantidad enorme de información que no siempre es ni exacta ni fiable. Por ejemplo, como vemos en el texto, en las redes sociales la información que se produzca en una cuenta puede no ser hecha por una persona, sino por varias, o que esa persona tenga varias cuentas, e incluso que esa cuenta sea un bot, como los que se utilizaron, según Martin Hilbert, en las elecciones de Barack Obama y Donald Trump en  Estados Unidos, los cuales encargaron a un grupo de Intelectuales la creación de un algoritmo que estudiase a los votantes y tras eso, producían tweets y comentarios en Facebook en favor del voto de dichos candidatos, buscando así el voto de las personas indecisas. Por ello vemos que no siempre la cantidad de datos es mejor, sino que lo que debemos hacer es tener un sentido analítico y crítico de la información que nos llega a través de internet, ya que en la actualidad estamos ante el auge, cada vez más preocupante, de las fake news, de ahí que sea mejor, por ejemplo, un tweet que muestre la realidad, que un millón de tweets buscando el interés y la manipulación.

4.  No todos los datos son equivalentes

Está claro que no todos los datos pueden ser analizados por igual, ya que no todos son equivalentes, como vemos en el ejemplo citando en el texto, donde nos dice que el bid data introduce dos nuevos tipos populares de redes sociales derivadas de los datos:

Por un lado, las redes articuladas, que son los que resultan de las personas que especifican sus contactos a través de una tecnología de mediación (Boyd 2004).Es decir, los amigos de Facebook, los followers de Twitter o Youtube, etc. Las motivaciones que tienen las personas para agregar a alguien a cada una de estas listas varían ampliamente, pero el resultado es que estas listas pueden incluir amigos, colegas, conocidos, celebridades, amigos-de-amigos, figuras públicas y extraños interesantes.

Por otro lado, las redes de comportamiento se derivan de los patrones de comunicación. Estos podrían incluir los que están etiquetados en fotos juntos en Facebook, las personas que envían correos electrónicos entre sí, y las personas que están,  físicamente en el mismo espacio.

Pero ninguna de estas dos redes son equivalentes a redes personales, por lo que no pueden ser usadas con los mismos fines u objetivos. Por lo que, como vemos, se deben tener en cuenta otros factores como sería el contexto.

5.  El hecho de que sea accesible no significa que sea ético

¿A qué nos referimos con esto? Pues como observamos  no es oro todo lo que reduce y al igual que todos los inventos, las tecnologías que se usan en Big data consiguen extraer y combinar gran parte de la información que de una u otra forma se utilizan de manera beneficiosa y no tanto. Generalmente esta información es empleada con fines comerciales; sin embargo, en otros casos como en el caso de Snowden, el cual nos explica Segura, A. (2014) “los acuerdos de la Agencia Nacional de Seguridad estadounidense (NSA) con las grandes corporaciones de la red (Google, Facebook, Microsoft, etc.) para monitorizar las comunicaciones de sus usuarios mostró cómo las corporaciones que explotan la web pueden compartir esa información con los gobiernos con total impunidad.

Un ejemplo de esto, sería el que nos relata Martin Hilbert: que nos dice que” tu teléfono te muestra cuántas llamadas hiciste, el proveedor de telefonía tiene que recoger esto, porque te tiene que hacer la cuenta. Ellos ni siquiera se preocupan sobre con quién hablaste o qué hablaste, es nada más la frecuencia y duración de tus llamadas, lo que se llama metadata. Con eso puedes hacer una ingeniería reversa y reconstruir un censo completo de un país con 80% o 85% de precisión: género, familias, ingreso, educación.  Además, si tengo información un poco más detallada, por ejemplo si el operador de telefonía móvil también registra dónde te mueves, porque te conectas a sus radiobases, se puede predecir hoy con 90% o 95% de precisión dónde vas a estar en dos meses, y en qué momento del día”. Preocupante ¿verdad? Esta información es muy importante y más dependiendo de las personas y las finalidades con la que lo traten.

Y un claro ejemplo serían las elecciones por ejemplo de Trump y de Obama. ¿Qué cómo han influido los macrodatos? Pues con nos indica nuevamente Martin Hilbert “Vivimos en un mundo donde los políticos pueden usar la tecnología para cambiar cerebros, la democracia representativa busca resolver un problema de comunicación. En otras épocas, no podíamos decir cada uno lo que pensábamos y esperar que nos escuchasen, por eso actualmente tenemos representantes a quienes delegamos un mandato. Pero hoy nosotros "controlamos" a los representantes: si un diputado ofrece una charla, él o su equipo va testeando qué dicen los comentarios en Twitter y modifica su discurso de acuerdo a lo que cree que ese público quiere escuchar. Incluso veremos que intenta defenderse más tarde en Twitter. Finalmente, no es un mandato libre, no puede razonar en nuestro nombre. Por otro lado, los representantes pueden usar el Big Data para controlarnos e inducirnos. Este juego de control en ambas direcciones, para el que las herramientas del Big Data parecen ideales, está absolutamente contraindicado para las democracias representativas. Hay que repensar la democracia por completo, a la luz de los datos.”

Con esto lo único que conseguiríamos sería llegar a una  “dictadura de la información”, cómo ya imaginó por su época George Orwell en su novela “1984”.

6.  El acceso limitado a los grandes volúmenes de datos crea una nueva Digital Divide

Castells, M. (2001) nos decía en “Internet y la Sociedad Red” que “el mundo de la empresa no fue en absoluto la fuente de Internet, es decir, Internet no se creó como un proyecto de ganancia empresarial”. Sin embargo, en la actualidad, internet y El Big Data en concreto, se ha convertido uno de los motores de las empresas en internet, lo que permite desarrollar servicios basados en la utilización de datos, la reducción de tiempo y dinero empleado, el aumento de la productividad, un mejor posicionamiento con respecto a los competidores. Pero para esto, no vale solo con diseñar nuevas y enormes bases de datos, sino que se debe también sacar el mejor rendimiento a la información que se tiene.

La información que ofrece el Big Data ayuda a las empresas a conocer el patrón de comportamiento de sus clientes y del mercado. Como herramienta de mercado, el Big Data puede servir para campañas y estrategias de marketing, mejorar los procesos de control de calidad, mejorar la atención al cliente, etc.

Un claro ejemplo, es el que Martin Hilbert nos comenta en su entrevista a la BBC, "En Estados Unidos, las grabaciones de los call center, en la mayoría de los casos es una batería de 10 mil algoritmos la que 'escucha' al cliente que habla, clasifica su personalidad de acuerdo a seis tipos (si lo motivan las emociones, las acciones, etcétera) casi en tiempo real. Luego, la próxima vez que ese cliente llame, en cuestión de segundos ese análisis lo conectará con alguien en el call center que tenga una personalidad similar", con ello lo que consiguen las empresas es acercarse más a ti e intentar vender sus productos, sacándole todo el partido al big data y a la información que tienen de ti.

Las empresas privadas y todas las organizaciones en general saben el poder que esconden los datos masivos. De hecho, Estados Unidos ha aprobado una ley que permite a los proveedores de Internet vender los datos de sus usuarios. Estos datos servirían para, por ejemplo, como dice Martin Hilbert “si quieres abrir una empresa en cualquier lugar para vender corbatas, les pagas y te dicen en qué momento y dónde caminan los hombres. Y tú sabes exactamente en qué salida del metro instalar tu nueva tienda de corbatas.”

 A la pregunta del texto, ¿quién tiene acceso? La respuesta sería los que tenga más poder  y dinero, provocando por consiguiente una mayor Digital Divide, donde las empresas poderosas serán aún más poderosas y las menos poderosas, acaben desapareciendo.

Conclusión

Como vemos el big data está presente es nuestras vidas en todo momento y en todo lugar, pero es como todo, y depende del uso que hagamos de él. Como por ejemplo una herramienta de bricolaje, que puede servir tanto para arreglar una cosa, como para hacer daño a alguien, el big data como vemos es un arma de doble filo y nos puede servir tanto para conseguir los avances más importantes de las historia, como para ocasionar las mayores catástrofes y,  todo esto depende de nosotros, ni más ni menos.

Como dice Segura Vázquez, A. (2014). “En cierto modo, el Big Data toma posiciones para constituirse como “lo único” capaz de otorgar legibilidad a un entorno abisal de información” y todo esto depende de nosotros, del uso que le demos y de los que queramos conseguir con ello. Los avances pueden ser buenos o malos, pero dependen, del uso que nosotros mismos les demos, de nosotros depende que avancemos hasta límites insospechados o que nos quedemos en puntos de destrucción entre nosotros mismos.

Bibliografía.

Ø  Castells, M. (2009). Comunicación y poder. Alianza. Madrid.

Ø  Castells, M. Internet y sociedad red. Alianza. Madrid.

Ø  Manovich, L. El software toma el mando. Universitat oberta de Catalunya.

Ø  Tascón, M. y Coullaut, A. (2016). Big Data y el Internet de las cosas. Qué hay detrás y cómo nos va a cambiar. Madrid, Catarata.

Ø  Barroso, R. (2012). ¿Qué es Big Data?

Ø  Mayer-Schonberger, V. Y  Cukier, K.  (2013) Big data: la revolución de los datos masivos. Houghton Mifflin Harcourt

Ø  Segura Vázquez, A. (2014). El pastor, el doctor y el Big Data. Revista Teknokultura, Vol. 11 (2), 243-257.

Ø  Segura, A. (2015): “Digitalizar y controlar: un collage de tecnologías vigilantes”. Boletín ECOS, FUHEM ECOSOCIAL, nº 29 - diciembre 2014-febrero 2015.