En el ejemplo que ponemos en la entradilla, sucedió, como saben o imaginan, que su primera búsqueda generó datos (a puñados), que en cuestión de nanosegundos han sido analizados, tras lo que uno o varios algoritmos han predicho qué otras cosas, amén de las buscadas, les pueden interesar o qué puede gustarles más según la tendencia de compra definida por las fórmulas matemáticas y los esquemas de inteligencia artificial. El proceso, que ya es habitual en nuestras vidas digitales, es aplicable a muchas otras cosas, como la salud, los deportes, la política o la lucha contra el crimen. Y, desde hace más de un lustro, al aprendizaje en la escuela, el instituto y la universidad. Y no: no estamos hablando solo de enseñanza no presencial o en línea, sino también de la que, hasta ahora, venimos definiendo como “convencional”.

Según varios indicios, el pionero en esto del uso de los datos en las aulas, Max Ventilla, desarrolló su carrera técnica en Google hasta que, en 2013, decidió que quería dedicarse a la enseñanza, pero aplicando todo lo que su mente tecnológica y digital contenía. Así, fundó en San Francisco (California, EE.UU.) el grupo de escuelas AltSchool, con intención de empezar… por el principio: la enseñanza primaria. Muy sintéticamente, el formato aprovecha los datos generados por cada alumno, desde que llega al centro hasta cuando hace algunas tareas en su casa, para que, una vez recopilados en un sistema inteligente y centralizado, los profesores puedan diseñar clases efectivas y más personalizadas, y los directores de los centros puedan mantener informados e implicados a los padres y tener motivados a los miembros del claustro. La “piedra filosofal” aquí está formada por los datos masivos (big data), la llamada “minería de datos” (data mining) y las analíticas de aprendizaje (learning analytics).

Enseñanzas superiores. Como es lógico, ya hay universidades que han avanzado mucho con el sistema. En medios educativos se habla de la Universidad Estatal de Arizona (ASU), la Universidad de Nottingham Trent, en el Reino Unido, o la Universidad de Georgia (EE. UU.). Pero según un informe realizado por el Instituto KPMG, más del 40 % de las universidades ya utilizaban en el curso 2015‐2016 los datos en su actividad académica; en mayor o menor medida, por supuesto. En esa misma época, siete universidades chinas, entre las que se encuentra la Universidad Jiaotong de Pekín (una de las más reconocidas universidades en tecnologías de la información) iniciaban un programa de tratamiento de datos aplicados a la enseñanza. La conclusión es, por tanto, que hay una evidente tendencia a ir sirviéndonos de los datos en la actividad académica. Y para bien, aunque en algunos ambientes mentar el big data sea como citar al Averno en pleno.

Quienes no quieren ver la oportunidad que todo esto significa, se basan en tres temores: uno, que se pueda convertir en herramienta de discriminación. Esto sucedería, dicen, si los algoritmos predicen lo que podría pasar sin que realmente haya pasado, porque clasificar a los estudiantes así puede significar dejar de lado otros aspectos que se escapan a la compresión de las analíticas de aprendizaje. Dos, que un estudiante pueda ser valorado por su pasado, si los docentes se quedan en el simple análisis de datos, y no por lo que pueda llegar a ser. Y, tres, que se produzca una intromisión en la intimidad o invasión de la privacidad. Quizás explicando cómo se utilizan las distintas herramientas se podrá ver lo escasamente fundado de estos temores, salvo actuaciones personales ajenas a la deontología profesional, obviamente; pero como en todo.

La esencia del sistema. Una vez se da por bueno que el centro recoge datos de los estudiantes, desde aquellas cosas por las que muestra mayor interés hasta las que “se les atraviesan” en determinada materia, puede entrar en juego la predicción, que se basa en técnicas como la clasificación, la regresión o el conocimiento latente. Por poner un ejemplo, según los datos que van llegando de cada estudiante, el modelo predictivo puede indicar si va a aprobar o no la asignatura cuando aún se está a tiempo de poner remedio. En esto ayuda mucho otra de las metodologías posibles, que se define como “descubrimiento de la estructura”; permite una mayor precisión en el modelo predictivo analizando datos como, por ejemplo, el histórico de estudiantes aprobados.

La minería de datos, que podemos llamar aquí “minería de relaciones” –porque se encarga de encontrar relaciones, precisamente–, busca lo que pueda haber en común en un conjunto de datos, que aparentemente no tienen nada que ver entre sí, usando técnicas como las reglas de asociación, la correlación, los patrones secuenciales o las causalidades. Con los tres grupos de técnicas, predicción, descubrimiento de estructura y minería de relaciones, se definen los modelos que puedan servir a los objetivos de la enseñanza y convertirlos en aplicaciones al servicio de los docentes, claro, pero sobre todo de los alumnos. Porque parece que hablamos de los data, así, en abstracto, pero cada cual genera los suyos, los que se corresponden con sus intereses, deseos, intenciones, aptitudes o actitudes.

Mejora y personalización. Hay cuatro importantes aspectos, por tanto, en los que el uso de los datos masivos en la enseñanza puede ayudar: precisar qué ocurre, diagnosticar por qué sucede, prever qué puede venir después de eso y aportar información sobre cómo se puede mejorar. Porque, partiendo de la base de que cada alumno aprende de forma distinta o no tiene las mismas necesidades académicas, los profesores pueden ir creando planes individualizados, personales o grupales, para adelantarse, y son ejemplos, al posible abandono de un estudiante, para adaptar los contenidos de una materia al grado de conocimientos e implicación del grupo o para conocer el rendimiento de los alumnos según el sistema de trabajo que se ha puesto a su disposición.

Todo esto, para que conste, no significa más trabajo para el profesor, sino menos, pero hecho de una manera radicalmente distinta. Y es de gran utilidad para los centros, porque les va a permitir utilizar estrategias de enseñanza y evaluación que les harán ganar reputación. También añade valor en el plano práctico, porque podrán mejorar la comunicación entre docentes, alumnos y familias, lo que indudablemente redundará en una más adecuada gestión de sus relaciones.

Revolución. Kenneth Cukier, uno de los autores de La revolución de los datos masivos, escrita al alimón con Viktor Mayer‐Schönberger, cuenta la anécdota de un profesor de Standford que trabajaba con los llamados MOOC (Massive Online Open Courses) o cursos masivos abiertos en línea. Observó que en las lecciones siete y ocho de matemáticas, todos los estudiantes volvían a la lección tres: “esa lección era una clase de repaso y mostraba que a medida que los estudiantes avanzaban más en el curso, estaban menos seguros de sus bases en matemáticas”. Esto, añade Cukier, permitió al profesor comprobar que, sistemáticamente, el grupo se estaba quedando atrás, porque se lo estaban diciendo los datos. Así que pudo sacar dos enseñanzas: que debía preparar a sus alumnos de otra manera desde el principio y que tenía que desarrollar de forma distinta la famosa lección tres para que no se olvidasen tan fácilmente las bases.

La conclusión de este autor, que es editor de datos de la revista The Economist, además de columnista de prestigio, es que “tenemos que proponer a nuestros hijos otro sistema educativo ya que el actual fue concebido en una época diferente, en la era industrial, mecanicista, basada en una línea de montaje. Ahora la enseñanza se puede adaptar como lo hacen las recomendaciones de Amazon y Google, que se ajustan exactamente a nuestros intereses”. Pero siguiendo un proceso más humanizado, podemos añadir, que el utilizado por el comercio electrónico para hacernos llegar sus recomendaciones. Porque mientras que para estas es perfectamente operativo el mecanismo de recoger, analizar, predecir y ofrecer, en la enseñanza es inevitable la figura de un profesor –humano, por supuesto– que medie en la toma de decisiones.