Datos, fairness y perfil del alumno latinoamericano en la Educación Superior y Continua

Este blog es el segundo resumen de los comentarios más destacados acerca de los modelos predictivos en la Educación Superior y Continua de Latinoamérica, el concepto del fairness o justicia aplicado al uso y gestión de los datos, así como el perfil del alumno latinoamericano.

El pasado 24 de noviembre tuvo lugar el 2º webinar de Nimbi dentro del ciclo titulado “Estrategias basadas en datos para mejorar el viaje estudiantil”. Este blog es el segundo resumen de los comentarios más destacados acerca de los modelos predictivos en la Educación Superior y Continua de Latinoamérica, así como el concepto del fairness o justicia aplicado al uso y gestión de los datos, entre otras cosas. Puedes consultar el primer resumen del webinar o la grabación con las intervenciones de los panelistas siguiendo este enlace: Estrategias basadas en datos para mejorar el viaje Estudiantil

Largio Romero, VP Estrategia y Tecnología en eClass, con más de 20 años en tecnología aplicada a diferentes modelos de negocios y especialmente en educación online o a distancia, tomó la palabra y recordó la importancia de conocer en profundidad a los alumnos y sus cambios de comportamiento. Hoy en día, dijo, “lo importante es poder diseñar un sistema de acompañamiento que sea personalizado y basado en los intereses y patrones de estudio de los alumnos”. Algo que es posible lograr cuando la institución educativa cuenta con muchos datos. Y habló de cómo en eClass actualmente se optimiza “el uso de esos datos para poder acompañar al alumno que está más atrasado. A partir de ahí, vamos viendo qué variables se ocupan”.

Respecto a esto señaló que puesto que en eClass se dedican a la educación digital, “primero vemos que el alumno ingrese en la plataforma, que rinda su primera evaluación o tenga un determinado tiempo de actividad … y, en los últimos tiempos, lo que hacemos también es aplicar modelos predictivos con toda la información disponible. Esos modelos te dicen que las variables más representativas del éxito estudiantil son, por ejemplo, 10. Algunas de ellas son accionables y otras no”. Y explicó que ser hombre o mujer, por ejemplo, no es accionable porque “las mujeres terminan los estudios más que los hombres, pero hay otras que sí lo son, como la cantidad de veces que el alumno entra al sistema. En este caso, se le puede solicitar que entre a visitar un curso muy interesante que está a punto de empezar”. En definitiva, se trata de un proceso bastante dinámico en que van capturando el comportamiento de los alumnos y entendiendo si las variables que accionan son las correctas o hay que cambiarlas.

En este sentido, Romero añadió que “pasar de un enfoque reactivo a proactivo es lo que va a marcar la diferencia, no podemos esperar a que el alumno entre en riesgo. Muchos operadores o coordinadores están en ese enfoque reactivo porque tampoco cuentan con la información recopilada para poder ayudarlos. Por eso integrar los sistemas y la información al servicio del alumno es súper importante”.

La data no es objetiva

Mario Schiappasse, Chief Data Scientist en Nimbi, comentó cómo se aplica el fairness o justicia a estos datos. En primer lugar, aclaró que “el fairness se refiere a cuando el modelo no discrimina en base a estereotipos o prejuicios”. Y añadió que el riesgo de caer en ese error es que se “pueden repetir esos prejuicios, lo que llevaría eventualmente a repetir esa discriminación”. Schiappasse explicó que “la gente piensa que la data es objetiva y no lo es, aunque la producen los sistemas. Alguien modela esa data y el que lo hace tiene que tener cuidado de no introducir sus propios prejuicios en el sistema”.

Además, es necesario ser cuidadoso para que no se repitan prejuicios históricos. Por ejemplo, “si tenemos data de hace décadas del perfil de egresados de carreras STEM (ciencias) es obvio que hay un elemento de género (en cuanto al número de mujeres) en esa data. Si se replica esa data hoy en día, mi modelo va a estar replicando esas discriminaciones”, señaló. En Nimbi, aclaró, “tenemos barreras muy explícitas para evitarlo. En primera instancia nos preocupamos de que nuestros modelos se utilicen para reducir esa brecha, no aumentarla. Tratamos de modelar los problemas de manera que tengan sentido. Si modelamos, por ejemplo, el perfil de probabilidades de egreso tenemos mucho cuidado de que vaya cambiando de año a año, evitando que genere prejuicios en ese aspecto”. Por último, “evaluamos nuestros modelos en el momento de la salvaproducción y tenemos cuidado de que esos modelos no tengan efecto sobre las variables que son sensibles. Si estos modelos están discriminando, lo corregimos”.

El dilema del change management

Carlos Arriagada, Director Nacional de Progresión Académica en Instituto Profesional AIEP, coincidió con el punto de vista de Mario y añadió que a los equipos de las instituciones educativas que se encargar de accionar sobre los resultados de los modelos predictivos es necesario explicarles de manera muy simple cómo éstos entregan datos fidedignos. “Es necesario bajar el lenguaje hasta un nivel tal que el modelo sea confiable y creíble para los equipos que activan esto en la sede … Y señala que esto implica también un cambio cultural dentro de la institución “para ver cómo logran que personas no tan cercanas a este tipo de tecnología entiendan en simple el beneficio que va a traer para el equipo”.

Ricardo H. Phillips Greene, Operating Partner Linzor Capital & CEO de Universidad Insurgentes (México) comentó que la adopción de estos modelos en toda la organización educativa, más allá de las oficinas centrales, es un dilema de change management. “La idea es mandar señales y generar incentivos para lograr su adopción”. Él cuenta cómo desde su entrada en la universidad, hace 4 años, el director de sistemas le reporta a él, que es el CEO, y no al directo de finanzas, que es lo que se hace de forma tradicional. Y añade que a partir de su llegada han buscado automatizar e integrar los sistemas que tienen interacción con los alumnos.

En su opinión, hay 3 niveles donde hay que poner el énfasis:

  • El nivel directivo: hay que enviar señales de qué se debe priorizar y qué comportamientos son los válidos en la organización. La tecnología, comentó, debe fluir hacia arriba, hasta los puestos de máxima responsabilidad en la gestión de la organización, y no necesariamente a un lado, reportando al responsable de finanzas como se hace tradicionalmente.
  • El nivel operador: es necesario incentivar el uso de la tecnología en las sedes porque pueden darse el caso de que consideren las herramientas con las que han trabajado hasta entonces mejores que los nuevos sistemas. En este sentido, dijo, existe “una brecha entre los que estamos viendo los cambios y las estrategias, y los que operan”.
  • El nivel alumno: es preciso automatizar e integrar los datos de sus comportamientos tradicionales (perfil de entrada, pasó un examen, qué materia toma, etc.) con la data que se obtiene en las plataformas de aprendizaje (LMS) y, por último, con la procedente de las redes sociales en las que se mueve. Esto último, señaló, es el gran reto.

El perfil del alumno latinoamericano

En cuanto al alumno latinoamericano, Romero destacó que “la autodisciplina suele ser bastante mala”. En eClass, dijo, “lo que hemos hecho ha sido acompañar al alumno de forma proactiva, tenemos mucha información del proceso de estudio y un equipo muy grande para acompañarlo desde el punto de vista pedagógico y administrativo, de manera que la tasa de termino se sitúa en el 92%”. Al contario, de lo que ocurrió con la educación presencial durante la pandemia, ellos nunca perdieron la visibilidad de los alumno, lo que les permite saber “cómo interactúan con el contenido y con las evaluaciones para que sea un proceso de mejora continua que se basa en información”.

Arriagada habló sobre cómo se trabaja o potencia el engagement en la educación técnica. Por un lado, explicó que el engagement “es el compromiso que el estudiante le ponga a completar su educación. La cultura latinoamericana tiene una capacidad de autogestión que no es óptima si la comparamos con otros países”. En su opinión, esto hace que se corra el riesgo de caer casi en el paternalismo, porque se trabaja con la idea de que si se relaja el acompañamiento, el estudiante se puede perder. Como consecuencia de ello, se reduce el compromiso del estudiante. Por otro lado, dijo, “las instituciones tenemos la tarea de disponer recursos materiales, de acompañamiento, de vida estudiantil, de relacionamiento, tales que complementen este compromiso y hagan que el estudiante frente a una amenaza de riesgo levante la mano y pida ayuda, pero que sepa dónde pedir la ayuda o sepa cómo autogestionar esa ayuda también”.

En las instituciones donde ha estado presente, y ahora en AIEP, “hay una orientación súper fuerte a generar experiencias significativas para el estudiante. El desafío ahora es cómo empezamos a desanclar este acompañamiento para que el estudiante ponga a su disposición su compromiso. El engagement no se va a generar solo con mejores modelos, es un muy buen complemento, pero el estudiante también tiene que empezar a poner de su parte”. El señaló que forman a estudiantes para prepararlos para el mercado laboral y que es preciso “mejorar la autogestión y la proactividad y esto también va ocurriendo como un cambio cultural”.

Schiappasse señaló que para vender un sistema como el de Nimbi es preciso entender las barreras de entrada. “Hoy en día, la barrera de entrada más grande es la integración. Y esto significa que cada institución tiene su propio sistema y madurez para disponibilizar la data. Hemos desarrollado un sistema in-house que nos permite integrar esa data independiente de donde sea la fuente. Podemos tomar esa información e incorporarla en Nimbi. Peleamos para llevar esa barrera lo más bajo posible”.  En cuanto a cómo “llevamos la solución a los equipos para que la utilicen, es muy importante para nosotros transmitir esa interpretabilidad de la data. Un modelo que es caja negra, no inspira confianza”. Y añade que es fundamental explicar cómo y por qué el sistema hace que se tomen ciertas decisiones que llevan, por ejemplo, a que un operador llame a un estudiante con buena nota y buena asistencia, pero que no se ha conectado en la última semana. “Es fundamental para impulsarlo. El Excel no puede lograrlo. Y esa es la promesa de valor que tiene Nimbi”.

Para finalizar, Phillips dijo que cree firmemente que las universidades tienen que “bajarse del tren de yo lo hago todo. Si quieres estar a la velocidad del mercado, hay que estar con quien ya lo hace bien. Además, el tema de datos para evaluar comportamientos ha llegado para quedarse”.

Agenda una llamada si deseas seguir conversado sobre cómo nuestro sistema inteligente de datos permite acompañar al estudiante y ponerlo en el centro de tu organización.