Problemas de Privacidad, vigilancia y control del Big Data en la Educación

  • Big Data tiene un problema de empoderamiento debido a su falta de transparencia, la recolección extractiva de datos, la complejidad tecnológica y la falta de control sobre el impacto de los datos recogidos.
  • La "datificación" convierte muchos aspectos de nuestra vida en datos cuantificables, lo que se traduce en información de valor sobre el comportamiento humano, pero este procesamiento está sometido a tensiones, influencias, juegos de poder y desigualdades.
  • Las empresas privadas y los gobiernos recogen y analizan grandes cantidades de datos personales, lo que provoca una profunda transformación en la forma en que se ordena la sociedad, se toman decisiones y se vigila a los ciudadanos a través de Big Data.
  • El Big Data no es una representación objetiva del mundo, sino una fuente de poder social. Unas pocas empresas concentran poder y capital, utilizando sistemas de recopilación, análisis y presentación de datos (mediante inteligencia artificial y Big Data) para manipular el comportamiento, incluyendo el uso de tecnología de vigilancia y el sesgo algorítmico.
  • La tecnología conectada con los avances de Big Data facilita la identificación y el control de personas, así como la manipulación de sus conductas, opiniones, creencias y actividades, lo que está poniendo en riesgo la libertad de los seres humanos.
  • Existe una preocupación recurrente entre académicos, educadores y el público en general sobre la forma en que la privacidad de los estudiantes se define, gestiona y protege. Esta preocupación es clave y 28 está presente en todas las etapas de la recopilación, almacenamiento y análisis de datos (Cano, 2019).
  • Los desafíos morales de Big Data no se limitan a la privacidad; también incluyen su comercialización, los consiguientes problemas de propiedad y control de la información sobre los estudiantes, la forma en que Big Data afecta la manera en que conocemos a nuestros estudiantes y respondemos a sus necesidades individuales, y los posibles efectos en la justicia distributiva en la educación.
  • Big Data está entrelazado con cuestiones éticas porque a menudo se genera mediante extracciones no declaradas y rara vez se comparte con quienes la generan. Preguntas sobre quién recoge los datos, cuándo o quién tiene acceso a ellos se basan en fundamentos éticos.
  • Existe el riesgo de una posible manipulación peligrosa de las propuestas educativas a partir de la lectura de datos, confiando exclusivamente en lo digitalizable y excluyendo otras opciones valiosas de aprendizaje.
  • Los estudiantes y profesores expresan preocupaciones sobre la vigilancia constante.
  • Trabajar con datos sensibles plantea retos complejos relacionados con la ética y la confidencialidad.

Comentarios

  1. Diana10 de julio de 2025, 22:40

    El Big Data nos obliga a repensar los límites entre tecnología, ética y educación. Aunque permite personalizar el aprendizaje, también amenaza la privacidad y la equidad. Urge un uso crítico que priorice el bienestar humano.

    ResponderEliminar
  2. Elon mus10 de julio de 2025, 23:01

    Es importante tener mucho control en el tema de la información privada de los que escriben y a la vez este tener un orden en lo que escriben ya que en internet hay mucha variedad buena como mala

    ResponderEliminar
  3. Elon mus10 de julio de 2025, 23:04

    Quiero agregar de que el hecho de que haya mucha información acá debemos tener cuidado de lo que también se comentó llegamos a enseñar a las demás personas porque puede que haya datos que en mano se equivocadas pueden ser peligrosas

    ResponderEliminar

Publicar un comentario

Entradas populares de este blog

Minería de datos educativos y análisis del aprendizaje

La minería de datos educativos (EDM, Educational Data Mining) y la analítica del aprendizaje (LA, Learning Analytics) son técnicas que utilizan el análisis de datos para mejorar los procesos educativos. Para ello extrae patrones y tendencias del rendimiento, el comportamiento y las interacciones de los estudiantes. Estas disciplinas optimizan los procesos de aprendizaje, identifican a los estudiantes con sus dificultades y logran personalizar las experiencias de aprendizaje. Su integración promete revolucionar la educación y fomentar el éxito de los estudiantes en la era digital. Líneas de investigación actuales en DaSCI: Portabilidad de modelos predictivos. En la minería de datos educativos, un reto clave es garantizar la portabilidad de los modelos predictivos a través de diferentes cursos. Actualmente, la excesiva dependencia de atributos de bajo nivel durante el entrenamiento limita la adaptabilidad de los modelos. Para abordar este problema, estamos desarrollando y utilizando acti...
Leer más

BIG DATA

  El crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad de modificar, optimizar y generar métodos y modelos de almacenamiento y tratamiento de datos que suplan las falencias que presentan las bases de datos y los sistemas de gestión de datos tradicionales. Respondiendo a esto aparece Big Data, término que incluye diferentes tecnologías asociadas a la administración de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez [1]. A pesar de que el término Big Data se asocia principalmente con cantidades de datos exorbitantes, se debe dejar de lado esta percepción, pues Big Data no va dirigido solo a gran tamaño, sino que abarca tanto volumen como variedad de datos y velocidad de acceso y procesamiento. En la actualidad se ha pasado de la transacción a la interacción, con el propósito de obtener el mejor provecho de la información que se genera minuto a minuto[2]. Con e...
Leer más

Proceso de la Minería de datos educativa

Imagen
  1. Extracción de datos: Consiste en la selección y recuperación de datos del entorno educativo, priorizando fuentes digitales como sistemas de información o entornos virtuales de aprendizaje. Los datos incluyen interacción, uso de sistemas, información de cursos, datos académicos, encuestas socioeconómicas y antecedentes escolares. 2. Preprocesamiento: Se limpian datos (eliminando datos redundantes, incorrectos o faltantes), se mezclan fuentes y se convierten valores para una gestión estandarizada y homogénea. Es crucial excluir atributos irrelevantes y el resultado es un conjunto de datos listo para el análisis. 3. Aplicación de métodos de MDE: Se seleccionan y aplican técnicas acordes a los objetivos, como clasificación/predicción para identificar riesgo académico. Se pueden seleccionar atributos relevantes y ajustar parámetros de algoritmos para refinar la precisión de los modelos. 4. Interpretación de resultados: Se muestran los patrones, relaciones o tendencias descubiertos ...
Leer más