Enseñanza

Por: Observatorio de la Innovación Educativa

En la era del big data, la automatización y de cara a la cuarta revolución industrial ¿cómo adecuar nuestra enseñanza para que los alumnos enfrenten con éxito los retos futuros? Sin duda, las capacidades de las computadoras y sus algoritmos, son cada vez mejores y más útiles al ser humano. De hecho, hay un miedo generalizado de que las máquinas nos reemplacen en puestos laborales que ocupamos actualmente (World Economic Forum, 2018). Sin embargo, en voz de expertos, las tareas que realizan las computadoras están orientadas a actividades muy específicas, de tal manera que la inteligencia necesaria para enfrentarse a situaciones desconocidas e inesperadas donde se requiere evaluar qué está sucediendo, por qué está sucediendo y cuáles son las consecuencias de tomar ciertas medidas al respecto, aún es tarea pendiente (Smith, 2018).

En este sentido, para la enseñanza de la estadística considero fundamental fomentar en el alumno competencias como el pensamiento crítico, ya que a medida que las organizaciones aumenten su capacidad de reunir más datos, el diferenciador será tener personas que puedan hacer las preguntas correctas para sacar provecho de esos datos. Aunque las discusiones actuales alrededor del concepto “datos” se centran en la parte tecnológica y de inteligencia artificial, es el lado humano el que seguirá siendo el mayor diferenciador para los equipos y las organizaciones como lo menciona Chamorro-Premuzic (2018).

“El uso y aplicación de Data Science podría ser entendido como un arte, ya que el manejo de tanta información requiere intuición, visión cualitativa, comprensión e interpretación de la información disponible sobre una problemática real.”

En estadística, Data Science es un término establecido para referirse a la disciplina científica que involucra matemáticas, informática, investigación de operaciones, ciencias aplicadas y estadística (Weihs and Ickstadt, 2018). Por lo general, manejan grandes volúmenes de datos a lo que se le denomina “Big Data”, con el fin de extraer conocimiento derivado del procesamiento, análisis e interpretación de estos datos.

También Data Science hace uso de lenguajes de programación e inteligencia artificial para analizar bases de datos multivariadas que contienen datos en formatos de imágenes, texto, sonido, mediciones, entre otros. En el mundo empresarial, donde se genera información constantemente, la modelación de datos a través de Data Science permite a directivos tomar decisiones oportunas, monitorear continuamente la calidad de productos, servicios y pronosticar ventas.

Algunos autores como Boire (2018), consideran que el uso y aplicación de Data Science podría ser entendido como un arte debido a que el manejo de tanta información requiere intuición, visión cualitativa, comprensión e interpretación de la información disponible sobre una problemática real, en la que se que necesita la integración de conocimientos avanzados (estadísticos y computacionales) de manera creativa para que sea posible su modelación.

Otros investigadores comentan que las habilidades que más se destacan en este campo de acción son la formulación de preguntas productivas, pensar computacionalmente y analíticamente, visualizar y resumir datos, comunicación y  narración o argumentación efectiva (Dichev y Dicheva 2017). Esta última habilidad, narración o argumentación efectiva es una de las que menos se inculcan en los estudiantes.

“La narración o argumentación efectiva es una de las habilidades que menos se inculcan en los estudiantes. Los egresados de cualquier profesión deben comunicarse de manera clara, dando razones que justifiquen lo que están expresando verbalmente o de manera escrita.”

La argumentación efectiva es una de las habilidades que deberían tener los egresados de cualquier profesión debido a que se deben comunicar de manera clara, dando razones que justifiquen lo que están expresando verbalmente o de manera escrita. Pasquier, Rahwan, Dignum y Sonenberg (2007) sostienen que tanto la argumentación como la justificación e incluso la explicación pueden ser vistos como procesos por los que una persona muestra a otra por qué su postura es coherente.

En la enseñanza de Data Science, Parker (2018) sostiene que la argumentación efectiva es una de las habilidades menos desarrolladas en los estudiantes y que es necesario de incentivar. Pensando en desarrollar esta habilidad de argumentación, además de las habilidades estadísticas y computacionales, Parker (2018) planeó un curso en el que sus estudiantes tenían que elaborar varios proyectos de investigación sobre problemáticas reales en el que se les solicitaba desde indicar el problema, recolectar la información, analizarla, interpretarla y encontrar los hallazgos relevantes del análisis en el contexto del problema. En estos proyectos, los estudiantes necesitaban utilizar herramientas tecnológicas y documentar los hallazgos del análisis estadístico en reportes escritos y también de manera oral.

De esta manera, Parker sugiere que los estudiantes pueden desarrollar no sólo las habilidades propias de Data Science sino también otras habilidades como de argumentación efectiva, trabajo en equipo, etcétera. Por ello, se recomienda al profesor de cualquier disciplina no sólo enfocarse en el desarrollo de las habilidades propias de esa área disciplinar sino también enfocarse otras habilidades que contribuyan al desarrollo integral del futuro profesionista.

A su vez, en la educación de la estadística se ha resaltado la necesidad de promover en los estudiantes el razonamiento inferencial  (e.g., Bakker & Derry, 2011; Makar & Rubin, 2014). Este tipo de razonamiento es requerido en las investigaciones cuantitativas para generalizar hacia una población teniendo los datos de una muestra representativa.

Por ello, es recomendable que este razonamiento se fomente en los estudiantes de todas las especialidades. En sí, el razonamiento inferencial es definido por Inzunza (2013) como el proceso de ir más allá de los datos de una muestra para extraer conclusiones de un universo que no ha sido explorado en su totalidad, consecuentemente las conclusiones a las que se llegan son inciertas.

Los investigadores en educación en estadística han explorado varias estrategias para ayudar a sus estudiantes a desarrollar el razonamiento inferencial como la inferencia informal, considerada una inferencia que se realiza sin el empleo de los métodos formales de inferencia estadística (p. ej., pruebas de hipótesis e intervalos de confianza), y también la simulación de muestras aleatorias. Por ejemplo, en la propuesta de  Ben-Zvi (2018), sus estudiantes tenían que experimentar tres ciclos de investigación durante un curso introductorio: el primero usando análisis exploratorio de datos (análisis gráfico), el segundo haciendo una inferencia informal, y el tercero haciendo una inferencia usando simulación.

La similitud de la propuesta de Parker y la de Ben-Zvi estriba en que en ambas impera la necesidad de que los alumnos adquieran las habilidades propias de la materia que están cursando además de otras habilidades. Para desarrollarlas, tanto Parker como Ben-Zvi expusieron a sus estudiantes a actividades o proyectos en los que ellos tenían que ponerlas en práctica durante el curso como lo hubieran hecho al aprender un arte (p. ej., un instrumento musical, a pintar, a esculpir). Cabe aclarar que en este artículo sólo se presentan la propuesta de Parker y la de Ben-Zvi para ejemplificar cómo estos investigadores tenían el objetivo de desarrollar ciertas habilidades y razonamientos, y para explicar brevemente las estrategias que ellos usaron. Sin embargo, existen otras investigaciones y propuestas para la enseñanza de la estadística en cursos introductorios, en las que se han empleado diversas herramientas y software para estadísticos.

En mi experiencia como docente de la materia de Probabilidad y Estadística participe en el diseño de un curso que tenía como fin introducir las ideas inferenciales,  ideas previas de los conceptos formales de inferencia estadística (p. ej., el valor p, intervalos de confianza y significancia estadística, pruebas de hipótesis),  desde el inicio del curso y desarrollarlas durante el transcurso del mismo (Ruiz, Albert, Tobías, Villarreal, 2014).

Posteriormente, he estudiado el razonamiento inferencial a través de la argumentación en reportes escritos y en presentaciones orales sobre situaciones inferenciales de comparación en contextos reales (tiempo entre pulsos en pacientes enfermos del corazón que utilizan marcapasos vs. los que no lo utilizan, contaminación de PM10 en primavera-verano vs. otoño-invierno)  y en la que se les proporcionaron los datos que ellos debían analizar. Los cuáles han sido elaborados en equipos, usando el software estadístico Minitab. En una investigación en curso, nos interesa analizar cómo los alumnos validan y soportan su inferencia estadística, observando si ellos logran integrar las razones del contexto y las razones estadísticas como sugieren Bakker, Kent, Derry & Noss (2008). Para hacer el análisis de la solidez y de la validez del razonamiento inferencial se propuso un marco conceptual que integra el modelo de argumentación de Toulmin y las componentes esenciales en el razonamiento inferencial (ver Gómez-Blancarte and Tobías-Lara, 2018).

A mis colegas docentes los invito a documentarse sobre lo que están haciendo los expertos en el área disciplinar que enseñamos. Para lograrlo propongo crear redes de colaboración entre docentes y compartir nuestras ideas y experiencias.

Acerca del autor

María Guadalupe Tobías Lara (mgtl@itesm.mx) es investigadora en estadística educativa y es docente de la materia de Probabilidad y Estadística en el Tecnológico de Monterrey.

Referencias

• Albert, J. A., Ruiz, B., Tobías, M.G., Villarreal, O. (2014). Proyecto: Transformando la Educación Estadística desde un Enfoque Inferencial. Fondo NOVUS. Instituto Tecnológico y de Estudios Superiores de Monterrey. Convocatoria 2014-2015
• Bakker, A., Kent, P., Derry, J., Noss, R., and Hoyles, C. (2008). Statistical inference at work: Statistical process control as an example. Statistics Education Research Journal, 7(2), 130-145. [Online: http://iase-web.org/documents/SERJ/SERJ7(2)_Bakker.pdf]
• Bakker, A., & Derry, J. (2011). Lessons from inferentialism for statistics education, Mathematical Thinking and Learning, 13(1-2), 5-26. doi: 10.1080/10986065.2011.538293
•  Ben-Zvi, D. (2018). Three paradigms to develop students’ statistical reasoning.In M. A. Sorto, A. White, & L. Guyot (Eds.), Looking back, looking forward. Proceedings of the Tenth International Conference on Teaching Statistics (ICOTS-10), Kyoto, Japan. Voorburg, The Netherlands: International Statistical Institute.
• Boire, R. (2018). “The art of Data Science”, Predictive Analytics Times. [https://www.predictiveanalyticsworld.com/patimes/the-art-of-data-science/9475/]
• Chamorro-Premuzic, T. (2018). 3 Ways to Build a Data-Driven Team. Recuperado de https://hbr.org/2018/10/3-ways-to-build-a-data-driven-team
• Dichev, C., & Dicheva, D. (2017). Towards Data Science Literacy. Procedia Computer
  Science 108, 2151-2160.
• Gómez-Blancarte, A., and Tobías-Lara, M. G. (2018). Using the Toulmin model of argumentation to validate students’ inferential reasoning. In M. A. Sorto, A. White, & L. Guyot (Eds.), Looking back, looking forward. Proceedings of the Tenth International Conference on Teaching Statistics (ICOTS-10), Kyoto, Japan. Voorburg, The Netherlands: International Statistical Institute.2018).
• Inzunza, S. (2013). Un acercamiento informal a la inferencia estadística mediante un ambiente computacional con estudiantes de bachillerato. Revista Electrónica AMIUTEM, 1(1), 60-75.
• Makar, K. & Rubin, A. (2014). Informal statistical inference revisited. In K. Makar, B. de Sousa, & R. Gould (Eds.), Proceedings of the 9th International Conference on Teaching Statistics. Flagstaff, Arizona, USA: International Statistical Institute.
• Parker, H. (2018). Cultivating creativity in data work. Keynotes in In M. A. Sorto, A. White, & L. Guyot (Eds.), Looking back, looking forward. Proceedings of the Tenth International Conference on Teaching Statistics (ICOTS-10), Kyoto, Japan. Voorburg, The Netherlands: International Statistical Institute.
• Pasquier, P., Rahwan, I., Dignum, F., & Sonenberg, L. (2007). Argumentation and persuasion in the cognitive coherence theory: preliminary report. Argumentation and Persuasion in the Cognitive Coherence Theory (193–210). Springer Berlin Heidelberg.
• Smith, G. (2018). Beware the AI delusion. Recuperado de https://www.fastcompany.com/90247482/beware-the-ai-delusion?partner=feedburner&utm_source=feedburner&utm_medium=feed&utm_campaign=feedburner+fastcompany&utm_content=feedburner
• Weihs, C. and Ickstadt, K. (2018). Data Science: the impacts of statistics.  International Journal of Data Science and Analytics . https://doi.org/10.1007/s41060-018-0102-5
• World Economic Forum (2018). Machines Will Do More Tasks Than Humans by 2025 but Robot Revolution Will Still Create 58 Million Net New Jobs in Next Five Years. Recuperado de http://reports.weforum.org/future-of-jobs-2018/press-releases/

Fuente: https://observatorio.itesm.mx/edu-bits-blog/retos-de-la-ensenanza-en-la-era-de-big-data