Actividad 1 Tarea 2 Analítica del aprendizaje conectado.

El texto elegido para realizar la actividad 1 de la tarea 2 es boyd, d., & Crawford, K. (2011). Six Provocations for Big Data. A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society.

boyd y Crawford apuestan por que la era del Big Data ha comenzado. Este término no recoge todos los ámbitos y potencialidad que tiene, al considerar que no sólo se puede analizar los datos de los supercomputadores sino también todos los datos de cualquier ordenador personal de cualquier domicilio o empresa. El término es complejo y no somos conscientes de todos los campos que abarca. Domínguez, Álvarez y Gil-Jaurena (2016) identifican el significado inicial sobre las capacidades para gestionar datos digitales en grandes cantidades. Debido a la extensión a estudios que son aplicados a la vida cotidiana, el concepto va más allá de un artefacto tecnológico. Hay que tener en cuenta dónde se han recogido esos datos y qué hipótesis se plantean con ellos, dejando atrás procedimientos que ayudaban a construir ciencia de calidad. Y también parecen distinguir cierta moda lanzada desde Silicon Valley, germen de aparición de muchas de las tecnologías que hoy nos invaden y que no dejaría de ser un nuevo servicio al que abonarse.

Además hay que destacar el papel del Big Data tanto en el mundo docente como en el industrial. Actualmente a través del término Big Data se busca la apofenia: buscar patrones y/o conexiones en datos/sucesos sin sentido. Esta búsqueda incesante e inquietante lleva a preguntarse sobre qué metodología se sigue y dónde están los límites de los datos analizados. boyd y Crawford utilizan la metáfora de que los datos son cada vez más el aire digital: en él hay oxígeno y dióxido de carbono, es decir, aire necesario y aire contaminado.

Todo esto lleva a las autoras a plantearse 6 preguntas claves sobre la dirección que está tomando el análisis de datos y distintas hipótesis del fenómeno en cuestión:

1. La automatización cambia la definición del conocimiento: se cambia la preponderancia de las hipótesis comprobables nacidas en las ciencias que existe hasta ahora, por los propios datos, que al ser analizados nos van a mostrar un nuevo conocimiento y que muestra lo que sucede (no lo que dice la hipótesis que debería suceder). Chris Anderson en 2008 ponía el ejemplo de Google, que no necesita saber de publicidad para conquistar el mundo de los anuncios en internet, a través de análisis de datos y de matemáticas aplicadas.
2. Hay confusión entre objetividad y precisión: se supone que analizando los datos se obtiene más objetividad. Las autoras defienden que a través de técnicas de Big Data se puede lograr mayor precisión en el análisis de los datos, que no tiene por qué ser sinónimo de mayor objetividad. López Cantos (2015) analiza la metodología Big Data en el campo de comunicación y advierte de que sus técnicas no son tan novedosas y pone el foco igualmente que se consigue mayor análisis a menores costes, pero no un cambio de paradigma.
3. Tener muchos datos no quiere decir que tengamos los mejores datos: el hecho de contar con los datos obtenidos a través de redes sociales, no quiere decir que analizando sólo dichos datos sepamos cómo es el pensamiento/comportamiento de toda la sociedad. Se pone el ejemplo del análisis de Twitter: si consideramos sólo los datos que nos muestra esta red social, dejaríamos fuera a la mayoría de la sociedad, por muy buenos que fueran los datos obtenidos a través de esta red social. Miren Gutiérrez (2019) explica que se consideran datos suficientemente buenos (localizables, accesibles, interoperables y reutilizables), que no siempre tienen porque estar relacionados con Big Data. Hay que analizar en cada caso si el análisis no va a ser mejor que con lo que se denominaba small data, es decir, recopilación de datos a pequeña escala, que pueden explicar mejor las preguntas a analizar. O como dice Vet Robirosa (2018): no olvidar la figura del antropólogo, que siempre está entre lo universal y lo particular.
4. No todos los datos son equivalentes: es muy importante analizar el contexto dónde se recogen los datos que se van a tratar. Michael Lindstrom (Blanco, 2016), autor del libro Small data, cree que el Big Data no entiende las circunstancias que hay detrás de los datos. Un ejemplo claro, cuando un paciente llega a un hospital sus circunstancias forman un contexto para ese paciente, que habrá que analizar con los datos que se posean y no obtener conclusiones generales (Elena Gil, 2016 p.58). Esto además plantea unos límites éticos, siguiente punto analizado.
5. Sólo porque los datos sean accesibles, no quiere decir que hacerlo sea ético: se pueden acceder a información publicada en diferentes entornos virtuales, que pueden ser privados y que su utilización conlleve a decisiones poco éticas (¿hasta qué punto una aseguradora médica puede no dar cobertura a una persona por su historial genético?). El ejemplo de la polémica surgida a raíz de la utilización de los datos obtenidos de Facebook por Cambridge Analytica con fines electoralistas, marca el vacío legal existente respecto a la privacidad de los datos y la importancia de configurar una política de protección y privacidad de los datos, sobre todos aquellos que sean personales y que contengan información sobre enfermedades, opiniones políticas, culturales, económicas, etc. Cómo señalan varios autores (Aníbal García, 2018, Bletsas 2014,…), hay que ser conscientes de que cuando un servicio es gratuito, el producto eres tú” y la información generada y su utilización es poco ética.
6. Que el acceso a ciertos datos esté limitado a algunos, puede crear nuevas brechas digitales: hoy en día hay grandes cantidades de datos, pero no todos están disponibles para todo el mundo y no todos pueden participar en ellos. No es lo mismo gestionar grandes cantidades de datos para pequeñas empresas que para las grandes corporaciones. Un camino para paliar en parte brechas digitales es el tomado en por algunas iniciativas: en contraste al Big Data ha surgido el concepto de Open Data, movimiento surgido de la cultura abierta y la cultura de lo procomún, que solicita a los gobiernos e instituciones educativas que sean financiadas con dinero público, que pongan a disposición de todos sus bancos de datos (Jordi Colobrans, 2016).

Nos encontramos inmersos en la gestión de grandes cantidades de datos o Big Data y la sociedad ya tiene señales de los peligros que podemos correr. Se plantean problemas que afectan a la privacidad, a la propiedad, a la propia identidad, a la confianza, la reputación y especialmente a la intimidad (Colmenarejo, 2018). Y la tecnología para la gestión del Big Data junto con los datos a manejar, no dejan de crecer continuamente. Por eso es muy importante señalar la implicación ética en el manejo del Big Data, desconociendo por completo que nuevos problemas pueden surgir y que nuevas huellas dejarán en nuestra sociedad.

Bibliografía:

Anderson, C. (2016) El fin de las teorías: El Diluvio de Datos hace obsoleto al método científico. Recuperado de https://simonjosepulido.wordpress.com/2016/04/10/el-fin-de-las-teorias-el-diluvio-de-datos-hace-obsoleto-al-metodo-cientifico/.

Blanco, J.M. (2016). Hitos del Small Data. Recuperado de https://www.yorokobu.es/small-data-lindstrom/.

Bletsas, M. (2014). Debes saber que si un servicio es gratuito el producto eres tú. Recuperado de: https://www.elmundo.es/economia/2014/11/28/547772eee2704e295e8b457d.html.

boyd, d., & Crawford, K. (2011). Six Provocations for Big Data. A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society. http://dx.doi.org/10.2139/ssrn.1926431.

Colmenarejo Fernández, R. (2018). Ética aplicada a la gestión de datos masivos. Anales de la Cátedra Francisco Suárez, Norteamérica, 52, nov. 2017. Disponible en: http://revistaseug.ugr.es/index.php/acfs/article/view/6553.

Colobrans, J. (2016). De la Brecha Digital en Tiempos de la Open Data. Recuperado de: http://livinglabing.com/?p=770.

Domínguez Figaredo, Daniel and Álvarez, José Francisco and Gil-Jaurena, Inés, Analítica Del Aprendizaje Y Big Data: Heurísticas Y Marcos Interpretativos (Big Data and Learning Analytics: Heuristics and Interpretive Frameworks) (July 22, 2016). DILEMATA, International Journal of Applied Ethics, Vol. 22, p. 87-103, 2016. Available at SSRN: https://ssrn.com/abstract=2846376.

García, A. (2018). Cambridge analytica, el Big Data y su influencia en las elecciones. Recuperado de: https://www.celag.org/cambridge-analytica-el-big-data-y-su-influencia-en-las-elecciones/.

Gil, E. (2016) Big Data, privacidad y protección de datos. Agencia española de Protección de datos. Disponible en: https://www.aepd.es/media/premios/big-data.pdf.

Gutiérrez, M. (2019), Big Data bueno, Big Data malo. Recuperado de: https://www.eldiario.es/tecnologia/big-data-mejores-datos_0_858464989.html.

López-Cantos F (2015): “La investigación en comunicación con metodología BigData”. Revista Latina de Comunicación Social, 70, pp. 878 a 890. http://www.revistalatinacs.org/070/paper/1076/46es.html.

Robirosa, V (2018). ¿Por qué el Big Data no es suficiente? Recuperado de https://mariabarcelona.com/2018/02/02/por-que-el-big-data-no-es-suficiente/.