Solucionismo tecnológico + control + Singularidad como nueva religión + crecimiento exponencial y sin restricciones (como paradigma de progreso) + dinero como moneda única + reduccionismo científico. La fortaleza y evolución de estas ideas serán parte del debate académico y científico de la próxima década y decidirán parte de nuestro futuro, de su legislación y la agenda pública de sociedades e industrias. El dogma “todo lo que el ser humano ha hecho hasta ahora es insignificante a lo que vendrá” es una idea muy atractiva en Silicon Valley. Esta ideología y en este lugar deberían ser un motivo de preocupación, porque se trata del gran cluster global empresarial de la revolución tecnológica. ¿Están preparadas nuestras ciencias sociales para luchar contra el reduccionismo científico? ¿Seguiremos, por ejemplo, haciendo política educativa pública alrededor del conductismo de Skinner?
Joichi Ito -director del MIT Media Lab- considera que el debate debe expandirse. Humildad con la naturaleza versus control es el lema encubierto de Resisting Reduction. Designing our Complex Future with Machines, el Manifiesto abierto de Ito lanzado en noviembre de 2017. “La idea de que existimos por el bien del progreso, y que este progreso requiere de crecimiento exponencial y sin restricciones, es el azote que nos destruye. Las compañías modernas son el producto de ese paradigma en nuestro sistema capitalista de libre mercado (…) El ecosistema de la naturaleza -donde miles de elementos interactúan y responden a la retroalimentación- debería ser el paradigma para el acercamiento a la inteligencia artificial.” El debate no es trivial y Resisting Reduction viene a jugar un espacio de contrapoder. EL MIT Media Lab es uno de los más prestigiosos laboratorios de innovación tecnológica, y Boston es una de las ciudades líderes en investigación científica del mundo. Desde la publicación del Manifiesto hace solo 4 meses, la discusión está muy activa y varios referentes de la cultura digital han hecho su aporte. Joi Ito afirma que “más poder computacional no nos hace más inteligentes, sino más poderosos computacionalmente hablando.” Recomiendo muy especialmente la lectura del Journal of Design and Science del MIT Media Lab, que ha publicado una reciente edición especial sobre Resisting Reduction.
Si gran parte de las decisiones de política social del futuro estará en manos de los algoritmos, debemos poder comenzar a debatir sobre su dimensión. Para Ito, “hoy es más obvio que la mayoría de nuestros problemas de cambio climático, enfermedades crónicas como la obesidad o terrorismo moderno no pueden ser resueltos con mayores recursos económicos o mayor control. Ellos son el resultado de un sistema adaptativo complejo que surge como consecuencia de los desafíos ya resueltos del pasado.(…) somos partícipes de múltiples sistemas evolutivos de diferentes tamaños y escalas, desde nuestros microbios hasta la especie en su conjunto.” Las matemáticas pasaron a través de los algoritmos de ser un conocimiento que se extrae del mundo a ser un conocimiento que configura el mundo. ¿Será que algunos algoritmos nos mienten? No exactamente. Adquieren el sentido de verdad pero solo son una interpretación más del mundo. Los algoritmos no pueden librarse de los prejuicios de sus diseñadores. En TED2017, Cathy O’Neil cuestiona la creencia a ciegas en los datos, señalando que “los científicos de datos no deberían ser los árbitros de la verdad, sino los traductores de las discusiones que ocurren”. Para la autora del muy crítico libro Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy (2017), “un algoritmo necesita dos cosas: datos del pasado y una noción de éxito o verdad que deseamos.” Pero ¿quién define la noción de éxito?, se pregunta Cathy O’Neil.
Nos propusimos mover este debate hacia el mundo de la educación. Junto a Cristóbal Cobo comenzamos en este 2018 a estudiar y escribir sobre el tema de cara a promover un debate entre gestores de la educación pública en Iberoamérica. Se trata de acotar el voto de confianza al learning analytics en la toma de decisiones sobre políticas educativas. ¿Qué datos vamos a recolectar del ecosistema de la educación pública y para qué? Creemos necesario utilizar algoritmos predictivos en la escuela pública, para medir y tomar mejores decisiones institucionales, de procesos de aprendizaje y seguimiento a los estudiantes. Pero el corazón del debate es: ¿Cómo hacerlo de manera eficiente, con datos abiertos, sin iniciar una nueva fase de acumulación de datos y posterior uso privado y cerrado de los mismos?
En un próximo ensayo analizaremos los pro y contras de las decisiones en la captación y uso de los grandes volúmenes de datos en la educación pública. También cómo ejecutar una gestión de datos a baja escala como prototipo en Latinoamérica y sin que requiera grandes inversiones de recursos financieros y operacionales. Proponemos incorporar analítica de datos de vanguardia pero con mirada inclusiva y crecimiento orgánico, capitalizando las lecciones de humildad versus control que propone Joi Ito. Si bien necesitamos de un debate mayor e interdisciplinario entre colegas del mundo de la educación, quizás la solución sea generar sistemas seguros para no expertos -directores y profesores de escuelas públicas iberoamericanas-, que permita: a) poseer datos encriptados con blockchain; b) transparentar los algoritmos para evitar asimetrías de la información, así como para que la gestión de la información pueda escalar de manera ágil y colaborativa.
Como sugiere Stewart Brand en Pace Layering: How Complex Systems Learn and Keep Learning (2018), trabajar la analítica de datos a nivel de capas de relevancia puede ser parte de la solución. Cada capa responde a la capa más cercana pero haciendo resiliente todo el sistema. ¿Cuáles serían las capas del sistema educativo para tomar datos básicos y a largo plazo? Brand trabaja la dualidad rápido/lento de nuestro cerebro. Rápido es discontinuo y llama toda nuestra atención. Lento es continuo y tiene el poder a largo plazo. Todos los sistemas dinámicos tienen esta estructura que los hace robustos y adaptables. Regreso al futuro debate de las ciencias sociales: ¿cómo resistiremos una hipótesis de reduccionismo en la toma de datos del sistema educativo? Continuará…