Retos para la alfabetización de datos en la educación superior
0 recomendaciones12 vistas
El documento aborda los retos de la alfabetización de datos en la educación superior, destacando la necesidad de competencias específicas en la recopilación, gestión, evaluación e interpretación de datos. Se menciona el uso de diversas herramientas y la integración de nuevas materias relacionadas en los planes de estudio para mejorar la formación de los estudiantes. Además, se plantean cuestiones sobre la gestión del cambio y la ética en el análisis de datos, así como la importancia de fomentar la ciencia abierta en la práctica docente.
Más contenido relacionado
Similar a Retos para la alfabetización de datos en la educación superior (20)
Más de Universitat de Barcelona (20)
Retos para la alfabetización de datos en la educación superior
- 1. Retos para la alfabetización de datos en la educación superior Puentes entre ciencia abierta y praxis docente Grupo de Investigación Edul@b - Estudios de Psicología y Educación (UOC) Ernest Pons ([email protected])
- 2. Introducción “Dato“ según la Real Academia Española: Información sobre algo concreto que permite su conocimiento exacto o sirve para deducir las consecuencias derivadas de un hecho (informática) Información dispuesta de manera adecuada para su tratamiento por una computadora. “Data“ según el Cambridge Cambridge Advanced Learner's Dictionary & Thesaurus: Information, especially facts or numbers, collected to be examined and considered and used to help with making decisions. Information in an electronic form that can be stored and processed by a computer.
- 3. Algunos tópicos y algunos menos tópicos Sobre cantidad de datos Sobre cantidad de datos Sobre la capacidad de gestionar estos datos Sobre la capacidad de gestionar estos datos Sobre el valor de estos datos Sobre el valor de estos datos Sobre las herramientas utilizadas Sobre las herramientas utilizadas Sobre el rol de la educación superior Sobre el rol de la educación superior
- 4. Herramientas utilizadas Estamos asistiendo a un intenso proceso de especialización y diversificación: Software estadístico (ej. SPSS...). Lenguajes de programación (ej. Phyton..). IDE de programación (ej. Eclipse,...). Notebooks (ej. Jupyther,...). Exploradores (ej Graphext,....). Dashboards (ej.Tableau,...). Visualizadores (ej. Datawrapper...). Storytelling (ej. Shorthand...). APIs, BOTs, Bibliotecas JavaScript, repositorios de código abierto, .....
- 5. Sobre el rol de la educación superior Algunas evidencias sobre la situación actual (usando UB como ejemplo): Estudios (itinerarios dobles) de Grado / Máster: 61 (+16) / 104 Estudiantes de Grado / Máster (curso 20-21): 38530 (+1408) / 4516 % Planes de estudios con asignaturas relacionadas con data literacy (?) (Grado): 79,2% % Estudiantes .... (Grado): 79,7% Herramientas utilizadas: ??? Competencias: ??? % Asignaturas en que el título incluye la palabra “estadística“: 89,8%
- 6. Propuesta de clasificación de competencias A. Obtención de datos A. Obtención de datos B. Gestión B. Gestión C. Evaluación C. Evaluación D. Interpretación D. Interpretación Una propuesta de clasificación de competencias
- 7. Competencias: 1. Recopilación y exploración de datos, identificando las fuentes y la utilidad de la información. 2. Evaluación crítica de la fiabilidad y calidad de los datos, identificando posibles errores o problemas. A. Obtención de datos
- 8. Competencias: 3. Organización de datos acorde con los objetivos y requerimientos institucionales. 4. Tratamiento para la identificación de errores, anomalías, outliers, etc... 5. Conversión de datos a los distintos formatos necesarios para los diferentes usos: análisis, investigación, difusión, etc.. 6. Definición, y utilización de metadatos. 7. Curación de la información para su reutilización y aseguramiento de requisitos de calidad (acceso, seguridad, propiedad, integridad, etc..). 8. Almacenamiento y preservación de los datos. B. Gestión de datos
- 9. Competencias: 9. Identificación y seleción de la técnica o método adecuado. 10. Aplicación de los métodos y técnicas hasta alcanzar conclusiones. 11. Utilizar los datos para identificar preguntas clave. 12. Aplicacións de los métodos más adecuados en cada caso de visualización de datos. 13. Presentación de los datos de manera clara, comprensible, rigurosa y coherente. 14. Transformación de los datos en información comprensible para la toma de decisiones. C. Evaluación de datos
- 10. Competencias: 15. Aplicar el espíritu crítico en el proceso de análisis de datos. 16. Aplicación responsable de los métodos y técnicas de acuerdo con los principios de transparencia, honestidad y rigor. 17. Cumplir los principios legales y éticos. 18. Aplicar los métodos de citación de fuentes y datos. 19. Compartir los datos.. 20. Toma de decisiones basada en datos. D. Interpretación de datos
- 11. Sobre la introducción de las competencias asociadas al #dataliteracy Introducción de nuevas competencias. Introducción de nuevas materias en los planes de estudios. Modificación del contenido de las materias/asignaturas. Sobre los equipos docentes Relevo generacional. Formación de formadores. Introducción de nuevos roles. Sobre la estrategia institucional #opendata #openscience Dudas sobre la mejor gestión del cambio
- 12. La mayor permeabilidad de las fronteras académicas entre materias. Los nuevos modelos de computación. Los aspectos éticos del análisis de datos y la inteligencia artificial. La urgente necesidad de una filosofia política aplicable al mundo virtual. Algunas consideraciones adicionales para el debate
- 13. ¡¡¡ Muchas gracias !!! Puentes entre ciencia abierta y praxis docente Grupo de Investigación Edul@b - Estudios de Psicología y Educación (UOC) Ernest Pons ([email protected])