Ciencia de datos para ciudadanos informados: Aprendizaje en la intersección de la alfabetización informática, la estadística y la justicia social
DOI:
https://doi.org/10.37001/ripem.v14i3.3816Palabras clave:
Alfabetización estadística, Educación en ciencia de datos, Ética de los datos, CiudadaníaResumen
La ciencia de datos como ciencia práctica se ha concebido para abordar problemas tangibles de la ciencia, la tecnología y la sociedad. Educar a los estudiantes en la ciencia de datos va más allá de enseñar algoritmos, habilidades para manipular conjuntos de datos, seleccionar y aplicar análisis adecuados y crear e interpretar representaciones visuales de los datos. También implica suscitar una comprensión crítica de cómo se producen los datos y cómo pueden utilizarse para fines concretos, incluido el papel del contexto en la interpretación de los datos. Hace hincapié en el desarrollo de una conciencia ética de los datos y en la consideración de las implicaciones para la política y la sociedad del uso de potentes algoritmos. La participación en la democracia, en la sociedad digital y de datos de hoy en día, requiere el desarrollo de una serie de competencias transversales que deben fomentarse en las instituciones educativas a través de pedagogías de orientación crítica que entrelazan las habilidades y prácticas técnicas de datos junto con la alfabetización estadística y mediática. Basándose en un análisis de las tendencias y necesidades para proteger los valores democráticos en una sociedad informatizada y en reflexiones proprias sobre las prácticas docentes, este documento ofrece recomendaciones sobre el diseño de cursos de ciencia de datos para formar ciudadanos informados.
Descargas
Citas
Atenas, J., Havemann, L., & Timmermann, C. (2020). Critical literacies for a datafied society: academic development and curriculum design in higher education. Research in Learning Technology. 28: 2468. https://doi.org.10.25304/rlt.v28.2468
Biehler, R., & Fleischer, Y. (2021). Introducing students to machine learning with decision trees using CODAP and Jupyter Notebooks. Teaching Statistics, 43(S1), S133-S142. https://doi.org/https://doi.org/10.1111/test.12279
Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.I. (1984). Classification and regression trees. Belmont, California: Wadsworth.
Dalton, C. M., Taylor, L., & Thatcher, J. (2016). Critical data studies: a dialog on data and space. Big Data and Society. 3 (1), 1–9. https://doi.org/10.1177/2053951716648346
Engel, J. (2017). Statistical literacy for active citizenship: a call for data science education. Statistics Education Research Journal 16(1), 44-49 https://doi.org/10.52041/serj.v16i1.213
Erickson, T., & Engel, J. (2023). What goes before the CART. Introducing classification trees with ARBOR and CODAP. Teaching Statistics, 45, S104–S113.
Finzer, W. (2019). Common Online Data Analysis Platform (CODAP). Concord: The Concord Consortium.
Gould, R. (2021). Towards data-scientific thinking. Teaching Statistics. 43, 11-22.
Helbing, D., Frey, B., Gigerenzer, G., Hafen, E., Hagner, M., Hofstetter, Y., van den Hoven, J., Zicari, R. & Zwitter, A. (2017). Digitale Demokratie oder Datendidaktatur. In: C. Ko?nneker (Ed.), Unsere digitale Zukunft. https://doi.org/10.1007/978-3-662-53836-4_1
Lengnink, K., Meyerhöfer, W. & Vohns, A. (2013). Mathematische Bildung als staatsbürgerliche Erziehung? Der Mathematikunterricht 59 (4), 2-7.
Messy Data Coalition. (2020). Catalyzing K-12 data education: A coalition statement. https://messydata.org/statement.pdf
OECD (2019). OECD Skills Outlook: Thriving in a Digital World. OECD Publishing, Paris. https://doi.org/10.1787/df80bc12-en
O'Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality & Threatens Democracy. Crown Publishing Group.
Osborne, J. & Pimentel, D. (2019). Science, misinformation, and the role of education. Science, Vol 378, Issue 6617, 246-248. https://www.science.org/doi/10.1126/science.abq8093
ProCivicStatPartners (2018). Engaging civic statistics: a call for action and recommendations. A product of the procivicstat project. http://iase-web.org/islp/pcs
Richterich, A. (2018) The Big Data Agenda: Data Ethics and Critical Data Studies. University of Westminster Press, London. https://doi.org/10.16997/book14
Ridgway, J. (2015). Implications of the data revolution for statistics education. International Statistical Review https://doi.org/10.1111/insr.12110/full
Ridgway, J. (2022, Ed.). Statistics for empowerment and social engagement: teaching Civic Statistics to develop informed citizens. Springer.
Schield, M. (2004). Information Literacy, Statistical Literacy and Data Literacy. IASSIST Quarterly 28(2), 7-14. https://doi.org/10.29173/iq790
Schüller, K., Koch, H. & Rampelt, F. (2021). Data-Literacy Charta. https://www.stifterverband.org/data-literacy-charter
Shin, T. (2020). Real-life Examples of Discriminating Artificial Intelligence. Towards Data Science https://towardsdatascience.com/real-life-examples-of-discriminating-artificial-intelligence-cae395a90070
Silva, T. (2022). Racismo Algorítmico: inteligêcia artificial e discriminação nas redes digitais. Sesc Edições SP
Smith, H. (2020). Algorithmic bias: should students pay the price? AI & SOCIETY, 35(4), 1077– 1078. https://doi.org/10.1007/s00146-020-01054-3
Van Es, K. & Schäfer, M. T. (Eds). (2017) The Datafied Society: Studying Culture through Data. Amsterdam University Press. http://library.oapen.org/handle/20.500.12657/31843
Wolfram, C. (2020). The math(s) fix: An education blueprint for the AI age. Wolfram Media
Publicado
Cómo citar
Número
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
