7: Aprendiendo con Colectivos

Diferentes significados de Colectivo

La palabra “colectivo” puede suscitar muchas asociaciones de pérdida de identidad personal. Hay algo amenazante en la pérdida de individualidad asociada a la mente colmena o al colectivo ficticio Borg, por supuesto que se amplifica cuando se elimina la elección humana de participar, como se ejemplifica en la afirmación de los Borg, “La resistencia es inútil”. Sandberg (2003) explora este concepto, dibujando analogías desfavorables entre las mentes colmenas y las de los humanos, donde los beneficios del superorganismo están disponibles sólo para quienes han renunciado a su individualismo. Turchin y Joslyn en su Manifiesto Cibernético describen de manera similar los metassistemas que se crean “cuando se integran una serie de sistemas para que surja un nuevo nivel de control” (1989, párr. 5). Demuestran que estos sistemas de control superior se han desarrollado desde el control del movimiento, pasando por el control del pensamiento individual hasta el surgimiento de la cultura humana. Nuevamente, no nos gusta la connotación coercitiva de la palabra control, pero reconocemos que a medida que la vida se ha convertido en entidades más complejas, los metassistemas son necesarios para la supervivencia. No obstante, no hay razón para que un colectivo humano subsume a sus participantes. Crece como resultado de sus actividades, en principio no quitando nada a los individuos que la forman. Vemos la actividad colectiva de una manera más parecida a la de las herramientas donde se ejerce una agencia individual para explotar una asequibilidad proporcionada por las herramientas colectivas. Nos damos cuenta de que las actividades en el ciberespacio son constantemente extraídas y compartidas a altas velocidades, y que existe un gran riesgo de quedar enredadas en una sola cosmovisión, o atrapadas en una cámara de eco como víctima de una burbuja de filtro (Pariser, 2011). Pero no creemos que esto implique más pérdida de control que lo que le damos a un ingeniero de tránsito o a un reportero de tránsito de una emisora de radio contando el número de vehículos que utilizan una intersección en un momento dado. En efecto, es menos controlador porque todo Internet está a solo una URL de distancia, y no necesitamos usar esa intersección para llegar allí. A medida que Internet se enruta ingeniosamente alrededor de nodos dañados, el conocimiento de la actividad colectiva y la posibilidad nos ayuda a tomar decisiones individuales. Un colectivo es una suma, no una resta.

Por supuesto, el colectivo puede y muchas veces comete errores, y vemos evidencias de pensamiento grupal, proliferación de memes erróneos o calumniosos, burbujas filtrantes que agotan ideas incómodas, cámaras de eco que amplifican ideas mundanas o incluso malas, dependencias de caminos, apego preferencial, sesgos de confirmación y más, sin mencionar la extracción ilegal o inmoral de la actividad individual e identificable de actividades colectivas. Hay peligros potenciales en la creación colectiva que deben abordarse a través de un diseño cuidadoso, y los discutiremos en mayor profundidad, pero tales debilidades no son estrictamente características de los colectivos: el mal uso y las ineficiencias acompañan a todas las formas de organización humana. Se debe juzgar el valor del uso de la herramienta en comparación con estos costos, y los colectivos de los que hablamos son herramientas, no mentalidades. Aunque, como nos recuerda una cita atribuida a Marshall McLuhan (1994), “damos forma a nuestras herramientas, y a partir de entonces nuestras herramientas nos dan forma” (p. xi), necesitamos práctica y tiempo para desarrollar el uso de herramientas de manera que nos permita optimizar nuestro yo individual y social en un universo complejo. La resistencia puede no ser inútil, pues en la resistencia recreamos las tecnologías para satisfacer nuestras necesidades individuales y sociales.

Muchos autores han intentado lidiar con lo que define la inteligencia colectiva, pero de formas que se apartan significativamente de nuestro uso. Malone, Laubacher y Dellarocas (2009) describen un conjunto de patrones de diseño para diferentes formas de inteligencia colectiva de las que el Colectivo mismo, tal y como lo definimos, es solo uno. Para muchos, la inteligencia colectiva es el resultado de la combinación de comportamientos coordinados que representan la capacidad de un grupo para resolver problemas más grandes y complejos, o para resolver problemas más simples de lo que podría hacerlo un solo individuo. Howard Bloom, por ejemplo (2000, pp. 42—44), enumera cinco elementos esenciales para este tipo de inteligencia grupal exitosa:

• Ejecutores de la conformidad: mecanismos para garantizar la similitud entre los miembros
• Generadores de diversidad: mecanismos para asegurar algunas diferencias
• Jueces internos: mecanismos que permiten a los individuos tomar sus propias decisiones
• Cambiadores de recursos: mecanismos para recompensar el éxito y castigar el fracaso
• Torneos intergrupos—concursos entre subgrupos.

La noción de Howard Bloom del colectivo es a la vez más amplia que la nuestra, y más estrecha. Más amplio, porque ve la inteligencia colectiva como un efecto combinatorio de muchos individuos coordinados intencionalmente, en los que la tecnología puede desempeñar sólo un papel de apoyo. Más estrecho, porque su preocupación es aprovechar los procesos grupales convencionales para lograr un buen resultado. En el campo de la cognición distribuida se proporciona una forma ligeramente diferente de ver la inteligencia colectiva. Esto se refiere de manera similar a una forma de inteligencia colectiva que se difunde entre muchos, incluidos los artefactos que crean: la cognición necesariamente ocurre con otros como resultado de los objetos y herramientas compartidos que utilizamos, y en las diferentes habilidades y habilidades de las personas que trabajan y aprenden juntas. Estas definiciones son convincentes, pero difieren de nuestro uso más limitado del término ya que se refieren a formas en que consideramos que la inteligencia colectiva se propaga entre los individuos y sus artefactos, no como un agente distintivo en sí mismo. No solo nos preocupa la inteligencia colectiva como forma de cognición distribuida, sino de entidades individuales distintivas. Es por ello que los llamamos “colectivos” en lugar de “inteligencia colectiva”. Estamos tratando los comportamientos combinados de las multitudes como objetos identificables que por derecho propio encarnan una especie de inteligencia colectiva.

Definiendo el Colectivo

Los colectivos son entidades compuestas por los efectos agregados de las actividades de las personas en grupos, conjuntos y redes. En el mundo natural y humano, los colectivos son comunes. Son actores emergentes, distintos formados a partir de múltiples interacciones locales entre partes individuales, ya sea directamente o mediadas a través de signos, sin control de arriba hacia abajo. Por ejemplo, las hormigas dejan un rastro de feromonas al regresar al nido con alimento, y actúan como guía del alimento para otras hormigas, que dejan sus propios senderos de feromonas a su vez, reforzando así el rastro y atrayendo a otras hormigas hasta que se acabe la comida, cuando el rastro se evapora (Bonabeau, Dorigo, & Theraulaz, 1999). Lo colectivo es la combinación de interpretaciones de hormigas de las señales que dejan y esas señales, que conducen al comportamiento autoorganizativo del todo que es distinto del comportamiento de un solo individuo. De igual manera, una multitud reunida en una calle actúa como un imán para que los individuos se unan a la multitud, lo que a su vez aumenta la atracción de la multitud. El comercio de divisas, acciones o acciones influye recíprocamente en el mercado de esos artículos, fomentando la compra o venta por parte de otros, lo que a su vez afecta los comportamientos de quienes iniciaron la acción y los que siguen. No son únicamente las acciones de los individuos las que afectan a otros individuos, sino los patrones emergentes dejados por las múltiples interacciones de muchos los que engendran cambios en el comportamiento de individuos solteros. Cada individuo interactúa con un solo colectivo del que forma parte.

Los colectivos pueden ser creados y mediados intencionalmente: por ejemplo, cuando un maestro pide que se alcen las manos, o los votantes votan en una elección, las decisiones individuales son agregadas por alguna autoridad central y a su vez influyen en las decisiones posteriores de quienes conforman la multitud. Esto puede, por ejemplo, ayudar a balancear a los votantes indecisos de una manera u otra en una elección. En el ciberespacio, un colectivo suele ser este tipo de ciberorganismo intencionalmente diseñado, con una computadora o computadoras recopilando y procesando los comportamientos de muchas personas. Dichos colectivos se forman a partir de las acciones intencionales de personas vinculadas algorítmicamente por el software y se hacen visibles a través de una interfaz humano-computadora. Está compuesta parcialmente por software y máquinas, parcialmente por los comportamientos individuales y cogniciones de los seres humanos. Es importante distinguir el papel del mediador en tal colectivo de una inteligencia artificial independiente. Por ejemplo, un motor de búsqueda que devuelve resultados basándose únicamente en palabras o agrupaciones de palabras no está mediando en las acciones de una multitud: es simplemente procesar información. Sin embargo, si ese motor de búsqueda utiliza señales explícitas o implícitas de sus usuarios o preferencias que están implícitas por los enlaces en las páginas web —como el PageRank de Google— entonces está haciendo uso de las acciones agregadas de muchas personas para influir en los que siguen: es un colectivo. Se puede ver como un sustrato para la interacción más que una máquina de procesamiento. Si bien fenómenos naturales como los rastros de hormigas y los montículos de termitas están utilizando las propiedades físicas del mundo, las computadoras nos permiten manipular la física de la interacción y crear nuevas formas de agregar y procesar lo que la gente ha hecho, extendiendo en gran medida las posibilidades adyacentes.

Los grupos, conjuntos y redes se definen por membresía, puntos en común y relaciones entre personas que suelen compartir un interés común. Los colectivos no implican ninguna relación social con otras personas identificables en absoluto, a menos que las relaciones sociales pasen a jugar un papel en lo que se está combinando. Un colectivo se comporta como un agente individual distinto: no interactuamos con sus partes sino con el todo, a lo que nuestras propias acciones pueden contribuir. Un colectivo se convierte así en una entidad distinta y activa dentro de un sistema, con dinámicas y comportamientos propios que no necesariamente son los mismos que aquellas acciones de los individuos que lo causaron.

Colectivos como Tecnologías

La mayoría de los colectivos humanos pueden ser pensados como cyborgs, compuestos por partes humanas y un conjunto de procesos y métodos para combinarlos que son, ya sea promulgados en la cabeza de las personas o mediados a través de una computadora, de naturaleza profundamente tecnológica. Por más que los grupos, los colectivos se definen por las tecnologías que los ensamblan. Así como un grupo es inconcebible sin los procesos y métodos que lo constituyen, un colectivo es inconcebible sin un algoritmo (un conjunto de procedimientos) promulgado para hacerlo emerger. Si bien un algoritmo es esencial, esto no implica necesariamente una base tecnológica para todos los colectivos: abundan los colectivos naturales, como bandadas de aves, rebaños de ganado, enjambres de abejas y nidos de termitas que no son asistidos por ninguna tecnología, al menos no sin estirar el definición de “tecnología” más allá de los límites que normalmente reconocemos. Sin embargo, cuando un algoritmo se promulga como una pieza de software, como es el caso en la mayoría de los colectivos del ciberespacio, el colectivo es parte máquina, parte multitud.

Algunos Corolarios del Colectivo

De nuestra definición de colectivo, se deduce que

• Alguien o algo tiene que realizar la agrupación de acciones que conforman el colectivo. Esto puede ser distribuido entre la colección de individuos, o centralizado por un individuo o máquina.
• El subconjunto de acciones específicas a observar debe ser elegido por alguien (o alguna colección de personas, o por una máquina) del rango de todas las acciones posibles.
• Lo que se hace con los comportamientos agregados o parcelados tiene que seguir una o más reglas y/o principios: se utiliza un algoritmo para combinarlos y procesarlos.
• El resultado tiene que presentarse en una forma que influya en las acciones de los individuos (que pueden o no haber contribuido a las acciones originales). Si no fuera así, entonces el colectivo no tendría agencia dentro del sistema, y tendría poco sentido crearlo en primer lugar.

Ilustramos el colectivo gráficamente en la figura 7.1. Tenga en cuenta que los componentes individuales del colectivo pueden ser personas, máquinas, o ambos, en cada etapa del proceso.

Figura 7.1 Un modelo de cómo se forma un colectivo.

Un colectivo a menudo implica un bucle de retroalimentación de interacciones mediadas y transformadas. Los comportamientos de los individuos son

• Capturado (por observación o por mediadores tecnológicos como computadoras o coleccionistas de votos) Procesado y transformado por algoritmos (que pueden ser aplicados por esos individuos o por algún otro agente, humano o máquina) y
• Alimentado o exhibido más o menos directamente a aquellos y potencialmente otros individuos que, a su vez, afectan sus comportamientos.

Una computadora puede o no estar involucrada con alguna parte de ese continuo. Significativamente, es posible que todo el procesamiento y presentación necesarios que impulsen el sistema sean facetas de la cognición y el comportamiento de los individuos, como vemos en la formación de multitudes en una calle. Cada individuo toma una decisión, formando el agregado una multitud, que a su vez actúa como una recomendación para unirse a la multitud, impulsando así su propio crecimiento. La multitud es a la vez una señal y el resultado de esa señal. Igualmente, incluso cuando un colectivo es mediado, el cómputo y la presentación pueden ser realizados por un agente humano: un maestro que recolecta y suma una mano alzada en un aula para permitir que los alumnos elijan entre una de dos opciones, por ejemplo, está utilizando la inteligencia colectiva para afectar su comportamiento. La decisión que toma un maestro no se basa en el diálogo con un individuo sino con el conjunto completo que él o ella agrega, para que toda la clase se convierta en un agente de toma de decisiones. A veces se combinan tanto humano como computadora.

Las personas y/o máquinas pueden realizar el modelado y filtrado. Esto puede ocurrir en varios puntos de un continuo:

1. Durante la selección de acciones relevantes es probable que se produzca el filtrado, donde la máquina (controlada por un programador) decide qué acciones registrar a partir de qué personas.
2. Durante el procesamiento, donde la máquina asigna prioridad o relevancia para producir clasificaciones y/o reducir el número de resultados devueltos.
3. Durante la presentación, donde la máquina filtra los elementos mostrados o da forma a la forma de la pantalla para que algunos sean más prominentes que otros (por ejemplo, a través de énfasis visual, orden de lista o colocándolos en diferentes puntos de una red de navegación o jerarquía).

Porque un colectivo puede ser visto como un agente individual, entonces recursivamente, es posible tratar a uno como parte de otros colectivos. Por ejemplo, cuando un colectivo como Delicious, CoFind (Dron, Mitchell, Boyne, et al., 2000) o Knowledge Sea (Farzan & Brusilovsky, 2005) se utiliza para agregar enlaces que apuntan a otros sitios en una sola página, esa página es tratada por Google Search (un colectivo) de manera muy similar a una que se ha creado por una persona individual. Esta recursión puede alcanzar una profundidad considerable.

Colectivos estigmérgicos

El término “estigmergia”, de las palabras griegas para signo y acción, fue acuñado por el biólogo Pierre-Paul Grassé para describir el comportamiento de construcción de nidos de las termitas y otros sistemas naturales donde los signos indirectos o directos dejados en el ambiente influyen en el comportamiento de quienes siguen, conduciendo a la autoorganización comportamiento.

Muchos sistemas colectivos son estigmérgicos, y en la naturaleza ofrecen muchas ventajas. La estigmergia fomenta acciones e ideas que colectivamente permiten la realización de “una actividad de resolución de problemas que excede el conocimiento y el alcance computacional de cada miembro individual” (Clark, 1997, p. 234). La estigmatización se puede ver en muchos sistemas, desde los mercados monetarios (donde el dinero es la señal), hasta la anidación en hormigas (donde la falta de orden es la señal). Está plagado en el ciberespacio, influyendo en los resultados de búsqueda devueltos por Google, por ejemplo (Gregorio, 2003), y es la base de los sistemas educativos que emplean la navegación social (por ejemplo, Dron, 2003; Dron, Boyne, & Mitchell, 2001; Farzan & Brusilovsky, 2005; Kurhila, Miettinen, Nokelainen, & Tirri, 2002; Riedl & Amant, 2003), permitiendo a los usuarios tomar conciencia de las acciones, intereses, categorizaciones y calificaciones de otros.

Muchos sistemas que recopilan y muestran contenido generado por el usuario tienen algunas características estigmérgicas mediante las cuales los individuos son influenciados por los comportamientos recopilados del conjunto. Por ejemplo, los usuarios están influenciados por las calificaciones o el número y la profundidad de las publicaciones en un foro, o por el número de visitas de cambios en la página principal de un sitio social. En cada caso, el sistema proporciona una interfaz que muestra algún aspecto del comportamiento de la multitud, lo que a su vez afecta el comportamiento futuro de los individuos que componen la multitud.

Colectivos no estigmérgicos

Si bien es muy común en las aplicaciones colectivas, la estigma no es una característica definitoria de un colectivo, o al menos, no de manera directa y directa. Existe una variación sobre el tema que es tan útil y de alguna manera superior a la forma dinámica autoorganizativa en la que se extraen las elecciones y decisiones de una multitud, aplicando principios similares a otros colectivos para identificar alguna decisión, tendencia o cálculo. Dichos sistemas se basan casi todos en torno al uso de conjuntos, porque los que están en grupos y redes suelen estar mucho más conscientes de las acciones de los demás y están influenciados por ellas. Ejemplos clásicos del género son los sistemas de recomendación y los filtros colaborativos que hacen uso de acciones o preferencias minadas independientemente para identificar intereses o necesidades futuras. Esto es positivo porque como señaló Surowiecki (2004), las multitudes solo son sabias cuando desconocen lo que está haciendo el resto de la multitud. Por definición, los sistemas estigmérgicos rompen esta regla, al menos de cara a ella. Hay pruebas convincentes de que la afirmación de Surowiecki es cierta. Los desastrosos efectos estigmérgicos fuera de control que corre el banco de combustible, donde la gente que retira dinero sirve como señal para que otros sigan su ejemplo, muestran con demasiada claridad la posible desventaja de que las personas estén conscientes de las acciones de los demás. De manera similar, Salganik, Dobbs y Watts, (2006) muestran que cuando la gente puede ver las elecciones que otros han tomado para calificar canciones en una lista, altera profundamente las listas generales: la influencia social en su estudio hizo que los resultados de las listas fueran irreconociblemente diferentes en comparación con las elecciones independientes, y cuando se comparan con elecciones individuales, los rankings son menos satisfactorios para todos los interesados. Sin embargo, esta no es una ecuación del todo simple.

El autor Dron realizó un estudio para explorar la influencia de las elecciones de otros en el comportamiento que mostró una mezcla de comportamientos desde la copia hasta la toma de decisiones racionales, y hasta la obtusinidad deliberada en la selección de elementos que fueron lo más diferentes posible de los ítems seleccionados por otros (2005a). En su momento, tales efectos parecían sorprendentes: el comportamiento esperado era que la gente generalmente tomara peores decisiones copiando a los que vinieron antes, no evitar deliberadamente tal comportamiento. Estos resultados son, sin embargo, corroborados por otras investigaciones. Ariely (2009), por ejemplo, descubrió que los comportamientos de orden de cervezas de los individuos en un grupo, a diferencia de los individuos independientes, eran significativamente diferentes. En este experimento, los participantes mostraron una tendencia a ordenar deliberadamente de manera diferente a sus compañeros, a pesar de que su preferencia sin tal influencia podría haber sido por una cerveza que ya había sido ordenada. Si bien la influencia de las personas anteriores puede sesgar los resultados de las decisiones colectivas para que sean, en el mejor de los casos, solo tan buenas como el primer contribuyente, las elecciones independientes agregadas son mucho más exitosas para obtener sabiduría de la multitud.

Tenemos una tendencia a ser influenciados por decisiones que vinieron antes, ya sea positiva (las seguimos) o negativamente (deliberadamente no las seguimos). Esto se evidencia claramente en sitios sociales como Twitter, donde se promueve lo que es “trending” o más popular, lo que lleva a veces a grandes oleadas de interés viral. Sin embargo, como ya hemos observado, esto puede ser problemático. Hay algunas soluciones simples, sin embargo, que no limitan la sabiduría de la multitud sino que aún aportan los beneficios de la adaptación y el cambio dinámico que genera un bucle de retroalimentación. El más efectivo de estos es el más simple: introducir el retraso en el bucle de retroalimentación (Bateson, 1972). Si una multitud no sabe lo que está pensando el resto de la multitud, entonces es mucho más fácil que sea sabio. Esto es evidente cuando los resultados de las encuestas se muestran como un incentivo para votar, pero solo después de ingresar las preferencias de uno. Flickr aprovecha esto a la hora de suministrar nubes de etiquetas para el día anterior, la semana anterior y en general: las nubes de etiquetas recientes rara vez son valiosas, aunque ocasionalmente pueden mostrar el zeitgeist de la multitud. Pero a medida que se arrastra el retraso, proporcionan clasificaciones más relevantes y potencialmente útiles.

Si bien muchos colectivos no son directamente estigmérgicos, la estigmergia puede, no obstante, volver a entrar en escena cuando los resultados se devuelven a los individuos. Google, por ejemplo, mina evaluaciones implícitas independientes de sitios web, pero debido a que juega un papel tan destacado en ayudar a las personas a encontrar páginas de interés, es más probable que las páginas que aparecen en la parte superior de los resultados de búsqueda estén vinculadas, reforzando así la posición de las que ya están éxito de manera estigmérgica.

Libertades cooperativas en el aprendizaje colectivo

Si bien lo colectivo no es en sí mismo una forma social, y por lo tanto no es directamente comparable a los modos de aprendizaje individuales, grupales, netos y establecidos (se basa en esas formas sociales para existir en absoluto), existen algunos beneficios distintos que surgen de su uso efectivo. Más notablemente, aunque a menudo heredará las limitaciones de su (s) forma (s) social (s) matriz (s), puede ser un llenador de huecos, agregando libertades que podrían haber estado indisponibles en las otras formas sociales. No presentamos nuestro diagrama habitual de libertades cooperativas para lo colectivo, porque depende enteramente del tipo involucrado, sino que describimos algunas de las formas en que los colectivos contribuyen, o en raras ocasiones, restan valor a las libertades cooperativas.

Tiempo

Los colectivos tienden a heredar las limitaciones de las formas sociales en las que surgen. Por ejemplo, aquellos que emergen en contextos inmersivos y otros contextos sincrónicos tienden a aparecer en tiempo real, aunque las herramientas basadas en la línea de tiempo pueden agregar riqueza adicional a tales experiencias y, si se registran, pueden agregar capas a las interacciones originales, por ejemplo, mostrando patrones que pueden haber ocurrido dentro del interacciones originales de participantes anteriores. Donath, Karahalios y Viegas (1999), por ejemplo, utilizaron esto con buenos resultados en el sistema estigmérgico de ChatCircles, que de otra manera estaba limitado a dinámicas en tiempo real. De igual manera, cuando emergen de las herramientas de discusión, pueden destilar o extraer patrones de ellas. Por ejemplo, uno de los primeros filtros colaborativos utilizados para el aprendizaje, PHOAKS (People Helping One Another Know Stuff), proporcionó sus recomendaciones minando foros de discusión para enlaces a recursos, y los utilizó como recomendaciones implícitas a otros (Terveen, Hill, Amiento, McDonald, & Creter, 1997), permitiendo así la libertad de tiempo para relacionarse con el sistema por separado de la discusión real que los generó.

Lugar

Al igual que con todas las herramientas en red, los colectivos proporcionan pocas limitaciones en la ubicación en la que puede ocurrir el aprendizaje, excepto donde emergen en tiempo real de multitudes colocadas.

Contenido

La libertad de contenido depende en gran medida de la forma que tome el colectivo. Muchos son utilizados como recomendadores de personas o contenido, sugiriendo una variedad de alternativas que reducen las opciones que se pueden tomar. El efecto de esto puede ser muy grande y siempre es significativo: las posibilidades de que un usuario haga clic en uno de los dos primeros elementos presentados por la Búsqueda de Google, por ejemplo, son muchas veces mayores de lo que son para él o ella haciendo clic en el último elemento de la página, incluso cuando los resultados son manipulados deliberadamente para mostrar el” peores” opciones primero (Joachims, Granka, Pan, Hembrooke, & Gay, 2005). Curiosamente, sin embargo, las posibilidades de que el usuario haga clic en recursos de rango medio son incluso menores que para hacer clic en el último elemento de una página. Cuando confiamos en el colectivo, la creencia en su precisión frecuentemente anula incluso nuestros propios juicios de calidad (Pan et al., 2007). En algunos casos, como cuando un usuario hace clic en “Me siento afortunado” en una búsqueda de Google, puede que no haya ninguna opción presentada. Por supuesto, debemos recordar que el usuario siempre es libre de buscar en otro lugar o por algo diferente. Todavía no tenemos conciencia de ningún colectivo que se utilice de manera coercitiva; su papel es siempre de persuasión.

Delegación

La capacidad de delegar el control a un colectivo depende del contexto. En muchos sentidos, aceptar una recomendación o permitir que un colectivo dé forma a un entorno de información es delegar intencionalmente el control a alguien o a otra cosa. Sin embargo, el contexto típico de uso colectivo en los sistemas actuales es el del alumno autoguiado que ha tomado una decisión activa de utilizar el colectivo. Hasta el momento, se han realizado pocos intentos de utilizar colectivos para dar forma a todo un viaje de aprendizaje, y los que lo han intentado no lo han logrado.

Relación

Aparte del uso de colectivos para recomendar personas o dar forma al uso del diálogo, los colectivos tienen muy poco efecto en la libertad de relación. Sin embargo, debido a que un colectivo es un agente activo similar a un humano en términos de su comportamiento, a menudo es posible involucrarse más o menos plenamente con el propio colectivo. Por lo general, se da información al colectivo para que éste brinde mejor información o asesoría. Por ejemplo, cuanta más información tenga sobre ti, más Google te dará resultados personalizados y precisos si estás conectado como usuario de Google, (es decir, es más probable que dé los resultados que buscas). Del mismo modo, muchos filtros colaborativos utilizan calificaciones y/o preferencias explícitas (por ejemplo, MovieLens o Netflix para películas, Amazon para libros) para mejorar la precisión de sus predicciones de lo que te puede gustar.

Mediano

Por regla general, los colectivos son neutrales a medios: pueden o no imponer restricciones a los medios utilizados y, como ya hemos observado, suelen ser utilizados en un contexto donde el alumno tiene control sobre si y qué colectivos se utilizan para el aprendizaje.

Tecnología

Muchos sistemas colectivos funcionan igual de bien en diversas plataformas tecnológicas. Nuevamente, sin embargo, los detalles dependen del contexto preciso de uso: un sistema que utiliza la propia ubicación, por ejemplo, está limitado a usos donde la tecnología pueda proporcionar esa información.

Método

Una vez más, el contexto determina si los colectivos ofrecen una opción de método. Debido a que son utilizados principalmente por estudiantes independientes, la elección del método depende más del alumno que de la herramienta. Los colectivos en su conjunto actúan como maestros controlables, permitiendo que el alumno elija el método que más le convenga. Muy pocos colectivos existentes aplican alguna pedagogía intencional, y esta es un área que demanda mayor investigación.

Pace

Hay pocas ocasiones en las que el ritmo marca la diferencia al usar un colectivo para el aprendizaje, aunque a veces hay limitaciones debido al tiempo que puede tomar un colectivo para obtener un conocimiento suficientemente rico tanto de individuos como de multitudes para brindar ayuda útil. La gran mayoría de los sistemas colectivos sufren un problema de arranque en frío: solo ofrecen valor cuando se ha capturado un número suficiente de acciones, por lo que hasta entonces, no hay razón para utilizarlos, lo que crea dificultades para que obtengan números suficientes para empezar. La mayoría de los sistemas tratan esto haciendo uso de información previamente compartida (por ejemplo, Google extrae enlaces de sitios web, PHOAKS extrae publicaciones en Usenet News, Facebook usa EdgeRank y Delicious usa marcadores del navegador), información de otros dominios (por ejemplo, los “me gusta” de libros de Amazon pueden usarse para identificar personas similares en para recomendar películas), o mediante el uso de conjeturas automatizadas basadas en similitud de contenido o aproximaciones de datos estadísticos para proporcionar recomendaciones razonables antes en el desarrollo del sistema cuando no hay suficientes datos de multitudes.

Divulgación

Para que cualquier colectivo trabaje en absoluto, se requiere alguna divulgación de acciones. Sin embargo, en la mayoría de los colectivos mediados, esto es esencialmente anónimo. Aunque podamos temer los motivos de las empresas que proveen colectivos, esto es un miedo a la divulgación a una organización, no al colectivo mismo. Donde el software está realizando agregación, sabe quién eres pero otras personas en el colectivo rara vez, si alguna vez, lo hacen. Hay algunas excepciones, sobre todo cuando los colectivos se preocupan por establecer reputación. En tales casos, existe una doble preocupación: primero, que uno deba revelar información sobre uno mismo al software y, en principio, a sus propietarios para poder participar; y segundo, que implique la delegación de la propia reputación a la multitud. En tales casos, puede justificarse el miedo a la exposición.

Distancia Transaccional en Colectivos

El colectivo, como entidad emergente compuesta por una colección de personas en sets, redes y ocasionalmente grupos, juega el papel de un maestro en una transacción de aprendizaje, guiando, sugiriendo, recolectando, agrupando y representando el conocimiento de la multitud. Un alumno que interactúa con un colectivo se involucra con algo dinámico y receptivo de una manera que es bastante diferente al compromiso con un libro estático, sitio web o video, pero sin el compromiso social que experimenta al interactuar con un ser humano individual. Al menos en el futuro previsible, habrá poca o ninguna conexión psicológica entre un ser humano y un colectivo, o si la hay, será unidireccional: a los colectivos no les importan las personas individuales. Desde el punto de vista del individuo, interactuar con el colectivo rara vez es más atractivo psicológicamente que interactuar con cualquier inteligencia artificial. Esto no es para sugerir que la interacción no sea poderosa para el individuo en cuestión, y se puede afirmar que la comunicación bidireccional ha ocurrido de manera significativa, al igual que con Furbies, Tamagotchis, o más recientes AIBO y Paros (focas bebé robot destinadas a brindar compañía a los adultos mayores— www.Parorobots.com; Turkle, 2011).

El diálogo bidireccional con un colectivo puede darse de muchas maneras. Una de las motivaciones detrás de los modelos de usuario escrutables de Kay & Kummerfeld (2006) es permitir que las personas respondan al colectivo, que de otra manera puede tomar decisiones en nombre de los usuarios que no son útiles. Muchas personas han visto deliberadamente contenido que de otra manera no elegirían en dispositivos TiVo basados en filtros colaborativos, por ejemplo, para evitar que la máquina haga predicciones equivocadas o vergonzosas sobre lo que les gustaría ver (Zaslow, 2002). Una característica muy distintiva de los colectivos es que los individuos que interactúan con ellos también suelen formar parte de ellos, contribuyentes activos a la inteligencia colectiva. Esto es distinto de nuestro compromiso con las personas en formas sociales: podemos ser parte de una red, conjunto o grupo, pero los individuos dentro de ellos siguen siendo distintos, y al menos en principio, identificables. El colectivo es un agente individual activo del que formamos parte. Todas estas complejidades hacen de la distancia transaccional entre aprendiz y colectivo un fenómeno muy inusual pero bastante distintivo. El colectivo crea una alta estructura, dando forma al espacio de información que habita el alumno, pero el alumno forma parte del colectivo, y en muchos casos puede controlar los resultados, ya sea a través de la intervención directa (por ejemplo, en Netflix, especificando los tipos de película que le gustaría ver), comportamiento modificación destinada a afectar los resultados, o simplemente eligiendo entre una de las múltiples opciones.

Ejemplos de Colectivos

Sistemas de clasificación

La mayoría de los sistemas que proporcionan un medio para calificar implícita o explícitamente a alguien o algo hacen uso de colectivos. Estos varían en sofisticación, desde agregadores simples hasta filtros colaborativos completos, donde las calificaciones se utilizan para comparar a un individuo con la multitud, y hasta metadatos enriquecidos que proporcionan calificaciones en una variedad de dimensiones.

Algunos ejemplos incluyen puntos y categorías de Slashdot Karma, Me gusta en Facebook, Google+ Plus, e innumerables sistemas que proporcionan calificaciones de estilo escala de Lickert como Amazon y YouTube.

Filtros Colaborativos

Los filtros colaborativos son recomendadores que hacen uso de similitudes entre personas (por ejemplo, personas que comparten un patrón de interés similar para cosas como libros o películas) o similitudes entre multitudes de personas que les gusta implícita o explícitamente artículos particulares (por ejemplo, las personas que compraron esto también compraron eso). Algunos ejemplos son Amazon Recommends, Netflix y MoveLens.

Herramientas de análisis y minería de datos

Varias aplicaciones colectivas extraen el contenido existente para identificar patrones, preferencias y estructuras que de otro modo podrían ser invisibles. Por ejemplo, Cite-U-Like y Google Scholar brindan recomendaciones basadas en citas a artículos académicos, la Búsqueda de Google clasifica los resultados según el número de enlaces extraídos de las páginas web y PHOAKS analiza los enlaces en publicaciones de grupos de noticias para identificar artículos recomendados implícitamente.

Sistemas basados en enjambres

Los sistemas basados en enjambres imitan los comportamientos de grupos de hormigas, aves, peces y otras multitudes naturales para lograr la autoorganización en un sistema basado en multitudes. Estos se utilizan con mayor frecuencia para controlar el trabajo de robots muy simples para completar colectivamente un trabajo complejo. Tattershall y sus colegas han utilizado este proceso para proporcionar recomendaciones de secuenciación para los alumnos (2004; van den Berg et al., 2005). Aunque puede funcionar razonablemente bien con un corpus cerrado como un curso convencional donde hay caminos potenciales limitados y metas definidas, este tipo de enfoque cae plano en los grandes cadáveres abiertos de interacciones entre conjuntos y redes. Los sistemas de optimización de enjambres de partículas adoptan un enfoque ligeramente diferente y, por lo general, se utilizan en sistemas orientados a objetivos para optimizar múltiples comportamientos hacia una sola solución. A veces se utilizan con algoritmos genéticos (GA) para descartar recursos inapropiados para filtrar resultados (Huang, Huang, & Cheng, 2008).

Sistemas de Optimización de Colonias

Los sistemas que utilizan técnicas de optimización de colonias de hormigas hacen uso de feromonas virtuales para capturar caminos y acciones tomadas por la multitud con el fin de adaptar contenido, presentación, proceso, secuencia y otros elementos de la experiencia de un usuario. Algunos ejemplos son AACS (Yang & Wu, 2009) y Paraschool (Semet, Lutton, & Collet, 2003).

Sistemas de Navegación Social

Los sistemas que emplean la navegación social capturan comportamientos y acciones de navegación como etiquetar o comentar con el fin de modificar una interfaz para enfatizar o (a veces) determinar ciertos caminos a expensas de otros. Por ejemplo, CoFind utilizó orden de clasificación, estilo de fuente y tamaño de fuente para indicar recursos que son vistos como útiles por la multitud (Dron et al., 2001). Educo utilizó representaciones de individuos como puntos agrupados alrededor de recursos que fueron más utilizados (Kurhila et al., 2002), Knowledge Sea 2 utilizó profundidad de color para indicar recursos más visitados (Farzan & Brusilovsky, 2005), y CoRead utilizó diferentes colores de resaltado para indicar pasajes de textos que han sido más o menos destacados (Chiarella, 2009).

Motores de descubrimiento de redes sociales

La gran mayoría de los sitios de redes sociales utilizan algunos medios para descubrir otros con los que conectarse. Los algoritmos pueden ser bastante simples, como el análisis de enlaces para descubrir amigos de amigos. En efecto, el protocolo FOAF de uso común fue construido explícitamente para explotarlo. Otros pueden simplemente identificar a otras personas en grupos a los que pertenece un individuo, pero algunos pueden ser más complejos, teniendo en cuenta los campos de perfil, los comportamientos de navegación y el contenido de las publicaciones. Un ejemplo sofisticado es EdgeRank de Facebook, que toma en cuenta una serie de factores (un secreto comercial) que incluyen no solo conexiones sino números y frecuencia de interacciones a la hora de presentar contenido, así como numerosos factores orientados al conjunto (Pariser, 2011). En un contexto de aprendizaje, hemos proporcionado un plugin de Elgg que ayuda al descubrimiento tanto de amigos de amigos como de personas en grupos compartidos (community.elgg. org/plugins/869921/1.2/suggested-friends-18x).

Herramientas de crowdsourcing

Los sistemas de crowdsourcing suelen depender del contenido generado por el usuario en respuesta a un problema, pregunta o solicitud de proyecto en particular. Si bien algunos confían en la persona que plantea el problema para clasificar posibles soluciones, estas aplicaciones orientadas a conjuntos a menudo se potencian con herramientas colectivas que soliciten calificaciones implícitas o explícitas de la multitud para clasificar la efectividad de la solución: estas incluyen Yahoo Answers, Quora, Amazon Turco Mecánico, e Innocentivo.

Herramientas para evaluar la reputación

Varios sistemas extraen datos como citas y referencias para descubrir expertos en lugar de contenido; por ejemplo, Cite-U-Like y Connotea. Existe abundante literatura sobre los refinamientos de estos enfoques (Ru, Guo, & Xu, 2008; Smirnova & Balog, 2011). Los sistemas de redes sociales como LinkedIn hacen uso de endosos en red para proporcionar una indicación colectiva de reputación dentro de un campo, mientras que otros, como academia.edu, hacen uso de citas y artículos para ayudar a enfatizar la reputación dentro de un campo.

En muchos sistemas orientados a la red, las conexiones que se hacen explícitamente entre un individuo y otro al “hacer amigos”, proporcionar enlaces en un blogroll, comentar o vincular dentro de publicaciones de blog, etc., brindan las recomendaciones necesarias para que confiemos en los demás. Si alguien a quien admiro admira a alguien más, eso actúa como un indicador efectivo de reputación. Se trata de una técnica antigua que se puede cuantificar y convertir en colectivo con relativa facilidad: los índices ponderados de citas utilizan el mismo tipo de enfoque para indicar la significación de un artículo académico.

Más allá de los que conocemos en una gran red, la reputación (aparte de algunas de las personas más conocidas dentro de la red) puede ser más difícil de identificar, y los colectivos se convierten rápidamente en la herramienta más importante para identificar valor. Sistemas como Slashdot, Spongefish o Graspr pueden ser recursos de aprendizaje autoorganizados notablemente efectivos debido a los métodos que utilizan para identificar contribuyentes y recursos confiables/útiles. Slashdot y Graspr (ahora desaparecido) hacen uso de un sistema basado en karma, mediante el cual el “buen karma” se obtiene a través de una variedad de mecanismos impulsados por la multitud.

Spongefish (un sitio instructivo que se plegó en 2008) tomó un enfoque más simple pero más comprensible donde las monedas denotaban capital social para un maestro. En cada sistema, hay una economía: quienes ya tienen puntos/monedas son capaces de distribuirlos a otros, asegurando así que la reputación sea decidida por quienes ya tienen una reputación, un enfoque que asegura al menos alguna garantía de calidad. Sin embargo, el fracaso de tantos sistemas apunta a la dificultad de acertar los algoritmos y diseñar interfaces que no abrumen a sus usuarios con complejidad. Slashdot (con su eslogan, “Noticias para nerds”), uno de los primeros, y aún el mejor de los colectivos, sobrevive en gran parte debido a su base de usuarios objetivo que no solo tolera sino que también se deleita con su complejidad.

Dentro de un entorno educativo, dichos sistemas pueden ofrecer varias posibilidades. Por ejemplo:

• Se puede alentar a los alumnos a ganar reputación y presentarla como parte de una evaluación formal. Usado con cuidado, y teniendo en cuenta los riesgos de subvertir dicho sistema, esto puede ofrecer motivación en los lugares adecuados.
• Los alumnos pueden utilizar dichos sistemas para identificar recursos y personas de valor, filtrando así a aquellos que pueden estar distrayendo o engañando.
• Se puede alentar a los alumnos a calificar/clasificar/transmitir puntos o monedas a otros, fomentando el pensamiento crítico y reflexivo y alentándolos a involucrarse más profundamente con la comunidad.

Aprendiendo con Colectivos

En capítulos anteriores sobre grupos, redes y conjuntos, hemos etiquetado esta sección “Aprendiendo en x”. En este capítulo describimos deliberadamente esto como aprender con colectivos, ya que el colectivo es un participante activo e influyente en un proceso de aprendizaje, mucho más afín a un maestro o contenido que a una colección de personas. A la vez humano y mecánico, el colectivo es una especie de maestro ajeno comprometido en un diálogo con sus partes.

Hay muchos roles que los maestros deben desempeñar en un sistema educativo tradicional. Aquí hay una breve lista de algunos de los principales:

• Modelar el pensamiento y la práctica
• Proporcionar comentarios
• Diseñar y armar rutas de aprendizaje
• Programar aprendizaje
• Transporte de información
• Aclarar y explicar temas complejos
• Evaluar el aprendizaje
• Seleccionar y filtrar recursos y herramientas para el aprendizaje
• Atención a los estudiantes y aprendizaje de los estudiantes
• Proporcionar un entorno seguro para el aprendizaje

La mayoría de estos roles, si no todos, pueden ser desempeñados por un colectivo hasta cierto punto. Cabe señalar, sin embargo, que el entusiasmo, el cariño, la pasión, y muchos de los atributos personales más valiosos de un maestro no estarán presentes, aunque pueden ser imitados por un colectivo. El colectivo juega los roles funcionales que un maestro podría desempeñar.

Modelado de Pensamiento y Práctica

Poco sustituirá a observar a un maestro real modelando buenas prácticas y demostrando cómo piensa sobre un tema, pero claro que los colectivos ocurren dentro de las comunidades sociales donde tales cosas ya son posibles. Sin embargo, algunos tipos de colectivos pueden ser utilizados para promover y agregar tales comportamientos. Karma Los puntos y las calificaciones, por ejemplo, pueden combinarse para mostrar al usuario informado no solo el contenido relevante, sino también la crema del cultivo, no solo un maestro, sino lo “mejor” de quienes contribuyen a una discusión o un debate. El colectivo es, a juicio de la multitud contextualizada a las necesidades del espectador, un maestro compuesto “ideal”.

Proporcionar comentarios

Incluso un simple sistema de calificación de “pulgares arriba” o contadores de vista de página puede decirle a un alumno que su trabajo es valorado. Sin embargo, esto no es una retroalimentación particularmente rica, sirviendo un propósito motivacional más que ofrecer orientación. Además, en algunos casos esto puede ser desmotivador, si es visto por el alumno como una recompensa extrínseca (Kohn, 1999). Dicha orientación es aún más una función de los modos sociales de compromiso, grupo, conjunto o red, que del colectivo. Dicho esto, se han desarrollado una gama de sistemas colectivos que proporcionan retroalimentación algo más rica, incluido el sistema de calificación matizado de Slashdot, y las “cualidades” de forma más libre utilizadas en CoFind (Dron, Mitchell, Siviter, & Boyne, 2000). Estos sistemas permiten calificaciones a través de múltiples dimensiones que, al menos en el caso de CoFind, pueden ser pedagógicamente útiles. La gente puede, por ejemplo, optar por calificar algo como “complejo”, “completo” o “bien escrito”, dando así valiosos comentarios que de alguna manera mejoran la de un maestro individual, si se reciben calificaciones suficientes. Dichos sistemas también muestran variabilidad calificador, que a su vez puede ser más instructiva que la preferencia declarada de un solo maestro (incluso uno sabio).

Diseñar y ensamblar trayectorias de aprendizaje

Varios sistemas basados en la navegación social proporcionan listas ponderadas de recomendaciones sobre qué hacer a continuación (Brusilovsky, 2004; Dron, Mitchell, Siviter, & Boyne, 2000; Kurhila et al., 2002; Wexelblat & Maes, 1999). Otros han utilizado técnicas como la optimización de hormigas, enjambre y otras técnicas inspiradas en la naturaleza para ofrecer recomendaciones (Wong & Looi, 2010; Semet et al., 2003). Muchos sistemas de recomendación que utilizan diversas formas de filtrado colaborativo presentan de manera similar alternativas de qué mirar a continuación, basadas en comportamientos previos de otros alumnos (Drachsler, Hummel, & Koper, 2007; Freyne & Smyth, 2006; Hummel et al., 2007). No obstante, ha resultado difícil hacer algo más que presentar sugerencias para el siguiente paso en el camino. Generar un plan de actividades para que un alumno lo siga plantea desafíos significativamente mayores, aunque muchos lo han intentado (Pushpa, 2012; van den Berg et al., 2005; Yang & Wu, 2009). Existen varias razones por las que aún no han tenido éxito total: el aprendizaje es un proceso de cambio en el que es difícil predecir de antemano cómo se desarrollará un alumno como resultado de cada paso.

Cuando los profesores diseñan bien los cursos, lo hacen en base a su experiencia y concepciones del tema, así como en consideraciones pedagógicas y conocimientos de los alumnos, lo que resulta en un ensamblaje intrincadamente conectado y cohesivo, que involucra un conocimiento profundo del contenido y, lo que es más importante, una comprensión de cómo contar una historia al respecto. Muchos sistemas adaptativos han intentado hacer lo mismo y pueden funcionar bastante bien para individuos o estudiantes basados en grupos, pero pocos (si los hay) han tenido éxito cuando se trata de un corpus abierto de conocimiento, lo cual es común en situaciones de aprendizaje basadas en redes y basadas en conjuntos.

Algunos han utilizado ontologías para conectar secuencias de recursos que se generan colectivamente (Karampiperis & Sampson, 2004). Aunque computacionalmente elegante, esto ha sido un profundo fracaso desde una perspectiva de aprendizaje. La razón principal es porque los caminos pedagógicamente apropiados no son lo mismo que las opiniones expertas sobre la relación entre un tema y otro. Aun suponiendo que un cuerpo suficiente de material pueda ser efectivamente marcado y puesto en relación con los demás, las relaciones de disciplina temática rara vez se traducen en buenos caminos de aprendizaje.

Un enfoque prometedor es combinar métodos de recomendación con planes de estudio generados por expertos (Herder & Kärger, 2008) y estos son relativamente fáciles de generar en un conjunto limitado de recursos bien anotados dentro de una institución orientada a grupos (Kilfoil, Xing, & Ghorbani, 2005; van den Berg et al., 2005).

Programación de aprendizaje

Estrechamente relacionado con el diseño del plan de estudios y caminos de aprendizaje está el medio para sincronizar actividades y ritmo. Este ha sido durante mucho tiempo un papel importante para un maestro, a menudo desempeñado por una institución en el aprendizaje basado en grupos, y es una característica común de los enfoques basados en grupos, pero suele ser difícil de lograr en el aprendizaje en red y en conjunto. Sin embargo, los colectivos pueden asumir algo de ese papel. Las herramientas más simples para esta tarea permiten a un individuo especificar una lista de fechas posibles y otras para indicar su disponibilidad. La herramienta agrega tiempos potenciales, y de forma automática o semiautomática, sugiere el momento más apropiado cuando hay tantos alumnos como sea posible disponibles. Numerosas herramientas gratuitas de esta naturaleza como MeetingWizard, Doodle, Congregar, Setster y Tungle están disponibles en la Web y, en algunos casos, para teléfonos celulares.

Transporte de Información

En general, los colectivos no se utilizan para transmitir información desde cero, sino para recopilar, filtrar, refinar, ordenar y mostrar información que ya existe. Proporcionan formas de organizar la información en lugar de generarla en primer lugar. Este proceso organizacional puede ser bastante poderoso, sin embargo. Slashdot, por ejemplo, es capaz de adaptar el contenido a necesidades específicas, y permite publicaciones relevantes y confiables para proporcionar una visión matizada del tema en discusión que supera en gran medida lo que cualquier maestro individual podría decir sobre el tema, simplemente debido a la diversidad y amplitud de cobertura. Otros sistemas pueden ayudar a visualizar un área temática compleja o conexiones sociales que de otro modo podrían permanecer ocultas (Buckingham-Shum, Motta, & Domingue, 1999; Donath et al., 1999; Vassileva, 2008).

Quizás una de las fuentes más importantes de contenido de aprendizaje en la actualidad y una notable excepción a la norma es Wikipedia. Podría decirse que Wikipedia utiliza procesos colectivos estigmérgicos y similares, ampliamente promulgados en la mente de sus colaboradores, apuntalando y afectando las formas en que crecen las páginas (Elliot, 2006; Heylighen, 2007; Yu, 2009). Básicamente, las personas se ven afectadas por signos dejados por otras personas en el entorno pero, en su mayor parte, esto es simplemente un diálogo mediado anónimo, una interacción basada en conjuntos donde cada edición construye sobre la última, pero sin el carácter distintivo autoorganizativo de un verdadero sistema estigmérgico. Sin embargo, hay algunos elementos genuinamente estigmérgicos. Los cambios realizados por otros afectan no solo el contenido sino también el estilo, de formas análogas a los procesos estigmergicos en hormigas o termitas constructoras de nidos. Del mismo modo, el uso de etiquetas wiki —metadatos que se relacionan con el contenido de las páginas— conduce a patrones predecibles de edición: las etiquetas actúan como feromonas que guían a otros en su edición (den Besen, Gaio, Rossi, & Dalle, 2010).

Wikipedia también proporciona algunas herramientas colectivas incrustadas diseñadas intencionalmente, como páginas que muestran artículos de tendencia que son verdaderamente estigmérgicos: la frecuencia de uso y edición afecta el comportamiento de otros que siguen. Si bien incluye algunos elementos colectivos, es importante observar que Wikipedia es más una granja que una jungla autoorganizada, y su poder radica en sus herramientas organizativas y automatizadas para asegurar la calidad, no en los procesos colectivos. Los aspectos colectivos del sistema simplemente ayudan a dar forma a su desarrollo en lugar de desempeñar un papel importante en la producción de contenidos.

Si bien es difícil generalizar más allá de contextos específicos, ha habido algunos enfoques colectivos interesantes para la creación de obras de arte, muchos de los cuales han persistido y crecido durante diez años o más: www.absurd.org, www.potatoland. org, o snarg.net, por ejemplo. Sistemas más recientes como PicBreeder (PicBreeder. org), Darwinian Poetry (www.codeasart.com/poetry/darwin.html) y una amplia variedad de sistemas de evolución musical (Romero & Machado, 2008) utilizan a la multitud para elegir entre formas mutadas de obras de arte, actuando así como un mecanismo de selección evolutiva. Como medio de reflexión sobre lo que genera valor, esto puede ser útil en un contexto educativo. Sin embargo, el potencial de proporcionar recursos educativos más allá de esos dominios específicos parece limitado.

Aclarar y explicar temas complejos

Los colectivos pueden ser utilizados para extraer significado y sentido de un complejo conjunto de materiales. Por ejemplo, CoRead es una herramienta que permite el resaltado colectivo de textos, de una manera similar a la empleada en los dispositivos Amazon Kindle (Chiarella, 2009). Los alumnos pueden ver los aspectos más destacados de otros alumnos, y se utiliza un esquema de color simple para indicar qué palabras y frases se han resaltado más. Esto permite a quienes acuden a un texto identificar las palabras y frases que otros han encontrado importantes o interesantes. De manera similar, las nubes de etiquetas dentro de un sitio o área temática en particular pueden ayudar a los estudiantes a tener una idea del área general y las palabras clave asociadas con ella. Esto puede ser particularmente útil cuando la nube de etiquetas se combina con un filtro colaborativo que muestra etiquetas recomendadas que aparecen con etiquetas seleccionadas con más frecuencia, como se puede encontrar en Delicious. Al ver palabras clave asociadas, el alumno es capaz de hacer conexiones y ver generalizaciones que sitúan un tema dentro de una red de ideas y conceptos.

Evaluar el aprendizaje

Varios sistemas sociales proporcionan herramientas de calificación. En muchos casos, estas son simplemente variaciones de lo bueno versus lo malo: enlaces simples de “pulgar hacia arriba” como “Me gusta” de Facebook o Google +1s, por ejemplo. Desafortunadamente, esto rara vez es valioso para un alumno que busca retroalimentación sobre el éxito de su aprendizaje, a menos que el contexto esté muy limitado, porque no hay suficiente información para identificar las razones del “me gusta”. Sin embargo, puede funcionar razonablemente bien dentro de un grupo, especialmente en un grupo grande como el que se encuentra en un MOOC, si el significado de “bueno” y “malo” ha sido identificado explícitamente dentro de ese contexto. En conjuntos o redes, hay pocas oportunidades para brindar tales limitaciones.

Más allá de las calificaciones simples, algunos sistemas contextualizan las calificaciones dentro de conjuntos específicos de calidades o áreas de interés. Esto puede proporcionar comentarios mucho más útiles sobre el aprendizaje, aunque normalmente a costa de una complejidad mucho mayor para las personas que aportan calificaciones. CoFind (Dron, Mitchell, Boyne, et al., 2000), por ejemplo, permite a los alumnos no solo calificar un recurso como bueno o malo, sino usar etiquetas difusas conocidas como “cualidades”. Las calidades son etiquetas con valores escalares adjuntos, lo que permite a sus usuarios categorizar un recurso y decir que es más o menos bueno para principiantes, complejo, detallado, preciso, confiable, autoritario, bien explicado o bien estructurado. Este tipo de comentarios ricos puede ser muy útil. Sin embargo, es más difícil usar calidades para etiquetar artículos que usar etiquetas discretas más convencionales, ya que sus usuarios no solo deben proporcionar una categoría sino también una calificación para ella. Otros sistemas como Slashdot proporcionan una lista más restringida: su filtro básico de comentarios permite a los usuarios identificar si los comentarios son perspicaces, informativos, interesantes o divertidos, lo que ayuda a filtrar el contenido y también ayuda al póster a saber cómo se sienten los demás sobre la publicación. Aunque no están destinados a la evaluación, los avales de LinkedIn proporcionan una manera intrigante y efectiva de usar colectivos generados a partir de redes para juzgar las habilidades de un individuo. Las habilidades que han sido etiquetadas en el perfil de un usuario pueden ser avaladas por quienes están en la red de ese usuario, proporcionando así una visión colectiva de los logros de una persona que sea tanto de abajo hacia arriba, como en conjunto, confiable. LinkedIn hace un buen uso de la reciprocidad, el capital social y la vanidad individual: cuando alguien te ha avalado, es difícil resistirse a ver tu creciente lista de endosos, y el sitio luego te incita a avalar a otros en función de las habilidades identificadas en sus perfiles.

Selección y Filtrado de Recursos y Herramientas para el Aprendizaje

La selección y filtrado de recursos y herramientas para el aprendizaje es un papel importante para la mayoría de los profesores y es, en principio, lo que mejor hacen los colectivos. Este es el papel que juega Google a la hora de proporcionarnos resultados de búsqueda, utilizando muchos procesos colectivos para ayudar a asegurar la calidad y relevancia de los resultados que brinda. Asimismo, cuando Amazon proporciona recomendaciones de libros que tal vez queramos leer, emplea técnicas de filtrado colaborativo basadas en elementos y usuarios para que sea probable que encontremos algo de valor. Ambas son poderosas herramientas de aprendizaje, y este punto no se ha perdido en la comunidad académica. En las últimas dos décadas, ha habido muchos sistemas diseñados explícitamente para usar a la multitud para recomendar recursos en un contexto de aprendizaje (M. Anderson et al., 2003; Bateman, Brooks, & McCalla, 2006; Chiarella, 2009; Drachsler, 2009; Dron, Mitchell, Boyne, et al., 2000; Farzan & Brusilovsky, 2005; Freyne y amp; Smyth, 2006; Goldberg, Nichols, Oki, & Terry, 1992; Grieco, Malandrino, Palmieri, & Scarano, 2007; Huberman & Kaminsky, 1996; Hummel et al., 2007; Jian, 2008; Kurhila et al., 2002; Tattersall et al., 2004; Terveen et al., 1997; van den Berg et al.., 2005; Vassileva, 2008).

Estos sistemas incluyen enfoques como la navegación social, métodos basados en enjambres, filtrado colaborativo, calificación y muchos más. Cuando se hace bien, los enfoques crowdbased para recomendar recursos, partes de recursos, personas y herramientas tienen muchos beneficios. Muchas manos hacen un trabajo ligero, y una multitud (especialmente un conjunto diverso) puede rastrear a través de muchos más recursos que un maestro individual. Dependiendo de la forma en que se construya el colectivo, las multitudes también pueden ser más sabias que los individuos (Surowiecki, 2004), logrando identificar hechos o cualidad donde los individuos pueden fallar.

El descubrimiento de recursos es de gran valor en un entorno formal. Debido a la naturaleza enfocada de los grupos cerrados en las instituciones educativas, las bases de datos de recursos pueden convertirse en una instalación extremadamente valiosa, lo que permite al grupo participar en el desarrollo de un curso de lectura/escritura con relativamente poco esfuerzo. Esto ofrece una amplia variedad de beneficios prácticos y de aprendizaje:

• Reduce el costo de producción del curso
• Mantiene el curso actual y actual
• Da a los estudiantes un fuerte sentido de propiedad, lo que a su vez aumenta la motivación
• Proporciona un medio sencillo de aprendizaje mediante la enseñanza: la selección de recursos, combinada con alguna clasificación y anotación, fomenta la reflexión tanto sobre el recurso como sobre el proceso de aprendizaje (es decir, cómo y de qué manera es útil para el alumno en su propio proceso de aprendizaje)
• Multiplica las posibilidades de encontrar recursos buenos y útiles, lo que lleva a una diversidad y alcance mucho mayores de lo que un solo equipo docente podría esperar ensamblar solo.

Lo mejor es que dichos sistemas incluyan al menos alguna forma de clasificación colectiva, para que los estudiantes puedan votar recursos hacia arriba o hacia abajo, o proporcionar recomendaciones implícitas haciendo clic en enlaces que puedan ser realimentados a la multitud a través de funciones de navegación social. Si tal sistema no está disponible, lo siguiente mejor es la capacidad de anotar o comentar los enlaces que otros alumnos han proporcionado: la presencia de comentarios puede actuar como un simple indicador estigmérgico de interés, positivo o negativo, ambos tienen valor. Si el sistema en sí no permite nada de esta naturaleza, entonces es mejor usar un sistema más libre como un wiki, o ir más allá del entorno administrado y hacer uso de sistemas como Delicious o Furl para crear listas cerradas de marcadores donde se permita el comentario y el etiquetado.

Las nubes de etiquetas son un medio potencialmente poderoso para facilitar el descubrimiento de recursos en un grupo, una vez que se han agregado recursos al sistema. Dentro de los grupos suelen ser diferentes y a veces pueden ofrecer mayor valor que los de las grandes redes, porque se adaptan más rápidamente a los focos cambiantes del grupo. En un ambiente dominado por maestros, pueden proporcionar una folksonomía más restringida y cerrada que una que se permita desarrollar sin tal control, una especie de híbrido de control de arriba hacia abajo y categorización de abajo hacia arriba. En algunas circunstancias esto puede ser útil: un vocabulario compartido, si es entendido por todos, ayuda a dar sentido a un área temática además de facilitar la localización de recursos relevantes. Al categorizar el mundo, el maestro está permitiendo a los alumnos entenderlo mejor.

El cuidado de los estudiantes y el aprendizaje del estudiante

Hay algunas cosas vitales que hacen los maestros que están mucho más allá del alcance de los colectivos. Como sugiere nuestro análisis de la distancia transaccional en colectivos, la brecha psicológica entre colectivo y aprendiz es casi lo más grande que puede llegar a ser. Sabemos que otras personas han ayudado al colectivo a proporcionarnos información, estructura, proceso o diseño, pero eso no nos ayuda a sentirnos más cerca de ellos y prácticamente no hay formas de que puedan cuidarnos o lo que hacemos. Los colectivos son solo parte de una solución para brindar una experiencia de aprendizaje rica y gratificante, y algunas cosas son, al menos por ahora, mejor dejarlas en manos de los humanos. Dicho esto, los colectivos pueden proporcionar un indicador para hacernos saber que otros no especificados se preocupan por nosotros: los “plus unos” o “me gusta” de los sitios sociales populares pueden mejorar una sensación de bienestar y valor social, aunque rara vez con intención pedagógica explícita. También pueden brindar apoyo para establecer conexiones con esos humanos. Incluso hay aspectos del papel solidario que puede desempeñar un colectivo. Por ejemplo, pueden usarse para ayudar a nutrir y guiar a los alumnos para que se involucren y motiven más (Glahn, Specht, & Koper, 2007).

El campo de la analítica de aprendizaje ha experimentado un rápido crecimiento en los últimos años. Se basa en una variedad de campos: análisis web, minería de datos educativos, hipermedia adaptativa y adaptación social, e IA. Su propósito es descubrir indicadores de aprendizaje, obstáculos para el aprendizaje e información sobre vías de aprendizaje para ayudar a guiar los viajes de los estudiantes. Para los maestros, mejora los métodos de enseñanza y descubre debilidades y riesgos antes de que se vuelvan demasiado peligrosos. Algunos han extendido este propósito para incluir analíticas que interesan a administradores, instituciones y empleadores de maestros pero, aunque tales usos pueden y tienen un impacto en el aprendizaje, opinamos que ya no se trata de aprender cuando el proceso se aplica de esta manera: es más una cuestión de enseñanza análisis o minería de datos institucionales.

El valor de aprender análisis para la capacidad de un maestro para brindar atención es que le permite formar parte de un colectivo, de la misma manera que pedir alzar las manos para comprobar si los alumnos han entendido un problema en un aula utiliza a la multitud para cambiar el comportamiento. Los resultados procesados que informan a un maestro del progreso de los estudiantes conducen a cambios en su comportamiento, y así pueden ayudar al maestro a brindar más asistencia cuando sea necesario. Por ejemplo, si los análisis muestran que, en conjunto, muchos estudiantes están teniendo dificultades con lecciones o conceptos particulares, el profesor puede ser más solidario en esas áreas. La analítica también puede ayudar a identificar a alumnos particulares o grupos de estudiantes que están en riesgo. Puede ayudar a descubrir patrones de comportamiento para estudiantes dispares o identificar puntos en común que conducen a dificultades. Por ejemplo, si parece que la mayoría de quienes presentan trabajo después de una fecha determinada o que carecen de calificaciones particulares tienen dificultades, entonces el maestro puede intervenir para avisarles de los peligros. En efecto, el maestro se convierte en parte de un sistema de recomendación basado en la multitud.

Peligros del Colectivo

Si bien los colectivos pueden desempeñar varios roles de maestros en un sistema, no siempre son buenos maestros. Hay muchas maneras en las que una multitud sabia puede convertirse en una turba estúpida.

El efecto Mateo

El Efecto Mateo, acuñado por Merton (1968) a partir del aforismo bíblico atribuido a Jesús “Al que tenga se le dará más, y tendrá abundancia. Al que no tenga, incluso lo que tiene le será quitado” (Mateo 13:12). En los contextos específicos de aprendizaje examinados aquí, este dicho puede interpretarse como resultado de dependencias de caminos y apegos preferenciales que se establecen al principio del desarrollo de un sistema colectivo. Si el sistema afecta el comportamiento (por ejemplo, fomenta hacer clic en un recurso o etiqueta, o sugiere personas con las que conectarse), entonces aquellos que obtienen una ventaja temprana tienen muchas más probabilidades de retenerlo y ser más influyentes que los que vienen después. Los ricos se hacen más ricos mientras que los pobres se hacen más pobres. Un ejemplo clásico de esto lo presentan Knight y Schiff (2007), quienes descubrieron que los primeros votantes en las elecciones primarias estadounidenses tienen alrededor de veinte veces la influencia de los votantes tardíos en los resultados. Esto se debe a que los medios reportan las oscilaciones relativas de los votantes, que a su vez influyen en quienes están indecisos en cuanto a cómo votar. Los votantes quieren marcar la diferencia, generalmente estando del lado ganador o, ocasionalmente, para defender a un candidato en peligro de perder. De igual manera, el estudio de Salganik et al. (2006) sobre las listas de pop artificiales, mencionado en el Capítulo 6, muestra fuertes efectos de Matthew en la preferencia musical.

Muchos sistemas colectivos sufren de este problema. Los resultados de búsqueda de Google son una víctima particularmente prominente del Efecto Mateo. Debido a que Google busca enlaces que son tratados como recomendaciones implícitas (L. Page, Brin, Motwani, & Winograd, 1999), y porque es mucho más probable que las personas hagan clic en los primeros enlaces de los resultados de búsqueda (Pan et al., 2007), esto significa que reciben una mayor exposición a páginas que ya están populares. Por supuesto, sólo es posible proporcionar enlaces a sitios que uno ya conoce (Gregorio, 2003) por lo que es más probable que dichos enlaces aparezcan en el futuro. Debido a que Google comanda una parte tan grande del tráfico de búsqueda, el efecto general es bastante grande. Muchos sistemas proporcionan controles y contrapesos para evitar que los rampantes Matthew Effects abrumen recursos nuevos o igualmente valiosos. Algunos utilizan mecanismos deliberados de decaimiento (Dron, Mitchell, Boyne, et al., 2000; Wong & Looi, 2010), algunos introducen serendipia aleatoria deliberada, mientras que otros, entre ellos Google y Facebook, utilizan una amplia gama de algoritmos, colectivos y de otro tipo, para dar masajes a los resultados para que no haya ganadores persistentes únicos.

Desafortunadamente, muchos colectivos ocurren sin planeación deliberada o previsión. Por ejemplo, la presencia de muchos o pocos mensajes en un foro de discusión puede actuar como incentivo o desincentivo para que otros contribuyan a una discusión, o bien se puede utilizar un sistema de calificación, como en el estudio de Salganik et al. (2006) que no impide el apego preferencial fugitivo. La propagación de memes virales en una población es otro ejemplo del Efecto Matthew en acción, donde la exposición repetida de múltiples canales se propaga a través de una red con repetición creciente (Blackmore, 1999).

Burbujas de filtro y cámaras de eco

Como observa Pariser (2011), los colectivos juegan un papel muy importante en la creación de burbujas de filtro. Un sistema de recomendación, ya sea Google, Amazon, Slashdot o cualquier otro sistema que filtre y pondere los recursos de acuerdo con preferencias implícitas o explícitas, corre el riesgo de impedirnos ver vistas alternativas a las que ya tenemos o aceptamos. Esto puede funcionar recursiva e iterativamente, especialmente donde las preferencias implícitas se minan en nuestras mitades, creando una “burbuja” sobre nosotros que solo permite penetrar ideas similares a las que ya tenemos. Si lo que vemos se limita a un subconjunto de posibilidades, entonces hay grandes riesgos de que cada vez más seamos canalizados por un camino cada vez más refinado hasta que solo veamos personas con las que estamos de acuerdo y cosas que ya conocemos. Para los alumnos que, por definición, desean ir más allá de sus límites actuales, este puede ser un tema particular. Mientras existan muchos canales alternativos de conocimiento esto no es un problema mayor, pero con el aumento de la agregación de datos a través de cosas como las cookies de rastreo, especialmente cuando estamos usando más dispositivos personales como teléfonos inteligentes y tabletas, el número de canales está disminuyendo rápidamente.

En una sola sesión de navegación, Felix (2012) informó que solo Facebook establece más de 308 cookies de rastreo sin que el usuario otorgue ningún permiso explícito, y estas pueden ser utilizadas por cualquier sitio suscriptor para personalizar el contenido y la presentación. La lección que esto enseña es que no siempre es prudente unirse a Facebook, pero si uno lo hace, bloquear las cookies de rastreo usando complementos del navegador como TrackerBlock para Firefox, o el complemento de navegador no rastrear de AVG (actualmente gratuito) puede ayudar a evitar muchas recomendaciones basadas en actividades pasadas. Un enfoque más simple pero menos confiable es garantizar que uno no esté permanentemente conectado a un sistema social comercial en particular. La penalización a pagar por tales métodos es, sin embargo, una pérdida de funcionalidad: cosas como los botones “me gusta” de Facebook ya no funcionarán, por ejemplo. Si bien es uno de los peores delincuentes, Facebook está lejos de ser el único en realizar un seguimiento de amplio alcance. Los muchos servicios de Google, por ejemplo, hacen un amplio uso del conocimiento sobre quién eres para dar forma al tipo de resultados que recibes de su motor de búsqueda.

Algoritmos Subóptimos

Errar es humano, pero un colectivo realmente puede hacer un lío de cosas. Si bien los resultados de una búsqueda en Google o una recomendación de Amazon o Netflix pueden ser notablemente útiles y precisos, igualmente pueden estar fuera de lugar, inadecuados para nuestras necesidades de aprendizaje y, aunque sean valiosos, puede haber mejores alternativas. Las recomendaciones de los colectivos pueden ser mejores que las que provienen de las habilidades reflexivas y críticas de un curador humano, pero depende de muchas cosas, entre ellas el pool de selección, el algoritmo empleado, los medios de presentación y el tipo de problema que se está abordando. A pesar de los mejores esfuerzos de muchos investigadores y desarrolladores, estamos a cierta distancia de un conjunto perfecto de soluciones para todos los aprendices y contextos.

Manipulación deliberada

Otro problema con los sistemas colectivos es que es difícil construirlos de una manera que evite el abuso por parte de quienes entienden los algoritmos y técnicas de presentación que emplean. Por ejemplo, el autor Dron tenía un estudiante que agregaba su propio trabajo a un sistema colectivo autoorganizado de intercambio de enlaces, y que luego hizo uso de los ingenuos métodos de navegación social que el sistema empleaba para enfatizar y desenfatizar las etiquetas, (que era poco más sofisticado que un sistema de conteo de clics en el tiempo), para promocionar su propio sitio web. A pesar de que el sistema sí se estabilizó al final cuando la gente se dio cuenta de dónde los enviaban y lo encontró con ganas, por un tiempo su sitio se hizo bastante popular. Más problemáticamente, la experiencia dejó a otros estudiantes sintiendo menos confianza en el sistema. Sería bueno pensar que este problema se había ido con la creciente sofisticación de los sistemas sociales pero, al momento de escribir este artículo y durante al menos el año pasado, las etiquetas recientes de Flickr están dominadas por anuncios y otros contenidos más dudosos que no logran representar la sabiduría de la multitud y los resultados del abuso intencional. Este particular colectivo dentro de Flickr es a todos los efectos inútil pero, con sensatez, Flickr emplea a una amplia gama de otros colectivos en diferentes escalas de tiempo capturando diferentes acciones para que puedan seguir siendo útiles para encontrar cosas de buena calidad e interés para muchos.

Pérdida del control de maestros y alumnos

Al igual que las redes y los sets, los colectivos plantean temas de control que le quitan parte del poder tradicional del maestro en un entorno educativo. El autor Dron ha estado escribiendo y utilizando aplicaciones colectivas desde 1998 y ha experimentado resultados más y menos encantadores. Por ejemplo, cuando colocó sus propias notas de conferencia en un sistema de intercambio de enlace impulsado colectivamente, (que utilizó etiquetado avanzado y anotación junto con algoritmos de autoorganización para elevar o bajar recursos en la clasificación según la utilidad percibida), encontró que no siempre se mantenían en la parte superior de la lista , y una vez que desapareció en la segunda página de resultados. Si bien es posible que sus notas fueran terribles, evaluaciones previas de ellas habían sido buenas y habían sido utilizadas internacionalmente por otros maestros. En cambio, esto parece ser una señal positiva de que el colectivo era mejor e hizo recomendaciones más útiles, suposición corroborada a través de entrevistas y observaciones (Dron, 2002) pero aún potencialmente hematomas en el ego de un maestro.

Falta de Intención Pedagógica

La mayoría de los usuarios del cibersistema han “perdido” el tiempo siguiendo enlaces sugeridos por los sistemas. Aprender es un trabajo duro, y la mayoría de las veces requiere un esfuerzo enfocado. Los colectivos no son buenos para reforzar tales soledades. La sabiduría de la multitud requiere que la multitud comparta un propósito de aprendizaje. Por ejemplo, cuando se usa un sistema con una combinación de elementos similares a wiki y MOOC que se autoorganizan de acuerdo con una combinación de principios estigmergicos y un diseño inspirado en los principios de diseño de ciudades de Jane Jacobs (Dron, 2005b), estudiantes de posgrado que estudian los efectos del uso de la comunicación las tecnologías en realidad terminaron creando un conjunto de recursos sobre el chocolate, lo que les interesó más que el tema en cuestión. Aparte del interés de los estudiantes por el chocolate, hubo dos causas principales de esto: por un lado, se trataba de un trabajo en grupo y un contexto mal definido y la falta de dirección hicieron que no estuviera claro lo que se esperaba. Por otro lado, el proceso fue autorreforzándose y se quedó sin control, un problema común en los sistemas estigmergicos, por el cual los ricos se enriquecen y los pobres se vuelven más pobres (el Efecto Matthew). La combinación fue buena para aprender sobre el chocolate, pero menos efectiva como medio para pensar en cómo nos afectan las tecnologías de la comunicación. Este fue un sistema experimental, y el episodio ayudó a establecer y refinar principios para limitar tal divergencia que discutimos en este capítulo.

Contextos cambiantes

Un colectivo que ha evolucionado para un propósito puede ser contraproducente cuando se utiliza para otro. Por ejemplo, los filtros colaborativos que identifican preferencias basadas en preferencias pasadas pueden tener poco o ningún valor para los alumnos porque, habiendo aprendido lo que necesitan, ya no requieren cosas similares (Drachsler et al., 2007; Dron, Mitchell, Boyne, et al., 2000). En un contexto diferente, necesitamos un colectivo diferente.

Principios de diseño para aplicaciones colectivas

Los colectivos se basan en la existencia de colecciones de personas, ya sea en grupos o redes. Una aplicación colectiva, quizás en mayor medida que las aplicaciones de red, de conjunto o de grupo, está potencialmente mucho más influenciada por el diseñador, por lo que no es casualidad que esta sección de este capítulo sea más grande que la de diseñar para formas sociales.

Como cyborg, un colectivo consiste no sólo en las acciones y decisiones de los individuos sino también en los algoritmos e interfaces diseñados por su creador. Las personas son el motor que conduce el vehículo, y en ocasiones realizan la mayor parte del trabajo para darle forma y función (por ejemplo, al decidir si el nivel de enhebrado en un foro de discusión es demasiado grande o demasiado poco para ser de interés), pero el vehículo en sí suele desempeñar un papel mucho más significativo en la aplicación que en las diseñadas para redes y grupos.

Es importante identificar aquellos elementos que se relacionan con cada una de las etapas de una aplicación colectiva: selección, captura, agregación, procesamiento y presentación. Esto debe incluir las cosas que harán nuestros programas, lo que esperamos que la gente contribuya, y qué acciones monitorear. Sin tal modelo heurístico orientador, es probable que nos sorprendan los resultados.

En la siguiente subsección brindamos una gama de temas y heurísticas a considerar a la hora de diseñar aplicaciones colectivas para el aprendizaje. No es difícil crear una aplicación colectiva, pero es más complejo crear una que ayude a las personas a aprender. Esto es en gran medida una visión general de grandes patrones de diseño en lugar de una guía para construir aplicaciones colectivas para el aprendizaje. El conocimiento de los mecanismos de inteligencia colectiva como la Correlación de Pearson, la Distancia Euclidiana, las redes neuronales y la probabilidad bayesiana es muy útil, incluso esencial si uno va a involucrarse seriamente en la construcción de tales sistemas, pero aquí no vamos a estar cubriendo estos temas técnicos. En cambio, remitimos a los programadores interesados en la mecánica de las aplicaciones colectivas a Programming Collective Intelligence (2007) de Segaran, que es una excelente cartilla sobre el tema y se relaciona casi exclusivamente con el tipo de colectivo del que hablamos aquí. El wiki socialmente construido, “The Handbook of Collective Intelligence” (scripts.mit.edu/~CCI/HCI/index. php*title=main_page) es un tratamiento más formal pero menos orientado a la práctica del tema que también abarca formas afines de pensar sobre la inteligencia colectiva.

Parcelación

Como Darwin (1872, capítulo XII-XIII) fue el primero en observar, la parcelación es una característica importante de un sistema en evolución. Esto es especialmente significativo cuando se consideran conjuntos grandes, redes o grupos de una forma tribal. Sin algunos medios para separar poblaciones más pequeñas, las dependencias del camino significan que el Efecto Mateo mantiene al éxito en la cima del árbol evolutivo y hace que un sistema sea altamente resistente a pequeñas perturbaciones, como ideas nuevas o diferentes. Para permitir la diversidad, el paisaje evolutivo debe ser parcelado de alguna manera. Es por ello que muchas de las mayores percepciones de Darwin provinieron de su visita a las Islas Galápagos, donde diferentes especies habían evolucionado aisladamente. En un contexto de aprendizaje, un sitio masivo como YouTube sería de poco valor si no fuera posible separar subsecciones: los videos de gatos probablemente abrumarían a los de mayor valor educativo. De igual manera, es posible parcelar según escala temporal, prestando más atención a, por ejemplo, ítems recientes y de actualidad que a todo un cuerpo de puestos repartidos a lo largo de muchos años. Para ilustrar el tema, los sistemas de etiquetado en redes grandes tienden a mostrar conjuntos de etiquetas muy uniformes y suaves. Por ejemplo, en los últimos seis años, más del 80% de las etiquetas de Flickr más populares se han mantenido iguales, a pesar de una colección de personas que utilizan el sistema en crecimiento masivo y presumiblemente cambiante.

El refuerzo causado por las etiquetas existentes combinadas con un conjunto estable de intereses genéricos en la fotografía, la lista de etiquetas incluye muchas obvias como “retrato”, “paisaje” y “blanco y negro”. Esto significa que la lista se mantiene muy estable a lo largo del tiempo. De las menos del 20% de las etiquetas que cambiaron en ese periodo, la mayoría se relacionaron con cambios de interés a gran escala causados por factores externos, como la temporada del año y la popularidad de las películas. En 2005, por ejemplo, Nueva Zelanda fue un destino turístico mucho más popular como resultado de las películas de El señor de los anillos de lo que es hoy en día. Grupos más pequeños, a la inversa, crearán nubes de etiquetas de etiquetas populares que cambian a medida que evolucionan las necesidades del grupo, reflejando el cambio a medida que ocurre. Las poblaciones pequeñas son más dinámicas y siguen el mismo patrón de parcelación que vemos en poblaciones que evolucionan rápidamente en entornos naturales. Esta situación vuelve a señalar la importancia de la parcelación: cuanto menor sea el subconjunto, más probable es que se descubran contenidos relevantes porque el colectivo estará operando dentro de un contexto más preciso. La evolución ocurre más rápidamente en poblaciones pequeñas y aisladas (Darwin, 1872; Calvin, 1997). Los ecosistemas naturales existen en un paisaje muy variado que frecuentemente se divide por fronteras cuyas especies encuentran difíciles o imposibles de atravesar.

Relación de Colectivos con Grupos, Conjuntos y Redes

Los colectivos pueden formar grupos o redes de cualquier tamaño. Sin embargo, si bien varios colectivos tienen igual aplicabilidad, ya sea que surjan en grupos, conjuntos o redes, algunos tipos son más relevantes para uno que para el otro. Por ejemplo, en grupos cerrados rara vez es un tema significativo identificar la confiabilidad, confiabilidad y roles de los miembros: es parte de la definición de grupo que habrá líderes, que la gente conocerá o podría llegar a conocer a otros miembros, y que surgirán normas compartidas y comportamiento solidario . En sets, esto está lejos de ser el caso, y hay muchas aplicaciones colectivas preocupadas por descubrir y establecer reputación, desde eBay hasta Slashdot. Por el contrario, el hecho de que sepamos más sobre las metas y necesidades de las personas dentro de un grupo hace que algunos tipos de aplicación colectiva sean más efectivos en grupos que en conjuntos. Por ejemplo, los sistemas de clasificación simples, especialmente en redes grandes, rara vez son efectivos en conjuntos porque las necesidades de las personas en todo el conjunto varían ampliamente. Sin embargo, en un grupo cerrado, las calificaciones simples pueden dar una reflexión precisa y útil de las opiniones y creencias de un grupo que es valiosa dentro de ese contexto cerrado. En las redes, el mayor valor de los colectivos está en las conexiones mineras entre las personas para identificar relevancia. A menudo, tales recomendaciones son híbridos que también consideran atributos establecidos. EdgeRank de Facebook, por ejemplo, toma en cuenta intereses profesos y palabras clave extraídas del contenido que los usuarios publican o leen.

Evolución

Debido a que el contenido de los sitios sociales proviene en gran parte de los usuarios, están cambiando de espacio y, en muchas formas de conjuntos y redes, puede haber una gran cantidad de contenido de calidad extremadamente variable. Especialmente una vez que comenzamos a emplear procesos colectivos para organizar esta información, un sitio social puede verse como una organización de abajo hacia arriba, una ecología de múltiples publicaciones, discusiones, videos, podcasts y más, todos compitiendo entre sí. Al igual que en la evolución natural, hay replicación con variación. Las buenas ideas se difunden y se refinan, cambiando para adaptarse a las necesidades e intereses percibidos de sus espectadores y participantes. Al diseñar un sistema colectivo, por lo tanto, es importante introducir conscientemente la presión de selección, evitar los efectos fuera de control de Matthew y permitir que la multitud esculpe al colectivo de la manera más eficiente posible. Esto se puede lograr de muchas maneras, a través de la selección activa de recursos mal calificados, el uso de listas ponderadas a través de nubes de etiquetas o resultados de búsqueda ordenados, captura de rutas exitosas y visualización selectiva o ponderada, entre otras cosas.

Diversidad

Para que ocurra la evolución debe haber suficiente diversidad para que las soluciones novedosas tengan la oportunidad de competir. El Efecto Mateo puede sofocar la diversidad pero, especialmente en grupos, también existe el riesgo de que se establezca el pensamiento grupal. La parcelación es una forma de ayudar a la diversidad, pero es igualmente importante crear istmos entre poblaciones, para permitir que las ideas y los problemas se filtren más allá de las islas aisladas. Un poco de aleatoriedad puede recorrer un largo camino: vale la pena introducir resultados aleatorios aquí y allá que permitan mostrar recursos novedosos y raramente utilizados.

Restricción

Al igual que los sistemas naturales, la evolución en un sitio social existe dentro de un paisaje. Algunos aspectos de este paisaje son cómodamente familiares: diseños espaciales, jerarquías estructurales, colores y páginas. Otros tienen más que ver con el proceso: los algoritmos, las reglas formales o informales y las restricciones temporales impuestas por el software. La forma en que construimos los paisajes en los que se forman los colectivos puede tener un impacto masivo en su efectividad. Siempre que tomamos una decisión de diseño respecto a la estructura o comportamiento de nuestro software, estamos dando forma al paisaje en el que se desarrollará el ecosistema: si creamos océanos, obtendremos peces. Si construimos montañas, obtendremos cabras montesas. Las restricciones pueden ser muy útiles, permitiendo que el diseñador considere no solo una multitud amplia e inespecífica sino también una que esté usando el sistema con la intención de aprender. Por ejemplo, puede ser una restricción válida y útil filtrar deliberadamente ciertas formas de contenido de los resultados en función del público objetivo, o crear categorías de arriba hacia abajo que se relacionen con intereses anticipados. La conformación activa también se puede usar para especificar los tipos de actividad en la que se espera que participe el usuario y hacer que el aprendizaje sea más útil. Por ejemplo, usar palabras como “proporcionar etiquetas que describan el valor de este recurso para usted como alumno” puede ayudar a mantener un enfoque en etiquetas pedagógicas en lugar de etiquetas menos valiosas.

Muy pocos intentos de utilizar colectivos hasta ahora han incrustado más que un intento pasajero de pedagogía. Los colectivos se han utilizado como herramientas dentro de un contexto pedagógico más amplio, aplicado dentro de un contexto grupal tradicional restringido o apoyado como modelos simplistas de aprendizaje humano. Existe una necesidad desesperada de que los programadores diseñen sistemas que utilicen colectivos con fines pedagógicos y una arquitectura construida para el aprendizaje, y que lo hagan en el mundo abierto de los sets y redes en lugar de los grupos académicos cerrados para los que se han creado la mayoría de los sistemas adaptativos, si van a alcanzar su plenitud potencial. Google es una tecnología de aprendizaje maravillosa, pero no está diseñada explícitamente para el aprendizaje y a menudo recomienda recursos que no son ideales para las necesidades de un alumno.

Contexto

Particularmente en entornos educativos, el contexto más amplio en el que utilizamos nuestro software social puede desempeñar un papel crucial en la determinación de la forma que toma. Para que un colectivo tenga valor, debe derivarse y utilizarse en un contexto que se relacione con las necesidades actuales de aprendizaje. Como demostramos con el grupo de estudiantes de estudios de comunicación que se enseñaron unos a otros sobre el chocolate, es muy fácil para un colectivo inclinarse ante un conjunto de necesidades e intereses diferentes a los que son de mayor valor. En algunos casos, el contexto puede ser flexible. Los filtros colaborativos, por ejemplo, suelen basar sus recomendaciones en intereses pasados, que pueden ser malos predictores de valor cuando el contexto cambia; pero con pequeñas adaptaciones que permiten a un alumno especificar intereses deliberadamente en el momento de la búsqueda, estos filtros aún pueden ser útiles siempre y cuando otros en la multitud también ha especificado contextos similares. A menos que un sistema esté extremadamente enfocado, las etiquetas y/o categorías o temas preespecificados pueden ayudar a aclarar el contexto. Las etiquetas son más útiles cuando existen medios alternativos para garantizar que las ambigüedades sean mínimas, por ejemplo, limitando los resultados a los de una subcomunidad específica a través de categorizaciones o sitios con fines especiales, o haciendo uso de mecanismos de filtrado colaborativo para identificar a personas con necesidades similares e intereses. Otra forma de hacer que el contexto sea más relevante es considerar los ítems recientes de manera preferencial a los ítems globales calificados, aumentando la probabilidad de que los resultados sean relevantes para el contexto actual. Esto ayuda a lidiar con el problema de que, una vez que hemos aprendido algo, rara vez necesitamos ver otros recursos que nos ayuden a aprenderlo un poco más. En algunos sistemas, como CoFind (Dron, Mitchell, Boyne, et al., 2000), se aplica una ponderación de decaimiento, proporcional a la actividad relativa y uso del sistema, a los recursos más antiguos para que desaparezcan de la lista de recomendaciones.

Escrutabilidad

Muchos de los algoritmos que generan colectivos en el ciberespacio son secretos comerciales, celosamente custodiados por sus dueños. Fuera de Google, Amazon, Facebook y organizaciones comerciales similares, y más allá de la cantidad relativamente pequeña de trabajo publicado que producen, solo podemos adivinar los medios que utilizan para agregar la sabiduría de la multitud para dar forma a nuestras experiencias. Cuando sea posible, el comportamiento de los algoritmos y las decisiones que tomen deben ser explícitos, o al menos ser descubribles. Si es posible, los usuarios deben poder ajustar el funcionamiento de los algoritmos y lo que muestran para adaptarse a sus necesidades cambiantes. Para un usuario final, sin embargo, no es necesariamente malo que algunos de los detalles se mantengan en secreto. Como han descubierto Kay y Kummerfeld (2006) y Dron (2002), mientras que la escrutabilidad de los algoritmos y la capacidad de ajustar ponderaciones es mucho que desearse, aumenta la complejidad para el usuario final, muchas veces con poco o ningún beneficio. Una forma de reducir esa complejidad es proporcionar plantillas, asistentes o un rango fijo de ajustes que se ajusten a la mayoría de las necesidades. Sin embargo, para aquellos que estén dispuestos a hacer el esfuerzo de afinar el colectivo a sus necesidades, también debería ser posible acceder a una gama más amplia de entornos. Amazon proporciona un buen ejemplo al hacer uso de algoritmos de pincel ancho de forma predeterminada, pero permitiendo a las personas proporcionar calificaciones explícitas para mejorar sus recomendaciones y especificar elementos para excluir del grupo utilizado para recomendaciones. En principio, es mejor permitir que las personas hagan ajustes en el momento en que son necesarios, más que como un entorno general, pero esto vuelve a aumentar la complejidad cognitiva.

Conclusión

Este ha sido un capítulo largo que, aunque ha cubierto mucho terreno, apenas ha arañado la superficie de los beneficios de enseñanza y aprendizaje del uso de colectivos. Creemos que vale la pena dedicarle tiempo porque los colectivos son fundamentales para abrir un aprendizaje permanente rentable, receptivo y socialmente habilitado. Hemos visto que las redes y los conjuntos brindan ricas y variadas oportunidades de aprendizaje pero, a diferencia de los grupos, no son formas tecnológicas y por lo tanto no brindan los procesos de apoyo que han evolucionado a lo largo de cientos de años de uso grupal educativo. Los colectivos tienen el potencial de ser organizadores del aprendizaje, presencias docentes que pueden guiar y ayudar a los alumnos de acuerdo a sus necesidades, al tiempo que les permite mantener el control del proceso de aprendizaje y participar en un aprendizaje social rico. Si bien hemos tenido colectivos desde los albores de la civilización humana, la escala del ciberespacio y el potencial del software social para generar nuevas y más complejas formas de colectivo lo convierten quizás en la característica distintiva más significativa entre la nueva generación de aprendizaje en línea y lo que vino antes ello.

La capacidad de examinar redes a gran escala, y especialmente conjuntos, nos permite vislumbrar la mente grupal que antes era invisible, y explotar la sabiduría de la multitud de formas nuevas y pedagógicamente valiosas. Sin embargo, no se deben subestimar los peligros de la estupidez de la mafia. Al confiar nuestro aprendizaje a la multitud también lo estamos confiando a los algoritmos, tanto dentro de la mente de las personas en la multitud como en el software que agrega y transforma su uso. El diseño cuidadoso de aplicaciones colectivas para el aprendizaje y la conciencia consciente de sus fortalezas y debilidades puede ayudar en gran medida a aumentar su confiabilidad, pero también es importante que los alumnos y profesores desarrollen la alfabetización colectiva: saber qué están haciendo los colectivos, cómo es su experiencia de aprendizaje siendo moldeados por ellos, y saber dónde están los peligros. En el capítulo 9 exploramos estos y otros peligros del software social con mayor profundidad.