Cómo ayudan las tecnologías

Utilidad y calidad de las visualizaciones

A estas alturas resulta incluso arriesgado cuestionar la utilidad de las tecnologias en la investigation, у lo es aim mas si tenemos en cuenta que la cultura cientifica desde hace aiios tiende hacia la consolidation del aprendizaje en red у colaborativo сото modelos prevalentes (para una reflexion: Guitert у Perez-Mateo 2013). Las comunidades у redes de aprendizaje serian la mejor forma de mitigar la subjetividad implicita a cualquier investigacion, incluso empirica, que pretenda ocuparse de lo objetivo у real (Garrison у Anderson 2005). Deciamos que la gestion del conocimiento, el ciclo medio de vida del mismo у otros multiples factores obligan a replantear las formas de representation de los resultados de investigacion. Para unos humanos profundamente visuales incluso en la expresion lingiiistica del mundo circundante (entre otros, San Roque et al. 2015), parece que las visualizaciones pueden considerarse сото formas mas digeribles, atractivas у transferibles o, dicho de otro modo, mas eficientes, si lo que pretendemos es alimentar la red de comunicacion cientifica a la que nos referiamos anteriormente.

La inmediatez, el flujo continuo de informacion у la incidencia de las nuevas tecnologias sobre la atencion у la forma en que pensamos (Hayles 2012) exhortan a usar las tecnologias para poder crear conocimiento у posibilitar que este pueda ser compartido, reciclado о reutilizado. En el caso que nos ocupa, debemos tener en cuenta, por un lado, que la Visualizacion de la informacion no necesariamente obliga al uso de tecnologias y, por otro lado, que las tecnologias en este ambito se usan para simplificar informacion compleja, abstracta, para darle forma a algo que puede no tener forma (Wise et al. 1995) y, por tanto, implican una serie de deci- siones controvertidas que atanen tanto al tratamiento de los datos у la election de los elementos que seran mostrados, asi сото a la propia tipologia de la representacion visual. En cualquier caso, creemos que el potencial de la interfaz tecnologia- cognicion sobre la que se cimienta la Visualizacion (entre otros, Ware 2004) es sumamente atractivo e innegable y, lo que parece mas importante, que se adapta mucho mejor que otro tipo de representaciones a la sociedad de conocimiento actual (Meyer 2010).

Ahora bien, si de lo que se trata es de dotar de entidad cientifica a la Visualizacion en cuanto metodo, una de las primeras observaciones que debemos hacer atane a la necesidad de definir, en la medida de lo posible, que entendemos por una buena visualizacion. Y es que, si algo ha quedado claro con el boom de las representaciones visuales para todo tipo de datos es que, segun la simple pero contundente formula con la que comienza Healy (2019, 1), “unas visualizaciones son mejores que otras”. Cabe, no obstante, preguntarse el porque. Tufte (1983) ya se preguntaba que era una buena visualizacion; Healy (2019), por su parte, prefiere ocuparse de que es lo que hace que una visualizacion sea mala. En cualquier caso, у si partimos de una solucion sencilla, podriamos decir que una buena visualizacion es aquella que permite crear conocimiento a partir de una cantidad grande de datos abstractos, a la vez que posibilita que el receptor pueda interaccionar tanto con los datos сото con la propia visualizacion.

Dos cuestiones, por tanto, son fundamentales a la hora de construir una buena visualizacion: por un lado, debemos conocer muy bien los datos de los que dis- ponemos o, dicho de otro modo, debemos saber que tipo de datos se tienen; por otro lado, es crucial resaltar que parte del exito de una visualizacion radica en la correlacion entre el objeto de estudio у el tipo de visualizacion elegido. No en vano, una buena visualizacion sera aquella que responda de manera eficiente a una pregunta de investigacion basada о guiada por datos abstractos bien cono- cidos, entendiendo que la eficiencia (Evergreen 2014) radica precisamente en la construccion de conocimiento. No basta con darle forma visual a un con- junto de datos. La visualizacion debe ajustarse a los atributos de estos datos у al objetivo de la investigacion, aunque en muchas ocasiones pueda trascenderlo debido a su potencial exploratorio, a su enorme capacidad de servir de punto de partida. Esto es valido tanto si partimos de un conjunto de datos ya recopilado con los correspondientes atributos у subatributos, сото si la seleccion de datos se hace para responder a una hipotesis previa (Scheiner 2004). Es por eso que se propone hablar de “datos inteligentes” (smart data) сото matiz al concepto generalizado de big data (Schoch 2013), siendo los primeros, a diferencia de los “grandes datos”, semiestructurados о estructurados, limpios, explicitos у de heterogeneidad limitada y, por tanto, optimos para las visualizaciones. En muchas ocasiones el fracaso de una visualizacion viene producido por una inapropiada seleccion о tratamiento de los datos, cuya defmicion, gestion, procesamiento у tratamiento son cruciales para cualquier investigacion en Humanidades digitales у Visualizacion de la information (Owens 2011; Schoch 2013; Flanders у Jan- nidis 2018).

Limitaciones de las visualizaciones

En este apartado trataremos algo que parece obvio por la naturaleza del metodo expuesto: nos encontramos ante un area especialmente interdisciplinar (Meyer 2010), basada en la toma de decisiones sobre cantidades normalmente grandes de datos abstractos у mediante la prediction de la reception, de сото la information sera procesada para producir conocimiento. Por todo esto, se trata de un enfoque especialmente susceptible a la critica, tanto en lo metodologico сото en lo procedimental.

No es escasa la literatura cientifica que pone de relieve las limitaciones у escollos caracteristicos del tratamiento у representation visual de datos (entre otros, Ware 2004; Bresciani у Eppler 2009, 2015). Desde los inicios, la literatura cientifica se ha preocupado por localizar el top ten de los problemas de la Visualization (Hibbard 1999; en la Visualization cientifica: Johnson 2004). Estos suelen estar relacionados con cuestiones cognitivas у de perception visual, asi сото con el diseno de las visualizaciones, pero existen otros ambitos que requieren atencion. El primero de ellos atane a las deficiencias visuales у а сото proceder у que proponer para que la Visualization no sea un campo inaccesible para un tipo de audiencia (Jones у Broadwell 2008). El segundo concierne al grado en que un receptor sabe aprender de las visualizaciones. En este caso seria interesante contar, en el campo especifico de ELE o, al menos, en el de la ensenanza у aprendizaje de lenguas extranjeras, con estudios empiricos en la linea del realizado por Rau (2017), que ayuden a compren- der hasta que punto las visualizaciones pueden, en un contexto concreto, favorecer el aprendizaje. Este aprendizaje a traves de las visualizaciones (Uttal у Doherty 2008) debe ser aun estudiado con detalle, lo que permitira recurrir a modelos de visualizaciones, digamos, no basadas en lo visual, por ejemplo, mediante information haptica (Reiner 2008). El tercer ambito de controversia es especialmente sensible para ELE por los multiples contextos en los que viven las diferentes variedades del espanol: el impacto de la cultura у los nichos ecologicos у socioculturales sobre la experiencia lingiiistico-perceptual (Barros Garcia у Claro Izaguirre 2015) o, segtin la excelente formula de Bresciani (2014), plantearse si el otro ve lo que yo veo.

Casi todas las dificultades se pueden englobar en la reflexion de que visualizar es representar у no solo dibujar (Lau у Vande Moere 2007). Esta es la razon por la que los estudios sobre у basados en visualizaciones deben tener un aparato metodologico consistente en el que se expongan las decisiones adoptadas para paliar todo este tipo de limitaciones. Incluso las visualizaciones mas criticadas en estos aspectos han sido tratadas e implementadas de manera que su eficiencia fuese bastante alta (entre otros, Tessem et al. 2015).

Desde una perspectiva mas global, cabe preguntarse si acaso no se produce algiin tipo de condicionamiento en el receptor por el simple hecho de que la information sea provista de forma visual, pudiendo las visualizaciones exagerar la sensation de certeza (Azzanr et al. 2013). Puede que la reduction del coste cognitivo (Keim et al. 2008) que suponen las visualizaciones implique cierta suspension de la incredulidad en el receptor. De forma similar, Ware (2004) advertia de la extremada dependencia de las visualizaciones con respecto a los datos de origen: cualquier minirno fallo en ellos conlleva una visualizacion incorrecta. Y, de nuevo, conviene aqui insistir en la necesidad de recapacitar sobre la importancia de que exista una verdadera adecuacion entre la pregunta de investigacion у el tipo de visualizacion elegida. Por ultimo, es coherente destacar otro de los escollos ante los que nos encontramos con frecuencia: la no disponibilidad de los datos. En este sentido, convendria seguir modelos сото los desarrollados en EE. UU., donde a traves de data.gov se ponen a disposicion del publico interesado ingentes cantidades de datos. Solo promoviendo este facil acceso a repositorios de datos se podran implementar procedimientos у tecnicas para la resolucion de problemas de forma colaborativa у a nivel mundial (entre otros, Moretti 2005; Griffin у Hayler 2018).

 
Source
< Prev   CONTENTS   Source   Next >