COMPROMÍS EDUCATIU I SOCIAL

La reflexió que vull plantejar a continuació gira entorn de la generació i l’ús de dades, una temàtica que massa cops ens ha fet mandra en el si de les entitats del tercer sector social.

No obstant això, només espolsant-nos la mandra tindrem l’oportunitat de donar compte del què som, millorar el què fem i situar-nos en una posició privilegiada per esdevenir catalitzadores rellevants d’un nou paradigma que ja comencem a experimentar, convertint la intel·ligència artificial en intel·ligibilitat social. 

Els tres moviments que venen a continuació segueixen un mateix patró, el que ens presenta Isabelle Stengers quan ens diu que tota ciència, inclús les considerades ciències dures o naturals, tenen un mode de funcionar comú. Es tracta de ficar-se d’acord en les dimensions que volem relacionar i fixar aquesta relació per tal de que el fenomen s’expressi -a través de les dades-. L’autora explica que una de les primeres persones a seguir aquesta lògica va ser Copèrnic quan va estudiar les lleis per les quals es regeix un pla inclinat. Copèrnic va decidir, per exemple, considerar que els cossos que entraven dins les seves equacions no podien tenir força interna de moviment (a diferència d’un cotxe) o que el coeficient de fricció del cos en relació amb la superfície per la qual es desplaçava  havia de ser igual a zero (a diferència, per exemple, del coeficient al que s’enfronta una allau). Per a què ens pot ser útil, doncs, aquesta petita nota epistemològica, a les entitats del tercer sector?

Accountability

Fixar la relació entre dimensions per generar dades ens és necessari per donar compte de què fem i, en conseqüència, què som les entitats del tercer sector. És el que en anglès s’anomena accountability i ens és necessària per dos motius. Per una banda, hem de reconèixer que el nostre és un sector que, per definició i per funcionament, no genera beneficis per se. Això vol dir que els recursos que utilitzem per pagar les nostres nòmines i/o dur a terme els programes que impulsem ens arriben externament, ja sigui provinents del sector públic o del privat. En ambdues casuístiques és necessari demostrar que els recursos que rebem tenen la potencialitat de generar canvis significatius, i això només ho podem fer a través de l’ús de les dades. Aquesta lògica resulta cada cop més evident. D’aquí, per exemple, que cada cop estigui més en voga els procediments per calcular el Social Return of Investment (SROI). Però més enllà de que això pugui semblar una fiscalització de la nostra feina, crec que té sentit que el sector reti comptes del que rep i de com ho transforma en resultats identificables, de la mateixa forma que nosaltres desitgem que una persona dedicada a la política defensi les nostres sensibilitats arribat el moment, que la rentadora que hem comprat no es desmunti després de dues rentades o que el plat que ens serveixen al restaurant sigui realment suculent. 

I més important, si cap: apropiar-nos d’aquesta accountability pot jugar decididament al favor nostre. Perquè totes ens hem trobat en la situació d’estar en una conversa i sentir la frase de “que interessant” o inclús, amb un punt de romanticisme, aquell típic “que bonica que és la teva feina”. Et pot semblar bonica, però el que fem amb els programes que impulsem, decididament, és catalitzar un canvi en favor d’una societat un punt més justa. I això, si no generem dades, és impossible de demostrar.

Avaluació

Més enllà de donar compte del què fem, generar dades és imprescindible per fer-ho millor, tant en termes d’eficàcia com d’eficiència. I per fer-ho millor només hi ha una recepta: avaluar, avaluar i avaluar. Perquè si no, ens podem trobar amb el cas d’algunes campanyes de sensibilització contra l’ús de drogues que s’han vingut impulsant durant molts anys i que, sorpresa, un cop avaluades queda demostrat que no només no aconsegueixen els objectius pretesos sinó que inclús són contraproduents. Si ve és cert que la lògica de l’avaluació està impregnant cada cop més el sí de les nostres entitats, encara ens queda molt per assentar una dinàmica de millora contínua de cadascuna de les accions que implementem. I no parlo de fer una avaluació d’impacte amb grups contrafactuals i a llarg termini per cadascun dels programes que impulsem. Parlo, com ens recordava Isabelle Stengers, de ser cada cop més conscients de les dimensions sobre les que s’assenten els canvis que volem aconseguir i fixar aquestes dimensions per tal de generar dades que ens diguin si realment es donen aquests canvis. Es tracta de superar el típic qüestionari de satisfacció per començar a comparar quina situació hi havia abans de la nostra intervenció i quina després, mitjançant, per exemple, lògiques Ex-ante. Però es tracta, també, de democratitzar l’avaluació dels resultats, confrontant les percepcions de les diferents agents que prenen part del projecte, de ficar-les a dialogar per identificar millores potencials que poden suposar beneficis per totes les agents de l’equació. Es tracta, també, de confrontar d’una forma assertiva però rigorosa aquestes millores potencials amb les agents que tenen poder d’incidència. Perquè no es tracta en cap cas d’assenyalar culpables. Del que es tracta és d’aprendre del que no ha funcionat per tal de fer-ho millor la següent vegada o d’utilitzar menys recursos per arribar al mateix resultat. 

Recordo, en aquest sentit, comentar de forma interna els resultats d’una avaluació que hem dut a terme des del departament de Consultoria i Estudis de la Fundació Pere Tarrés sobre una acció formativa on, tot i ser pensada per ser treballada des d’una perspectiva de gènere, constatàvem que algunes de les participants havien tingut problemes per donar compte de com afectaven les diferents vulnerabilitats a la població d’estudi. En aquest context, arribar a una entesa amb la formadora sobre la millora que suposarà, en futures edicions de la formació, treballar la perspectiva interseccional més explícitament per tal d’aprehendre el fenomen d’una forma més profunda és quelcom que hauria de donar-se amb més assiduïtat, per responsabilitat i, perquè no dir-ho, per la satisfacció que dona l’entesa entre avaluadora i avaluada cap a una millora potencial.                 

Conquerir la intel·ligibilitat social

I, ja que parlem de dades, deixeu-me ficar cullerada, per acabar, al tema estrella del moment: el canvi de paradigma que anunciava a l’inici d’aquesta petita reflexió. Segurament heu pogut detectar, dins i fora de les nostres entitats, un seguit d’indicis que apunten a un canvi estructural en molts sentits. Termes com Big Data, Machine Learning o Xatboot comencen a aparèixer cada cop més en les relacions que mantenim amb diferents agents (de dins i de fora del Tercer Sector). Segurament, quan sentim aquests termes ens assalten un munt de sensacions, algunes d’elles contradictòries. Hi ha nerviosisme cap a un canvi que intuïm que serà important, però del qual en desconeixem l’abast, les lògiques que donen forma als fenòmens dels que parlem i el paper que hem de jugar en tot plegat. Inclús s’intueix l’amenaça de que aquest canvi de paradigma ens deixi fora de joc. També sentim incredulitat sobre els cants de sirena de les veus que ens diuen que això que ve serà una panacea, que tots els problemes que estructuralment hem vingut arrossegant fa anys es veuran solucionats en un espetec de dits —el d’una persona dedicada a la programació picant codi. Però en el cúmul de sensacions també hi ha l’esperança d’una oportunitat que val la pena explorar i que pot suposar canvis significatius. 

Sens dubte hi ha potencial. Com a cas paradigmàtic per sostenir aquesta afirmació i per donar un primer punt d’intel·ligibilitat al fenomen utilitzaré, digueu-me original, les 64 caselles d’un taulell d’escacs. Fins a l’any 2017, els mòduls d’escacs (el software capaç de decidir, en una posició donada, quina era la millor jugada) eren programats a partir de l’anàlisi i relació d’un cúmul d’insights com podien ser: els principis bàsics que s’havien anat consensuant durant anys sobre certes posicions, certes partides paradigmàtiques, consideracions de Grans Mestres... Però l’any 2017 arriba AlphaZero, un programa desenvolupat per una empresa filial de Google anomenada Deep Mind que canvia el paradigma. L’única informació que li és donada al programa són les regles del joc: els moviments que poden realitzar cadascuna de les peces, les jugades vàlides i les il·legals, quan es considera que la partida acaba en victòria, derrota o taules... I a partir d’aquí, mitjançant Machine Learning, el programa es fica a jugar contra ell mateix durant 24 hores, aprenent, a través d’assaig i error, quines són les jugades que donen més probabilitats de victòria en cada moment. Després d’aquestes 24 hores, es duen a terme 100 partides entre aquest nou software —ja entrenat― i el que es considerava que era el programari més precís fins al moment. El resultat va ser de 28 victòries d’AlphaZero, 72 taules i cap derrota. 

Si ens hi fixem, la lògica d’aquest experiment és la mateixa que la que he estat repetint fins ara: fixar les dimensions significatives per tal de generar dades que, posteriorment, seran explotades d’una forma particular. Això sí, s’incorpora a l’equació una variable molt particular: l’existència d’un ens —un algoritme— capaç d’utilitzar les dades generades per potenciar l’optimització del sistema. Òbviament, no estic intentant suggerir que la realitat social és tan quadriculada com un taulell d’escacs! Però el que sí que pretenc argumentar és que les entitats del tercer sector tenim una posició privilegiada per assenyalar les dimensions a partir de les quals aquestes noves aliades podran ajudar-nos a explotar les dades que siguem capaces de generar, convertint la intel·ligència artificial en intel·ligibilitat social. Qui, sinó les entitats del tercer sector, tenim l’expertesa per identificar col·lectius vulnerables i implementar accions per tal de contribuir a un ordre social més just? Per què no obrim a l’oportunitat d’optimitzar els nostres processos, millorant-ne així l’eficàcia i l’eficiència? Per què no comencem a proposar grups multidisciplinaris quan optem a licitacions per tal de potenciar sinergies tècnico-socials? 

Això és, de fet, el que ja estan fent diferents iniciatives que utilitzen aquestes aliades per diferents accions com pot ser: un robot guiat amb intel·ligència artificial capaç de reconèixer l’estat emocional de nenes i nens en situacions conflictives per ajudar-los a millorar el seu rendiment escolar o que és capaç inclús de millorar la relacionalitat d’infants que transiten l’espectre autista, els quals comencen a parlar després de mantenir certes interaccions amb el robot. O els models que comencen a ser utilitzats per millorar l’èxit de programes d’inserció laboral, a partir d’identificar les variables més rellevants per aconseguir l’èxit pretès. O l’aplicació que utilitzant la intel·ligència artificial és capaç de predir, amb un 99% de certesa, si certes mostres de sang contenen malària, sense utilitzar el microscopi. O l’aplicació capaç de detectar símptomes de depressió en persones grans que viuen soles segons els seus patrons de moviments...   

Sé que paràgrafs com l’anterior corren el risc de sonar d’una forma massa harmònica amb els cants de sirena dels que us parlava. Òbviament, com tot canvi de paradigma, existeixen riscs que haurem d’atendre i controlar. La protecció de dades personals o la traçabilitat de les dades són segurament les temàtiques més evidents, però darrere s’amaguen molts altres perills. La polèmica suscitada per la pretensió de la Generalitat d’impulsar mecanismes d’intel·ligència artificial en el camp de la salut mental en infància n’és un exemple clar.

Com li agradava repetir fins a l’avorriment al Miquel Domènech, el meu director de tesis, la tecnologia no és bona ni dolenta, però no és neutra. Entre el crit ludista de “cremem les màquines!” i els cants de sirena que he intentat desafinar, hi ha una potencialitat que mereix ser explorada. No només perquè resulta bastant obvi que altres sectors amb posicionaments ètics força distants als del tercer sector ja estan formant aliances per impactar a les nostres vides en temàtiques com poden ser el màrqueting o l’especulació borsària, sinó perquè de veritat crec que les entitats del tercer sector tenim una posició privilegiada per esdevenir agents rellevants de les configuracions que començarem a viure a partir d’ara si som capaces d’afrontar la necessitat de treure’ns la mandra i començar a practicar el mantra stengerià: fixar relacions entre dimensions, generar dades i utilitzar-les per identificar millores potencials. Només si fem nostra aquesta premissa serem capaces d’aliar-nos amb aquests nous agents per tal de convertir la intel·ligència artificial en intel·ligibilitat social. Generar dades per ser, millorar i incidir de manera decisiva en les societats a les que donarem forma, aquest és el camí que us proposo.