COMPROMISO EDUCATIVO Y SOCIAL

La reflexión que quiero plantear a continuación gira en torno a la generación y el uso de datos, una temática que demasiadas veces nos ha dado pereza en el seno de las entidades del tercer sector social.

Sin embargo, sólo sacudiéndonos la pereza tendremos la oportunidad de dar cuenta de lo que somos, mejorar lo que hacemos y situarnos en una posición privilegiada para convertirnos en catalizadoras relevantes de un nuevo paradigma que ya empezamos a experimentar, convirtiendo la inteligencia artificial en inteligibilidad social. 

Los tres movimientos que vienen a continuación siguen un mismo patrón, el que nos presenta Isabelle Stengers cuando nos dice que toda ciencia, incluso las consideradas ciencias duras o naturales, tienen un modo de funcionar común. Se trata de meterse de acuerdo en las dimensiones que queremos relacionar y fijar esta relación para que el fenómeno se exprese –a través de los datos–. La autora explica que una de las primeras personas en seguir esta lógica fue Copérnico cuando estudió las leyes por las que se rige un plan inclinado. Copérnico decidió, por ejemplo, considerar que los cuerpos que entraban en sus ecuaciones no podían tener fuerza interna de movimiento (a diferencia de un coche) o que el coeficiente de fricción del cuerpo en relación con la superficie por la que se desplazaba debía ser igual a cero (a diferencia, por ejemplo, del coeficiente al que se enfrenta un alud). ¿Para qué nos puede ser útil, pues, esta pequeña nota epistemológica a las entidades del tercer sector? 

Accountability

Fijar la relación entre dimensiones para generar datos es necesario para dar cuenta de lo que hacemos y, en consecuencia, qué somos las entidades del tercer sector. Es lo que en inglés se llama accountability y nos es necesaria por dos motivos. Por un lado, debemos reconocer que el nuestro es un sector que, por definición y por funcionamiento, no genera beneficios per se. Esto significa que los recursos que utilizamos para pagar nuestras nóminas y/o llevar a cabo los programas que impulsamos nos llegan externamente, ya sea provenientes del sector público o privado. En ambas casuísticas es necesario demostrar que los recursos que recibimos tienen la potencialidad de generar cambios significativos, y esto sólo podemos hacerlo a través del uso de los datos. Esta lógica resulta cada vez más evidente. De ahí, por ejemplo, que cada vez estén más en boga los procedimientos para calcular el Social Return of Investment (SROI). Pero más allá de que esto pueda parecer una fiscalización de nuestro trabajo, creo que tiene sentido que el sector rinda cuentas de lo que recibe y de cómo lo transforma en resultados identificables, de la misma forma que nosotros deseamos que una persona dedicada a la política defienda nuestras sensibilidades llegado el momento, que la lavadora que hemos comprado no se desmonte después de dos lavados o que el plato que nos sirven en el restaurante sea realmente suculento. 

Y más importante, si cabe: apropiarnos de esta accountability puede jugar decididamente en nuestro favor. Porque todas nos hemos encontrado en la situación de estar en una conversación y oír la frase de “qué interesante” o incluso, con un punto de romanticismo, ese típico “qué bonito que es tu trabajo”. Te puede parecer bonito, pero lo que hacemos con los programas que impulsamos, decididamente, es catalizar un cambio en favor de una sociedad un punto más justo. Y esto, si no generamos datos, es imposible de demostrar. 

Evaluación

Más allá de dar cuenta de lo que hacemos, generar datos es imprescindible para hacerlo mejor, tanto en términos de eficacia como eficiencia. Y para hacerlo mejor, sólo hay una receta: evaluar, evaluar y evaluar. Porque si no, podemos encontrarnos con el caso de algunas campañas de sensibilización contra el uso de drogas que se han venido impulsando durante muchos años y que, sorpresa, una vez evaluadas queda demostrado que no sólo no consiguen los objetivos pretendidos, sino que incluso son contraproducentes. Si bien es cierto que la lógica de la evaluación está impregnando cada vez más el seno de nuestras entidades, todavía nos queda mucho por asentar una dinámica de mejora continua de cada una de las acciones que implementamos. Y no hablo de realizar una evaluación de impacto con grupos contra factuales y a largo plazo para cada uno de los programas que impulsamos. Hablo, como nos recordaba Isabelle Stengers, de ser cada vez más conscientes de las dimensiones sobre las que se asientan los cambios que queremos conseguir y fijar estas dimensiones para generar datos que nos digan si realmente se dan estos cambios. Se trata de superar el típico cuestionario de satisfacción para empezar a comparar qué situación había antes de nuestra intervención y cuál después, mediante, por ejemplo, lógicas Ex-ante. Pero también se trata de democratizar la evaluación de los resultados, confrontando las percepciones de los diferentes agentes que forman parte del proyecto, de ponerlos a dialogar para identificar mejoras potenciales que pueden suponer beneficios para todos los agentes de la ecuación. Se trata, también, de confrontar de forma asertiva pero rigurosa estas mejoras potenciales con los agentes que tienen poder de incidencia. Porque no se trata en ningún caso de señalar a culpables. De lo que se trata es de aprender de lo que no ha funcionado para hacerlo mejor la siguiente vez o utilizar menos recursos para llegar al mismo resultado. 

Recuerdo, en este sentido, comentar de forma interna los resultados de una evaluación que hemos llevado a cabo desde el departamento de Consultoría y Estudios de la Fundación Pere Tarrés sobre una acción formativa en la que, a pesar de ser pensada para ser trabajada desde una perspectiva de género, constatábamos que algunas de las participantes habían tenido problemas para dar cuenta de cómo afectaban a las diferentes vulnerabilidades a la población de estudio. En este contexto, llegar a un entendimiento con la formadora sobre la mejora que supondrá, en futuras ediciones de la formación, trabajar la perspectiva inter-seccional más explícitamente para aprehender el fenómeno de una forma más profunda es algo que debería darse con más asiduidad, por responsabilidad y, por qué no decirlo, por la satisfacción que da el entendimiento entre evaluadora y evaluada hacia una mejora potencial.

Conquistar la inteligibilidad social

Y, ya que hablamos de datos, dejadme meter cucharada, para terminar, en el tema estrella del momento: el cambio de paradigma que anunciaba al inicio de esta pequeña reflexión. Seguramente habéis podido detectar, dentro y fuera de nuestras entidades, una serie de indicios que apuntan a un cambio estructural en muchos sentidos. Términos como Big Data, Machine Learning o Xatboot comienzan a aparecer cada vez más en las relaciones que mantenemos con diferentes agentes (de dentro y fuera del Tercer Sector). Seguramente, cuando oímos estos términos nos asaltan un montón de sensaciones, algunas de ellas contradictorias. Hay nerviosismo hacia un cambio que intuimos que será importante, pero del que desconocemos su alcance, las lógicas que dan forma a los fenómenos de los que hablamos y el papel que debemos jugar en todo ello. Incluso se intuye la amenaza de que ese cambio de paradigma nos deje fuera de juego. También sentimos incredulidad sobre los cantos de sirena de las voces que nos dicen que esto que viene será una panacea, que todos los problemas que estructuralmente hemos venido arrastrando hace años se verán solucionados en un chasquido de dedos —el de una persona dedicada a la programación introduciendo código. Pero en el cúmulo de sensaciones también existe la esperanza de una oportunidad que vale la pena explorar y que puede suponer cambios significativos. 

Sin duda existe potencial. Como caso paradigmático para sostener esta afirmación y para dar un primer punto de inteligibilidad al fenómeno utilizaré, díganme original, las 64 casillas de un mostrador de ajedrez. Hasta el año 2017, los módulos de ajedrez (el software capaz de decidir, en una posición dada, cuál era la mejor jugada) eran programados a partir del análisis y relación de un cúmulo de insights como podían ser: los principios básicos que se habían ido consensuando durante años sobre ciertas posiciones, ciertas partidas paradigmáticas, consideraciones de Grandes Maestros... Pero en 2017 llega AlphaZero, un programa desarrollado por una empresa filial de Google llamada Deep Mind que cambia el paradigma. La única información que le es dada al programa son las reglas del juego: los movimientos que pueden realizar cada una de las piezas, las jugadas válidas y las ilegales, cuándo se considera que la partida termina en victoria, derrota o tablas. Y a partir de ahí, mediante Machine Learning, el programa se mete a jugar contra sí mismo durante 24 horas, aprendiendo, a través de ensayo y error, cuáles son las jugadas que dan más probabilidades de victoria en cada momento. Después de estas 24 horas, se llevan a cabo 100 partidas entre este nuevo software -ya entrenado- y lo que se consideraba que era el software más preciso hasta el momento. El resultado fue de 28 victorias de AlphaZero, 72 tablas y ninguna derrota. 

Si nos fijamos, la lógica de este experimento es la misma que la que he estado repitiendo hasta ahora: fijar las dimensiones significativas para generar datos que, posteriormente, serán explotados de forma particular. Eso sí, se incorpora a la ecuación una variable muy particular: la existencia de un ente -un algoritmo- capaz de utilizar los datos generados para potenciar la optimización del sistema. Obviamente, ¡no estoy intentando sugerir que la realidad social es tan cuadriculada como un mostrador de ajedrez! Pero lo que sí pretendo argumentar es que las entidades del tercer sector tenemos una posición privilegiada para señalar las dimensiones a partir de las cuales estas nuevas aliadas podrán ayudarnos a explotar los datos que seamos capaces de generar, convirtiendo la inteligencia artificial en inteligibilidad social. ¿Quiénes, sino las entidades del tercer sector, tenemos la experiencia para identificar colectivos vulnerables e implementar acciones para contribuir a un orden social más justo? ¿Por qué no nos abrimos a la oportunidad de optimizar nuestros procesos, mejorando así su eficacia y eficiencia? ¿Por qué no empezamos a proponer grupos multidisciplinares cuando optamos a licitaciones para potenciar sinergias técnico-sociales? 

Esto es, de hecho, lo que ya están haciendo diferentes iniciativas que utilizan estas aliadas para diferentes acciones como pueden ser: un robot guiado con inteligencia artificial capaz de reconocer el estado emocional de niñas y niños en situaciones conflictivas para ayudarles a mejorar su rendimiento escolar o que es capaz incluso de mejorar la relacionalidad de niños que transitan el espectro autista, los cuales comienzan a hablar después de mantener ciertas interacciones con el robot. O los modelos que empiezan a utilizarse para mejorar el éxito de programas de inserción laboral, a partir de identificar las variables más relevantes para conseguir el éxito pretendido. O la aplicación que utilizando la inteligencia artificial es capaz de predecir, con un 99% de certeza, si ciertas muestras de sangre contienen malaria, sin utilizar el microscopio. O la aplicación capaz de detectar síntomas de depresión en personas mayores que viven solas según sus patrones de movimientos...

Sé que párrafos como el anterior corren el riesgo de sonar de forma demasiado armónica con los cantos de sirena de los que os hablaba. Obviamente, como todo cambio de paradigma, existen riesgos que deberemos atender y controlar. La protección de datos personales o la trazabilidad de los datos son seguramente las temáticas más evidentes, pero detrás se esconden otros muchos peligros. La polémica suscitada por la pretensión de la Generalitat de impulsar mecanismos de inteligencia artificial en el campo de la salud mental en infancia es un claro ejemplo de ello.

Como le gustaba repetir hasta el aburrimiento a Miquel Domènech, mi director de tesis, la tecnología no es buena ni mala, pero no es neutra. ¡Entre el grito ludista de “quememos las máquinas!” y los cantos de sirena que he intentado desafinar, existe una potencialidad que merece ser explorada. No sólo porque resulta bastante obvio que otros sectores con posicionamientos éticos bastante distantes a los del tercer sector ya están formando alianzas para impactar en nuestras vidas en temáticas como pueden ser el marketing o la especulación bursátil, sino porque de verdad creo que las entidades del tercer sector tenemos una posición privilegiada para convertirnos en agentes relevantes de las configuraciones que empezaremos a vivir a partir de ahora si somos capaces de afrontar la necesidad de quitarnos la pereza y empezar a practicar el mantra “stengeriano”: fijar relaciones entre dimensiones, generar datos y utilizarlos para identificar mejoras potenciales. Sólo si hacemos nuestra esta premisa seremos capaces de aliarnos con estos nuevos agentes para convertir la inteligencia artificial en inteligibilidad social. Generar datos para ser, mejorar e incidir de manera decisiva en las sociedades a las que daremos forma, éste es el camino que les propongo.