UNIVERSIDAD TECNICA FEDERICO SANTA MARIA
Peumo Repositorio Digital USM
https://repositorio.usm.cl
Tesis USM TESIS de Pregrado de acceso INTERNO
2018
DESARROLLO DE UNA
HERRAMIENTA PARA LA
VISUALIZACIÓN Y ANÁLISIS DE LA
INTERACCIÓN DISCIPLINAR EN
UNIVERSIDADES CHILENAS
RAMÍREZ JOFRÉ, PATRICIO ANDRÉS
https://hdl.handle.net/11673/47045
DEPARTAMENTO DE INFORMATICA VALPARAISO - CHILE
DESARROLLO DE UNA HERRAMIENTA PARA LA VISUALIZACIÓN Y
ANÁLISIS DE LA INTERACCIÓN DISCIPLINAR EN UNIVERSIDADES
CHILENAS
Patricio Andres Ramirez Jofre
MEMORIA PARA OPTAR AL TÍTULO DE INGENIERO CIVIL EN INFORMATICA
PROFESOR GUÍA : DR. RICARDO ACEVEDO
PROFESOR CORREFERENTE : DR. IVAN OLIVA.
PROFESOR CORREFERENTE : DR. JUAN PABLO CARDENAS.
Las Redes denominadas complejas corresponden una forma de abstracción de un sistema compuesto por muchos elementos que se relacionan de forma no trivial. Su utilidad está relacionada con el análisis y visualización de datos de un sistema, un tipo de estudio desarrollado en diversas áreas y disciplinas, que utilizando un set entidades (nodos) y bajo un grupo relaciones definidas (arcos) que ocurren entre las entidades involucradas, y al ser sometidas a distintos tipos de códigos visuales y conceptos de teoría de grafos, podemos analizar y obtener representaciones de conceptos invisibles o hipotéticos sobre los conjuntos de datos utilizados. Las redes complejas pueden tener cabida en distintos ámbitos de estudios, para este proyecto se buscará crear una herramienta que analice la capacidad transdisciplinaria de las universidades y sus procesos docentes. La transdisciplinariedad corresponde a la formación de conocimientos y órdenes epistemológicas que ocurren en distintos niveles de realidad. Siendo la universidad un ente donde coexisten estos diversos campos disciplinarios, es provechoso estudiar el carácter de las relaciones existentes a nivel académico.
En este trabajo se presenta el estudio y el desarrollo realizado para la construcción de una herramienta que confiera la capacidad de representar la presencia de perfiles transdisciplinarios dentro de los procesos académicos de una universidad, a través del procesamiento de datos de inscripción de cursos obligatorios y facultativos de los alumnos. En base a un grupo de análisis enfocado en las distintas abstracciones de los elementos involucrados, se presentarán distintos tipos de visualizaciones de redes, filtros y métricas, y se entregará nueva información y conocimiento respecto a diversos niveles y aspectos asociados al desarrollo de los perfiles de los alumnos y su capacidad de interacción entre dominios disciplinarios. La herramienta creada entregará distintos tipos de análisis que pueden estar enfocados desde distintos puntos de vistas, de tal forma que bajo ciertas capacidades visuales, es posible encontrar conocimiento y significados subyacentes.
ABSTRACT
Complex Networks corresponds to a form of data visualization, a type of study developed in a wide range of areas and disciplines, that using a set entities (nodes) and under a group defined relationships (arcs) that occurs between the entities involved, that under a group of different types of visual codes and concepts of graph theory, we can analyze to be able to have representations of invisible or hypothetical concepts for the data sets used. Complex networks can have a place in different fields of studies, for this The project will seek to create a tool that analyzes the transdisciplinary capacity of universities and their teaching processes. The Transdisciplinarity corresponds to the formation of knowledge and epistemological orders that occur at different levels of reality, and being the university an entity where these different levels of reality coexist in a mono disciplinary way, it is useful to study how they are at the academic level.
This paper presents the study and the development to build a tool that provides the ability to represent the presence of transdisciplinary profiles within the academic processes of the university, through the data processing of obligatory and optional enrollment of students, and based on a group of analyzes with focus on the different abstractions of the elements involved, present different types of network visualizations, filters and metrics, whom will delivering new information and knowledge regarding different levels and aspects of how the profiles of the students are developed and its ability to interact between disciplinary domains. The tool builded will deliver different types of analysis, which can be put from different points of view, such that under certain visual abilities find knowledge and underlying meanings.
Índice de Contenidos
1. Identificación del problema 1
1.1. Visualización . . . 1
1.2. Enfoque en la Transdisciplinariedad . . . 3
1.3. Objetivos . . . 4
1.3.1. Objetivo Principal . . . 4
1.3.2. Objetivo Secundarios . . . 4
1.4. Estructura de la Memoria . . . 5
2. Marco Teórico 7 2.1. Visualización de Datos . . . 7
2.1.1. Características de una Visualización . . . 8
2.1.2. Tipos de Visualizaciones . . . 10
2.2. Redes y Complejidad . . . 11
2.2.1. Teoría de Grafos . . . 12
2.2.2. Dígrafos . . . 12
2.2.2.1. Búsqueda en profundidad . . . 13
2.2.2.2. Búsqueda a lo ancho . . . 13
2.2.3. Análisis de Grafos . . . 13
2.2.3.1. Reciprocidad . . . 13
2.2.3.2. Assortativity . . . 14
2.2.4. Medidas de importancia de los nodos (Centralidad) . . . 14
2.3. Transdisciplinaridad . . . 16
2.3.1. Disciplinas . . . 16
2.3.2. Transdisciplinariedad . . . 17
2.3.3. Academia . . . 17
2.3.4. Actualidad de la transdisciplinariedad en la educación terciaria en Chile . . . 18
2.4. Patrones de Desplazamiento . . . 19
3. Datos y Análisis 25 3.1. Fuente de Datos . . . 25
3.1.1. Registros Académicos UACH . . . 25
3.1.2. Disciplinas OCDE . . . 27
3.1.3. Modelo Lógico . . . 27
3.2. Diseño de Análisis . . . 27
3.2.1. Filtros . . . 27
3.2.2. Otras Propiedades . . . 29
3.2.3. Carreras . . . 29
3.2.3.1. Conexión general . . . 29
3.2.3.2. Interacción general . . . 30
3.2.3.3. Interacción normalizada de Alumnos . . . 31
3.2.4. Dominios OCDE . . . 33
ÍNDICE DE CONTENIDOS ÍNDICE DE CONTENIDOS
3.2.4.2. Interacción general de Carreras . . . 34
3.2.4.3. Interacción especifica de Carreras . . . 35
3.2.5. Institutos . . . 36
3.2.5.1. Interacción general . . . 36
4. Desarrollo de la Herramienta 39 4.1. Análisis . . . 39
4.1.1. Requerimientos Funcionales . . . 39
4.1.2. Requerimientos No Funcionales . . . 39
4.1.3. Casos de Uso . . . 40
4.2. Estructura General . . . 41
4.3. Implementación Back-end . . . 41
4.3.1. Importador de datos . . . 42
4.3.2. Aplicación web y RESTful API . . . 43
4.3.2.1. Flask . . . 44
4.3.2.2. Estructura implementación . . . 45
4.3.3. Colas de Tareas . . . 46
4.3.3.1. Celery . . . 46
4.3.3.2. Redis . . . 46
4.3.3.3. NetworkX . . . 47
4.3.3.4. Estructura implementación . . . 48
4.4. Implementación Front-end . . . 48
4.4.1. Plataforma de Administración y Análisis . . . 49
4.4.1.1. Angular JS . . . 49
4.4.1.2. Sigma . . . 50
4.4.1.3. Estructura Implementación . . . 51
5. Validación de Resultados 55 5.1. Creación y Visualización por Análisis . . . 55
5.1.1. Creación de análisis . . . 55
5.1.2. Ejecución . . . 56
5.1.3. Opciones de Visualización . . . 56
5.1.4. Visualización . . . 58
5.2. Resultados hacia la Transdisciplinarierdad . . . 63
5.2.1. Alumnos Pregrado y Postgrado . . . 63
5.2.2. Asignaturas Electivas y Facultativos . . . 65
5.2.3. Según Género . . . 69
6. Conclusiones 73 6.1. Conclusiones Generales . . . 73
6.2. Conclusiones de Objetivos . . . 74
6.3. Trabajo Futuro . . . 75
Índice de Tablas
2.1. Dominios disciplinas OCDE . . . 20
3.1. Disección de un registro académico . . . 26
3.2. Dominios disciplinas OCDE Utilizadas . . . 27
3.3. Carrera - Conexión General - Nodo . . . 30
3.4. Carrera - Conexión General - Arco . . . 30
3.5. Carrera - Interacción General - Nodo . . . 31
3.6. Carrera - Interacción General - Arco . . . 31
3.7. Carrera - Alumnos Totales - Nodo . . . 32
3.8. Carrera - Alumnos Totales - Arco . . . 33
3.9. Dominio OCDE - Interacción de Asignaturas - Nodo . . . 34
3.10. Dominio OCDE - Interacción de Asignaturas - Arco . . . 34
3.11. Dominio OCDE - Interacción Alumnos - Nodo . . . 35
3.12. Dominio OCDE - Interacción Alumnos - Arco . . . 35
3.13. Dominio OCDE - Conexión por Carrera - Nodo . . . 36
3.14. Dominio OCDE - Conexión por Carrera - Arco . . . 36
3.15. Instituto - Interacción General - Nodo . . . 37
3.16. Instituto - Interacción General - Arco . . . 37
4.1. Requerimientos Funcionales 1 . . . 39
4.2. Requerimientos Funcionales 2 . . . 40
4.3. Requerimientos No Funcionales . . . 40
4.4. Caso de Uso (UC-001): Ingreso de datos académicos . . . 40
4.5. Caso de Uso (UC-002): Tratamiento de Datos . . . 41
4.6. Caso de Uso Extendido (UC-003): Creación de Análisis de Redes . . . 42
4.7. Caso de Uso (UC-004): Visualizar Redes . . . 42
4.8. Modulos/Plugins utilizados con Flask . . . 45
4.9. Descripción submodulos Aplicación Web . . . 45
4.10. Extensiones/Plugins utilizados con Angular . . . 50
4.11. Descripción submódulos Aplicación Web . . . 52
4.12. Descripción Assets Aplicación Web . . . 53
5.1. Carreras - Interacción Total Interacciones - Postgrado . . . 64
5.2. Asignaturas Electivas - 20 Nodos más conectados . . . 66
5.3. Dominios OCDE - Cantidad de Carreras . . . 67
5.4. Asignaturas Electivas - 10 menos independientes . . . 67
5.5. Dominios OCDE Humanidades - 10 Enlaces Salientes . . . 68
5.6. Dominios OCDE Humanidades - 10 Enlaces Entrantes . . . 68
Índice de Figuras
1.1. Mapa por Charles Minard . . . 1
1.2. How Technologies Are Connected . . . 3
2.1. Workflow Design . . . 8
2.2. Tipos de Visualizaciones I . . . 11
2.3. Tipos de Visualizaciones II . . . 11
2.4. Ejemplos de representación de un Grafo G . . . 12
2.5. Dígrafo,V={a,b,c,d} . . . 12
2.6. Grafo y su representación de árbol de expansión mínimo bajo Búsqueda en profundidad . . . 13
2.7. Grafo y su representación de árbol de expansión mínimo bajo Búsqueda a lo ancho . . . 13
2.8. Desplazamiento disciplinar desglosado por área disciplinar de estudiantes para cada caso . . 21
2.9. Gráficas desglosadas por cada caso . . . 22
2.10. Distribución de cursos por dominio disciplinar, según grados de diversidad de pertenencia de diversidad de pertenencia disciplinar de estudiantes inscritos . . . 23
3.1. Modelo Lógico . . . 28
4.1. Casos de Uso . . . 41
4.2. Estructura Aplicación . . . 43
4.3. Estructura Importador . . . 44
4.4. Ejemplo código de uso Framework Flask . . . 44
4.5. Ejemplo código de uso Celery . . . 46
4.6. Ejemplo codigo de uso NetworkX . . . 47
4.7. Código Javascript utilizado para ejemplo Angular JS . . . 49
4.8. HTML utilizado para ejemplo Angular JS . . . 50
4.9. Ejemplo Sigma . . . 51
4.10. Ejemplo Red Generada en ejemplo Sigma . . . 52
5.1. Proceso creación de un análisis - Etapa 1 . . . 55
5.2. Proceso creación de un análisis - Etapa 2 . . . 56
5.3. Proceso creación de un análisis - Etapa 3 . . . 56
5.4. Proceso Ejecución de análisis - Etapa 1 . . . 57
5.5. Proceso Ejecución de análisis - Etapa 2 . . . 57
5.6. Proceso Ejecución de análisis - Etapa 3 . . . 57
5.7. Opciones disponibles Visualización . . . 58
5.8. Organización visual de la red . . . 59
5.9. Organización visual de la red . . . 60
5.10. Elección de un nodo . . . 60
5.11. Dominios OCDE - Interacción Total Alumnos - Pregrado y Postgrado . . . 63
5.12. Carreras - Interacción Total Interacciones - Postgrado . . . 64
5.13. Asignaturas Electivas - General . . . 66
ÍNDICE DE FIGURAS ÍNDICE DE FIGURAS
1
|
Identificación del problema
1.1.
Visualización
La representación y análisis de datos corresponde a la transformación de registros singulares e inconexos, que siendo trabajados bajo un grupo metodologías sistemáticas, permite medir, experimentar, formular, analizar e hipotetizar, con el objetivo de poder generar nueva información y conocimiento, lo que nos lleva a una mejor comprensión de la realidad. Sin embargo, esto es parte del proceso, de manera que es importante conocer cómo representar toda la data y el análisis para formar una expresión conjunta, cohesionada, capaz de entregar una representación de los resultados obtenidos.
De este modo, la visualización de información se ha transformado en una herramienta que nos permite representar todo ese conocimiento bajo un conjunto de claves visuales, ayudado por la interpretación de elementos cognitivos. Así, podemos transformar la información y datos en nuevas representaciones afectadas por características como formas, colores, direcciones, texturas e incluso interacción entre estos elementos. Estos conceptos fueron similarmente descritos por el Profesor Donis A. Dondi, de la Universidad de Boston de Comunicación Pública, quien llamó a estos conceptos el esqueleto de las fuerzas visuales; sin embargo, estos elementos corresponden más bien a un representación Reduccionista.[7,12]. Si los detalles anteriores describen una visualización en base a sus elementos, esto es solo la mitad de realidad, pues la perspectiva holística -en la que se considera que un modelo completo es irreducible- implica que su significado proviene de elementos interconexos. Es por ello que a partir de la psicología de Gestalt, una colección de elementos tiene significado al ser visto como una unidad más que por sus elementos separados [12].
Un ejemplo a describir corresponde a:
Figura 1.1:Mapa de la campaña hacia Rusia de Napoleon, creado Charles Minard (Carte figurative des pertes
successives en hommes de l’Armée Française dans la campagne de Russie 1812-1813[Tufte].
CAPÍTULO 1. IDENTIFICACIÓN DEL PROBLEMA 1.1. VISUALIZACIÓN
el avance de la campaña francesa hacia Rusia durante el invierno entre 1812 y 1813, y nos muestra bajo múltiples variables la disminución de sus fuerzas bélicas a medida que se acercaban a Rusia. En este gráfico se muestra como se reducen las tropas del ejército de Napoleón, y como características externas los afectaron, por ejemplo, el tiempo, la temperatura, la cantidad de soldados ya sea que avanzaban o que se retiraban e indicadores de posición geográfica. De esta combinación de información podemos notar la cantidad de soldados iniciales parten desde la cantidad de 422,000 y a medida que se avanzaba hacia terrenos rusos a través de tierras polacas y las temperaturas disminuían, notamos que a mitad de camino hacia Rusia el avance francés había bajado a 145,000 soldados, y luego volver a bajar considerablemente cuando atravesaban el río Moska. Llegan a Moscú finalmente 100,000 soldados, es aquí según decisiones estratégicas, que se formula una retirada de las tropas, en consecuencia, la disminución es mucho mayor, el frente bélico debe combatir el invierno ruso, que concluye con el retorno de solo 10,000 soldados, que originalmente fueron 422,000 que formaron el ataque principal.
Este estudio fue realizado en 1869, y demuestra como ciertos elementos visuales que entregan abstracciones visuales de información utilizando un simple grupo de datos inconexos o representaciones a niveles de realidad distintos, se pueden cohesionar de tal manera que logran entregar una descripción de realidad y un grupo de conocimientos nuevos, por ejemplo, del gráfico anterior podemos extraer que es recomendable no atacar Rusia durante el invierno.
Es importante notar en los puntos anteriores que esta forma de representar la realidad fue realizada bajo un grupo de datos muy pequeños, incluyendo datos de carácter muy amplio. En comparación a esto, actualmente el volumen de datos generado ha estallado en los últimos años, esencialmente luego de la introducción de las Tecnologías de Información. De igual modo que la cantidad de datos almacenados ha aumentado, el nivel de granularidad o detalle de ellos es mucho más refinado, son muchas más variables las que pueden ser controladas.
En esta época de la información, cada día se generan 2.5 quintillones de bytes1, en distintos campos y disciplinas, representando diferentes sistemas, modelos, interacciones, fenómenos, entre múltiples y distintos niveles de abstracción de cada disciplina, por lo que crece aún más el volumen generado. Sin embargo, la acumulación de datos sin un proceso de estructuración simplemente corresponde a usos incorrectos de recursos valiosos, ya sea en gastos energéticos, de espacio, de horas de trabajo eficiente, entre otros; pero la más importante pérdida corresponde a la oportunidad de generar nuevos conocimientos y saberes derivados de las relaciones interconexas.
Es por ello que representar la información es una tarea compleja, ya que depende absolutamente de cómo se quiere representar los resultados de un análisis. Existen distintas maneras de representar información bajo una visualización, ya sea a través de gráficos, tablas, grafos, mapas ygráficos de redes. Cada tipo de gráfico tiene su sistema de referencia bajo el cual se sostiene su data
Uno de los tipos de gráficos más contemporáneos corresponde a losGráficos de Redes, que pueden corresponder a árboles de herencias, o taxonomía, o por otro lado redes sociales o flujos migratorios.
Un ejemplo de red a considerar se presenta a continuación en 1.2, el que fue realizado por Stack Overflow, a más de 100.000 desarrolladores en su encuesta anual de desarrolladores durante Enero del 2018. Stack Overflow es la comunidad más grande y más creíble para desarrolladores de software que quieren compartir su conocimiento y construir sus carreras. [StackOverflow]. La encuesta que tenía una duración de unos 30 minutos promedio, y abarcaba temas desde Inteligencia Artificial hasta códigos de ética en desarrollo, a modo de tener distintas métricas e información de la realidad de sus usuarios.
De esta red podemos reconocer ciertos ecosistemas relacionados con el uso de cada desarrollador. Podemos notar ciertos cluster, como el de desarrollo web (JS, HTML y CSS) y su relación principal con el ecosistema basado en Tecnologías de Microsoft (C#, Visual Studio y .NET).
Podemos observar múltiples cluster de distintos grupos de tecnologías comunes. También podemos notar esta leve relación entre tres cluster principales, Desarrollo Móvil Android, Desarrollo Móvil iOS y 1
https://www.forbes.com/sites/bernardmarr/2018/05/21/how-much-data-do-we-create-every-day-the-mind-blowing-stats-everyone-should-read/#35e7585460ba
Figura 1.2:How Technologies Are Connected, basado en una encuesta realizada por StackOverflow2, a mas de 100.000 desarrolladores.
Desarrollo Python y Linux.
Esta memoria se enfocará en el ámbito del desarrollo de análisis y visualización de redes desde la perspectiva de la Transdisciplinariedad en el ámbito académico chileno.
1.2.
Enfoque en la Transdisciplinariedad
Dentro de las universidades existe una latente necesidad de asegurar, y así mismo, cuestionar los distintos perfiles profesionales que la entidad genera, analizándolos desde múltiples puntos de vista prag-máticos y en base a ciertos elementos específicos de las distintas áreas de la educación universitaria, siendo la respuesta más común de la academia el plantear nuevos planes para mitigar ciertos puntos de manera específica y autónoma por parte de académicos, departamentos, unidades académicas y facultades.
No obstante, el mundo exterior se expresa de manera aleatoria e incierta, siendo la realidad afectada por distintas problemáticas -económicas, ecológicas, políticas-, por lo tanto es de gran importancia y cada vez más necesario comprender la realidad desde enfoques complejos.
La universidad corresponde a un espacio neurálgico en donde confluyen diversas matrices disciplinares, definidas en gran medida como un correlato de especialización, lenguaje autorreferencial y experticia temática. He aquí el desafío de comprender una realidad compleja, que no va en medir la calidad de las disciplinas de manera única y aislada, sino que estudiar cómo interactúan estas disciplinas y qué tipos de programas se realizan para entregar perfiles profesionales más íntegros a una realidad multidisciplinaria.
CAPÍTULO 1. IDENTIFICACIÓN DEL PROBLEMA 1.3. OBJETIVOS
internacionales, se han señalado la flexibilidad limitada y la sobre-especialización del currículo como deficiencias estructurales genéricas del sistema. Las bases paradigmáticas actuales de la educación superior tradicional, siguen impulsando esquemas cognitivos disyuntores que buscan la comprensión y el aprendizaje mediante la separación de las partes, mediante saberes inconexos que no dan espacios para la reflexión, la creación, el disentimiento, la curiosidad y la duda (Oliva, 2008).
Cuando las señales generadas por el mercado laboral corresponden a una realidad transdisciplinaria, la problemática por parte de la educación Universitaria no consiste en concentrar el desarrollo de sus disciplinas de manera autónoma, sino, más bien en una dinámica organizacional, a modo de aumentar la capacidad de las universidades para organizar y comunicar campos disciplinares aislados en una orgánica más interactiva y compleja. En este sentido, se apunta a obtener una implicación total en los procesos de generación de información y conocimientos.
En el país, el fenómeno de la convergencia y colaboración en el sistema universitario chileno ha sido investigado desde enfoques de gestión y política universitaria a nivel institucional (Salazar 2003; Cáceres, Cristi 2003), no obstante, los fundamentos paradigmáticos para la convergencia epistemológica de diversas disciplinas, a nivel intra-interuniversitario y su proyección institucional y curricular, siguen siendo escasamente investigados desde programas formales y transversales en Chile.
En el marco del proyecto FONDECYT 1150923 INTERFACES UNIVERSIDAD<->SOCIEDAD DESDE LA PERSPECTIVA TRANSDISCIPLINARIA: METODOLOGÍA DE REDES COMPLEJAS Y MINERÍA DE DATOS APLICADAS A DINÁMICAS DE ORGANIZACIÓN DEL CONOCIMIENTO A ESCALA SOCIAL bajo el investigador responsable, Iván Oliva Figueroa, a la cual este proyecto se anexa, puso el desafío de estudiar la actualidad de la transdisciplinariedad desde el punto de vista de de los sistemas complejos y en particular su representación como redes, a modo de utilizar herramientas de minería de datos para obtener resultados que demuestren la realidad de este fenómeno.
1.3.
Objetivos
1.3.1.
Objetivo Principal
Obtener una representación, mediante del sistema de análisis de redes, para el estudio de dinámicas Inter/transdisciplinariedad en distintas áreas universitarias a modo de obtener información o resultados descriptivos de los datos.
1.3.2.
Objetivo Secundarios
Estudio de la Intra/Transdisciplinariedad dentro de las Áreas Universitarias. Es necesario conocer qué elementos se quieren analizar dentro de una Universidad y que datos son necesarios para continuar con una investigación.
Generar un modelo de datos que describa la Intra/Transdisciplinariedad. Ya conociendo los alcances y las primeras metas que se quieren obtener de este estudio, se debe generar un modelo que represente y abarque todas las áreas a estudiar.
Generar visualizaciones a través de Redes y Minería de datos del fenómeno de Intra/ Transdisciplinari-dad.
1.4.
Estructura de la Memoria
Esta memoria se desarrollará de la siguiente manera: primero se abordarán los contenidos necesarios que contextualizan las líneas principales de la investigación realizada, se explicará un recorrido básico de lo que se entiende como interdisciplinariedad y transdisciplinariedad, y se describirá parte de la realidad actual en Chile. Se explicarán ciertos tecnicismos asociados a los análisis de redes, su impacto, sus beneficios. A continuación se presentaran los casos de prueba, donde se analizarán los datos obtenidos, cómo fueron procesados y cuáles criterios se estudiaron a través de las herramientas de análisis de redes. Ya explicados el proceso y los criterios, se procederán a exponer y describir los resultados. Se finalizará entregando conclusiones respecto a la realidad de la interdisciplinariedad y transdisciplinariedad. Todo esto se estructura de la siguiente manera:
Capitulo 1 Identificación del Problema
Capitulo 2 Marco Teórico
Capitulo 3 Datos y Análisis involucrados
Capitulo 4 Desarrollo de la Herramienta
Capitulo 5 Validación de Resultados
2
|
Marco Teórico
A continuación se describirán conceptos relacionados con la Teoría de Redes Complejas (Complex Networks), una rama de investigación enfocada principalmente en las relaciones generadas entre múltiples actores, ya sean Personas, Instituciones, Conceptos, etc., definiendo las formas en que ellos se relacionan, bajo qué conceptos y características se generan conexiones o lazos entre ellos, no con el fin de obtener información propia de cada actor, sino que entregándonos una descripción más enfocada en las relaciones que ellos generan, con un carácter más dinámico, sistémico y menos individualista.
2.1.
Visualización de Datos
La agrupación de información como herramienta tiene una larga trayectoria, incluso fuera de la visualización. Una de las primeras formas de visualización de información o redes corresponde a la Cartografía. Una de las primeras contribuciones a este estudio corresponde aPtolemy’s Geographia, alrededor de 150 AD. Luego, durante los siglos XV, XVI y XVII se crearon muchas representaciones cartográficas, las cuales cimientan las bases para el desarrollo de la visualización de redes.
En el ámbito de la ciencia, se trata de clasificar o agrupar elementos en una práctica común, por ejemplo, Dmitri Mendeleev agrupó los elementos químicos en la tabla periódica según sus propiedades químicas y pesos atómicos. A través de redes sociales existe una investigación extensa de distintos tipos estudios y análisis cuantitativos, que abarcan distintos tipos de fenómenos, mayoritariamente en redes tecnológicas, algunos ejemplos corresponden al ámbito de Internet, redes de trenes, rutas aéreas, o sistemas eléctricos. Por otro lado, en redes de conocimiento existen casos de sistema de clasificación, intercambio de información, relaciones semánticas entre conceptos; redes biológicas como redes de interacción de proteínas, regularización genética o redes neuronales.
La visualización de redes puede ser una herramienta muy pertinente, tiene la capacidad de traducir una complejidad estructural en ciertos elementos visuales enfocados en entender la realidad de forma más global. Es a través de una representación y un análisis interactivo que la visualización moderna de redes descubre múltiples estructuras invisibles. Las visualizaciones pueden ser agrupadas según la visión de cada usuario, por tipos de tareas o por datos a ser visualizados.
En el libroVisual Insights: A practical Guide to Making Sense of Data[1], se describe un flujo de trabajo para generar visualizaciones 2.1, el proceso comienza cuando se toman los requerimientos de los stakeholders3 de tal manera de entender de cuáles son sus necesidades. A continuación, es necesario recolectar datos de alta calidad, lo que nos lleva a la primera etapa donde los datos deben ser leídos -READ-, interpretada y añadida a un proceso de limpieza. El siguiente paso corresponde en identificar dónde distintos análisis -ANALYZE- pueden realizarse para identificar ciertos patrones y tendencias. La etapa de visualización -VISUALIZE- comprende tres pasos, identificar un sistema de referencia que sobre los datos seran representados, luego modificar el sistema de referencia y adaptarlo a la datos a visualizar, y en tercero, los datos deben representarse con distintas variables visuales. La etapa final corresponde al despliegue -DEPLOY- en que se presentan los resultados en distintos medios. Complementariamente se
CAPÍTULO 2. MARCO TEÓRICO 2.1. VISUALIZACIÓN DE DATOS
(a)Workflow Design
Figura 2.1:Workflow Design o metodo de trabajo para crear visualizaciones creado por Katy Börner y David Polley en
Visual Insights: A Practical Guide to Making Sense of Data[1]
puede incluir una etapa en la que se vuelven a presentar los resultados a los stakeholders, quienes entregan retroalimentación.
2.1.1.
Características de una Visualización
Dentro del libroVisual Complexity, Mapping Patterns of Informationde Manuel Lima, se presentan 8 principios, que si bien no son reglas para crear visualizaciones, corresponden a ciertas guías que se pueden aplicar para crearlas.[12]
1. Comenzar con una Pregunta
La definición de una pregunta es vital y nos ata a la necesidad de un propósito claro. Cualquier proyecto debería empezar con una investigación que pueda llevar a obtener visiones futuras del sistema, y algunas veces una pregunta inicial nos lleva a nuevas preguntas más atractivas.
2. Buscar relevancia
Relevancia en el contexto de las visualizaciones debe provenir de las intenciones básicas de la pregunta formulada. Este aspecto debe ser buscado a través dos elementos centrales, el set de datos inicial (contenido) y las técnicas de visualizaciones utilizadas (método). Puede aumentar las posibilidades de comprensión, asimilación y toma de decisiones, volviéndose un paso fundamental en el proceso de transición de información a conocimiento.
3. Análisis en múltiples variables
representada. Muchos aspectos de la realidad se corresponden con seres multivariables involucra-dos en acciones multivariables en un mundo multivariable, esencialmente la realidad corresponde a interposiciones de elementos, causas y efectos bajo distintos aspectos subyacentes.
4. Adoptar la variable tiempo
La variable de tiempo es una de las variables más difíciles de mapear en cualquier sistema complejo, pero también es una variable que presentan más valor. Si consideramos una red social cualquiera, fácilmente podemos notar que solo se trata de un fotograma en el tiempo, y solo nos entrega un poco de información acerca de esa comunidad. De forma alternativa si el tiempo se mide y mapea correctamente, podría entregarnos distintos tipos de entendimientos generales de las dinámicas de cambio de cierto grupo social.
Las redes son sistemas que evolucionan, mutan y se adaptan constantemente, y no es solamente la red que se adapta, si no que transversalmente, cualquier característica que es intercambiada dentro del sistema, también cambia en el tiempo. La mayoría de las redes son afectadas naturalmente por el progreso en el tiempo, y cualquier representación nunca está completa hasta que esta variable crítica es parte de la ecuación.
5. Enriquecer el vocabulario
Es necesario considerar todos los aspectos y propiedades visuales que se pueden extender a los distintos elementos involucrados en una red. Por un lado, los nodos son la unidad atómica de un grafo y representa los objetos dentro del sistema y pueden proveer información de contexto a través de ciertos tipos de propiedades, y por otro, los arcos son la forma en que se conectan los nodos dentro de un grafo. Dentro de cualquier red, un arco puede expresar mucho más que la conexión entre nodos distintos, cada relación a través de un enlace puede entregar información cuantitativa o cualitativa acerca de la naturaleza del enlace.
Dentro del espectro de propiedades visuales definidas por Jacques Bertin en su trabajoSemiology of Graphics, se encuentran 7 atributos visuales principales:
Posición:Normalmente corresponde a la ubicación x, y (inclusive z) dentro de un plano.
Color:Extensible a atributos a valor, matiz (hue) y saturación.
Forma, Tamaño y Orientación:Pueden explicar la prominencia y el tipo de nodo.
Textura:variaciones bajo distintos patrones de diseño.
Valor:El tipo de escala utilizada, puede ser Categórica, Ordinal, Intervalos o Ratios.
Adicionalmente títulos, etiquetas y textos explicativos son frecuentemente utilizados para entregar el contexto necesario para las visualizaciones, pueden ser elementos primordiales para comprensión de la red.
6. Exponer los grupos
La habilidad para mostrar las distintas variaciones es un atributo central en la visualización de redes. Esto solo puede lograrse a través del enriquecimiento del vocabulario visual al momento de explorar las distintas potencialidades del orden espacial de los elementos. La representación espacial de las distintas relaciones expone características de contraste y similitud entre los elementos.
La idea de creación de grupos simplemente combina las distintas unidades de información en pequeñas piezas ordenadas con la finalidad de reforzar las relaciones, reducir complejidad y mejorar la repre-sentación cognitiva. Existen distintas formas de agrupar elementos, tales como alfabéticamente, por tiempo, posición, escalas, categorías, entre otras posibles.
Los estudios de la psicología de Gestlat, desarrollada por los psicólogos Max Wertheimer, Kurt Koffka y Wolfgang Kohler, fueron intentos serios de comprender la percepción de un patrón visual, analizando como las personas pueden perciben distintos patrones bien organizados, y traducirlos en ciertos principios de diseño.
CAPÍTULO 2. MARCO TEÓRICO 2.1. VISUALIZACIÓN DE DATOS
Ley de Proximidad
Ley de Destino
7. Maximizar las escalas
Uno de los principales conceptos equívocos respecto a las visualizaciones de redes, es donde afirma que tener una representación que funcione a un escala específica, funcionara de igual modo en escala grandes, como una escala pequeña. No solo las redes pueden representar distintos patrones y comportamientos a diferentes escalas, sino que también dependerá completamente en la posición del usuario con respecto a la red.
Visión Macro:Debería entregar una vista de estilo de águila de red, y remarcar ciertos tipos de grupos como grupos separados de la parte principal de la estructura. Esto facilita la comprensión de la topología de la red. En la mayoría de los casos, el uso de color (tanto en nodos y arcos) y una agrupación relevante de ellos, es suficiente para entregar una visión significativa en la organización completa de la red.
Visión de Relaciones:Este punto se concentra en un análisis efectivo de los tipos de relaciones entre los nodos. No solo indica la existencia de conexiones, sino también puede entregar informa-ción más profunda, como la proximidad entre los nodos y el tipo de intensidad de asociainforma-ción.
Visión Micro:La última capa de visiones para una visualización de redes se relaciona con el despliegue de los atributos cualitativos de cada nodo individualmente. Esta representación cualitativa ayuda a identificar las razones tras los patrones de conexión, tanto de nodos altamente conectados, como los vagamente relacionados.
Las tres vistas forman un proceso natural donde se incrementan los detalles a medida que se avanza desde un nivel macro a micro, y una representación correcta puede resultar en un método de medición crítico.
8. Administrar la complejidad
Existen tres conceptos importantes que ayudan a minimizar la complejidad y complementan los distintos tipos de visualizaciones a través de diferentes filtros o zoom:
Adaptarse según el Zoom:Mostrar o filtrar información según el nivel del zoom.
Visión general y detallada:Permitir una visión micro, acompañada de un apoyo de visión macro que entregue un contexto general.
Focos y Contexto:Entregar el nivel de zoom utilizado, dejando el resto de los elementos en la periferia.
Este tipo técnicas ayudan a una mejor comprensión y contextualización de los datos en ciertos sectores de interés.
2.1.2.
Tipos de Visualizaciones
En esta sección se mostrarán algunos ejemplos de distintos tipos de visualizaciones, que enseñen la versatilidad de distintos modelos de datos visualizados utilizando diferentes técnicas de visualización, y como estos pasan de ser una simple representación a entregar un lenguaje visual.
(a) Radial Convergence- Un gráfico de conexiones entre miembros de un grupo de Flickr que comparten interes enProcessing(lenguaje
de programación), Andreas Koberle, 2007 [Köberle]
(b) Centralized Burst- Una red social de 2200 personas según su indice masa corporal durante el año 2000, Nicholas Christakis y
James Fowler, 2007 [Christakis]
Figura 2.2:Tipos de Visualizaciones - Radial Convergence y Centralized Burst
(a) Arc Diagram- Una visualización de Chopin, Mazurka in F# Minor, en estas visualizaciones se repiten secciones con la misma
composición, Martin Wattenberg, 2001 [Wattenberg]
(b) Area Group- Capturas tomadas de ATLAS, una aplicación desarrollada para explorar tecnicas cartograficas al conocimiento,
Marco Quaggiotto, 2008 [Quaggiotto]
Figura 2.3:Tipos de Visualizaciones - Arc Diagram y Area Group
2.2.
Redes y Complejidad
CAPÍTULO 2. MARCO TEÓRICO 2.2. REDES Y COMPLEJIDAD
2.2.1.
Teoría de Grafos
Formalmente un Grafo se define como, un grafoG=(V,E) consta de V: Conjunto Finito de vértices, notar que no existe la posibilidad deV=∅
E: Conjunto de arcos, pares de vértices pertenecientes aV. Un arcoa,b∈Econsta dea,b∈V Existen varias formas de representar gráficos
a
b c
d e
f g
h
(a)Representación gráfica de un Grafo
a b c d e f g h
a 1 0 0 1 0 1 0 0
b 0 1 1 1 0 0 0 0
c 0 0 1 0 1 0 0 1
d 1 1 0 1 1 1 0 0
e 0 0 1 1 1 0 1 0
f 1 0 0 1 0 1 1 0
g 0 0 0 0 1 1 1 0
h 0 0 0 0 0 0 0 1
(b)Grafo representado como matriz de adyacencia
Figura 2.4:Ejemplos de representación de un Grafo G
Algunas Definiciones importantes sobre grafos: SeaG=(V,E) un grafo. El grado de un vértice es el número de otros vértices conectados a él. Parav∈Vesδ(v)=|e∈E:v∈e|
2.2.2.
Dígrafos
Un dígrafo o un grafo dirigidoDconsta de un conjunto finito de vérticesV, y un subconjunto deAde V xV, cuyos miembros se llaman arcos, entonces un Dígrafo se anotará comoD=(V,A).
La principal diferencia entre un Grafo y un Dígrafo corresponde que un arco es un par ordenado, siendox,y∈V, pueden existir los arcosx,yyy,x, gráficamente se indica con una flecha de x a y y de y a x correspondientemente, si hay un arcox,xse indica como un ciclo.
a
b
c
d
Figura 2.5:Dígrafo,V={a,b,c,d}
2.2.2.1. Búsqueda en profundidad
Se llama búsqueda en profundidad (Depth First Search) porque la estrategia esbozada avanza a través de grafo todo lo que puede antes de considerar alternativas, es decir se elige unv∈Vcomo punto de partida, marcarvcomo visitado y avanzar recursivamente por los vecinos devy así continuar hasta llegar a un vértice ya visitado o no poder continuar. Esencialmente requiere avanzar todo lo posible antes de considerar alguna alternativa. a b c d e f g h
(a)Grafo Dirigido original
a
b c
d e
f g
h
(b)Spanning Tree, Depth First Search, inicio en a
Figura 2.6:Grafo y su representación de árbol de expansión mínimo bajo Búsqueda en profundidad
2.2.2.2. Búsqueda a lo ancho
A diferencia de la búsqueda por profundidad (Breadth First Search), en este método se luego de elegir v∈V, se marcavcomo visitado, para luego visitar todos los vecinos no visitados del punto de partida, una vez visitados todos los vecinos del nodo inicial se avanza al los vecinos de éstos.
a
b c
d e
f g
h
(a)Grafo Dirigido Original
a
b c
d e
f g
h
(b)Spanning Tree, Breadth First Search, inicio en a
Figura 2.7:Grafo y su representación de árbol de expansión mínimo bajo Búsqueda a lo ancho
2.2.3.
Análisis de Grafos
2.2.3.1. Reciprocidad
La reciprocidad(Reciprocity) entre dos vértices en un grafo dirigido es una forma de medir la probabilidad de tener arcos o enlaces (edges) en ambas direcciones entre dos vértices, este tipo de medida no se puede obtener en grafos no dirigidos. Esta información es más rica e importante cuando los arcos contienen un peso, así obtener información del intercambio, de una manera más cuantitativa.
r= Ll Lt
,0<r<1
SiendoLtel número total de Arcos yLlel número total de enlaces recíprocos. Debemos tener en
cuenta también Ltse podrían están contando los arcos cíclicos, por lo tanto, un calculo correcto seria el
CAPÍTULO 2. MARCO TEÓRICO 2.2. REDES Y COMPLEJIDAD
Un detalle importante es que a medida que la densidad de un red aumenta, también aumenta la reciprocidad de la misma, ya que es mas probable de tener enlaces recíprocos (Garlaschelli and Loffredo, 2004b).
Otra manera de identificar la reciprocidad de una red es verlo de forma estadística, definimos rho, que nos hace distinguir entre Redes reciprocas (ρ >0) y antireciprocas (ρ <0), estos datos es mas valioso en redes con una alta densidad de nodos. El valor rho, se puede calcular desde la cantidad de Arcos Dirigidos posibles dentro de la red ¯a.[2]
¯
a=X
i,j ai j
N(N−1) = L N(N−1) Para luego finalmente
P= r−a¯ 1−a¯
2.2.3.2. Assortativity
Otra propiedad existente en una Red está dada por su Assortativity (ordenabilidad), que corresponde a la capacidad de un vértice de estar conectado a otro vértice que tenga un grado bien muy similar o no tan similar. Es decir si una Red los cúmulos están conectados entre vértices con grados pequeños, se dice que la Red esta “disassortative” (desordenada). Esta cantidad se puede calcular obteniendo los grados promedios Knn(k) entre todos los vecinos de un vértice con gradok.
Para calcular este último valor, primero debemos calcular el grado promedioKnn(i) de los vecinos del
verticei.[2]
Knn(i)= P
hjiikj nj
Donde jes un vecino dei. Entonces calculamos el promedio de todos los vérticesi, donde el grado es k.
Knn(i)= P
i:ki=kKnn(i) nk
Dondenkes el numero de vértices con gradok.
2.2.4.
Medidas de importancia de los nodos (Centralidad)
Una característica en el análisis de redes es el de centralidad, que puede medir e indicar cuál es la importancia de los nodos dentro de la red, este tipo de análisis puede ser muy importante ya que nos puede caracterizar puntos críticos donde convergen la relaciones que por consiguiente donde se canaliza la información o bien se generan puentes distintas comunidades.
Centralidad por Grados
La centralidad de un nodo o un arco es generalmente percibida como la medida de importancia del elemento dentro de toda la red.
Cd(i)= n X
j=1 xi j
Es necesario notar que la Centralidad por Grados no toma en cuenta la dirección de los arcos, pues se analiza de manera simétrica. Para Grafos dirigidos (Dígrafos) existen los conceptos deindegreeyoutdegree, que corresponden al mismo concepto de la centralidad por grados pero se toma en cuenta la dirección de los arcos.Indegreecorresponde a la cantidad de arcos que recibe un nodo de los otros, este concepto puede medir lapopularidadoprestigiode un nodo dentro de la red, en cambioOutdegreecorresponde a la cantidad de arcos que un nodo se entrega a los otros e indica el grado deexpansividadde un nodo [2,18].
Centralidad por Vectores Propios
Este tipo de centralidad expande los conocimientos de la Centralidad por Grados, y se basa en la suma de las conexiones de un nodo hacia las otrascentralidades por gradosde los otros nodos. Esta centralidad puede corresponder a una extensión de la anterior, pero nos indica de mejor manera los nodos focales dentro de una red, ya que nos enfocamos en los grados de los nodos adyacentes, y aquellos valores influyen de mayor o menor manera en cada nodo.
El punto de partida es definir la centralidad de un vérticeicomo el promedio de la centralidad por grados de sus vecinos, de igual modo este valor se puede representar de manera vectorial.
ci=
1
λ X
j=1,N
ai jcj−→A→−c =λ→−c
De este modo la Centralidad por Vectores Propios, A corresponde a la matriz de adyacencia, y donde
λes el valor propio mas grande de la matriz A[2,18]
Centralidad por Cercanía
Llamado closeness centrality, que se basa en la noción de distancia entre los distintos vértices, corresponde a una propiedad no local de las redes, donde entre menor es la distancia entre los vértices, más grande es la Centralidad por cercanía. Este tipo de centralidad enfatiza la independencia de los nodos, y podemos decir que, si un nodo no es central, indica que necesita de otros para influir en la red; en cambio, un nodo con mucho mayor centralidad, al que se le califica como más independiente, ya no necesita de intermediarios para influir en la red [2,18].
Se calculaci, como la cercanía del nodoi, como:
Ci= X
j,i
1 di j
Para grafos que no son fuertemente conexos.
Ci= X
di j<∞ j,i
1 di j
Centralidad por Betweenness
CAPÍTULO 2. MARCO TEÓRICO 2.3. TRANSDISCIPLINARIDAD
información de los nodos adyacentes a cada uno de ellos, ignorando información que otros nodos aportan a la red.
Otra formano localde medir la importancia de un vértice o arco, es ver qué tan a menudo se visita cuando se recorre la red. Cuando consideramos todas las distancias entre los vértices en la red, entre medio, cruzamos algunos sitios más de una vez. Mientras más frecuente es el paso por un cierto sitio, más grande es elbetweenness.
b(i)= X
j,l=1,n i,j,l
Djl(i)
Djl
DondeDjles el total de caminos con distancias más pequeñas para ir desde jalandDjl(i) es el subconjunto de aquellas distancias que atraviesani. En general entre más grande el grado de un vértice, más grande es el promedio de subetweenness.
Este tipo de centralidad es útil en los casos donde se busca detector comunidades, identificando aquellos nodos o arcos que sonpuentesentre distintas comunidades, y si removemos algunas de estos elementos podemos aislar las distintas comunidades en la red/grafos (Girvan and NewMan, 2002). De esta manera, obteniendo y eliminado aquellos nodos o arcos conbetwennessmás grandes, podemos identificar las distintas comunidades y cuáles son los nodos másinfluyentes[2,18].
2.3.
Transdisciplinaridad
Para contextualizar el enfoque de esta memoria es necesario desarrollar ciertos conceptos, principal-mente el de Transdisciplinariedad, el que inicialprincipal-mente podemos definir como “lo que hay entre las disciplinas, a través de otras disciplinas y más allá de toda disciplina”. Esto corresponde a una propiedad intrínseca de la realidad que indica que la realidad se compone de mucho más que conceptos definidos y cerrados, en cambio corresponde a una visión amplia e interactiva de los distintos niveles de realidad, y que estos, al ser estudiados individualmente, definirán sus límites y fronteras de conocimientos relacionados, incluso si se estudian todos simultáneamente, se continuara teniendo visiones acotadas de la realidad y solo correspondería a acumulación del saber.
2.3.1.
Disciplinas
La noción de disciplina puede ser definida como una categoría organizadora dentro del conocimiento científico, en el que se instituyen la división y la especialización. Por más que se inserte en un contexto científico amplio, una disciplina tiende a la autonomía por medio de la delimitación de sus fronteras técnicas, metodológicas y epistemológicas (Morin, 1999) [17]
Las disciplinas, como tal, se han desarrollado durante muchos años en distintos niveles académicos, y en base a sus avances se han definido marcos generales entre los conocimientos específicos, cuales tienen cierta base equivalente o derivan de los mismos conceptos de origen, ya sean físicos, psicológicos, etc. Esta unión y delimitación de conocimientos corresponde a la disciplina. Un ejemplo es la Biología, que engloba a todas las disciplinas que estudian los organismos vivientes. Algunas veces estas disciplinas son referidas como ciencias de la vida, las cuales corresponden a un término útil para distinguir la Biología de las ciencias físicas, cuales tienen un enfoque en un mundo inanimado. [14]
de tal manera de generar las fronteras que concentran todos los espectros del saber que abarca la disciplina, en los distintos ámbitos técnicos, metodológicos y epistemológicos, utilizando todos sus recursos de desarrollo, bases metodológicas, lenguajes o conceptos necesarios.
En base a estas subdivisiones del conocimiento, se generan un conjunto mayor de disciplinas que buscan describir su realidad, pero a pesar de esto, la realidad entrega señales ambiguas en donde las disciplinas chocan sus límites epistemológicos, o generando comunicación entre disciplinas de ámbitos dispares. Desde esta convergencia, la problemática se torna organizacional en una dimensión no solo estructural, sino alcanzando el registro de profundos procesos epistemológicos ocultos en los esquemas manifiestos de las formas de interacción y comunicación disciplinaria predominante en las universidades contemporáneas. [17]
2.3.2.
Transdisciplinariedad
Es la necesidad de desarrollar nuevas formas de conocimiento, en un tránsito de orden epistemológico-paradigmático transversal a todos los dominios de conocimiento. Una prospectiva hacia la reintegración de saberes dispersos en distintas disciplinas universitarias, con un énfasis no solo en la acumulación, organización y comunicación inter y transdisciplinaria [16]. Entre las señales que entrega la realidad sobre cómo han ido desarrollando la sociología de las disciplinas, entre las señales que transmite el mercado, se debe entender que el conocimiento en núcleos separados no es suficiente. El futuro es una coexistencia de las disciplinas.
Disciplina y transdisciplina no son antagónicas, sino que se complementan. El tránsito desde una a la otra, alcanzando visiones desde distintos niveles de realidad simultánea, genera enriquecimientos recíprocos del conocimiento que facilitan la comprensión de la complejidad. La transdisciplina, más que una nueva disciplina o super-disciplina es, en realidad un modo distinto de ver el mundo, más sistémico, más holístico. [13]
Como comentan Casanueva y Mendes en Notas en favor de la transdisciplina o hacia una epistemología de las relaciones mereológicas entre modelos teóricos y sistemas empírico, la transdisciplina disuelve las barreras disciplinarias o, como su nombre lo indica, las trasciende. Se identifican fenómenos cuya plena caracterización no está inscrita en las formaciones disciplinares individuales de los colaboradores en la empresa, por lo que es menester generar un nuevo lenguaje. El concepto de transdisciplina, por un lado, parece ser una enérgica reacción contra la especialización de las ciencias naturales y humanas, ocurrida durante la sociedad industrial, seguida de sus hiper-especialización durante la segunda mitad del siglo XX. [3]
Actualmente una serie de factores inéditos (tanto internos como contextuales) parecen apuntar hacia nuevas formas de hacer ciencia (producción, transformación, acopio y uso del conocimiento) que restan importancia a la estructura disciplinar propia de las escuelas y universidades.
Existen múltiples indicios de que la realidad se debe tratar de una perspectiva transdisciplinaria, ya que la realidad comprende dimensiones más complejas, y se puede evidenciar bajo distintos ámbitos cómo, por ejemplo, en la realidad del mercado laboral, los profesionales cada vez necesitan más conocimientos extra-académicos; la revolución tecnológica que genera cantidades de información en distintos ámbitos del saber humano, siendo necesario tener distintas perspectivas de la realidad para poder ser estudiadas y analizadas; la necesidad de describir la realidad de manera más robusta para todos los niveles de la sociedad, ya sea académico, empresarial, gubernamental o público. Y la necesidad de las universidades y la academia de manejar la información y conocimiento, rompiendo los patrones disciplinares con prospectos más complejos que satisfagan las necesidades de los múltiples niveles de la realidad. [3]
2.3.3.
Academia
CAPÍTULO 2. MARCO TEÓRICO 2.3. TRANSDISCIPLINARIDAD
impacto en los distintos niveles, ya sea social, sociológico, tecnológico, etc. De esta manera las unidades de conocimientos, ya sean universidades, institutos, empresas, u otros, no corresponden a sistemas cerrados, si no que tienen características homeostáticas, de las cuales se alimentan de las realidades.
La educación siempre ha estado asociada a distintos sistemas sociales, adaptando la función de socialización a la vida en sociedad. Una de las relaciones de más larga data es la que existe entre educación y sistemas productivos. La relevancia asignada a la división del trabajo y especialización aparece con fuerza en la obra de Adam Smith, quien dedica los primeros tres capítulos de su obra “La Riqueza de la Naciones” a trabajar situando el concepto de la especialización en el centro de la teoría del crecimiento económico. [11]
Bajo estos nuevos parámetros, se descompone la relación desarrollo económico – división del trabajo, debido a que los nuevos modelos flexibles de producción (y contratación) requieren de trabajadores flexibles, que conozcan el producto que generan en su amplitud y que puedan realizar distintas tareas productivas, volviendo relevante la pregunta por el perfil profesional que fomentan las instituciones educativas (Campion & Renner, 1992). [11]
La educación ha estado siempre asociada a distintos sistemas sociales, adoptando la función de socialización para la vida en comunidad. Una de las relaciones de más larga data es la que existe entre educa-ción y sistemas productivos.[11] En síntesis, la cuestión en torno a los procesos de fractura epistemológica entre los dominios emergentes, desde una compleja matriz de identidades disciplinares, arriesgan clausuras comunicacionales muy perjudiciales para el desarrollo multidimensional de la educación terciaria en Chile y el mundo. [17]
2.3.4.
Actualidad de la transdisciplinariedad en la educación terciaria en Chile
Actualmente Chile se encuentra bajo un sistema tradicional, que aun encasilla el conocimiento bajo las distintas fronteras disciplinarias. Esta realidad nos hace cuestionar qué tan preparados están los profesionales para afrontar los con los criterios correctos en una índole global. Según el estudio de Koch (2014) los perfiles mono-disciplinarios de las universidades para sus Facultades y Departamentos, representa una arista principal para la formación profesional, y además, influye en problemáticas como la indecisión de nuevo alumnos y la alta deserción de las carreras tanto para institutos como para universidades. [17]
La existente inespecificidad en la elección, que tradicionalmente ha sido identificada como inmadurez o indecisión, desde la psicología educacional y la literatura vocacionalista puede ser interpretada desde otra perspectiva, identificando estos enfoques como mecanismos de protección de las barreras disciplina-rias.
Según distintos datos y los resultados entregados por la investigación realizada entre la colaboración de Koch, Oliva y Contreras, indican ciertos fundamentos que plantean que no necesariamente todos los casos de indefinición de un campo específico del saber en la elección, implicarían necesariamente un problema del estudiante o de los mecanismo de orientación vocacional, sino que pudiese deberse a que las universidades, a través de su estructura parcelada en Facultades y Departamentos, no están siendo capaces de acoger perfiles vocacionales disonantes a esos patrones de organización del conocimiento. [11]
El informe de la OCDE (2009) ha señalado la flexibilidad limitada y la sobre especialización del currículum, como deficiencias estructurales genéricas del sistema, diagnosticando enfoques curriculares generalmente flexibles y demasiado especializados. En relación a la flexibilidad limitada, se señala el énfasis de un currículo rígido, con opciones muy limitadas o sin asignaturas electivas, una vez que el estudiante ha escogido un área de especialización. Esta flexibilidad limitada, además, es uno de los principales impedimentos para la articulación y movilidad entre programas y niveles académicos en Chile (Gaete & Morales, 2011). [11,5]
donde salvo pocas excepciones, no se permite la movilidad lateral entre programas académicos, incluso dentro de la misma institución. [11,5]
Según el enfoque que toma el informe OCDE, han señalado que la pedagogía e investigación de la educación terciaria debe fomentar la relación de diversas áreas del conocimiento en base a programas multi y transdisciplinarios más extensos y formas más complejas de crear conocimiento. [16]
El informe del Consejo Asesor Presidencial para la Educación Superior (2008) nos indica que es necesario un campo de conocimiento que integre la diversidad de saberes cultivados en las Universidades: un proyecto de educación superior donde converjan no sólo las ciencias naturales y tecnológicas, sino además un diálogo con las artes, ciencias sociales y humanidades, como eje organizador para el desarrollo multidimensional de Chile en el contexto planetario. [16]
2.4.
Patrones de Desplazamiento
Según el estudio “Inter/transdisciplinariedad y universidad: patrones de desplazamiento e interactivi-dad disciplinar” realizado por el Investigador Iván Oliva, Tomas Koch y John Quintero, tuvo como objetivo evaluar la capacidad de desplazamiento e interactividad disciplinar entre estudiantes de diversas carreras de acuerdo con la totalidad de estudiantes de pregrado y posgrado.
Dentro de los estudios cualitativos y cuantitativos presentados en esta investigación, se presenta un modelo de procesos de desplazamiento e interactividad disciplinar, y se enfatiza el análisis de patrones estadísticos de recurrencia y correlación del registro curricular.
Se define como patrón de desplazamiento disciplinar a todo proceso de migración o movilidad de estudiantes entre áreas disciplinares diversas. Se utiliza como indicador el cruce entre la pertenencia disciplinar de cada estudiante4y la pertenencia disciplinar de los cursos inscritos en el contexto del currículo flexible de cada institución. La interacción disciplinar se entiende al grado de diversidad de estudiantes participes de un mismo ambiente de aprendizaje formal.
Para efectos de estos estudios se incluyeron tres universidades chilenas con las siguientes característi-cas: instituciones tradicionales y de vocación publica, definidas en sus directrices políticas como universidades complejas (desarrollo de docencia, investigación y extensión), formación de pregrado y postgrado, acre-ditación ante la CNA5y con una organización que incluya facultades de Humanidades, Ciencias Básicas, Ciencias de la Salud y Ciencias de la Ingeniería. De ellos se utilizaron 264.270 operaciones de inscripción de cursos relacionadas con el currículo de todas las carreras y programas vigentes a lo largo de 3 años, que corresponden a 9.948 cursos, codificados según la tipología disciplinar OCDE Tabla 2.1.
Por consiguiente, algunos aspectos de los 3 casos estudiados se pueden describir de manera que:
Caso 1:Corresponde a una oferta de currículo flexible que está abierto para toda la universidad, esto permite el desplazamiento e interactividad disciplinar.
Caso 2: La oferta está dirigida para cada carrera en específico, donde cada una ofrece un currículo flexible que fomenta su formación en otros contextos disciplinares y profesionales.
Caso 3: En este caso la oferta de currículo flexible corresponde a una oferta en el ámbito de las humanidades.
De esto se presentan los siguientes resultados
En la Figura 2.8 se muestra la distribución de estudiantes según su dominio disciplinar correspondiente y los cursos del currículo flexible. Se observa que los alumnos tienen tendencia a inscribir mayoritariamente cursos dentro de su mismo dominio disciplinar.
4Los campos de las facultades a las cuales se adscriben las carreras.
5Comisión Nacional de Acreditación. En Chile es la instancia encargada de la acreditación de carreras e instituciones de educación
CAPÍTULO 2. MARCO TEÓRICO 2.4. PATRONES DE DESPLAZAMIENTO
Ciencias Naturales Matemáticas
Ciencias de la Información y Computación Ciencias Físicas
Ciencias Químicas
Ciencias de la Tierra y del Medio Ambiente Ciencias Biológicas
Otras Ciencias Naturales Ingeniería y Tecnología
Ingeniería Civil
Ingeniería Eléctrica, Ingeniería Electrónica, Informática Ingeniería Mecánica
Ingeniería Química Ingeniería de los materiales Ingeniería Médica
Biotecnología Ambiental Biotecnología Industrial Nanotecnología
Otras Ingenierías y Tecnologías Medicina y Ciencias de la Salud
Medicina Básica Medicina Clasica Ciencia de la Salud Biotecnología Médica Otras Ciencias Médicas Ciencias Agrícolas
Agricultura, Silvicultura, Pesca Ciencia Animal y Lechería Ciencias Veterinarias Biotecnología Agrícola Otras Ciencias Agrícolas Ciencias Sociales
Psicología
Economía y Negocios Ciencias de la Educación Sociología
Antropología Derecho
Ciencias Políticas
Geografía Económica y Social Comunicación y Medios Otras Ciencias Sociales Humanidades
Historia y Arqueología Lenguaje y Literatura Filosofía, Etica y Religión
Arte(Artes, Historia del Arte, Artes Escénicas, Música) Otras Humanidades
Tabla 2.1:Dominios disciplinas OCDE
(a)Caso 1
Figura 2.8:Desplazamiento disciplinar desglosado por área disciplinar de estudiantes para cada caso, Fuente:
Inter/Transdisciplinariedad y universidad: patrones de desplazamiento e interactividad disciplinar[17]
auto referencia).
Para estos resultados de la Figura 2.10, se muestra la distribución de cursos según grados de diversidad de pertenencia disciplinar de estudiantes inscritos, dada la naturaleza de cada caso/universidad.
El objetivo de esta investigación fue levantar información que permitiera evaluar de manera preliminar las regularidades cuantitativas referentes a los procesos de desplazamiento e interactividad disciplinar entre estudiantes de diversas carreras, de acuerdo con la totalidad de estudiantes de pregrado y postgrado de cada institución. Y en términos globales, los resultados muestran que el desplazamiento disciplinar de los estudiantes de todos los dominios disciplinares tiende a la endogamia y autoreferencia.
CAPÍTULO 2. MARCO TEÓRICO 2.4. PATRONES DE DESPLAZAMIENTO
(a)Caso 1
(b)Caso 2
(c)Caso 3
Figura 2.9:Gráficas desglosadas por cada caso, Fuente: Inter/Transdisciplinariedad y universidad: patrones de
desplazamiento e interactividad disciplinar[17]
del currículo flexible es aún insuficiente y su presencia es poco significativa para la gran mayoría de los estudiantes, como se observa en su comportamiento en términos de inscripción de cursos. Esto se da debido a que los alumnos prefieren una movilidad entre áreas disciplinadas dentro de sus límites curriculares antes que otras perspectivas, o sea que prefieren la especialización ante la apertura disciplinar.
(a)Caso 1
(b)Caso 2 (c)Caso 3
Figura 2.10:Distribución de cursos por dominio disciplinar, según grados de diversidad de pertenencia de diversidad de
3
|
Datos y Análisis
En este capítulo se detallarán distintos aspectos de las bases en las que se cimienta este proyecto, y los distintos niveles que influyen en el diseño de la solución final. Primeramente debemos comenzar con una descripción de los datos a trabajar, indicando las estructuras, unidades y agrupaciones con las que se trabajará; este punto es neurálgico, ya que los datos a utilizar corresponden a la unidad más abstracta que se deberá representar en una visualización, un trabajo de reconocimiento y caracterización resulta necesario. A continuación, debemos comenzar la abstracción de nuestra estructura de información a trabajar, llevarlo a conceptos generales que nos ayuden a idear nuestros análisis. Esto corresponde a definir la manera de cómo transformar nuestras estructuras en un modelo a ser interpretado en una visualización. Siguiendo el flujo de trabajo, se definirán qué conceptos y consideraciones tendrá cada análisis, qué conceptos manejará e interpretará cada uno, además definir las distintas aristas disponibles. Finalmente describiremos ciertas capacidades que las visualizaciones deberán poder vislumbrar para entender distintos perfiles de la data analizada.
3.1.
Fuente de Datos
Se utilizaron dos fuentes de datos principales. Una corresponde a un set de datos suministrado por el Investigador Iván Oliva, que corresponde a un conjunto de datos académicos de los registros de asignatura semestrales de los alumnos. Por otro lado, se utilizó la categorización de las disciplinas (y subdisciplinas) creada por laOrganización para la Cooperación y el Desarrollo Económicos, (OCDE).
3.1.1.
Registros Académicos UACH
A continuación, diseccionaremos un registro de los datos entregados, de acá detallaremos las principa-les entidades que definirán las guías de desarrollo y análisis, a modo de identificar las distintos entidades, elementos y relaciones circunscritas dentro de cada registro y entre todos los registros. En la siguiente tabla 3.1 se entregará un ejemplo de la disección de una entrada del documento entregado, y se identificarán ciertos elementos y entidades que pertenecerán al modelo lógico a representar.
De la tabla anterior tenemos los siguientes modelos 1. Alumno
2. Carrera 3. Instituto 4. Asignatura
5. Inscripción Alumno
CAPÍTULO 3. DATOS Y ANÁLISIS 3.1. FUENTE DE DATOS
Cabezera Modelo Descripción Valor Ejemplo
Año Asignatura en
Periodo
Año en que la asignatura fue cursada. 2017
Semestre Asignatura en Periodo
Semestre en que la asignatura fue cursada. 1
Cod. Asignatura Asignatura Codigo interno Asignatura. ARTE052-17
Nombre Asignatura Nombre de Asignatura INTRODUCCIÓN
AL GRABADO Y DIBUJO ACADÉMI-CO
Tipo Asignatura Asignatura en Periodo
Tipo de Asignatura cursada, el tipo co-rrespondiente depende del periodo en que se cursa, otros valores posibles RE-GULAR, FACULTATIVA, ELECTIVA y POSTGRADO
REGULAR
Grp. Paralelo Inscripción Alumno Paralelo en que el alumno fue inscrito. 1 Créditos Asignatura Créditos pertenecientes a la asignatura. 8
Cod. Unidad Instituto Código de Instituto. 4830
Unidad Instituto Nombre Instituto. ARTES VISUALES
Rut Alumno RUT Alumno. 0018XXXYYY-Z
Paterno Alumno Apellido Paterno Alumno. CAR****
Materno Alumno Apellido Materno Alumno. LÓ****
Nombres Alumno Nombres Alumno. DE**** FRA****
Fecha Nac. Alumno Fecha de Nacimiento del Alumno. 03-10-1994 0:00:00.000 Sexo Alumno Genero del alumno, valores posibles
MAS-CULINO y FEMENINO
FEMENINO.
Cod. Carrera Carrera Código de Carrera. 1765
Carrera Carrera Carrera a la que pertenece el alumno. LICENCIATURA EN ARTES VISUA-LES
Tipo Ingreso Alumno Método de ingreso del alumno a la Univer-sidad.
PRUEBA SELEC-CION UNIVERSI-TARIA
Año Ingreso Alumno Año de ingreso del alumno. 2017 Comuna Procedencia Alumno Comuna de procedencia del alumno. VALDIVIA Provincia Alumno Provincia de procedencia del alumno. VALDIVIA Región Alumno Región de procedencia del alumno. XIV Nombre Docente
Responsable
Asignatura en Periodo
Profesor responsable por la asignatura para el periodo correspondiente.
CLA**** EL**** MON**** TO**** Colegio Proc. Alumno Colegio procedencia del alumno. LICEO ARMANDO
ROBLES RIVERA Comuna Colegio Alumno Comuna del Colegio de procedencia del
alumno.
VALDIVIA
Tipo Educación Alumno Tipo de Colegio de procedencia del alumno.
C.H - DIURNA
Dep. Economica Co-legio
Alumno Tipo de mantención del colegio del alumno.
MUNICIPAL
Matricula Carrera Anterior Uach
Alumno Si el alumno pertenecía a una carrera ante-riormente.
SI
3.1.2.
Disciplinas OCDE
Tal como se mencionó en el Capitulo 2.1., las disciplinas definidas por la OCDE buscan caracterizar los distintos aspectos existentes en las carreras y cursos desarrollados abarcando distintas instituciones. Estos aspectos nos ayudaran a categorizar dos elementos importantes definidos dentro de los modelos descritos de la Data obtenida de los registros académicos de la UACH. Un detalle Importante dentro del estudio de la OCDE a tomar en cuenta, es que cada una de las disciplinas está dividida en dos niveles de subdiciplinas.
Ciencias Naturales Ingeniería y Tecnología
Medicina y Ciencias de la Salud Ciencias Agrícolas
Ciencias Sociales Humanidades Otros
Tabla 3.2:Dominios disciplinas OCDE Utilizadas
Los Dominios OCDE serán un modelo importante a integrar en el modelo final, e influirá en dos modelos claves en los que corresponde a lasCarrerasy losInstitutoscatalogar cada una de las instancias posibles dentro de una Disciplina OCDE, es decir, catalogar los subdatos relacionados a ambos, por ejemplo, categorizar la CarreraTÉCNICO UNIVERSITARIO EN ADMINISTRACIÓN CONTABLE Y FINANCIERA dentro de la disciplina OCDE deCiencias Sociales, involucra que todos los alumnos pertenecientes a la carrera corresponden a la misma disciplina. De igual manera, categorizar unaInstitución(Departamentos que imparten las asignaturas) dentro de un dominio OCDE, implicara que todas las asignaturas que imparte el instituto pertenecen igualmente al mismo dominio OCDE.
Es importante notar, como se dijo anteriormente, que en cada Dominio disciplinar OCDE, existen subdisciplinas para cada una de ellas. Si bien es posible una categorización bajo estas subdisciplinas, estudiar la interacción entre subdisciplinas pertenecientes a la misma disciplina superior no tiene valor dentro del objetivo final, que es conocer los movimientos disciplinares.
3.1.3.
Modelo Lógico
Finalmente, el modelo lógico esperado a obtener, debe corresponder al representado en la tabla 3.1, puntos a tomar en cuenta corresponde a incluir una tabla de Dominios OCDE, que, a pesar de no pertenecer al set de datos de la fuente principal, corresponde a un modelo de caracterización para los modelos utilizados y los análisis posteriores. Utilizando una representación tipo base de datos, se presenta el modelo lógico que deberá ser la base para la recopilación de datos para cada análisis. El modelo lógico corresponde al indicado en la figura 3.1.
3.2.
Diseño de Análisis
Dentro de los siguientes métodos a representar, vamos a definir los datos y características que abarcarán las distintas estructuras básicas, que corresponderán a la construcción de cada uno de los análisis que posteriormente serán representados como una nueva visualización.
