El objetivo de una herramienta como Grafoscopio (inmersa en Glamorous) nos permitirá trabajar las representaciones simbólicas a través de código y las gráficas (a través de visualizaciones.

Sería chévere que la interfaz fuera bi/multilingüe, como en Scratch, pero el código fuente usara el inglés como lengua franca pero también en resistencia y, como diría Paulo Freire, para decir en la voz del colono las preocupaciones del colonizado. Esa ha sido nuestra postura en la comunidad de Grafoscopio. El código se escribe en inglés, pero las narrativas de datos y sus preocupaciones son en español e incluso, con proyectos recientes ha dado cuenta de lenguas amazónicas en La Chorrera.

También valdría la pena preguntarse por formatos mixtos, como los de las narrativas de datos antes mencionadas, que van más allá de sólo el código, combinándolo con prosa, datos y salidas enriquecidas (visualizaiones, interactivos, etc) y en alguna medida explorando de antemano en qué consisten esas condiciones localistas y los cotidianos de quienes escriban tales narrativas.

Nuesta aproximación es construir narrativas de datos profusamente comentadas en español, con código totalmente en inglés, tanto en los talleres de la comunidad de Grafoscopio, como en los pregrados de Ciencia de la Información. Si bien esto enfrente a læs aprendices a las tensiones de la diglosia, también instaura un puente frente a ella.

No sé si se pueda marcar una relación tan directa entre la diglosia y el desarraigo. Puede ocurrir como diría Freira, que se aprenda el lenguaje colono para decir la voz de colonizando y hablar precisamente de preocupaciones locales. Comentarios de los esfuerzos en ese sentido de reflejar lo local en código, vía narrativas de datos, metaherramientas y alfabetismos críticos, han sido hechos a lo largo del texto.

De ahí lo importante de señalar críticamente la fascinación de las HD y muchos de sus representantes con el gigantismo de datos en detrimento de estas miradas locales y en pequeño.

Así como invisibilizar lo interesante local y que ocurre a pequeñas escalas de datos y computación.

Que creo resuenan con la crítica a lo que he denominado el "gigantismo de datos" en varias de mis anotaciones, que si bien podrían caer en el Idolo Quantis, no se validan a partir de la escala, sino que encuentran valiosos formalismos y técnicas de pequeña escala, particularmente distantes del Big Data y otras tendencias excluyentes importadas del Norte Global a las que ahora se sumaría la IA.

Es interesante ver cómo figuras visibles de las HD no logran resolver la tensión y por el contrario representan un extremo en ella: volumen y velocidad, en lugar de validar también esas preocupaciones por lo singular y lo pequeño que también tienen cabida en las HD.

Existen también representaciones digitales de objetos culturales a pequeña escala, no menos rigurosas. Quizás esto muestra como la justificación de la analítica cultural sobre la escala, comprensible allí, se quiso transplantar a todos los lugares de las HD y vemos aún atavismos de ello en esa fascinación por la escala que salta frecuentemente en el campo.

Sin embargo siguen esa mirada extractivista descrita en el comentario anterior con posturas críticas ampliamente ignoradas como las del decolonialismo de datos y la inteligencia artificial feminista y la mayoría, incluyendo gente en las HD fascinados por el gigantismo de datos.

Esto me recuerda los proyectos como los que hacemos de memoria viva para la revitalización lingüística en el Amazonas o para auditar el discurso en Twitter de los candidatos a la presidencia en Colombia que entrarían en esas otras formas de ciudadanía y de mezcla entre la memoria análoga y la digital en nuestros tiempos y que fueron concebidos en diálogo con la academia, pero con tecnologías y prácticas desarrolladas por fuera.

Corporalidades y fuentes de datos no tradicionales

Las fuentes no tradicionales, como registros administrativos y datos generados por la ciudadanía, pueden proporcionar información más granular sobre las corporalidades. Esto incluye indicadores relacionados con salud, género, y desigualdades espaciales o demográficas, como se observó en el caso de Nepal, donde datos geoetiquetados revelaron variaciones espaciales de desigualdades de género.

Incorporar datos de poblaciones marginadas, como personas trans, no binarias o mujeres en comunidades rurales, puede visibilizar experiencias y desigualdades que los métodos tradicionales ignoran. Por ejemplo, análisis de violencia sexual en El Salvador demuestran cómo el análisis de registros administrativos puede desglosar patrones que afectan a grupos específicos.

Traducción de datos y la alteración de dinámicas de poder

La recopilación de datos generados por la ciudadanía permite reflejar mejor las realidades vividas por distintas corporalidades, particularmente en regiones o contextos donde los métodos tradicionales no capturan su complejidad. Por ejemplo, la traducción de experiencias reportadas a través de encuestas SMS debe respetar las diferencias culturales y lingüísticas de los encuestados.

Al permitir que las comunidades participen directamente en la generación de datos, como en el proyecto de Ghana para reportar resultados en salud materno-infantil, se altera la dinámica de poder en la recopilación de datos. Este enfoque feminista reconoce las experiencias vividas y las traduce en evidencia cuantificable.

IA como herramienta para la equidad de datos

La Inteligencia Artificial puede detectar patrones en fuentes de datos no tradicionales, como redes sociales, imágenes satelitales y registros móviles. Estos patrones pueden revelar desigualdades relacionadas con género, ubicación o acceso a servicios, permitiendo intervenciones informadas.

Las tecnologías de Inteligencia Artificial permiten analizar múltiples capas de desigualdad simultáneamente. Por ejemplo, combinando datos satelitales, móviles y encuestas demográficas, se pueden mapear variaciones interseccionales como la brecha de alfabetización por género y región.

La Inteligencia Artificial puede crear datos sintéticos para suplir vacíos en áreas donde las corporalidades y sus experiencias no están representadas, siempre con atención ética para evitar reforzar sesgos.

Desafíos éticos y metodológicos

La recopilación de datos mediante métodos no tradicionales y herramientas de Inteligencia Artificial plantea preocupaciones sobre la privacidad, especialmente para las corporalidades en situaciones vulnerables.

La interpretación y traducción de datos implica que el análisis automatizado puede no captar matices culturales (culturemas) o de género si no se diseñan algoritmos sensibles e inclusivos.

Muchos gobiernos y comunidades carecen de los recursos técnicos y financieros necesarios para implementar sistemas avanzados de análisis de datos, limitando su capacidad para traducir datos en políticas inclusivas.

Un enfoque transformador para la recopilación de datos

Usar fuentes no tradicionales para incluir experiencias invisibilizadas, como mujeres en zonas rurales o personas no binarias.

Garantizar que los datos recojan las perspectivas locales con sensibilidad cultural y lingüística.

Diseñar algoritmos que no solo procesen datos, sino que también prioricen la equidad y representen realidades interseccionales.

Implementar regulaciones claras para proteger la privacidad y asegurar que las tecnologías beneficien a las poblaciones marginadas.

Hoy en día las herramientas basadas en inteligencia artificial y los algoritmos para la toma de decisión son esa malvada lora parlante que moldea la forma en que vivimos. Sin embargo, hoy sabemos que mayoritariamente estas herramientas están basadas en datos incompletos, sesgados o corruptos; que los algoritmos están añadiendo una visión estereotipada de las poblaciones históricamente marginalizadas y que la manera en la que se nos entregan los resultados consolidan los sesgos y estereotipos, validándolos al pasar por la computadora.

Comparto algunos aspectos a tener en cuenta en la gestión de datos de la investigación, tomados de UIS:

Esta URL nos amplia lo relacionado a Academia, datos y reproducibilidad de la ciencia, en donde quiero enfatizar en las preguntas que durante las clases hemos compartido:

• ¿Qué datos generamos y/o usaremos en nuestro proyecto? ¿Cómo gestionaremos estos conjuntos de datos?

Frente al flujo de datos, traigo algunos aportes de la CEPAL.

Uno los aspectos que será necesario considerar desde el momento en que se planifique la investigación, es la forma en la cual se almacenarán los datos que serán generados o recopilados.

Algunos de los tipos de solución más comunes que se pueden utilizar durante y después de la investigación son:

• Almacén de datos personal o del proyecto (por ejemplo, utilizando discos USB, discos duros de laptops o unidades en red dentro de la institución)

• Repositorio institucional

• Almacén de datos institucional

• Infraestructura de almacenamiento nacional

• Almacén de datos en la nube

• Repositorio disciplinar

Cada vez con más frecuencia, personas e instituciones están optando por utilizar servicios de respaldo en línea, utilizando servicios en la nube. Ante esta alternativa, es importante considerar sus ventajas y desventajas y estudiar de qué manera estas apoyan o difieren de las necesidades de la institución o grupo de investigadores.

Respaldo de los datos

1. Establecer una política formal que especifique la periodicidad y las características de los procedimientos de respaldo de datos e información

2. Mantener al menos 3 copias de los sets de datos y toda la información relevante. Las copias deben almacenarse en al menos 2 soportes distintos, y al menos una de las copias debe estar en una locación diferente al recinto donde se almacenan las demás.

3. Al planificar los respaldos, considerar aspectos tales como:

4. Métodos/herramientas que se utilizarán para el respaldo
5. Qué datos serán respaldados (todos los datos, solo los procesados, etc.)
6. Espacio de almacenamiento que será necesario
7. Tiempo durante el cual se mantendrán los respaldos, condiciones de seguridad y destrucción cuando sea necesario
8. Periodicidad de chequeos o verificación de acceso e integridad de los datos
9. Software o métodos que se utilizarán para mantener control sobre las copias

• En esta sección podemos explorar lo que son los números en Pharo y como ejecutarlos en Glamorous Toolkit, para poder desarrollar y ejecutar estos ejercicios matemáticos

• Cuando le damos inspeccionar a estos mensajes matemáticos sucede que nos muestra la operación resulta. ejemplo (1/3) Inspect

Resultado.

Datos recolectados desde la experiencia trabajada.

El asunto es que debido al homomorfismo, el código puede ser visto como datos y viceversa. Las mismas técnicas empleadas en visualizar el uno pueden ser usadas en los otros, como de hecho ya hemos experimentado varias veces en la comunidad de Grafoscopio a través de las narrativas de datos.

También habrían formas de contrapoder relacionadas con intervenir con las narrativas hegemónicas y sus formas, como las que hemos venido haciendo desde el HackBo, vía la auto/re publicación performática y las narrativas de datos.

¿Cuál es el límite entre hacer uso de datos personales para fines publicitarios y abusar de esos datos para manipular a los consumidores y el mercado? ¿Cómo influye la libre competencia del mercado en el tratamiento de datos de los usuarios?

El hecho de que las compañías se nieguen a aceptar su responsabilidad en cuanto al tratamiento de datos de sus usuarios no solo es poco ético, sino que es la consecuencia de la falta de políticas para con estas empresas de tecnología.

Tenía conocimiento sobre la manera en la que nos perfilaban como usuarios por nuestros datos, pero no sabía que muchas empresas aprovechaban esto para abusar de nosotros como consumidores. Es decir, el tratamiento de nuestros datos no solo hace que nos impulsen a comprar teniendo en cuenta nuestros intereses, sino que hacen que las empresas se aprovechen de nuestras condiciones y necesidades.

Exposición de la universidad de Standford sobre visualización.

Acceso a bases de datos restringidas unam

Es absurdo que un organismo público sólo publique estos datos "abiertos" en formato de imagen (sí, "imagen" de una tabla) o PDF. Ignorancia o mala intención? Acá publico la data cruda extraída con el excelente software libre Tabula, el 05/may/20.

Shared decision-making

Es interesante que desde la BNC se presenten los datos geoespaciales y se justifiquen como datos que progresivamente están siendo reconocidos por las entidades gubernamentales y aún así, los datos de la RNBP en donde se ubican los puntos de la red en el país, están en Google Maps.

Es interesante que desde la BNC se presenten los datos geoespaciales y se justifiquen como datos que progresivamente están siendo reconocidos por las entidades gubernamentales y aún así, los datos de la RNBP en donde se ubican los puntos de la red en el país, están en Google Maps.

The data ethics canvas

Manual de gestión de datos

es importante el promedio ?

¿Estos datos podrían estar disponibles como datos anonimizados, para hacer otro tipo de inferencias estadísticas o hallazgos?

CONPES de Big Data en Colombia

Sobre datos y privacidad en bibliotecas. Un llamado a la templanza en datos.

Ciertamente los temas relacionados con datos, inteligencia artificial y algoritmos son de mucho interés en la actualidad, frente al uso de tecnologías. La Web Foundation tiene documentos al respecto.

Hay simplemente datos que no registramos y tenemos la tendencia dejar una sobra digital pequeña en lugar de una grande. Los data selfies son maneras de reapropiar las narrativas sobre los datos y pensarnos de otras maneras desde ellos, en lugar de dejar esas lecturas sólo a quienes nos mercantilizan.

with the public.