Impacto en la privacidad a partir del uso de tecnologías de e-proctoring en la región de Latinoamérica: Estudio del caso en universidades de Argentina, Chile y Perú
Notice bibliographique
Résumé
Si bien existen desde hace años, los softwares de e-proctoring o proctoring remoto, no existía eran prácticamente desconocidos en la región de Latinoamérica hasta antes de la pandemia de COVID-19. A diferencia de otras soluciones tecnológicas aplicadas a la educación, el e-proctoring posee una capacidad disruptiva abismal, que se debe principalmente al uso intensivo de tecnologías de punta como la biometría, el reconocimiento facial y la inteligencia artificial. El uso de estas tecnologías genera dudas acerca de los efectos que podrían tener en la privacidad de los estudiantes. Este estudio contribuye a despejar algunas de esas dudas al describir cuál es el nivel de adopción del e-proctoring en las universidades de tres países latinoamericanos: Argentina, Chile y Perú. Luego de este primer reconocimiento, se aborda qué regulaciones en materia de privacidad existen en los países de estudio y cuáles resultan aplicables al uso de estas tecnologías. Finalmente, se analizan escenarios de posible vulneración a la privacidad de los estudiantes. En cuanto a las conclusiones, estas fueron que: la adopción de software de e-proctoring es amplia en los tres países, siendo mayor en las universidades privadas. También se corroboró que en todos los países existe regulación directamente aplicable al uso de estas tecnologías, específicamente las normativas de protección de datos personales. Se detectaron también posibles vulneraciones a la privacidad, como consecuencia del incumplimiento de las obligaciones de protección de datos previamente mapeadas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».