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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".