Data literacy para docentes: por qué empezar por quienes forman a los demás
Si los profesores no entienden datos, sus estudiantes tampoco lo harán. El caso para que las universidades inviertan en formación analítica para formadores primero — y qué significa data literacy en contextos académicos.
Las organizaciones que quieren construir capacidades de análisis de datos suelen cometer el mismo error: empiezan por los analistas. Contratan especialistas, implementan herramientas de business intelligence, construyen dashboards, y luego se sorprenden de que el impacto sea marginal. El problema no está en la herramienta ni en los especialistas — está en que el resto de la organización no sabe leer lo que los analistas producen, no confía en los datos cuando contradicen la intuición, y no tiene el lenguaje para hacer las preguntas que los datos podrían responder. La solución no empieza con los analistas. Empieza con las personas que forman a los demás.
En contextos educativos, este principio es aún más directo: si un docente no tiene competencias en datos, sus estudiantes tampoco las tendrán. Y en un mundo donde la toma de decisiones basada en datos es una competencia profesional fundamental en prácticamente cualquier campo, la brecha de data literacy en el cuerpo docente no es un problema pedagógico menor — es una brecha estratégica que se reproduce en cada cohorte de graduados.
Lo que data literacy significa realmente para un docente
Data literacy no es saber usar Excel. No es aprender a programar en Python. No es entender estadística inferencial avanzada. Para un docente — y para la mayoría de los profesionales no especializados en datos — data literacy es la capacidad de hacer preguntas que los datos pueden responder, evaluar críticamente las afirmaciones basadas en datos, interpretar visualizaciones sin ser engañado por ellas, y comunicar hallazgos con la honestidad apropiada sobre sus limitaciones.
Green et al. (2016), en un estudio sobre formación en data literacy para docentes de educación K-12, identificaron que el componente más transformador no era el aprendizaje de herramientas técnicas sino el desarrollo de lo que llamaron una “cultura de toma de decisiones basada en datos” — un cambio en las normas y prácticas de cómo los docentes usan información para ajustar su enseñanza. El hallazgo clave: los docentes que desarrollaron data literacy no solo mejoraron en el uso de datos en su propia práctica, sino que cambiaron cómo enseñaban a sus estudiantes a relacionarse con la información.
Looi et al. (2026), en un programa de formación en AI literacy para 19 docentes en servicio en Singapur, documentaron un patrón similar: la formación no solo mejoró la comprensión técnica de los participantes (medida a través del marco i-TPACK), sino que produjo “un cambio en sus percepciones generales sobre la IA” y los habilitó para “formular planes de acción personalizados para implementar IA en sus escuelas.” La competencia técnica fue el vehículo, pero el cambio real fue en el modelo mental de los docentes sobre qué es posible y cómo se relacionan con la tecnología.
La distinción entre data literacy académica y data literacy corporativa
La formación en datos para docentes universitarios tiene características específicas que la distinguen de la formación corporativa. En contextos corporativos, data literacy generalmente significa: ¿cómo usamos datos para mejorar decisiones de negocio? Los casos de uso son concretos, los datos son internos, y el criterio de éxito es medible en términos de métricas operacionales.
En contextos académicos, data literacy para docentes tiene una dimensión adicional: los docentes necesitan entender datos no solo para mejorar su propia práctica pedagógica, sino para enseñar a sus estudiantes a relacionarse críticamente con datos en sus campos disciplinarios. Un docente de ciencias sociales que aprende data literacy no solo mejora su capacidad de usar datos de rendimiento estudiantil para ajustar su enseñanza — también mejora su capacidad de enseñar a sus estudiantes a evaluar evidencia empírica en ciencias sociales, a distinguir correlación de causalidad, y a reconocer sesgos en los conjuntos de datos que usan las investigaciones de su campo.
Esta dimensión pedagógica hace que la formación en data literacy para docentes universitarios tenga un multiplicador de impacto que no existe en la formación corporativa: cada docente formado transfiere esa competencia (implícita o explícitamente) a cientos de estudiantes a lo largo de su carrera.
El modelo de formación que funciona
La formación en data literacy para docentes fracasa cuando está diseñada como un taller técnico de herramientas. Los docentes no son ingenieros de datos — no necesitan saber construir pipelines ni optimizar consultas SQL. Necesitan algo diferente: exposición al razonamiento con datos dentro de sus propias disciplinas, con casos de uso concretos de su contexto académico, con tiempo para practicar y cometer errores en un ambiente seguro.
El modelo más efectivo es iterativo y contextualizado. Primero, partir del problema pedagógico concreto que el docente tiene — no de la herramienta. ¿Qué decisiones pedagógicas podría mejorar con datos? ¿Qué preguntas sobre sus estudiantes no puede responder hoy? Segundo, introducir los conceptos y herramientas mínimas necesarias para responder esas preguntas específicas. Tercero, acompañar la práctica con retroalimentación sobre el razonamiento, no solo sobre la técnica. Cuarto, crear comunidades de práctica donde los docentes compartan lo que están haciendo con datos — porque la transferencia horizontal entre pares es más sostenible que la dependencia del formador externo.
La formación docente en datos no es un proyecto de tecnología educativa. Es un proyecto de transformación cultural — de las normas que rigen cómo los docentes toman decisiones sobre su práctica, cómo diseñan sus cursos, y cómo enseñan a sus estudiantes a relacionarse con la evidencia. Las instituciones que lo entienden así obtienen resultados que van mucho más allá del aula.
Referencias
- Green, J., Schmitt-Wilson, S., & Versland, T. M. (2016). Teachers and Data Literacy: A Blueprint for Professional Development to Foster Data Driven Decision Making. Journal of Curriculum, Education and Professional Development. DOI: 10.7726/JCEPD.2016.1002
- Looi, C. K., Yang, Y., Velander, J., Milrad, M., & Sun, D. (2026). Preparing educators for the AI-enhanced future: Insights from a teacher professional development for K-12 education in Singapore. Research and Practice in Technology Enhanced Learning. DOI: 10.58459/rptel.2026.21041