Bölüm 28 Öğrenci Mahremiyetinin İhlali

Elana Zeide

Bilgi Teknolojileri Politikası Merkezi, Princeton Üniversitesi, ABD Bilgi Toplumu Projesi, Yale Hukuk Fakültesi, ABD Bilgi Hukuku Enstitüsü, New York Üniversitesi Hukuk Fakültesi, ABD

DOI: 10.18608/hla17.028

ÖZ

Bu kitapta tartışılan öğrenme analitiği ve eğitsel veri madenciliği büyük umutlar vaat etmektedir. Bununla beraber, büyük veri odaklı eğitimin muhtemel sonuçları özellikle güvenlik ve mahremiyet konularında endişe uyandırmaktadır. Bu bölümde, öğrenci verilerini düzenleyen yasal çerçevenin, öğrenme analitiğinin ve eğitsel veri madenciliğinin mahremiyet ihlali ve buna karşı geliştirilecek proaktif yaklaşımlar açıklanmaktadır. Hukuki düzenlemelere daha az; konuyla ilgili endişe ve çözüm önerilerine daha fazla yer verilmiştir. Geleneksel öğrenci mahremiyet hukuku, ebeveynlerin veya okulların öğrenci bilgilerinin açıklanmasının onaylamasını sağlamaya odaklanır. Bu düzenlemeler “öğrenci verileri” ne değil “eğitim kayıtları”na uygulanacak şekilde tasarlanmıştır. Sonuç olarak bundan böyle anlamlı bir gözetim sağlamamaktadır. Önceki federal öğrenci mahremiyeti mevzuatı, doğrudan öğrencilerden toplanan “öğrenen” verilerini korumamaktadır ve aynı zamanda ihlal ile ilgili doğrudan bir yaptırım da uygulamamaktadır. Yeni mevzuat düzenlemesi de mahremiyetle ilgili korumaları öngörmemiş olmakla birlikte; genellikle belirli uygulamaların felaket etkisi oluşturmasını önlemeye veya verilerin “ticari” kullanımını sınırlandırmaya çalışmaktadır. Bu göz ardı edilmiş etik problemler büyük verilerin eğitim amaçlı kullanımı ile sınırlandırılması halinde dahi varlığını sürdürmektedir. Bu makalede salt yasal metni açıklamanın ötesine geçen ve daha geniş sonuçları ve etik problemleri göz önünde bulunduran, açık inceleme protokolleri uygulayan, anlamlı bir şeffaflık sağlayan ve algoritmik hesap verebilirliği temin eden proaktif bir yaklaşım öneriyorum.

Anahtar Kelimeler: KAÇD’ler, sanal öğrenme ortamları, kişiselleştirilmiş öğrenme, öğrenci mahremiyeti, eğitim verileri, ed tech, AEHMY, ÖÇKBKY, veri etiği, araştırma etiği

Öncelikle bir uyarıda bulunmak isterim ki: yasal düzenlemeler ve ihtiyaçlar sürekli olarak değiştiğinden, bu bölümde yer alan açıklamalar uyum için bir rehber olarak kullanılmamalıdır. Bunun yerine, insanların “öğrenci mahremiyeti” başlığı altında tartıştıkları konuları ve sıklıkla ihmal edilen daha da geniş konuları düşünmenin farklı yollarını sunar. Amerika Birleşik Devletleri’nde mahremiyet kuralları farklı sektörlere göre değişiklik göstermektedir. Öğrencilerin kişisel bilgilerin gizliliğine yönelik geleneksel yaklaşımlar, özellikle Aile Eğitimi Hakları ve Mahremiyet Yasası (AEHMY)¹ okulların eğitim kayıtlarında tutulan kişisel bilgi olarak da tanımlanabilen öğrenci bilgilerine erişimi ve bunların erişimine izin konularını düzenlemeye odaklanır. Sadece eğitim konusunda yetkilendirilmiş aktörlerin kurumsal açıklamalarda kullanım amacı ile, kişisel olarak tanımlanan öğrenci bilgilerine erişimini sağlamak için, açık rıza ve kurumsal gözetim şartı aranmaktadır. Bu yaklaşım, 1970’lerin başından bu yana çoğu gizlilik düzenlemesinin özünde yer alan Adil Bilgi Uygulama İlkeleri -bildirim, seçim, erişim ve değiştirme hakkı- ile uyumludur. Bu ilk dönem mahremiyet kuralları ayrıca öncelikli olarak eğitimcilerin toplama, kullanma veya eğitim kayıtlarının tutulmasını ele almadan öğrenci bilgilerinin açıklanmasına (kullanılmasına) odaklanmaktadır.

Öğrencilerin mahremiyetine ilişkin yeni yaklaşımlar, belirli uygulamaları yasaklamak veya “eğitsel” amaçlara hizmet etmelerini istemek eğilimindedir. Künt yasaklar genellikle eğitim veri ekosistemi içinde var olmak bir yana büyümeye ve yeniliğe destek olmak için bile çok kabaca hazırlanmıştır. “Eğitim” amaçlı yapılan kısıtlamalar, öğrenci verilerinin açık “ticari” kullanımını sınırlamakla birlikte eğitim amaçlı olarak eğitimciler tarafından kullanıldığında bile öğrenme analitiği ve eğitsel veri madenciliği sonucunda ortaya çıkan daha ayrıntılı sorunların üzerinde durulmamaktadır. Büyük verilerin eğitime hizmet amaçlı kullanımının eğitimin bütün paydaşlarının çıkarlarına uymayabileceği öngörülememiştir. Kati suretle yasaklayıcı olarak şekillenen mevzuatın, teknolojik değişimin hızlı ilerleyişi ve öğrenme alanlarında son derece bağlamsallaşmış karar verme yetisi ile eşleşmesi için yeterince esnek olması zordur. Öğrenme analitiği ve eğitsel veri madenciliği yöntemini kullanan veri bilimcileri ve karar vericiler, veri güdümlü araçların hedeflerine ulaşmasını, eğitim sistemine fayda sağlamasını ve daha geniş bir toplumda eşitliği teşvik etmesini sağlamak için ihtiyatlı öngörü, şeffaflık ve hesap verebilirlik yoluyla uyumluluğun ötesine geçmelidir.

EĞİTİM KAYDI MAHREMİYETİ

Öğrenci gizliliği panik dalgası 1960’ların sonu, 1970’lerin başında meydana geldi. Okullar öğrenciler hakkında daha geniş bir dizi bilgi toplamaya başladı. Eğitimciler ve yöneticiler düzenli olarak öğrenci bilgilerini geçici olarak ve genellikle belgesiz olarak paylaştılar (Divoky, 1974).

AEHMY’nin (Aile Eğitimi Hakları ve Mahremiyet Yasası) Okul Açıklamalarına İtirazı

Buna karşılık, Kongre, 1974’te öğrenci verilerini düzenleyen birincil federal mevzuatını kabul etti. AEHMY, ebeveynler ve 18 yaşından büyük “uygun öğrencilere” ortaöğretim sonrası için üç kayıt hakkı tanımaktadır. (“ebeveyn” olarak kısaltılmıştır). Federal olarak finanse edilen okullar, ilçeler ve devlete bağlı eğitim kurumları, ebeveynlere eğitim kurumu veya aracı kurum (“eğitim aktörleri”, kısaltma olarak) tarafından tutulan eğitim kayıtlarına erişimini ve bunların doğruluğunu sorgulama imkânı sağlamalıdır. Eğitim aktörleri, okulların kendi adına izin vermesine yetki veren birçok istisnaya tabi olarak, kişisel olarak tanımlanabilir öğrenci bilgilerini paylaşmadan önce ebeveynlerin iznini de almalıdır.²

AEHMY, eğitim kurumları ve kurumlar tarafından kişisel olarak tanımlanabilir öğrenci bilgilerinin yasal eğitim çıkarları olan onaylanmış alıcılara açıklanmasının sınırlandırılmasına odaklanmaktadır. AEHMY’nin ihtiyaçlarını karşılamak için, okullar, birkaç istisnadan biri olmadıkça, bir öğrencinin eğitim kaydında tutulan kişisel olarak tanımlanabilir bilgileri paylaşmadan önce ebeveynlerin yazılı onayını almalıdır. Uygulamada, mahremiyetle ilgili en önemli kararları ebeveynler ya da öğrencilerden ziyade eğitimciler alır ve istisnalar kural haline gelir. (Zeide, 2016a).

“Eğitsel” İlgi Alanlarına İlişkin Açıklama Yapmaya İzin Veren Okullar

Okul yetkilisi istisnası, veri ile ilgili karar vermenin büyük kısmını okullara ve ilçelere devretmektedir. Okullar, alıcı : 1) Gerçekleştirilecek hizmetleri kendi adlarına yürütmek 2) Görünürde bu bilgilere erişmek için “yasal bir eğitim ilgisi (menfaati) varsa 3) Bilgilerin korunması ile ilgili gerekli önlemleri almışsa “kişisel olarak tanımlanabilen” öğrenci bilgilerini izin almadan paylaşabilir.³ Eğitimciler, birinin bir okul görevlisi olmanın neyi nitelendirdiğine ve neyin meşru bir eğitim çıkarını oluşturduğuna karar verir ancak bu terimleri herhangi bir ayrıntılı şekilde tanımlamak zorunda değildir (ABD Eğitim Bakanlığı, t.y.). Sonuç olarak, çoğu, neredeyse her durumu kapsayacak kadar geniş kriterlere dayanmaktadır (Zeide, 2016a). Okullar, veriye alıp kullananların ayrıntılı bilgi uygulamalarını kontrol etmek için nadiren aktif önlemler alır, bunun yerine taraflar arasındaki “doğrudan kontrol” aracı olarak hizmet şartlarına veya sözleşmelere dayanır (Reidenberg vd., 2013).

Öğrenci Verilerinin Yeniden Kullanılmasından Engellenen Araştırmacılar

AEHMY, eğitim aktörlerinin araştırmacılarla nasıl bilgi paylaştığı konusunda daha katı şartlar getirmektedir. Çalışmaları belirlenmiş istisnalar ve belirli şartlarla altında yapılmış yazılı bir sözleşme uyarınca yapmak zorundadırlar. Çalışmalar “kestirimci testlerin geliştirilmesi, doğrulanması veya yönetilmesi; öğrenci yardım programlarını yönetmek veya talimatı geliştirmek amacıyla olmalıdır.⁴” Araştırmacılar, yalnızca belirli amaçlar için kişisel olarak tanımlanabilir öğrenci bilgilerini kullanabilir ve artık gerekli olmadığında verileri yok etmelidirler.

İtaat Odaklı İcra

Eğitim aktörlerin AEHMY ihlalleri için doğrudan hesap verebilirliği yoktur. Mevzuat, belirli gizlilik ihlallerini önlemek yerine bir yapı inşa etmekle ilgilidir. Neticede, bireysel ihlal örnekleri için sonuçlar doğurmaz. Öğrenciler ve eğitimciler mevzuat (ABD Yüksek Mahkemesi, 2002) kapsamında ihlallere dava açamazlar. Bunun yerine, ABD Eğitim Bakanlığı (EB), bir eğitim kurumu veya kuruluşu uyumsuzluğun bir “Politikası veya uygulaması” varsa federal öğrenci kredileri şeklinde destek de dâhil olmak üzere tüm federal fonları geri çekme gücüne sahiptir.⁵ Bununla birlikte, Bakanlık, bu dramatik eylemi, tüzüğün kırk yıl önce yürürlüğe girmesinden bu yana hiçbir zaman gerçekleştirmedi (Zeide, 2016b; Daggett, 2008). Bu kadar sert bir önlem, AEHMY’nin korumak istediği öğrencileri inciteceğinden, bakanlık bunun yerine eğitim kurumlarının itaat etmesine odaklanıyor. EB’nin böyle bir “nükleer” seçeneği (solove, 2012) takip etmesi pek olası görünmüyor.

ÖĞRENCİ VERİ MAHREMİYETİ

Neredeyse kırk yıldır, paydaşlar ağırlıklı olarak asgari şeffaflık, bilgi üzerinde bireysel kontrol veya uygulamada belirli mevzuat ihlali sonuçlarına rağmen AEHMY’nin korumasını yeterli olarak kabul ettiler. AEHMY’nin düzenleyici mekanizmaları, (kısmen) öğrenci verilerini değil, eğitim kayıtlarını düzenlediğinden, paydaşlar için yeterli güvence sağlamaz. Mevzuat, kapsadığı bilgiler, ilgili eylemler ve büyük veri çağında geçerli olduğu varlıklar açısından yalnızca dar bir koruma sağlar.

Eğitim Kayıtlarından Öğrenci Verilerine

Düşük maliyetli depolama, çevrimiçi ağlar üzerinden anlık veri aktarım ve bulut tabanlı sunucular benzeri görülmemiş bir hacim, hız ve “büyük veri” çeşitliliği yaratır (Mayer-Schonberger ve Cukier, 2014). Öğrenci bilgileri artık okul dosyalama dolaplarında kilitli kâğıda basılmış “eğitim kayıtları”ından ibaret değildir, Bilgiler, artık, bulut sunucularında saklanan birlikte çalışabilen ve anında aktarılabilir verilerdir. Çevrimiçi eğitim araçları ve platformlar öğrenciler ile ilgili daha önce mümkün olandan daha fazla ayrıntı içeren çok fazla sayıda bilgi üretir. Okul kimliği coğrafi konumlandırma ve sosyal medya gibi okul dışı kaynaklardan elde edilen veriler, eğitim kayıtları ile ilgili geleneksel beklentilerin çok ötesine geçmektedir (Alamuddin, Brown ve Kurzweil, 2016). Veri Madenciliğinden elde öğrenci bilgileri her ne kadar kamuya açık alanlardan elde edilse bile, birçok paydaş sistematik olarak öğrenci bilgilenin toplanıp analiz edilmesini rahatsız edici bulmaktadırlar (Watters, 2015). Öğrencilerle ilgili tıklama düzeyindeki verilerin otomatik olarak yakalanması, bulut bilişim ağlarının geçirgenliği ve büyük verilerin sonsuz kullanımı yeni gizlilik endişeleri doğurur (Singer, 2013).

AEHMY’nin (veri) alıcıların bilgi uygulamalarının ebeveyn, öğrenci veya okul gözetimine olan güveni, büyük verilerin miktarı, karmaşıklığı ve etkileşimli, dijital aracılı ortamlarda otomatik bilgi iletimi göz önüne alındığında, pratik veya anlamlı olsa bile mümkün olmayabilir. Mevzuat, okulların kendi gizlilik uygulamalarını bile ele almıyor ya da “öğrenme ortamlarında” kullanıcılardan doğrudan bilgi toplayan ancak federal bir fon almayan kitlesel çevrimiçi açık kurs (KAÇD”ler) gibi yeni bağımsız eğitim sağlayıcılarını kapsamıyor. Paydaşlar, okulların ve şirketlerin ne tür bilgi topladıkları ve onları nasıl kullandıkları hakkında çok az fikir sahibidir. (Barnes, 2014). Eğitimcilerin ve veri alıcılarının, -özellikle AEHMY’nin mevzuat ihlal durumunda doğrudan hesap verme yükümlülüğü getirmediği durumlarda- verdikleri mahremiyet vaatlerine bile uyduğundan emin olamazlar.

Yeni Öğrenci Mahremiyet Korumalarının Yaygınlaştırılması

2013 yılından bu yana, devleti yöneten politika yapıcıları 410 öğrenci gizlilik kanun teklifini sunarak paydaş paniğe cevap verdi: 36 eyalet tekliflerin 73 tanesini yasalaştırdı. Federal düzeyde, yasa koyucular AEHMY ve kanun teklifinde öğrenci bilgilerini alan şirketleri ve kuruluşları doğrudan düzenleyen değişiklikler önerdi. Koruyucu önlemlerin büyük çoğunluğu Federal olarak finanse edilen P-12 devlet okulları için geçerlidir ancak neyin önemli olduğu ve “öğrenci mahremiyeti”nin ne anlama geldiği konusunda bir fikir birliği yoktur. Bu eyaletlerin, araştırmacıların, kurumların, şirketlerin, devletlerin ve federal politika yapıcıların öğrenci verilerini korumayı önerdikleri inanılmaz çeşitlilikten açıkça anlaşılmaktadır (Demokrasi ve Teknoloji Merkezi, 2016; DQC, 2016; Vance, 2016).

Hemen hemen tüm reform önlemleri, daha fazla şeffaflık, hesap verebilirlik ve temel veri güvenliği, güvenlik ve yönetim protokolleri ihtiyacını yansıtmaktadır. Birçoğu, AEHMY’nin okulların üçüncü taraf satıcılarla ve eğitim araştırmacılarıyla nasıl bilgi paylaştığına odaklanmasına devam ediyor. Birkaç açıkça bilgi belirli türde veya sosyal medya gibi dış kaynaklardan okul koleksiyonunu yasaklamaktadır. Bazı tedbirler veri bağımlı servis sağlayıcıları doğrudan düzenler (Demokrasi ve Teknoloji Merkezi, 2016; DQC, 2016; Vance, 2016).

Öz Düzenleme Takviyeleri

Gizlilik yönetimine daha esnek yaklaşımlar, öz yönetimi içerir. 300’den fazla şirket, Gizlilik Forumu’nun geleceği ve öğrenci verilerini satmamak gibi on ilke içeren yazılım ve Bilgi Endüstrisi Derneği tarafından oluşturulan bir Öğrenci Gizlilik Sözleşmesini⁶ imzaladı. İmza verenler, sözleşmeye uymadıklarında BTK uygulamasını riske atarlar (Singer, 2015). ABD Eğitim Bakanlığı, eğitim kuruluşları ve gizlilik uzmanları sürekli olarak yeni en iyi uygulama kılavuzlarını ve gizlilik araçlarını yayınlamaktadır (Krueger, 2014; Gizlilik Teknik Yardım Merkezi, 2014). Bununla birlikte, paydaşların bu kurallara yeterince güvenmeleri için, bilgi uygulamaları, öğrenme analitiği amaçları ve potansiyel sonuçlar ve ihlal durumunda hesap verebilirlik hakkında yeterli şeffaflık olmalıdır.

ÖĞRENCİ GİZLİLİK BOŞLUKLARI

Öğrenci gizlilik düzenlemesinin en son aşaması, öğrenci verilerinin daha açık bir şekilde yönetilmesine ve bazı ihtiyaç duyulan şeffaflıklara yol açsa da reform önlemlerinin çoğu hala AEHMY’nin kusurlarından muzdariptir. Çoğu öğrenci ve paydaşın, eğitim kayıtlarında hangi bilgilerin bulunduğunu, verilerin faydalarına nasıl kullanılabileceğine dair belirsiz kavramları ve korumaların yerine getirildiği konusunda asgari güvenceleri hala somut bir anlamı yoktur (Prinsloo ve Rowe, 2015; Rubel ve Jones, 2016; Zeide, 2016a).

Minimal Anlamlı Onay ve Gözetim

AEHMY ve benzeri kurallar, yalnızca uygun alıcıların öğrenci verilerine erişebilmelerini sağlamak için ebeveyn veya okul gözetimine güvenir. Bu büyük verilerin miktarı ve karmaşıklığı ve etkileşimli, dijital aracılı ortamlarda otomatik bilgi iletimi göz önüne alındığında, pratik veya anlamlı olsa da mümkün olmayabilir. Sözleşme hükümleri kısmen bir yapı oluştursa da okulların üçüncü taraf bilgi uygulamalarını izlemelerini ve yaptırım için pahalı davalar getirmelerini gerektirir. Son olarak, açıklamayı sınırlamak, bu verileri “meşru eğitim çıkarları” için başlangıçta kullanan alıcılar genellikle aynı anda kurumsal veya araştırma çıkarlarına hizmet ettiğinden (Young, 2015; Zeide, 2016a) öğrenci bilgilerinin uygunsuz kullanımını önlemek için de çalışmaz.

Basit Kategorik Yasaklamalar

Bazı düzenlemeler, belirli veri toplama, kullanma ve yeniden hazırlama işlemlerini tamamen engelleyerek bu sorunu gidermeye çalışır. Bu genellikle eğitim sisteminde mevcut veri kullanımı ile çakışan ve gelecek vaat eden öğrenme analitiği ve eğitsel veri madenciliğini gereksiz yere kısıtlayan önemli sonuçlara yol açar. Florida’da, örneğin, biyometrik bilgi toplama yasağı mevcut uygulamalar ve özel eğitim öğrencileri ile ilgili yasal yükümlülükleri ile çelişmektedir. Sonuç olarak, birçok devlet, öğrenci gizliliğini sağlama konusundaki ilk girişimlerini askıya almak veya değiştirmek zorunda kaldı. Silme kuralları, uzunlamasına çalışmalar için potansiyeli ciddi şekilde sınırlandırmakta ve sıklıkla devlet yasalarının getirdiği diğer kayıt tutma yükümlülükleriyle çelişmektedir (Vance, 2016).

Eğitim Amaçlı Kısıtlamaların Sınırları

Birçok yeni yasa, Eğitim (K-12) hizmetleri sunan varlıkları kapsayan Kaliforniya’nın Öğrenci Çevrimiçi Kişisel Bilgi Koruma Yasası (ÖÇKBKY) modelini takip eder. Bunlar (yasalar) aktörlerin okul gözetimi yoluyla bunu yapmaya çalışmak yerine öğrenci bilgilerini doğrudan nasıl kullandıklarını düzenlerler. Bu tür hizmetlerin çevrimiçi sağlayıcıları, okullarla sözleşmelere sahip olmalı, istek üzerine öğrenci bilgilerini silmeli ve belirtilen “K-12″ amaçlarına hizmet etmeyen öğrenen profilleri oluşturamamalıdır.”⁷

Öğrenci verilerini “eğitsel” kullanım veya amaçlar ile sınırlayan düzenlemeler, kâr amaçlı ticari kötüye kullanımı önlemeye çalışır. Bununla birlikte, amaç sınırlamaları, öğrenme analitiği ve eğitsel veri madenciliği ile ortaya çıkan daha ince ayrıntılı sorunları ele almazlar. Amaç sınırlama kuralları, bir “eğitim” amacını neyin oluşturduğu hakkındaki fikir birliği varsayımına dayanır. Ancak kurumların veya araştırmacıların, bir taraftan kurumsal kaynakları yönetmek, eğitim sistemini geliştirmek veya öğrenme bilimini içgörü ile aydınlatmak için verileri hala yasal olarak kullanırken, diğer taraftan öğrenen veri konularının hemen eğitim çıkarlarından başka hedeflere öncelik verebileceğini dikkate almazlar. Örneğin okullar, marjinal öğrencileri kaynakları korumada veya sıralamaları iyileştirmede teşvik etmek yerine onları hariç tutmak için öngörücü verileri kullanabilir (Ashman vd., 2014; Drachsler ve Greller, 2016; Rubel ve Jones, 2016; Selwyn, 2014; Slade, 2016).

Öğrenen Verisini Dışarıda Bırakma (Gözardı etme)

Çoğu yeni yasa, yükseköğretim kurumlarında tutulan bilgileri ele almaz. Geleneksel olarak federal finanse edilen eğitim kurumlarından bağımsız olan sanal öğrenme ortamları tarafından toplanan “öğrenen” bilgilerini göz ardı ederler. Bunun yerine, daha fazla izin verici ticari gizlilik rejimi, bu özel kuruluşlar tarafından toplanan ve kullanılan verileri yönetir (geçerli devlet yasasının yokluğunda). Bunun anlamı, “öğrenen” verilerin kullanılması ve ifşa edilmesinin, anlaşılmaz, aşırı geniş ve haber verilmeksizin değişmeye açık olduğu için kötü şöhretli olan tüketici gizlilik politikaları ile sınırlı olduğudur (Jones ve Regner, 2015; Polonetsky ve Tene, 2014; Young, 2015; Zeide, 2016a).

EĞİTİM VERİSİ ETİĞİ

Toplum bu konularla sektörler içerisinde boğuşmakta ancak bunlar eğitim ortamlarında özellikle şiddetli durumdadırlar. Eğitim deneyimlerini geliştirmek isteyen ve dürüstlükle çalışan bireyler olarak, analitik ve eğitim veri madenciliği öğrenmesinde yer alan bilgi uygulamalarının, geleneksel eğitim bilgi uygulamaları ve öğrenci verileriyle ilgili normlarla karşılaştırıldığında ne kadar devrimci olduğu görüşünü kaybetmek kolaydır. Öğrencilerin nadiren, ana akım veri odaklı teknolojilerden vazgeçme konusunda gerçekçi bir seçenekleri bulunur. Eğitim verisi özneleri, yalnızca çocuk olabileceğinden değil, aynı zamanda öğrenmenin entelektüel gelişim için bir dereceye kadar risk almayı gerektirmesinden dolayı, genel tüketici bağlamındakilerden daha savunmasızdırlar. Bu araçların, adil fırsatları genişletmek yerine kazara azaltabileceği, eğitim sisteminin daha geniş hedeflerini baltalayabileceği ve öğrencilere daha az faaliyete imkân verebileceği ve onları daha az değil tersine daha fazla savunmasız hale getirebileceği konularında hala çözülmemiş sorunlar vardır (Prinsloo ve Slade, 2016; Siemens, 2014).

Adil Kazanımlar

Öğrenci verileriyle çalışanların, teorik ve teknolojik modellerin tarafsız alanı yerine kaçınılmaz olarak kusurlu bir gerçeklikte nasıl sonuçların ortaya çıkabileceğini göz önüne almaları önemlidir. Algoritmik modeller azınlıklara veya daha düşük sosyoekonomik statüye sahip öğrencilere karşı kazara ayrımcılık yapabilir. Farklı etkileri olabilir. Öğrenci başarısını tahmin eden araçlar, daha fazla başarı ve yukarı doğru hareketliliği teşvik etmek yerine geçmiş eşitsizlikleri tekrarlayabilir. Görünüşte tarafsız olan politikalar, düzensiz uygulamalardan dolayı derinden adaletsiz sonuçlar yaratabilir (Boyd ve Crawford, 2011; Citron ve Pasquale, 2014; Barocas ve Selbst, 2014).

Daha Geniş Eğitim Etkileri

Sınıflardan, kameralardan veya sensörlerden sürekli olarak ayrıntılı bilgi toplamak daha geniş kapsamlı sonuçlar ortaya çıkarabilir. Her yerde gözetim ve gömülü değerlendirme öğrenci katılımı ve ifadesi üzerinde ürpertici bir etkiye sahip olabilir (Boninger ve Molnar, 2016; Vance ve Tucker, 2016). Bu uygulamalar, periyodik yüksek riskli testlere olan bağımlılığı azaltırken, öğrenme sürecinin her anını derinlemesine inceleme altına alırlar. Bu durum sonuçta öğrenme ortamlarında gerekli olan entelektüel risk almaya karşı bir soğukluk oluşturarak, veri odaklı eğitim araçlarına ve uygulayıcılarına olan güveni zayıflatabilir.

Kasıtsız Yetki Aşımı

Öğrenme analitiği ve eğitsel veri madenciliği sadece pedagojik ve akademik kararların nasıl verildiğini değil kimlerin bu kararları verdiğini de değiştirir. Geleneksel olarak, öğrenciler hakkında değerlendirme yapan ve karar alan bireyler hemen ellerinin altında bulunan kişisel, bağlamsallaştırılmış gözlem ve bilgilere dayanarak karar almıştır. Belirli sonuçlarla ilgili endişeleri olan ebeveynler, öğrenciler veya yöneticiler açıklama için doğrudan ilgili karar vericiye gidebilmekteydiler. Bu durum şeffaflık sağladı ve tazminat almak için kolay bir yol yarattı, dolayısıyla hesap verebilirlik de sağlandı.

Veri odaklı eğitim araçlarını benimsemesi, eğitimcilere öğrenmeyi ölçmek için neler gerektiği, eğitim yoluyla hangi hedeflerin amaçlandığı ve bu kararları kimin aldığı gibi hususları etkiler. Otomatik ve algoritmik pedagojik ve kurumsal karar verme, otoritenin konumunu geleneksel, fiziksel olarak mevcut bir insandan belirsiz teknolojilere veya uzak şirketler ve araştırmacılara kaydırır. Veri odaklı eğitim, yaşamları ve genel olarak eğitim sistemini şekillendiren önemli kararları kimin alması gerektiğini değiştirir. Bunu, değişim açık olmadan ve birçok durumda da kasıtlı olmadan yapar. Verilere kimlerin erişebileceği ve kullanabileceğine yönelik bu değişim, güç ilişkilerini de değiştirir. Güvenlik uzmanı Bruce Schneier (2008), “verilerimizi kontrol eden kişi hayatımızı kontrol eder” demektedir (paragraf 5). Verilerin teslimi ile ilgili olan yetki devri açıkça dikkate alınmalıdır.

UYUMLULUK ÖTESİNE GEÇMEK

Mevcut ve gelişmekte olan düzenleyici çerçevenin sağladığı imkânlar dahilinde, öğrenme analitiğini ve eğitsel veri madenciliği uygulayıcıları ve tüketicileri bu gücün çoğuna sahip olacaktır. Buna göre, öğrenci mahremiyetinin ne anlama geldiğini tanımlama sorumluluğunu üstlenmek zorunda kalacaklardır. Teknolojik yapılar, kavramsal modeller ve öğrenme kazanımları hakkındaki verdikleri kararlar, öğrenme ortamlarındaki bilgiye pratikte uygun düşen kuralları işler, oluşturur. Bu kararların etraflıca düşünülerek ve bilinçli bir şekilde verilmesi gerekir. Aynı zamanda öğrenme analitiği ve eğitsel veri madenciliğine yönelik bireysel katılım, kurumsal uygulama ve politika yapıcı desteği için gerekli güveni besleyerek bir alan olarak öğrenme analitiği ve genel olarak eğitsel veri madenciliğine yarar sağlar.

Daha proaktif bir yaklaşım benimsemek için salt uyumluluğun ötesine geçmeyi tavsiye ederim. İdeal olarak, bu sadece potansiyel sorunları öngörmekle kalmaz, aynı zamanda sorunlar ortaya çıkarsa uygulamalara karar vermek üzere protokolleri devreye koymayı ve veri sahipleri ve paydaşlarla iletişim kurmayı içerir. Proaktif öğrenci mahremiyeti uygulamalarının temel bileşenleri şunlardır: 1) etik etkilerin göz önüne alınması; 2) inceleme için açık protokollerin oluşturulması; 3) veri uygulamaları, amaçları ve koruması hakkında veri sahipleri ve paydaşlarla etkin olarak iletişim kurulması ve 4) algoritmik hesap verebilirliğin sağlanması.

Etik İnceleme

Öğrenme analitiği ve eğitsel veri madenciliği projeleri, gizil faydaların proaktif olarak göz önüne alınmasını, toplumda, zaman içinde dağılımını, öğrenmeyle, daha geniş toplumla ilgili beklenmedik kazanımları ve deney protokolleri ile nihai önceliklere yönelik etik soruları içermelidir. Bunlar, insan denekler üzerinde yapılan deneylere yönelik 1978 yılında Belmont raporunda ilan edilen ve daha sonra akademik araştırmaları onaylamakla sorumlu Kurumsal İnceleme Kurulları (KİK) aracılığıyla sistemleştirilen ve kurumsallaştırılan önemli konuları yansıtmaktadır. Bununla birlikte kurumların içinde veri kullanımı, araştırma yerine “optimizasyon” olarak sınıflandırılan etkinlikler ve şirket uygulamaları dikkate alındığında benzer temel etik ilkeler nadiren göz önünde bulundurulmaktadır.

Öğrenme analitiği ve eğitsel veri madenciliği alanındaki uygulayıcılar, konsorsiyumlar ve destekleyiciler bilgi uygulamalarını yönlendirmek için etik ilkeleri uygulamaya koymuşlardır. Bunlar, algoritmik analizin bilgi ve karmaşıklığı ve hacmi göz önüne alındığında, öğrenme sistemleri içinde verilerin nasıl toplandığına, saklandığına, işlendiğine ve paylaşıldığına dair kullanıcı bildirimi ve izninin önemi ve zorluğu dâhil önemli konuları gündeme getirmektedir. Ayrıca, deneysel sonuçların “toplum yararına” (Drachsler ve Greller, 2016; Open University, 2017; Pardo ve Siemens, 2014; Sclater ve Bailey, 2015; Slade, 2016; Asilomar, 2014) hizmet edip etmediğini dikkate alan daha soyut adalet ve hayırseverlik kavramlarını da içerirler.

Açık İnceleme

Gizlilik ve etik hususlar, teknolojinin ve deneysel tasarımın ilk aşamalarından itibaren dâhil edilmelidir. En azından, veri odaklı eğitim araçları, istenmeyen önyargıya, farklı etkiye ve toplum genelinde risk ve faydaların orantısız dağılımına karşı denetlenmelidir. En iyi uygulama, olası ama öngörülebilir, sorunlu sonuçları zamanında ele almak için proaktif önlemler oluşturacaktır. Örneğin, iki deneysel grup arasındaki tutarsızlığın, araştırmacılar ve eğitimcilerin A/B testini durdurmalarını gerektirecek kadar yüksek olduğu bir nokta var mıdır?

Projeler, açık hesap verebilirlik ve etik inceleme için önceden belirlenmiş noktalara/aşamalara sahip olmalıdır. Bir çok şirket, örneğin, deneylerde ilerlemeden önce ve yine yayınlanmadan önce veri sahiplerinin ve daha geniş bir topluluğun ilgi ve isteklerini göz önünde bulundurmak için kendi “tüketici araştırma kurullarını” çalıştırmaya başlamıştır (Calo, 2013; Jackman ve Kanerva, 2016; Tene ve Polonetsky, 2015).

Saldırgan Saydamlık

İdeal olarak, öğrenme analitiği ve eğitsel veri madenciliği araçları ve teknolojileri de anlamlı şeffaflık ve algoritmik hesap verebilirlik sağlamalıdır. Şeffaflık mikro -ve makro- düzeyde önemlidir. Bilgi uygulamalarını ifşa etmek, analitik ve eğitsel veri madenciliği veri uygulamalarını öğrenme konusunda yeterince özgül ve hazır bilgilerin yokluğunda panik yapabilecek paydaşlara güven vermeye yardımcı olur.

Veri analizinin sadece -çok uzak bir yerde gelecekteki bir öğrenciye değil- mevcut öğrenenlere de fayda sağlayabileceği yollarla ilgili şeffaflık ve ötesine geçiş, paydaş korkularını hafifletmeye yardımcı olur. Açık ve erken iletişim, küçük bir elit bilim grubunun öğrenci deneyimleri ve sonuçları üzerinde muazzam bir kontrole sahip olduğu ve eylemlerinin gizlilik içinde örtüldüğü izlenimini azaltmaya yardımcı olur. Veri sahiplerine ve daha geniş topluluğa ulaşmanın yollarını bulmak için kurumsal kaynakları çalıştırmaya yardımcı olur.

Algoritmik Sorumluluk

Ancak şeffaflık uygun bilgi uygulamalarını sağlamak için yeterli değildir. Bu bir ön koşuldur. Sorundaki riskler ve algoritmik karar vermenin belirsizliği göz önüne alındığında belgelendirme ve hesap verebilirlik de önemlidir. Öğrenciler ve paydaşlar pedagojik ve kurumsal karar vermeyi hangi kanıtların desteklediğini bilmek isteyecektir. İdeal olarak, öğrenme analitiği ve eğitsel veri madenciliği uygulayıcıları algoritmik hesap verebilirlik için araçlar geliştirmelidir. Bunlar, algoritmik araçların amaçlandığı gibi çalıştığını ve aslında vaat edilen sonuçları desteklediğini çifte kontrol eden denetimleri içerir.

Öğrencilerin gelecekteki fırsatlarını etkilemede giderek daha önemli hale gelecek olan algoritmik hesap verebilirliğin önemli bir parçası, yasal sürecin işlemesi için algoritmik ve kurumsal karar vermeyi belgelendirme gereğidir (Diakopoulos, 2016; Kobie), 2016; Kroll vd., 2017). Öğreniciler, eğitimciler ve kurumlar kanıtları görmek ve akademik gelişimlerini etkileyip yeterlilik belgesi veren sistemler hakkında bilgi sahibi olmak ve kendilerini etkileyen kararları incelemek isteyeceklerdir (Zeide, 2016a; ayrıca bk. Citron ve Pasquale, 2014; Crawford ve Schultz, 2014). Veri bilimcileri ve veri odaklı karar vericiler, önemli kararların adli olarak incelenmesini kolaylaştırmak için hazırlanmalıdır. Örneğin, ebeveynler, çocuklarının neden bir üst sınıfa geçtikleri veya geçmediklerine ilişkin bir açıklama isteyeceklerdir. “Çünkü algoritma öyle dedi” yeterli bir cevap olmayacaktır.

SONUÇ

Güven, entelektüel deneyselliği ve büyümeyi teşvik etmek isteyen öğrenme ortamları için çok önemlidir. Bu durum Beyaz Sarayın büyük verilerle ilgili 2014 tarihli bir raporunda da şöyle belirtilmiştir: “Öğrenmenin kendisi bir deneme yanılma süreci olduğu için, verileri bu yeniliklerin yararlarını sağlayacak ancak yine de öğrencilerin keşfetmek, hata yapmak ve öğrenme sürecinin bir parçası olan hataların uzun vadeli sonuçları olacağını düşünmeden öğrenmek için güvenli bir alan yaratacak şekilde kullanmak gerekir.”

Salt şartlara uymanın ötesine de geçerek, eğitim verileri kendilerine emanet edilenler, en iyi niyetli projelerin bile ulaşmak istedikleri hedefleri zayıflatabilecek olası istenmeyen sonuçlarına karşı koruma sağlayabilir. Bu el kitabının okurları, öğrenci verilerinin zenginliği ile emanet edilmiş, yalnızca uyumu değil, daha geniş sosyal, etik ve politik sonuçları göz önünde bulunduracak şekilde ötesine geçen proaktif bir yaklaşım benimsemelidir. Bunu yapmak, veri odaklı eğitime olan güveni artıracak ve öğrenme analitiği ve eğitsel veri madenciliğinin devrimci potansiyellerine ulaşmasını sağlayacaktır.

KAYNAKÇA

Alamuddin, R., Brown, J., & Kurzweil, M. (2016). Student data in the digital era: An overview of current practices. Ithaka S+R. doi:10.18665/.283890

Ashman, H., Brailsford, T., Cristea, A. I., Sheng, Q. Z., Stewart, C., Toms, E. G., & Wade, V. (2014). The ethical and social implications of personalization technologies for e-learning. Information & Management, 51(6), 819–832. doi:10.1016/j.im.2014.04.003

Asilomar Convention for Learning Research in Higher Education. (2014). Student data policy and data use messaging for consideration at Asilomar II. Asilomar, (CA). http://asilomar-highered.info/ Barnes, K. (2014, March 6). Why a “Student Privacy Bill of Rights” is desperately needed. Washington Post. http://www.washingtonpost.com/blogs/answer-sheet/wp/2014/03/06/why-a-student-privacy-bill-of-rights-is-desperately-needed/

Barocas, S., & Selbst, A. D. (2014). Big data’s disparate impact. SSRN Scholarly Paper. Elsevier. http://papers.ssrn.com/abstract=2477899

Boninger, F., & Molnar, A. (2016). Learning to be watched: Surveillance culture at school. Boulder, CO: National Education Policy Center. http://nepc.colorado.edu/files/publications/RB%20Boninger-Molnar%20 Trends.pdf

Boyd, D., & Crawford, K. (2011). Six provocations for big data. SSRN Scholarly Paper. Elsevier. http://papers.ssrn.com/abstract=1926431

Calo, R. (2013). Consumer subject review boards: A thought experiment. Stanford Law Review Online, 66, 97.

Center for Democracy and Technology (2016, October 5). State student privacy law compendium. https://cdt.org/insight/state-student-privacy-law-compendium/

Citron, D. K., & Pasquale, F. A. (2014). The scored society: Due process for automated predictions. Washington Law Review, 89. http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2376209

Crawford, K., & Schultz, J. (2014). Big data and due process: Toward a framework to redress predictive privacy harms. Boston College Law Review, 55(1), 93.

Daggett, L. M. (2008). FERPA in the twenty-first century: Failure to effectively regulate privacy for all students. Catholic University Law Review, 58, 59.

Diakopoulos, N. (2016). Accountability in algorithmic decision making. Communications of the ACM, 59(2), 56–62. doi:10.1145/2844110

Divoky, D. (1974, March 31). How secret school records can hurt your child. Parade Magazine, 4–5.

DQC (Data Quality Campaign) (2016). Student data privacy legislation: A summary of 2016 state legislation. http://2pido73em67o3eytaq1cp8au.wpengine.netdna-cdn.com/wp-content/uploads/2016/09/DQC-Legislative-summary-09232016.pdf

Drachsler, H., & Greller, W. (2016). Privacy and analytics — it’s a DELICATE issue. A checklist to establish trusted learning analytics. Open Universiteit. http://dspace.ou.nl/bitstream/1820/6381/1/Privacy%20a%20 DELICATE%20issue%20(Drachsler%20%26%20Greller)%20-%20submitted.pdf

Jackman, M., & Kanerva, L. (2016). Evolving the IRB: Building robust review for industry research. Washington and Lee Law Review Online, 72(3), 442.

Jones, M. L., & Regner, L. (2015, August 19). Users or students? Privacy in university MOOCS. Science and Engineering Ethics, 22(5), 1473–1496. doi:10.1007/s11948-015-9692-7

Kobie, N. (2016, January 29). Why algorithms need to be accountable. Wired UK. http://www.wired.co.uk/ news/archive/2016-01/29/make-algorithms-accountable

Kroll, J. A., Huey, J., Barocas, S., Felten, E. W., Reidenberg, J. R., Robinson, D. G., & Yu, H. (2017). Accountable algorithms. University of Pennsylvania Law Review, 165. http://papers.ssrn.com/sol3/Papers.cfm?abstract_id=2765268

Krueger, K.R. (2014). 10 steps that protect the privacy of student data. The Journal, 41(6), 8.

Mayer-Schönberger, V., & Cukier, K. (2014). Learning with big data. Eamon Dolan / Houghton Mifflin Harcourt.

Open University. (2017). Ethical use of student data for learning analytics policy. http://www.open.ac.uk/students/charter/essential-documents/ethical-use-student-data-learning-analytics-policy

Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), 438–450. doi: 10.1111 / bjet.12152

Polonetsky, J., & Tene, O. (2014). Who is reading whom now: Privacy in education from books to MOOCs. Vanderbilt Journal of Entertainment & Technology Law, 17, 927.

Prinsloo, P., & Rowe, M. (2015). Ethical considerations in using student data in an era of “big data.” In W. R. Kilfoil (Ed.), Moving beyond the Hype: A Contextualised View of Learning with Technology in Higher Education (pp. 59–64). Pretoria, South Africa: Universities South Africa.

Prinsloo, P., & Slade, S. (2016). Student vulnerability, agency and learning analytics: An exploration. Journal of Learning Analytics, 3(1), 159–182.

Privacy Technical Assistance Center. (2014) Protecting student privacy while using online educational services: Requirements and best practice. http://ptac.ed.gov/sites/default/files/Student%20Privacy%20and%20 Online%20Educational%20Services%20%28February%202014%29.pdf

Reidenberg, J. R., Russell, N. C., Kovnot, J., Norton, T. B., Cloutier, R., & Alvarado, D. (2013). Privacy and cloud computing in public schools. Bronx, NY: Fordham Center on Law and Information Policy. http://ir.lawnet.fordham.edu/clip/2/?utm_source=ir.lawnet.fordham.edu%2Fclip%2F2veutm_medium=PDFveutm_campaign=PDFCoverPages

Rubel, A., & Jones, K. M. L. (2016). Student privacy in learning analytics: An information ethics perspective. The Information Society, 32(2), 143–159. doi:10.1080/01972243.2016.1130502

Schneier, B. (2008, May 15). Our data, ourselves. Wired Magazine. http://www.wired.com/2008/05/securitymatters-0515/all/1/

Sclater, N., & Bailey, P. (2015). Code of practice for learning analytics. https://www.jisc.ac.uk/guides/ code-of-practice-for-learning-analytics

Selwyn, N. (2014). Distrusting educational technology: Critical questions for changing times. New York/London: Routledge, Taylor & Francis Group.

Siemens, G. (2014, January 13). The vulnerability of learning. http://www.elearnspace.org/blog/2014/01/13/ the-vulnerability-of-learning/

Singer, N. (2015, March 5). Digital learning companies falling short of student privacy pledge. New York Times. http://bits.blogs.nytimes.com/2015/03/05/digital-learning-companies-falling-short-of-student-privacy-pledge/

Singer, N. (2013, December 13). Schools use web tools, and data is seen at risk. New York Times. http://www.nytimes.com/2013/12/13/education/schools-use-web-tools-and-data-is-seen-at-risk.html

Slade, S. (2016). Applications of student data in higher education: Issues and ethical considerations. Presented at Asilomar II: Student Data and Records in the Digital Era. Asilomar, (CA).

Solove, D.J. (2012). FERPA and the cloud: Why FERPA desperately needs reform. http://www.law.nyu.edu/ sites / default / files / ECM_PRO_074960.pdf

Tene, O., & Polonetsky, J. (2015). Beyond IRBs: Ethical guidelines for data research. Beyond IRBs: Ethical review processes for big data research. https://bigdata.fpf.org/wp-content/uploads/2015/12/Tene-Polonetsky-Beyond-IRBs-Ethical-Guidelines-for-Data-Research1.pdf

US Department of Education (n.d.). FERPA frequently asked questions: FERPA for school officials. Family Policy Compliance Office. http://familypolicy.ed.gov/faq-page/ferpa-school-officials

US Supreme Court. (2002). Gonzaga Univ. v. Doe, 536 U.S. 273. https://supreme.justia.com/cases/federal/ us / 536/273 / case.html

Vance, A. (2016). Policymaking on education data privacy: Lessons learned. Education Leaders Report, 2(1). Alexandria, VA: National Association of State Boards of Education.

Vance, A., & Tucker, J. W. (2016). School surveillance: The consequences for equity and privacy. Education Leaders Report, 2(4). Alexandria, VA: National Association of State Boards of Education.

Watters, A. (2015, March 17). Pearson, PARCC, privacy, surveillance, & trust. Hack Education: The History of the Future of Education Technology. http://hackeducation.com/2015/03/17/pearson-spyWhite House. (2014). Big data: Seizing opportunities, preserving values. Washington, DC: Exceutive Office of the President.

Young, E. (2015). Educational privacy in the online classroom: FERPA, MOOCs, and the big data conundrum. Harvard Journal of Law and Technology, 28(2), 549–593.

Zeide, E. (2016a). Student privacy principles for the age of big data: Moving beyond FERPA and FIPPs. Drexel Law Review, 8(2), 339.

Zeide, E. (2016b, March 16). Interview with ED Chief Privacy Officer Kathleen Styles. Washington, D.C.