La concettualizzazione di Williamson è particolarmente illuminante:

L’immaginario generale della scienza dei dati educativi è quello della scoperta
automatizzata della conoscenza, in cui alle infrastrutture computazionali e analitiche vengono affidati compiti chiave per identificare modelli in insiemi di dati grandi e complessi sotto la supervisione qualificata di professionisti esperti. La scoperta automatica della conoscenza è sostenuta da una particolare razionalità e da un’epistemologia che affonda le sue radici nelle scienze statistiche, nelle scienze naturali e negli stili di pensiero e di lavoro della scienza dei dati. Questa epistemologia realista o empirista presuppone che i dati forniscano rappresentazioni accurate e oggettive delle realtà fisiche o sociali sottostanti. Tuttavia, questa prospettiva trascura i modi potenti in cui le infrastrutture di analisi dei dati e le pratiche di quegli esperti inseriti in tali infrastrutture, co-producono e configurano i dati stessi (…). La scoperta automatica della conoscenza non scopre o rivela fatti come dati quantitativi oggettivi, ma partecipa alla loro costruzione. (…) L’immaginario generale della scienza dei dati educativi è quello della scoperta automatizzata della conoscenza, in cui alle infrastrutture computazionali e analitiche vengono affidati compiti chiave per identificare modelli in insiemi di dati grandi e complessi sotto la supervisione qualificata di professionisti esperti. La scoperta automatica della conoscenza è sostenuta da una particolare razionalità e da un’epistemologia che affonda le sue radici nelle scienze statistiche, nelle scienze naturali e negli stili di pensiero e di lavoro della scienza dei dati. Questa epistemologia realista o empirista presuppone che i dati forniscano rappresentazioni accurate e oggettive delle realtà fisiche o sociali sottostanti. Tuttavia, questa prospettiva trascura i modi potenti in cui le infrastrutture di analisi dei dati e le pratiche di quegli esperti inseriti in tali infrastrutture, co-producono e configurano i dati stessi (…). La scoperta automatica della conoscenza non scopre o rivela fatti come dati quantitativi oggettivi, ma partecipa alla loro costruzione. (…) Nel contesto specifico della scienza dei dati educativi, Perrotta e Selwyn (…) sostengono che i metodi di scoperta automatizzata della conoscenza “sovrappongono molteplici strati di complessità algoritmica a comprensioni ridotte (e altamente controverse) dell’apprendimento umano” (…). Da questa epistemologia performativa, le infrastrutture e le pratiche della scienza dei dati educativi danno vita a nuove concezioni dell’apprendimento umano che non sarebbero le stesse senza gli algoritmi, le analisi e i sistemi automatizzati che le hanno prodotte. Una conseguenza dell’approccio alla scienza dei dati educativi in questo modo performativo è quella di vedere la frontiera dei dati non solo come spinta indietro verso i substrati biologici dell’apprendimento umano, ma di vedere la frontiera come modificante gli stessi oggetti che attraversa. Le forme industriali automatizzate di scienza dei dati educativi rendono i corpi computabili in modi che li rendono suscettibili di varie forme di intervento o addirittura di “ingegneria”. L’analogia con la medicina di precisione proposta dal direttore della scienza dell’apprendimento della Chan Zuckerberg Initiative è suggestiva in questo senso. Suggerisce il desiderio biomedico di definire con precisione i singoli corpi attraverso la raccolta e l’analisi di bioinformazioni quantificate, per poi progettare interventi personalizzati e mirati di “educazione di precisione” che possano modificare, migliorare o trasformare in altro modo il funzionamento, il comportamento, le sensazioni o il pensiero di quei corpi (B. Williamson, “Automated Knowledge Discovery: Tracing the Frontiers, Infrastructures, and Practices of Education and Data Science”, in AA. VV., “Digital Disruption in Teaching and Testing. Assessments, Big Data, and the Transformation of Schooling” – traduzione in proprio)