Què hem fet?

Metodologia

Amb l'objectiu d'avaluar la presència dels ODS als ensenyaments de la Universitat Rovira i Virgili, s'ha emprat la metodologia següent: en primer lloc, tècniques de web scraping i mineria de textos per extreure els continguts de les guies docents; després, traducció a l'anglès per facilitar l'anàlisi; finalment, anàlisi de dades en R per identificar termes relacionats amb els ODS i estimar-ne la presència als ensenyaments de la URV.

Flux de treball per a l'anàlisi de les guies docents

Pas 1 Recopilar les guies docents de grau i màster des de la web pública

Per obtenir el contingut dels ensenyaments, s'extreuen dades de les guies docents de les assignatures corresponents mitjançant múltiples processos de web scraping (Firefox WebScraper Plugin).

Un exemple d'enllaç d'ensenyament és: https://guiadocent.urv.cat/guido/public/centres/503/ensenyaments/3475/detall.

En aquest cas, "503" identifica el centre (Facultat de Turisme i Geografia) i "3475" l'ensenyament (Grau en Geografia, Anàlisi Territorial i Sostenibilitat).
Pas 2 Processar les dades i extreure textos rellevants

La informació es recupera en dos estàndards: DOCnet i GUIDO. DOCnet és encara present en moltes guies, mentre que GUIDO s'està desplegant progressivament.

Per a DOCnet cal obtenir l'enllaç de l’iframe; per exemple: Enllaç DOCnet.

Per a GUIDO, l'accés és per apartats; per exemple: Enllaç GUIDO.

S'extreuen descripció, contingut, resultats d'aprenentatge, competències i referències, i s'organitzen en un dataframe amb el context de curs, ensenyament i centre.
Pas 3 Identificar termes ODS als textos
L'anàlisi per identificar i quantificar ODS es basa en detecció de termes i mètodes del paquet text2SDG en R. El contingut original en català es tradueix a l'anglès (LibreTranslate, i de suport Apertium).

Es van revisar diverses fonts de paraules clau i mètodes:
- University of Toronto SDGs Keywords.
- Institut Teknologi Sepuluh Nopember.
- University of Auckland SDG mapping.
- JRC SDG Mapper.
- text2SDG (Meier, Mata i Wulff, 2022).
Finalment, text2SDG es va escollir per utilitat i eficiència en grans volums de text.
Pas 4 Generar visualitzacions i informes

Els ODS detectats es fusionen amb les metadades de les assignatures i s'exporten en un format JSON estructurat per centres, ensenyaments i cursos.

Aquest format permet consultes ràpides i iteratives per analitzar quins centres, programes i assignatures mostren major alineació amb els ODS.

flowchart TB %% Classes de colors classDef fase fill:#f9f,stroke:#333,stroke-width:2px,color:#000,font-weight:bold; classDef process fill:#ffeb99,stroke:#333,stroke-width:1px,color:#000; classDef data fill:#bbf,stroke:#333,stroke-width:1px,color:#000,font-style:italic; classDef output fill:#bfb,stroke:#333,stroke-width:1px,color:#000; %% FASE 1: Recopilació A["1. Recopilació de guies docents"]:::fase --> A1["Web scraping de guies docents"]:::process A1 --> A3{📑 Estàndard de la guia?}:::process A3 -->|DOCnet 93%| A4["Accés a iframe DOCnet"]:::process A3 -->|GUIDO 7%| B["2. Processament i extracció de dades"]:::fase A4 --> B %% FASES 2, 3 i 4 B --> B1["Extracció del contingut de les guies docents"]:::process B1 --> C["3. Anàlisi de termes ODS"]:::fase C --> C1["Traducció a l'anglès (LibreTranslate o Apertium)"]:::process C1 --> C2["Identificació dels ODS amb text2SDG (R)"]:::process C2 --> D["4. Generació de visualitzacions i informes"]:::fase %% Sortida D --> JSON["JSON estructurat"]:::data JSON --> Web["Pàgina web interactiva"]:::output

Eines utilitzades

Transició actual de DOCnet a GUIDO

La coexistència dels formats de les guies docents DOCnet i GUIDO, fruit de la transició del primer al segon format, introdueix una heterogeneïtat tècnica que ha requerit adaptar els processos d'extracció i anàlisi. Lluny de ser només un obstacle, la transició a GUIDO obre la porta a recomanacions pràctiques perquè el professorat pugui incorporar elements que afavoreixin el seguiment dels ODS. Aquest procés de canvi, doncs, acompanya i justifica la necessitat de monitoritzar la presència dels ODS en els ensenyaments de la URV.

També s'han detectat dades incompletes o mal formatejades (referències, competències i resultats), que en alguns casos requereixen revisió manual per garantir qualitat.

En alguns ensenyaments també hi ha continguts ubicats en seccions no previstes de la guia docent, cosa que pot reduir coherència en la detecció ODS.

Possibles millores i treball futur

El treball futur es pot articular en dues línies complementàries. D'una banda, cal continuar amb millores tècniques del pipeline: reforçar l'extracció amb eines natives d'R (rvest, httr) per millorar traçabilitat i control d'errors, incorporar preprocés contextual abans de la traducció per reduir ambigüitats en termes tècnics i compostos, i consolidar visualitzacions que permetin comparar de manera més directa cobertures i diferències entre sistemes i seccions.

De l'altra, hi ha una feina conceptual i metodològica igualment rellevant. Una revisió manual de mostres de resultats hauria de servir per estimar falsos positius i falsos negatius, i per orientar millor la selecció dels criteris d'anàlisi. En lloc d'assumir un únic sistema òptim per a tots els casos, convé estudiar quina combinació de sistema i secció és més robusta per a cada ODS, amb criteris explícits de qualitat i interpretabilitat.

A partir d'aquesta validació, es podria elaborar un conjunt de recomanacions pràctiques per a la redacció de guies docents, orientades a fer més clara i consistent la descripció de competències, continguts i referències vinculables als ODS. En paral·lel, seria pertinent construir un diccionari propi de termes ODS adaptat al context URV i utilitzar-lo per entrenar o ajustar un model/sistema de classificació específic, més alineat amb el llenguatge real de les titulacions analitzades.