Enfoque Educativo
@laura_aguila
Hasta hace unas décadas, pensar en autos que pudieran conducirse solos, “asistentes” que hicieran traducciones de manera instantánea cualquier idioma, parecían acciones complejas, solamente observadas en películas de ciencia ficción, las cuales forman parte del aprendizaje automático o machine learning. Si bien el término no es nuevo, puesto que Alan Turing propuso en 1950 realizar una prueba mediante la cual determinar si una máquina es inteligente, fue Arthur Samuel, un empleado de IBM, quien utilizó por primera vez la expresión “machine learning” en 1959, pasando a la historia como el pionero en el campo de los juegos de computadoras, logrando con ello una de las historias del machine learning más conocidas hasta la fecha, y todo esto que parecía imposible, hoy forma parte de la vida cotidiana gracias a la Inteligencia Artificial (IA), ya que las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.
Esencialmente, el aprendizaje automático se define como “un subconjunto” de la inteligencia artificial, que, a su vez permite que un sistema aprenda y mejore de forma autónoma mediante redes neuronales y aprendizaje profundo, sin tener que ser programado intencionalmente, a través de grandes cantidades de datos, es decir, permite a las computadoras y dispositivos inteligentes, aprender por sí mismos y realizar tareas de forma autónoma, a través de algoritmos, sin necesidad de ser programados. El Ingeniero en informática Jeff Hawkins, (creador del teléfono inteligente Treo), y presidente del Instituto de Neurociencia de Redwood (San Francisco, California), en su libro titulado “Sobre la Inteligencia” en 2004, define a esta como “la capacidad de predecir el futuro, con base a los patrones almacenados en la memoria (el marco memoria-predicción)”, y ese mismo principio se encuentra en el Machine Learning (ML).
A este respecto, es importante señalar que el Machine Learning cuenta con distintos tipos de algoritmos, divididos en tres categorías:
1.- Aprendizaje supervisado: son algoritmos que cuentan con un aprendizaje previo basado en un sistema de “etiquetas” asociadas a datos que les permiten tomar decisiones o hacer predicciones.
2.- Aprendizaje no supervisado: estos algoritmos no cuentan con un “conocimiento previo”, organizan el cúmulo de datos para encontrar patrones que permitan utilizarlos.
3.- Aprendizaje por refuerzo: el objetivo es que un algoritmo aprenda a partir de la propia experiencia y sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error.
Beth McMurtrie, economista egresada del Wellesley College y con una maestría en periodismo por la Universidad de Columbia, ya en 2018 en The Chronicle of Higher Education, narraba que “la inteligencia artificial se está utilizando con más frecuencia en la educación, especialmente en las grandes instituciones que buscan hacer que los cursos con un alumnado grande sean más interactivos”, describiendo la forma en que un grupo de investigadores de la Universidad Carnegie Mellon, ubicada en Pittsburgh, Pensilvania, y considerada como uno de los más destacados centros de investigación superior de los Estados Unidos en el área de ciencias de la computación y robótica, han creado “agentes conversacionales” para promover participaciones en línea, al igual que el Tecnológico de Georgia, donde se han desarrollado tutores y asistentes de enseñanza virtuales, lo que permite que las y los profesores tengan la oportunidad de utilizar “cursos adaptables”, que ajustan las lecciones de acuerdo con la comprensión y necesidades de los estudiantes (Aprendizaje Adaptativo) e implementan herramientas impulsadas por IA, para promover la escritura y la revisión por pares.
De este modo, el Machine Learning (ML), ha demostrado tener una amplia aplicación en la educación, siendo las más comunes:
1.- Aprendizaje personalizado: Los algoritmos de aprendizaje automático se pueden usar para analizar los datos de los estudiantes, como calificación en los exámenes, registros de asistencia y tasas de finalización de tareas para crear planes de aprendizaje personalizados para cada alumno.
2.- Sistemas de tutoría inteligente: A través de la utilización de algoritmos de aprendizaje automático para proporcionar comentarios y orientación personalizados a los estudiantes a medida que completan las tareas y aprenden nuevos conceptos.
3.- Análisis predictivo: De gran ayuda para predecir los resultados de los estudiantes, como los pronósticos de terminar los estudios, las probabilidades de deserción o abandono y el rendimiento académico.
4.- Calificación automatizada: Esta posibilidad de automatizar la calificación de las tareas, ahorraría tiempo valioso a los profesores y brindaría a los estudiantes comentarios más inmediatos sobre su trabajo (retroalimentación en tiempo real).
5.- Diseño de tutorías: El tener la oportunidad de analizar los datos del rendimiento de los estudiantes que permita identificar áreas en las que los estudiantes requieran recibir tutorías, e incluso brinde soporte para ajustar o actualizar los programas de estudios, ajustándolos a las necesidades reales de los estudiantes.
6.- Evaluaciones adaptables: El aprendizaje automático tiene la ventaja de poder crear evaluaciones adaptables que ajustan el nivel de dificultad de las preguntas en función del desempeño del estudiante, lo que proporciona una medida más precisa de sus conocimientos y habilidades.
Estos elementos pueden ser de gran apoyo para las y los profesores, en el sentido de poder identificar con antelación a aquellos estudiantes que pueden estar en riesgo de rezago escolar, deserción o abandono de los estudios, y tener la oportunidad de brindar un programa de intervención tempranamente, para evitarlo, pues, en definitiva, el Machine Learning es un innovador modelo tecnológico que utilizado de la forma óptima, tiene el potencial de transformar la forma en que es vista y entendida la educación actualmente, al brindar experiencias de aprendizaje personalizadas, mejorar los resultados de los estudiantes y reducir la carga de trabajo de los profesores, facilitando mayor productividad en los mismos al evitar el burnout docente.
DLpoder es un medio independiente, tus suscripciones a contenido exclusivo y donativos son valiosos para seguir en este esfuerzo para generar una sociedad informada y crítica.