Inteligencia Artificial en Educación

En los últimos tiempos es muy habitual encontrar expresiones como “los datos son el nuevo oro”, “las empresas más importantes son las que tienen los datos”, etc. Se puede decir que el dato está de moda y que hay una cierta erótica del dato. Parece que todo el mundo busca los datos.

Además, y por lo que parece en el ambiente, este creciente interés por los datos no solamente está basado en el interés por los datos en sí mismos, sino que además se mezcla también con el interés por la Inteligencia Artificial que, según como se interpreta últimamente, tiene mucha relación con los datos. De esto ya hablamos en esta entrada anterior.

¿Por qué se produce este interés por los datos?

Desde los pitagóricos, hace 2.500 años, ya sabemos que si miramos a fondo los números podemos encontrar ciertas curiosidades y patrones. Hasta hace poco esta característica de los números no dejaba de ser una cierta curiosidad matemática, pero con la aparición de los ordenadores y su enorme fuerza de cómputo se ha desarrollado toda una nueva disciplina: la ciencia de datos, que se dedica a extraer estos patrones existentes en cualquier conjunto de números y datos.

Ya vimos en esta entrada anterior cómo la ciencia de datos está creando recientemente una línea de trabajo muy interesante, que suele denominarse habitualmente con términos ingleses como Machine Learning, Neural Networks o Deep Learning. Lo interesante de esta línea de trabajo es que está produciendo resultados prácticos bastante llamativos, como el hecho de que los ordenadores, gracias a ella, están “aprendiendo” a distinguir razas de perros o gatos en imágenes, están “aprendiendo” a jugar al ajedrez o al juego oriental Go, o incluso a videojuegos complejos, mejor que cualquier humano. Los ordenadores ya son mejores que nosotros en algunos aspectos. Esas mismas técnicas se están utilizando también para otras cuestiones más prácticas, como pueden ser identificar lesiones cancerígenas en imágenes médicas, o incluso mantener determinadas conversaciones prácticas con humanos, como las llamadas que hace Google para pedir cita en una peluquería, por ejemplo. Ejemplos de inteligencias artificiales específicas basadas en ciencia de datos.

Todo esto está creando una gran expectación y muchos tienden a no comprender bien qué procesos y actividades son susceptibles de ser abordadas con las técnicas de Machine Learning, con lo que en muchas ocasiones se sobrevaloran las posibilidades de la Inteligencia Artificial. Incluso se oye hablar a veces de robots con inteligencias generales superiores a las humanas, o similares a las humanas, como en la película Blade Runner. Algo de lo que estamos ciertamente muy muy lejos…

En este contexto, ¿qué está sucediendo en la educación?

La ciencia de datos y su línea de trabajo de Machine Learning quiere también utilizarse en educación. Lo más habitual en que se piensa es en capturar la mayor cantidad posible de información sobre las interactuaciones de los estudiantes con los contenidos educativos digitales, para de ahí extraer mágicamente alguna información nueva que hasta ahora desconocíamos sobre cómo aprendemos los humanos y quizá supuestamente podamos con ello mejorar los productos educativos digitales.

De hecho, hay iniciativas muy grandes para integrar los datos de los estudiantes en todas sus vertientes: desempeño escolar, datos sociales y demográficos, datos administrativos, etc. Los informes PISA no dejan de ser un esfuerzo en esta línea. En Estados Unidos ya hay algún gran plan para hacer “fontanería de datos” educativos de tal manera que los datos que aportan muchas herramientas propias del sector puedan complementarse. Si hiciéramos lo mismo en España, por ejemplo, se trataría de cruzar los datos de los estudiantes que se producen en los grandes Entornos Virtuales de Aprendizaje públicos y privados, con los de los ERPs públicos y privados, con los de las grandes editoriales y generadores de contenidos interactivos, o los que recogen los sistemas de las grandes empresas tecnológicas. Todo junto. Esa sería la consecuencia lógica del planteamiento que se suele adoptar habitualmente. ¿Por qué? Porque muchos suponen que, de esta manera, y con técnicas de Machine Learning, “algo aprenderemos de esas máquinas tan listas que nos ganan jugando al ajedrez”, si se nos permite la broma. En realidad, no se sabe muy bien del todo qué se quiere obtener exactamente. Se avanza a ciegas, guiados por intuiciones.

La perspectiva de iteNlearning

Nuestra perspectiva es diferente. Pensamos que el Machine Learning es desde luego una técnica muy interesante, y que está dando unos frutos muy prácticos. Pero no tiene una aplicación demasiado interesante en educación. Frente al Machine Learning, nosotros proponemos el “Student learning”. No es la máquina la que tiene que aprender, sino los estudiantes.

En este punto es importante volver a insistir en uno de nuestras líneas fundamentales de pensamiento, y es la que distingue entre distintos acercamientos a la relación entre tecnología y educación:

  • Aprender SOBRE tecnología. Necesario en nuestro mundo tecnológico.
  • Aprender CON tecnología. Algo que no mejora los resultados de los estudiantes.
  • Aprender GRACIAS A la tecnología. Este es un gran campo de investigación.

En iteNlearning nos dedicamos a la línea de investigación de “aprender GRACIAS A la tecnología”. Para ello, nos basamos necesariamente en un paradigma de la Educación Basada en Evidencias, igual que sucede por ejemplo en Medicina. Es fundamental dejar atrás una educación basada en opiniones y creencias, y utilizar únicamente modelos científicos. En esta línea de trabajo de iteNlearning, en consecuencia, resultan fundamentales los conceptos de validación científica, y también de eficacia y eficiencia.

La actividad principal de la empresa es consecuencia de todo esto: la creación de INSTRUMENTOS EDUCATIVOS PROFESIONALES. De la misma manera que los médicos tienen herramientas para el diagnóstico y para el tratamiento sin las cuales hoy en día no podrían sacar adelante su trabajo, los docentes deben contar también con herramientas similares. Esto es lo que venimos haciendo desde el año 1995.

Por eso nuestra estructura como empresa tiene varias partes, cada una de las cuales cumple su función:

  • Comité científico. Formado por personas de muy alta cualificación y gran prestigio en sus respectivas disciplinas, que nos orientan sobre qué dice la ciencia con relación a cómo aprendemos los humanos la lectoescritura, las matemáticas, etc.
  • Base de Datos del Conocimiento Científico. Donde todo ese saber se almacena objetivado y de manera práctica. Este es un componente valiosísimo de la estructura empresarial de iteNlearning.
  • Laboratorio de Desarrollo. Donde se plantean inicialmente como prototipo diversos artefactos interactivos que buscan mejoras objetivas en el aprendizaje humano.
  • Centro de Pedagogía Terapéutica. (Fonos Salud). Donde se comprueba la eficacia de los artefactos interactivos creados en el Laboratorio de Desarrollo, en pruebas de caso con estudiantes que presentan dificultades de aprendizaje.
  • Durante unos años tuvimos en propiedad un centro educativo propio, aunque desde hace unos años probamos no ya la eficacia, sino también la eficiencia, de los desarrollos de iteNlearning, en una pequeña red de centros con los que venimos colaborando. Nunca son más de 40-50 al año.

El proceso vuelve una y otra vez a producirse, buscando una mejora continua, en un proceso recurrente.

En los últimos años, estamos elevando el alcance de nuestra investigación. Especialmente gracias al proyecto que ejecutamos para el Ministerio de Industria, a través de Red.es, donde hemos trabajado con más de 15.000 estudiantes a lo largo de varios años, con unos resultados que han sido puestos en valor en numerosas ocasiones (ver por ejemplo aquí y aquí). La más reciente es esta de la Consejería de Educación donde se llevó a cabo el proyecto. O incluso en la propia sede del Ministerio de Educación.

De esta manera, nuestro planteamiento en relación a los datos y a la Inteligencia Artificial es diferente del que habitualmente se da en el sector. El estándar es lo que en este artículo de Harvard viene a llamarse “bottom-up machine learning”, donde los ordenadores “aprenden” a partir de una serie de datos más o menos grande. Con ese planteamiento, y en el mejor de los casos, se puede hacer un aprendizaje adaptativo limitado a una propuesta de selección de contenidos (similar a lo que hacen por ejemplo Amazon o Netflix) o una gestión ligera de las curvas de memoria, como en este celebradísimo artículo científico que publicó la empresa Duolingo recientemente.

Nosotros en iteNlearning no nos centramos en el Machine Learning sino en el “Student Learning”. Seguimos lo que en el anteriormente citado artículo de Harvard han venido a llamar “top-down models for mimicking human intelligence”. Es decir, crear modelos computables de los modelos neuropsicológicos o cognitivos del aprendizaje, que conocemos gracias a las Ciencias y Tecnologías del Conocimiento: psicología cognitiva, neurociencias, lingüística, epistemología e Inteligencia Artificial. De ello nos informa y actualiza nuestro comité científico.

Con esto, siguiendo reiteradamente el proceso de mejora continua descrito más arriba, somos capaces de producir Instrumentos Educativos Profesionales, que tienen las siguientes características:

  • Evidencia científica. Parten siempre y necesariamente de ella. Es nuestro principal valor.
  • Validación. Necesario igual que sucede por ejemplo con los avances médicos.
  • Aprendizaje adaptativo. En tres niveles:
    • Nivel 1. Tratamiento del error. En tiempo real.
    • Nivel 2. Gestión inteligente de las curvas de aprendizaje y de las curvas de memoria de los estudiantes.
    • Nivel 3. Selección inteligente de los contenidos.
  • Analíticas de aprendizaje. Mucho más allá de los estándares tipo SCORM. Con especial atención a las funciones cognitivas generales (atención, memoria, velocidad de procesamiento, etc.) y sobre todo a los procesos cognitivos específicos de cada área curricular.
  • Metacognición gamificada.

Por eso somos diferentes.

 

 

Este texto es el resumen de una presentación en formato de Pecha-Kucha que ofrecimos recientemente en una actividad de la Asociación Educación Abierta que puede consultarse aquí.

La presentación en vídeo completa está disponible aquí:

 

A continuación, se incluyen las diapositivas de la presentación utilizada en ese evento.

 

 

 

 


Compartir