Por: Laura Calle Escobar
A principios de los 90, se produjo el auge de la era de la información, las computadoras conectadas a la red y la comunicación digital significaron que las empresas pudieron recopilar, y aprovechar los datos para desarrollar nuevos modelos. El auge de los servicios en línea ha abierto una forma completamente nueva de trabajar en muchas industrias. Un ejemplo de ello, es la comparación entre la cantidad de datos existentes para el 2003 y lo que existe hoy en día; en 2003, se recopilaron 5 mil millones de gigabytes de datos desde el comienzo de la historia registrada; hoy, se pueden recopilar 5 mil millones de gigabytes de datos en 10 segundos. ¡Esto muestra lo increíble del internet y lo importante de los datos en el mundo moderno!
Hoy un software define nuestras experiencias diarias. La comunicación en las familias, el lugar de trabajo, las elecciones que hacemos, desde los artículos de noticias que leemos hasta las películas que vemos y las personas con las que salimos, son en gran medida compatibles con software.
Los portales de noticias personalizados, los sistemas de navegación, las plataformas de redes sociales, los portales de compras, los servicios de transmisión de música y las aplicaciones de citas son solo algunos ejemplos de sistemas que afectan lo que experimentamos, pensamos y hacemos.
En el siglo XXI, el objetivo clave de la ciencia de datos y Machine Learning (modelo de aprendizaje), paso de simplemente ejecutar experimentos de laboratorio para publicar un trabajo de investigación, a abordar y resolver problemas del mundo real, automatizar tareas complejas y hacer nuestra vida más fácil y mejor. Pero ¿qué es un modelo de aprendizaje y la Inteligencia Artificial (IA)?.
La inteligencia artificial (IA), es el estudio y diseño de algoritmos que realizan tareas o comportamientos que una persona podría considerar razonablemente que requieren inteligencia si un humano lo hiciera. En términos generales, un sistema inteligente puede tomar muchas formas: un sistema diseñado para ser indistinguible de los humanos; un asistente de voz como Alexa, Siri, un automóvil autónomo; un recomendador en un sitio de comercio en línea; o un personaje no jugador en un videojuego. Un modelo de aprendizaje automático, por su parte, en sí mismo consiste en un algoritmo que intenta aprender patrones latentes, y relaciones a partir de datos sin reglas fijas de codificación rígida.
Cualquier modelo de aprendizaje automático, en su esencia tiene una función de respuesta que intenta mapear, explicar las relaciones y los patrones entre las variables independientes (de entrada) y las variables dependientes (objetivo o respuesta).1 Esto significa que estos modelos buscan aprender de datos históricos, que serán las variables de entrada, que sugieren patrones y relaciones entre nuestra variable objetivo (aquella variable que queremos predecir).
Ahora bien, como se mencionó, la inteligencia artificial ha permeado muchos de los sectores más humanos y la educación no se queda atrás. Recientemente, hemos comenzado a ver un cambio hacia el enfoque en los aspectos humanos de la inteligencia artificial. Esta tecnología, busca mejorar la interacción entre humanos y computadoras, aprendiendo sobre los usuarios, su historia y sus preferencias, esforzándose por automatizar las decisiones y simplificar la interacción. No obstante, esta simplificación puede llevar a que se eliminen las oportunidades de elección, terminando con el elemento de aleatoriedad en nuestras vidas.
Todo esto, ha llevado que exista la necesidad de que en la educación se hable no de inteligencia artificial, sino de inteligencia aumentada. Donde la IA se use para mejorar la inteligencia, y habilidades humanas, sin llegar a reemplazarla. Buscando, de esta manera, que la inteligencia artificial se base en el ser humano, ayudando a mantener al usuario en control.
El análisis del aprendizaje (Learning Analytics), se encuentra en la intersección de las ciencias de la computación (basándose en subdisciplinas como minería de datos, recuperación de información, visualización de información, semántica web) y educación (investigación educativa, ciencia de la medición, ciencias del aprendizaje, aprendizaje colaborativo asistido por computadora, e- Evaluación). Esta es una encarnación educativa de la informática centrada en el ser de la ciencia social computacional donde se encuentran los fenómenos sociales y el modelado computacional
Es totalmente importante considerar que para poder diseñar Learning Analytics debemos adoptar un enfoque centrado en el ser humano en la era de la IA. La IA centrada en el ser humano es un punto de vista de que los sistemas y algoritmos de IA deben diseñarse con la conciencia de que son parte de un sistema más amplio que involucra a los humanos: como usuarios, operadores, estudiantes, profesores y personas cercanas. Algunos investigadores y profesionales de la IA, han comenzado a utilizar el término IA centrada en el ser humano para referirse a sistemas inteligentes que están diseñados teniendo en cuenta la responsabilidad social, como abordar cuestiones de equidad, responsabilidad, interpretabilidad y transparencia. Esos son temas importantes.
En Antivirus para la deserción, buscamos justo esto, diseñar un modelo de inteligencia aumentada, creando (1) un modelo de datos del estudiante para revisar su desarrollo en la universidad, (2) un modelo de aprendizaje supervisado para predecir el riesgo estudiantil; y (3) la historia del estudiante a través de profesionales de trabajo social. Esto nos permite, poco a poco, comprender el desempeño de los estudiantes en cada materia, y así mismo, ayudar a los directivos de la educación superior comprender el éxito o riesgo probable de los estudiantes de cada semestre. Por lo visto, nosotros nos estamos enfocando entres ideas principales:
Como bien se planteó, en un modelo de inteligencia aumentada no se busca solo confiar ciegamente en los datos, sino a partir de las historias personales de cada estudiante, entendiendo su pasado, sus problemas y buscando respuestas psicoemocionales a las mismas. Y es precisamente esto lo que hacemos en la organización Antivirus para la deserción, hemos aprendido que las historias son capaces de transmitir información esencial, de forma más natural para los estudiantes. Estas historias nos ayudan a que los datos sean más comprensibles para los usuarios, en el momento de la presentación y evaluación de los mismos.
referencias:
1A brief introduction into human interpretable machine learning and model interpretation
Dipanjan (DJ) Sarkar, May 24, 2018· https://towardsdatascience.com/human-interpretable-machine-learning-part-1-the-need-and-importance-of-model-interpretation-2ed758f5f476
Learning Analytics: On Silver Bullets and White Rabbits Simon Buckingham Shum, 2015
Español
العربية
简体中文
English
Français
Deutsch
Italiano
日本語
Norsk bokmål
Português
Русский
Türkçe
Українська