Aprendizaje Inteligente y perspectivas futuras

La Inteligencia artificial puede ayudar a superar todo tipo de límites que el alumno
tenga, límites que la educación tradicional tuvo en su momento y que aún siguen
hoy en día. No se trata de sustituir al docente. Es totalmente alarmista y poco
realista decir que la IA reemplazará a los maestros. Su rol dentro de la educación
es la de ser una herramienta que fortalezca la enseñanza y guíe a los estudiantes
a una verdadera educación y a un aprendizaje significativo.

El avance de la inteligencia artificial, en los últimos años, está presentando un

impacto significativo. Está transformando la cosmovisión de todo el mundo, así
mismo de la educación. Entre esas perspectivas, se encuentra la manera en cómo
la educación puede adaptarse al alumno e incluso personalizarse. La cuestión
aquí no es la de enfocarse en un trabajo arduo y duro, con pocos resultados. Se
necesita hablar de aprender inteligentemente, lo cual lleva a pensar que se
requiere una escuela y universidad inteligente para que dentro de sus espacios los
docentes con las competencias necesarias, puedan hacer que los estudiantes
alcancen este fin. ¿Cómo entonces lograr el aprendizaje inteligente? El
aprendizaje inteligente es un concepto que se ha vuelto cada vez más relevante
en el campo de la educación en los últimos años. En pocas palabras, se refiere al
uso de tecnologías de inteligencia artificial y análisis de datos para personalizar el
aprendizaje de los estudiantes, brindándoles un enfoque más personalizado y
adaptable. Es decir, cada acción que realiza el estudiante, cada error, cada
acierto, etc. es un dato cuantificable, medible e importante para hacerse un perfil
completo e idóneo con el fin de personalizar más los métodos e por ejemplo,
podemos analizar qué regla ortográfica está siendo ignorada por los alumnos con
solo hacer un conteo y registro global de todos sus trabajos en el mes, trimestre o
año. Una vez haciendo ese conteo, la IA nos puede decir qué está sucediendo.
Siguiendo con el ejemplo, supóngase que un o unos alumnos nunca hacen uso de
las tildes, pero en las palabras terminadas en “-on”. El docente que no está
capacitado para usar la IA puede incluso cometer el grave error de ponerlos a
repetir muchas veces todas las palabras sin resolver realmente el problema. Sin
embargo, otro docente puede hacer uso de las nuevas tecnologías, la IA detectará
que no es un problema en el cual su solución es la repetición, sino el aprendizaje
significativo de las reglas de acentuación, la cual reza así: Toda palabra aguda
que termine en N, S o Vocal se tildará. La IA nos puede decir incluso en qué
momento del trabajo, si en la parte de redacción o de respuestas aisladas
presentó dificultad. Si fue en exámenes o si fue en trabajos grupales o hechos en
casa. Otro ejemplo puede ser el de la pronunciación de las palabras o cuál es el
aservo cultural e ideolecto de un estudiante. Se le puede grabar (con la previa
autorización de los padres) para establecer un conteo de sus palabras. Unas vez
acumulados los datos, nos puede dar el resultado esperado. Si tiene un alto
ideolecto y un léxico avanzado, o si incluso cuáles y cuántas palabras no pudo
pronunciar bien, y luego analizar su motivo. Esto con el fin de adaptarse a la
necesidad del alumnado.
Por consiguiente, es importante que los educadores estén capacitados y
orientados para usar estas herramientas, siempre y cuando se busque fortalecer
el aprendizaje de los estudiantes y también tener un mejor panorama del salón de
clases. ¿A qué se refiere con panorama? Esto es, a tener un perfil del saló, para
saber con qué tipo de grado se está trabajando. Qué debilidades tienen, qué
fortalezas. Por ejemplo, puede que la IA nos analice todos los trabajos trimestrales
de las materias básicas, cada actividad cotidiana, formativa, integradora, exaula,
etc. Una vez analizado lo anterior, podremos entender si un grado es fuerte en el
razonamiento lógico-matemático, pero débil en el área de Lenguaje. Pero, ¿qué
nos dirá que un grado es fuerte en, supóngase, ciencias sociales y débil de
ciencias físicas? Pues, con la ayuda de la IAA, se puedd dar más énfasis a las
competencias necesarias de la materia en cuestión que a las habilidades que
ofrece la otra materia en la que están fuertes. También, deben estar dispuestos a
adaptar sus métodos y trabajar de una manera más individualizada y adaptable.
Además, la tecnología puede ayudar a crear experiencias de aprendizaje más
interactivas que aumentan la motivación y el compromiso estudiantil. Se debe de
eliminar todo tipo de estigmas con respecto a la educación, no se debe concebir a
ésta como necesariamente aburrida o poco interesante, como algo inmejorable y/o
tradicional. No, con ayuda de la IA se puede incluso hacer que los alumnos
chateen y hablen con su personaje favorito de televisión o con algún personaje
histórico. También cuando se toque la temática de los mito o de imaginación, se
puede recurrir a la IA para crear las imágenes de un nuevo ser mitológico, para
que puedan dar rienda suelta a su creatividad e imaginación; como complemento
a esa actividad, por si fuera poco, crear una voz con Inteligencia artificial. Lo
anteriormente dicho son solo algunas de las tantas ideas y posibilidades que nos
brindan las nuevas tecnologías de vanguardia. De este modo, para lograr el
aprendizaje inteligente en los estudiantes se requiere de estrategias efectivas para
personalizar y adaptar el aprendizaje a las necesidades, habilidades y
preferencias de cada uno.

El autor y tecnólogo educativo Patnood (2018) define alaprendizaje inteligente

como "el uso de datos, análisis y tecnología para personalizar el aprendizaje y
optimizar el rendimiento" (p.56). Esta definición enfatiza la importancia de las
tecnologías de análisis de datos que permiten a los educadores recopilar
información valiosa sobre el desempeño de los estudiantes y ajustar la instrucción
de manera efectiva. Patnood, E. (2018). You, Your Child, and School: Navigate
Your Way to the Best Education. (p.56).

.
Por otro lado, Robinson (2009) un renombrado educador y autor, sugirió que “el
aprendizaje inteligente es una extensión del aprendizaje personalizado y tiene
como objetivo mejorar la calidad y la eficacia del aprendizaje al tiempo que
fomenta la creatividad y la innovación” (p.54). Robinson enfatizó la importancia de
que los estudiantes puedan aprender de forma independiente y desarrollar
habilidades de pensamiento crítico para enfrentar los desafíos del siglo XXI. Visto
de esta forma, el aprendizaje inteligente tiene como objetivo proporcionar a cada
estudiante una experiencia de aprendizaje personalizada en función de sus
habilidades, preferencias y necesidades. Robinson, Sir Ken. (2009). The Element:
How Finding Your Passion Changes Everything.

En cuanto a la tecnología de vanguardia utilizada en la educación, ofrece

información y análisis inmediatos sobre el progreso de los estudiantes, lo que
permite a los educadores personalizar las experiencias de aprendizaje según los
requisitos individuales. En este contexto, la educación que incorpora tecnología
puede describirse como un proceso de tres partes: recepción, examen y
presentación. Esto refleja la estructura típica de un sistema de datos: recepción
(aceptación de información), examen (análisis e interpretación de datos) y
presentación (el resultado o la respuesta en función de los datos analizados).

Ahora bien, ¿cómo se compone el aprendizaje inteligente? Se compone de tres

partes: Entrada, procesamiento y salida.

Entrada: Se refiere a los datos que se utilizan para entrenar el modelo.

Estos datos se llaman datos de entrenamiento y son fundamentales para que
el modelo pueda aprender y mejorar su desempeño con el tiempo. La calidad y la
cantidad de los datos de entrada pueden influir significativamente en la precisión y
la eficiencia del modelo. Esto pone de relieve la importancia del preprocesamiento
de los datos, que incluye la limpieza, la normalización y la transformación de los
mismos, para garantizar la alta calidad de los datos de entrada.De este modo, se
puede optimizar el rendimiento del modelo, lo que genera resultados más precisos
y fiables. Ejemplos: en una clase acerca de la lectura de sílabas, dictar un número
determinado de sílabas previamente seleccionados. Entre esas sílabas, unos de
tipo complejo y otros de tipo sencillo. Luego, hacer que el alumno las escriba
mientras se dicta. Una vez escritas las sílabas, proseguir con el dictado de
palabras con las sílabas complejas y sencillas. Cuando los alumnos escribas las
palabras, la IA lanzará una estadística de las palabras bien escritas y mal eacritas.
Ese es un ejemplo de datos de entrada.
Otro ejemplo puede ser que en una clase de lengua y literatura, centrada en la
ortografía, la redacción y la gramática, los datos de entrada podrían consistir en
muestras de textos escritos anteriormente por los estudiantes, como ensayos o
artículos de opinión. Al analizar estos textos, el modelo puede identificar patrones,
fortalezas y debilidades en las habilidades de escritura de los estudiantes. Con
base en este análisis, los educadores pueden proporcionar comentarios
específicos y adaptar su instrucción para satisfacer las necesidades individuales
de los estudiantes, mejorando en última instancia sus habilidades de escritura.

Procesamiento: En el aprendizaje inteligente, el término "algoritmo" se refiere al

procedimiento del modelo para analizar y comprender los datos de entrada. Este
proceso es responsable de extraer características significativas de los datos y
emplearlas para realizar predicciones o clasificaciones precisas. La eficacia del
algoritmo es crucial para el rendimiento general del modelo, ya que afecta
directamente la precisión y la fiabilidad de los conocimientos y las
recomendaciones generados esta eficacia dependerá también de qué tan falibles,
inalibles, certeros o supérfluos datos que sean puestos desde la entrada de datos.
Por ejemplo, el procesamiento en este caso podría implicar la detección de
patrones y errores de escritura comunes entre los estudiantes. El algoritmo de
aprendizaje automático podría emplear técnicas de procesamiento del lenguaje
natural para examinar la estructura de las oraciones, la elección de palabras y la
gramática, en busca de patrones que puedan indicar errores típicos. Además, el
sistema podría utilizar pistas de contexto y muestras de escritura de estudiantes
anteriores para ayudar a distinguir entre elecciones estilísticas intencionales y
errores potenciales, proporcionando retroalimentación más precisa y
oportunidades de aprendizaje específicas. Con el análisis de las estructuras de las
oraciones, podemos determinar incluso si es alguien tiene dominio sobre las
oraciones hipotácticas, paratácticas y yuxtapuestas. Tambien, valorizar si
entienden el uso de los signos de puntuación, el de la coma, punto y coma (donde
normalmente la mayoría no sabe dónde usarlo), punto y seguido, punto y a parte y
punto y final. Con contexto en materia, puede uno indagar en si se debe a la
complejidad de los temas el poco conocimiento de cómo usar los tipos de
oraciones. Pues, no se asemeja hablar acerca de “árboles”, “los colores” a hablar
acerca de los diferentes tipos de ecuaciones existentes en cierta rama específica
de las matemáticas. Inclusive, puede ser esto incluso no un problema de sintaxis,
sino más bien de dominio de la temática. Razón por la cual un alumno pudiese
escribir oraciones sin sentido.

Salida: En el aprendizaje automático, el resultado se refiere a los resultados que

produce el modelo después de procesar los datos de entrada. Estos resultados
pueden incluir predicciones, clasificaciones, recomendaciones y más. La calidad
del resultado del modelo se puede evaluar en función de su capacidad para
cumplir los objetivos del proyecto. Además, el rendimiento del modelo se puede
evaluar teniendo en cuenta factores como la exactitud, la precisión, la
recuperación y la puntuación , que proporcionan una comprensión más completa
de la eficacia del modelo. La salida en este modelo podría ser sugerencias
específicas para cada estudiante sobre cómo mejorar su
escritura. Por ejemplo, el algoritmo podría identificar que un estudiante tiende
a confundir las palabras "a" y "ha", o el uso de “ay”, “ahí”, “hay” en su escritura. El
algoritmo podría recomendar ejercicios específicos para ayudar al estudiante a
practicar la diferenciación entre estas palabras.

Son, pues, los tres componentes principales del aprendizaje inteligente (entrada,
procesamiento y salida) los que forman la piedra angular para desarrollar modelos
de aprendizaje inteligente integrado con Inteligencia Artificial. Cada componente
desempeña un papel igualmente crucial y requiere enfoques estratégicos y
cuidadosos para lograr un rendimiento óptimo del modelo. Pues, si se descuida
una de las tres partes del aprendizaje inteligencia, se devengará en problemas
específicos. Como por ejemplo, si se descuida la fase de entrada, todos los
resultados serán imprecisos, falaces, fuera de la realidad o hasta incluso falsos.

Para explicarlo mejor, la fase de entrada implica la recopilación y el

preprocesamiento de datos, lo cual es vital para los modelos de entrenamiento.
Los datos de alta calidad contribuyen a un mejor rendimiento del modelo. La etapa
de procesamiento abarca la selección de algoritmos apropiados y el ajuste fino de
parámetros para extraer patrones significativos de los datos de entrada. En última
instancia, la fase de salida se materializa en forma de predicciones, inferencias o
decisiones tomadas por el modelo, en función de los patrones discernidos durante
el procesamiento de datos.

Centrarse diligentemente en cada uno de estos componentes conducirá a la

creación de modelos de aprendizaje automático precisos y eficientes.