Categoría: La IA aplicada a la Educación

Una nueva investigación muestra que los datos de corto horizonte pueden ayudar a predecir el rendimiento de los estudiantes a largo plazo, lo que podría ayudar en la personalización de edtech y la toma de decisiones de los maestros. El aprendizaje digital se ha convertido en la norma en la educación, pero evaluar su efectividad sigue siendo un desafío. En la configuración K-12, los resultados de un sistema de tutoría o juego educativo a menudo llegan mucho después de que los estudiantes se hayan comprometido con la herramienta. Las evaluaciones poco frecuentes, como los exámenes estatales al final de un año escolar, dificultan la identificación de los estudiantes que pueden sobresalir o fallar, y retrasan a los investigadores para medir el impacto del software educativo. Investigadores de Stanford, War Child Alliance y Carnegie Learning investigaron si los modelos de aprendizaje automático podrían usar los registros de los estudiantes desde sus primeras horas de uso de una herramienta de software educativo para predecir los resultados finales de las pruebas externas después de meses de uso. El estudio, “Predecir los Resultados de los Estudiantes a Largo Plazo de los Datos de Registro de EdTech a Corto Plazo”, presentado en LAK ’25: Proceedings of the 15th International Learning Analytics and Knowledge Conference 2025, encontró que los datos de solo dos a cinco horas de actividad con un tutor inteligente o un juego de aprendizaje pueden proporcionar información valiosa sobre cómo se desempeñarán los estudiantes en evaluaciones externas estándar varios meses después. “En educación, a menudo estamos interesados en resultados retrasados como las evaluaciones de fin de año, pero sería útil si pudiéramos predecir esos resultados utilizando cantidades más cortas de datos de plataformas de software educativo, dice el autor principal Emma Brunskillprofesor asociado de informática y miembro de la facultad del Instituto Stanford de Inteligencia Artificial Centrada en el Humano (HAI). “Informado por tales predicciones, los maestros o el software en sí podrían ofrecer un apoyo más personalizado a los estudiantes que están luchando y plantear nuevos desafíos para aquellos que están prosperando.” Encontrar las características comunes La investigación previa en esta área se ha centrado en el uso de datos de un año de productos edtech para predecir los resultados en los exámenes de fin de año, un método que lleva mucho tiempo generar resultados. Otros estudios han utilizado unos minutos de actividad estudiantil para predecir los resultados a corto plazo una hora más tarde, lo que no proporciona información sobre el impacto a más largo plazo de las herramientas tecnológicas. Los investigadores de Stanford querían ver si podían obtener predicciones significativas para el rendimiento de fin de año utilizando datos de un período de tiempo relativamente corto con un juego educativo o un tutor inteligente. Apoyado en parte por un Stanford HAI Seed Research Grant, el equipo trató de examinar si una pequeña cantidad de uso de la plataforma edtech, en el orden de unas pocas horas, podría usarse con algoritmos de aprendizaje automático para predecir los resultados de las pruebas externas de los estudiantes después de varios meses de uso.El equipo utilizó datos de tres herramientas tecnológicas educativas diferentes y grupos de estudiantes para evaluar qué tan bien podría generalizarse su enfoque en una variedad de plataformas y poblaciones. El primer conjunto de datos provino de una colaboración con Canoct Espera para Aprender (CWTL Reading), un producto de juego de alfabetización diseñado para apoyar a los niños que viven en áreas afectadas por conflictos. Para este estudio, la organización matriz, War Child, compartió datos de sus estudiantes en Uganda. El segundo y tercer conjunto de datos provino de dos sistemas de tutoría de matemáticas, iReady y MATHia, ambos utilizados por estudiantes de secundaria en los Estados Unidos. En educación, a menudo estamos interesados en resultados retrasados como evaluaciones de fin de año, pero sería útil si pudiéramos predecir esos resultados utilizando cantidades más cortas de datos de plataformas de software educativoEmma BrunskillProfesor asociado de informática y afiliado de la facultad de HAI Gao Ge, un académico postdoctoral en ciencias de la computación que está afiliado al grupo AI for Human Impact (AI4HI) y Laboratorio IA Stanford (SAIL), dice que era importante identificar las características comunes que podrían extraerse de los datos de registro de cada plataforma, sin requerir un conocimiento específico del dominio de la herramienta, la demografía de los estudiantes o los datos de rendimiento previos para los estudiantes. Usando una metodología de árbol de decisión –, una técnica que divide la información en grupos más pequeños y reveladores – para descubrir qué factores son los más importantes para el rendimiento de students’ los académicos encontraron que características como el porcentaje de veces que el estudiante tuvo éxito en un problema (su tasa de éxito) y el número promedio de veces que un estudiante intentó un problema se clasificaron como criterios principales que podrían generalizarse en todas las plataformas. “Al centrarnos en características ampliamente similares que probablemente estén presentes en muchas plataformas educativas, podemos evaluar las similitudes y diferencias entre los entornos,” explica. Con el conjunto de características determinado, el equipo estaba listo para comparar el rendimiento de tres modelos populares de aprendizaje automático para predecir los resultados de los estudiantes para el horizonte temporal dado y en los tres contextos de aprendizaje. Identificando los extremos Gao y sus colegas destacan varios hallazgos clave de este estudio. En primer lugar, los resultados muestran que los datos de dos a cinco horas de uso del software edtech son suficientes para predecir si es probable que un estudiante caiga en los extremos – en el quintil inferior o en el quintil superior – en una evaluación retrasada que ocurre después de meses de usar la herramienta. Aunque los modelos de aprendizaje automático no pudieron predecir los resultados precisos de los estudiantes en un examen, como una puntuación exacta o la colocación del percentil en un examen, los investigadores sugieren que poder identificar los resultados más bajos y más altos en un examen es información valiosa para desarrolladores de software y educadores por igual. “Nuestros hallazgos

Los investigadores han creado un marco unificador que puede ayudar a los científicos a combinar las ideas existentes para mejorar los modelos de IA o crear otros nuevos. Los investigadores del MIT han creado una tabla periódica que muestra cómo se conectan más de 20 algoritmos clásicos de aprendizaje automático. El nuevo marco arroja luz sobre cómo los científicos podrían fusionar estrategias de diferentes métodos para mejorar los modelos de IA existentes o crear otros nuevos. Por ejemplo, los investigadores utilizaron su marco para combinar elementos de dos algoritmos diferentes para crear un nuevo algoritmo de clasificación de imágenes que funcionó un 8 por ciento mejor que los enfoques actuales de vanguardia. La tabla periódica se deriva de una idea clave: Todos estos algoritmos aprenden un tipo específico de relación entre los puntos de datos. Si bien cada algoritmo puede lograr eso de una manera ligeramente diferente, las matemáticas centrales detrás de cada enfoque son las mismas. Sobre la base de estas ideas, los investigadores identificaron una ecuación unificadora que subyace a muchos algoritmos clásicos de IA. Utilizaron esa ecuación para replantear los métodos populares y organizarlos en una tabla, clasificando cada uno en función de las relaciones aproximadas que aprende. Al igual que la tabla periódica de elementos químicos, que inicialmente contenía cuadrados en blanco que luego fueron rellenados por los científicos, la tabla periódica de aprendizaje automático también tiene espacios vacíos. Estos espacios predicen dónde deberían existir algoritmos, pero que aún no se han descubierto. La tabla ofrece a los investigadores un conjunto de herramientas para diseñar nuevos algoritmos sin la necesidad de redescubrir ideas de enfoques anteriores, dice Shaden Alshammari, un estudiante graduado del MIT y autor principal de un documento sobre este nuevo marco. “No es solo una metáfora,” agrega Alshammari. “Weisre comienza a ver el aprendizaje automático como un sistema con una estructura que es un espacio que podemos explorar en lugar de simplemente adivinar a través de.” A ella se unen en el documento John Hershey, investigador de Google AI Perception; Axel Feldmann, un estudiante graduado del MIT; William Freeman, el Profesor Thomas y Gerd Perkins de Ingeniería Eléctrica y Ciencias de la Computación y miembro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL); y el autor principal Mark Hamilton, un estudiante graduado del MIT y gerente de ingeniería senior en Microsoft. La investigación se presentará en la Conferencia Internacional sobre Representaciones de Aprendizaje. Una ecuación accidental Los investigadores no se propusieron crear una tabla periódica de aprendizaje automático. Después de unirse al Freeman Lab, Alshammari comenzó a estudiar agrupamiento, una técnica de aprendizaje automático que clasifica las imágenes aprendiendo a organizar imágenes similares en grupos cercanos. Se dio cuenta de que el algoritmo de agrupamiento que estaba estudiando era similar a otro algoritmo clásico de aprendizaje automático, llamado aprendizaje contrastivo, y comenzó a profundizar en las matemáticas. Alshammari descubrió que estos dos algoritmos dispares podrían reformularse utilizando la misma ecuación subyacente. “Casi llegamos a esta ecuación unificadora por accidente. Una vez que Shaden descubrió que conecta dos métodos, comenzamos a soñar con nuevos métodos para incorporar a este marco. Casi todos los que probamos podrían agregarse,” Hamilton dice. El marco que crearon, el aprendizaje contrastivo de información (I-Con), muestra cómo se puede ver una variedad de algoritmos a través de la lente de esta ecuación unificadora. Incluye todo, desde algoritmos de clasificación que pueden detectar spam hasta algoritmos de aprendizaje profundo que potencian los LLM. La ecuación describe cómo tales algoritmos encuentran conexiones entre puntos de datos reales y luego se aproximan a esas conexiones internamente. Cada algoritmo tiene como objetivo minimizar la cantidad de desviación entre las conexiones que aprende a aproximar y las conexiones reales en sus datos de entrenamiento. Decidieron organizar I-Con en una tabla periódica para clasificar los algoritmos en función de cómo se conectan los puntos en conjuntos de datos reales y las formas principales en que los algoritmos pueden aproximar esas conexiones. “El trabajo fue gradualmente, pero una vez que identificamos la estructura general de esta ecuación, fue más fácil agregar más métodos a nuestro marco,” Alshammari dice. Una herramienta para el descubrimiento A medida que organizaban la tabla, los investigadores comenzaron a ver brechas donde podrían existir algoritmos, pero que aún no se habían inventado. Los investigadores llenaron un vacío tomando prestadas ideas de una técnica de aprendizaje automático llamada aprendizaje contrastivo y aplicándolas a la agrupación de imágenes. Esto dio como resultado un nuevo algoritmo que podría clasificar las imágenes no etiquetadas un 8 por ciento mejor que otro enfoque de vanguardia. También utilizaron I-Con para mostrar cómo se podría utilizar una técnica de depuración de datos desarrollada para el aprendizaje contrastivo para aumentar la precisión de los algoritmos de agrupación. Además, la tabla periódica flexible permite a los investigadores agregar nuevas filas y columnas para representar tipos adicionales de conexiones de puntos de datos. En última instancia, tener I-Con como guía podría ayudar a los científicos de aprendizaje automático a pensar fuera de la caja, alentándolos a combinar ideas de maneras en las que no necesariamente habrían pensado lo contrario, dice Hamilton. “Weimve demostró que solo una ecuación muy elegante, arraigada en la ciencia de la información, le brinda algoritmos ricos que abarcan 100 años de investigación en aprendizaje automático. Esto abre muchas nuevas vías para el descubrimiento,”, agrega. “Quizás el aspecto más desafiante de ser un investigador de aprendizaje automático en estos días es el número aparentemente ilimitado de documentos que aparecen cada año. En este contexto, los documentos que unifican y conectan los algoritmos existentes son de gran importancia, pero son extremadamente raros. I-Con proporciona un excelente ejemplo de un enfoque tan unificador y, con suerte, inspirará a otros a aplicar un enfoque similar a otros dominios del aprendizaje automático, dice Yair Weiss, profesor de la Escuela de Ciencias de la Computación e Ingeniería de la Universidad Hebrea de Jerusalén, que no participó en esta investigación. Esta investigación fue financiada, en parte, por el Acelerador de Inteligencia Artificial de