Modelo Predictivo

Imagina esta escena… Llega el tan esperado primer día de clases y a ti como profesor se te entrega una hoja con el pronóstico de desempeño de tus estudiantes con las calificaciones de cada uno de ellos y también las posibles bajas académicas del grupo… Antes de iniciar cualquier proceso formativo. ¡Como profesor, esto es el santo Grial!

Una necesidad relevante de casi todo profesor al inicio del curso, es conocer lo más rápido posible a sus estudiantes para canalizar las estrategias pedagógicas que lleven a un mejor aprendizaje. La labor de identificación de los perfiles generalmente se desarrolla a través de dinámicas, exámenes y/o pruebas diagnósticas. En la mayoría de los casos, estos estudios de correlación de perfil con el desempeño académico suelen ser cualitativos y la información obtenida es limitada, por lo que lograr la caracterización de conductas y áreas de mejora para cada estudiante suele ser incierto e impreciso.

Como profesores sabemos que, en los procesos educativos, no son solo procesos de enseñanza-aprendizaje lo que afecta el aprendizaje, sino que también intervienen conductas, valores y habilidades que los estudiantes han desarrollado previamente y que debemos considerar en nuestro análisis. Quizás por ello, esta tarea suele ser tan compleja y diversa al momento de establecer modelos de predicción confiables. Sin embargo, lograrlo es posible si se emplean las técnicas y herramientas adecuadas, podríamos canalizar de mejor manera los métodos y acciones de aprendizaje, para detectar posibles alumnos con carencias, atender problemáticas de aprendizaje particulares de cada alumno y también grupales con una posibilidad de atención y certeza muy alta.

Derivado del trabajo colaborativo con otros profesores de ciencias desarrollamos un modelo matemático apoyado con Inteligencia Artificial que permite lograr la identificación del desempeño académico al inicio de un curso. Como parte del trabajo previo de los últimos 5 años los profesores realizaron estudios de perfiles de desempeño de los alumnos, pruebas diagnósticas para la determinación de perfiles de desempeño aprendizaje y/o inteligencias múltiples así como también el estudio de bio-respuesta de un grupo de estudiantes bajo un periodo de observación. El modelo predictivo, se basa en un algoritmo de Machine Learning en donde es posible, con ayuda de inteligencia artificial, entrenar al mismo para lograr predecir la calificación del estudiante en sus tareas, quizzes e inclusive sus evaluaciones parciales.

Durante cuatro años, los profesores involucrados en el proyecto, estudiaron a 106 estudiantes que cursaron las carreras profesionales de Ingeniería y Negocios en el Tecnológico de Monterrey. De la población muestra de estudio, se analizaron datos como las evaluaciones de las bitácoras de desempeño académico de cada uno de sus cursos, tendencias de hábitos y conductas, modelo evaluativo del profesor, experiencia del profesor como docente, preferencias a tomar cursos relacionados con habilidades deportivas o culturales, y aspectos biométricos durante un periodo escolar tal como la calidad de sueño, ritmo cardíaco, hidratación, alimentación, morfología facial, nivel de estrés y respuesta neuronal a través de ciertos estímulos estandarizados.

Con base en 70 variables académicas y no académicas, se desarrolló un modelo de predicción apoyado de Inteligencia Artificial con redes de árboles aleatorios no asistidos. Este algoritmo de Machine Learning tiene como objetivo, encontrar patrones de coincidencia entre las 70 variables definidas para generar un modelo de correlación del desempeño de los estudiantes. Es importante mencionar que los criterios de similitud, no son seleccionados previamente, el algoritmo, aprende con cada estudiante analizado las posibles coincidencias y va generando patrones con los alumnos estudiados.

Así, se logró obtener un modelo de regresión que determina fielmente las evaluaciones que los estudiantes lograron al finalizar el curso, ya que de ellos se tenía el 100% de los datos. En este tipo de estudios, el algoritmo de Machine Learning establece los patrones a través de las coincidencias que la población tiene para cierto tipo de desempeño, y no es definido en ningún momento por los investigadores.

La pregunta planteada por los profesores investigadores fue: ¿Será posible aplicar este modelo a una población donde la información académica y no académica sea desconocida? Tratando de usar este modelo en una nueva población, decidieron seleccionar solo una variable no académica de las 70 variables de estudio. Se decidió tomar la biometría facial como identificador de los usuarios para poder realizar el estudio de predicción de desempeño.

Al aplicar el modelo calibrado entre la población de estudio en casi 350 estudiantes divididos en 12 grupos, con diversas temáticas y diferentes profesores. Los resultados al terminar el ciclo escolar en comparación con el modelo de predicción fue asombrosa. De los 12 grupos estudiados, la precisión de la predicción osciló entre 96-98% por lo que desde esta perspectiva se puede afirmar que dicho modelo permite predecir el desempeño académico de los estudiantes.

Esta solución tiene una alta precisión con un modelo determinista y no probabilista. Actualmente se sigue estudiando, validando el proceso y el modelo de predicción; pero nos alientan los resultados obtenidos. Y sobre todo se visualizan muchas implicaciones positivas en el futuro cercano. De esta valiosa información se pueden evaluar procesos educativos, tomar acciones preventivas de atención escolar y diseñar cursos adaptativos eficientes, entre otros.

Con base en este estudio, se confirma que podemos mejorar la atención de las necesidades de aprendizaje de forma individualizada, razón por la cual invitamos a todos los profesores a conocer más sobre el uso de estas nuevas tecnologías para  tomar ventaja de lo que la información predictiva a través de algoritmos inteligentes y dinámicos nos pueden ofrecer como herramientas de mejora en nuestros cursos.

Acerca de los autores
Omar Olmos López tiene un Doctorado en Física y es profesor de tiempo completo en el Tecnológico de Monterrey, Campus Toluca. Sus investigaciones se enfocan en nuevos modelos de evaluación, aprendizaje adaptativo, inteligencia artificial aplicada a la educación y modelos de enseñanza a través del aprendizaje activo apoyado de tecnología. En la institución ha sido reconocido con el premio a la innovación educativa en varios años consecutivos desde 2010 hasta 2013.

Miguel Ángel Hernández es profesor del Tecnológico de Monterrey, Campus Toluca. También es especialista y consultor en áreas de criptografía, modelado matemático, sistemas complejos, científico de datos, Big Data y modelos adaptativos apoyados en Inteligencia Artificial. Ha desarrollado innovación educativa en las líneas de aprendizaje personalizado y adaptativo así como modelos predictivos del desempeño académico. Ha creado diversas herramientas y aplicaciones para instituciones nacionales e internacionales en el área de Machine Learning.