La Inteligencia Artificial llega a la educación superior

Puntos clave

• El aprendizaje automático agiliza la programación laboriosa, revela datos valiosos y permite una toma de decisiones más inteligente
• El aprendizaje automático ofrece operaciones simplificadas y posibles acciones innovadoras para el reclutamiento y la retención
• El reclutamiento y el asesoramiento académico son dos áreas adecuadas para una aplicación más inmediata del aprendizaje automático.

Por Raja Saravanan

Hay mucho alboroto acerca de los beneficios, así como los riesgos, de la inteligencia artificial (IA) y el aprendizaje automático. ¿El aprendizaje automático se merece tanto revuelo? Si, y estoy emocionado por compartir cómo puede aumentar la matricula y mejorar la retención estudiantil.

¿Qué es el Machine Learning y cómo funciona?

El Machine Learning o aprendizaje automático, como lo llamaremos en español, es una aplicación de la inteligencia artificial que permite a las máquinas aprender reglas por sí solas en lugar de solo operar con reglas preprogramadas. En este sentido, es un programa que aprende y mejora sus propios procesos. Esto permite a los programadores no preocuparse en crear complejas reglas comerciales y enfocarse en preparar los datos que, a través del aprendizaje automático, creará modelos más fuertes. Cuando los trabajadores tienen que realizar menos trabajo en campo, más tiempo tienen para solucionar tareas estratégicas.

En la programación tradicional, la lógica de las operaciones era poner código duro en el programa y el programa ejecutaría según las reglas que rigieran la lógica. Todas las reglas fueron precodificadas. Por ejemplo, si yo escribiera un programa que tuviera que identificar que cierta imagen es una bola verde o una bola morada, escribiría reglas basadas en los valores del píxel y el programa podría identificar el color basándose solo en esas reglas. Sin embargo, si las imágenes muestran un amplio rango de condiciones de iluminación, entonces las reglas programadas van a fallar dando como resultado una identificación errónea. Ahora necesitaría escribir nuevas reglas para integrar cada condición única de iluminación.

El aprendizaje automático resuelve este problema: se puede escribir un programa que aprenda las diferencias entre una bola verde y una bola morada basándose en más imágenes tomadas desde distintas condiciones de iluminación. Así, el programa construye sus propias reglas basado en el conjunto de imágenes y será capaz de identificar si la imagen dada es una bola verde o una morada.

La siguiente ilustración describe uno de esos modelos. En la tabla siguiente, los puntos verdes representan los valores de imágenes de bolas verdes y los puntos morados son los valores derivados de imágenes de bolas moradas. Podemos dibujar una línea que divida los puntos verdes de los puntos morados, proporcionando una fácil solución sobre cuál es cuál. El propósito del programa es determinar la línea que divide a los dos conjuntos de puntos.

Ahora, si una nueva imagen es mostrada, un punto es ubicado en la tabla. Basado en la posición en cualquier lado de la línea, el programa sabrá si el punto es verde o morado. Con el tiempo al realizar el cálculo de posición sobre muchas entradas de datos, el programa será capaz de determinar el color de la bola con un margen mínimo de error.

Habrás notado que, en la imagen de arriba, hay un punto morado en el lado de los verdes y un punto verde en el lado morado, lo cual representa un error. Entonces, a través de un proceso que podemos llamar como “teaching” (entrenar al programa al insertar datos), el programa de aprendizaje automático “aprenderá” a evitar errores sin la necesidad de programadores que añadan regla tras regla al código subyacente.

Usando términos del aprendizaje automático, la línea sólida separando los dos colores representa el modelo, los valores de la imagen (verde o morado) son las características y como el modelo clasifica los datos como verde o morado se llama modelo clasificador.

Podría usar el mismo programa para diferenciar entre un gato y un perro. Solo necesito alimentarlo con fotos etiquetadas como perros o gatos. El programa las diferenciará de acuerdo con la información que tenga disponible.

Se denomina “aprendizaje” al proceso en que el algoritmo construye el modelo sobre repeticiones para minimizar los resultados erróneos.

1. El aprendizaje supervisado es el proceso mediante el cual el conjunto de datos esta claramente etiquetado y el algoritmo intenta construir el modelo basado en el conjunto de datos conocidos. El ejemplo de diferencia entre las pelotas verdes y moradas es un proceso de aprendizaje supervisado.
2. El aprendizaje sin supervisión es el proceso donde el algoritmo descubre y aprende el conjunto de características que afectan un resultado particular. Por ejemplo, agrupar clientes en función de sus patrones de compra que no habían sido conocidos anteriormente.

Ambos métodos de “aprendizaje” ayudan a establecer la fuerza o frecuencia de patrones o tendencias entre los datos, además el aprendizaje sin supervisión ayuda al usuario a hacer nuevos descubrimientos a partir de la información procesada.

¿Cómo impacta el aprendizaje automático en las inscripciones y la retención estudiantil?

Muy probablemente en la siguiente década, el aprendizaje automático se convertirá en una parte integral de prácticamente todas las operaciones diarias relacionadas con el manejo de datos. Las aplicaciones del aprendizaje automático aprovechan los datos al igual que el motor de un automóvil moderno permite viajes más largos y rápidos con la misma cantidad de combustible, ahorra tiempo de programación manual y parte del trabajo de análisis manual para encontrar sentido a los datos.

A continuación, algunas operaciones en que el aprendizaje automático puede empezar a mejorar la matrícula y la retención estudiantil:

Atracción de estudiantes

Actualmente, los equipos de inscripción expertos en datos pueden tomar decisiones inteligentes y ajustes en las campañas de atracción de estudiantes usando reportes bien armados. El aprendizaje automático puede ahorrar un poco de análisis y hacer cuentas, al determinar tasas de rendimiento que ayuden a determinar prospectos que estén en riesgo de no aceptar o no progresar a través del filtro de atracción. El aprendizaje automático puede “aprender” esta información y anticiparse durante el proceso desarrollando modelos más sólidos para las tasas de rendimiento –basado en parámetros como tiempos de respuesta, clics durante su sesión web, visitas al campus u otras actividades que puedan o no llevarlo a completar la solicitud de inscripción– así el equipo de inscripción puede tomar acciones decisivas de manera más rápida para buscar estudiantes prospecto.

Modelo de retención de estudiantes

Los sistemas de alerta temprana les dan a los administradores una oportunidad de incrementar el involucramiento de los estudiantes en riesgo de reprobar, perder el financiamiento o abandonar por completo sus estudios. El aprendizaje automático puede ayudar a identificar estudiantes en riesgo basándose en diversos parámetros derivados de analizar los datos de los estudiantes más rápido de lo que las instituciones actualmente pueden hacerlo. Pueden construir y continuamente mejorar los modelos matemáticos de éxito estudiantil en función de los resultados obtenidos.

A corto plazo, puede ayudar a las instituciones a idear criterios e indicadores más precisos para estudiantes en riesgo. A largo plazo, ayudará a crear modelos de retención potencialmente revolucionarios que ayuden a los administradores a obtener conclusiones sobre lo que en verdad ayuda a diferentes tipos de estudiantes a empeñarse todo el camino desde su admisión hasta su graduación.

Asesoramiento académico

En muchos casos, los estudiantes no buscan a sus asesores para aconsejarse sobre el mejor camino para lograr su titulación o puede que no reciban el consejo que ellos necesitan, muchas veces porque no tienen el tiempo o no están conscientes de que necesitan apoyo (o cuál es el apoyo correcto). El aprendizaje automático puede encontrar conexiones o patrones usando los datos del estudiante que permitirían indicar un curso de acción ideal para que los asesores o especialistas de éxito estudiantil tengan mayor éxito en sus interacciones con los estudiantes. Otro escenario es que, en lugar de enviar alertas tempranas, un chatbot (programa de mensajería digital que envía respuestas automatizadas) accionado por el aprendizaje automático podría canalizar a los alumnos directamente a un sistema que provea apoyo personalizado y uno a uno.

Imaginemos a una estudiante universitaria recibiendo un mensaje de texto que no solo le sugiere registrarse a sus clases, además le sugiere un horario basado en su progreso a lo largo de su carrera y las horas que regularmente toma, resaltando los cursos que, combinados, son una pesadilla para mantener un promedio alto de calificaciones. Con el aprendizaje automático y los chatbots, este escenario se esta volviendo una realidad. Mira el prototipo (en inglés) que estamos trabajando en Ellucian y conoce cómo un registro inteligente puede mejorar el compromiso y éxito estudiantil, y cómo las instituciones de educación superior pueden implementar estas tecnologías emergentes.

El aprendizaje automático esta listo para ayudar a la educación superior, cuando la educación superior esté lista.

Varias instituciones ya están implementando sistemas de alertas tempranas y sistemas de comunicación modernos e integrados, que integran los datos para mejorar sus procesos de inscripción y retención. El aprendizaje automático representa una forma en que estas operaciones trabajen más rápido y de manera más precisa, incluso permitiendo mejores capacidades analíticas.

La parte realmente emocionante es cómo, con el tiempo, los resultados derivados del aprendizaje automático usados para informar sobre la inscripción y la retención podrán complementar en gran medida el esfuerzo de una institución para descubrir modelos innovadores para el éxito estudiantil después de la graduación, en forma de modelos de éxito profesional.

Sin embargo, el progreso en esta dirección requiere tomar algunos riesgos para las instituciones y mantener una eficiencia operativa continua y estable, lograda a través de transformaciones digitales basadas en los datos del campus. El aprendizaje automático, como cualquier nueva tecnología, solo funcionará tan bien como el sistema y la gente estén preparados para trabajar con él.

Si se implementa de manera segura y cuidadosa, las aplicaciones del aprendizaje automático pueden arrojar soluciones que la institución no había visto antes, o ayudar a obtener tasas que antes parecían imposibles. También es importante recordar que los resultados basados en datos funcionan como una brújula que guía a los usuarios en la dirección correcta. El tiempo ahorrado en registrar y analizar manualmente datos estadísticos permite a los líderes de la organización tomar decisiones más ágiles e informadas. El aprendizaje automático no tomará decisiones por nadie, pero contribuye a la ola de innovación a través del campus ayudando a las instituciones de educación superior a encontrar su camino en medio de tanta información.