¿Puede la inteligencia artificial predecir la nota de un alumno sin necesidad de examen?

La inteligencia artificial y el análisis de datos tienen impacto en nuestras vidas a prácticamente todos los niveles. El contexto educativo no es una excepción. Así surge lo que llamamos Learning Analytics, una disciplina de investigación que trata de aplicar el análisis de datos para mejorar el proceso de enseñanza y aprendizaje.

Entre otros muchos tipos de estudios, son varias las iniciativas de investigación que trabajan con algoritmos predictivos cada vez más sofisticados que buscan anticipar factores como el riesgo de abandono de un alumno o incluso la calificación que este pudiera obtener.

Los primeros trabajos enfocados a la predicción de notas se basaban en la aplicación de una serie de reglas preestablecidas sobre un conjunto de hechos relativamente simple. Más recientemente, sin embargo, los trabajos propuestos analizan todo el registro de interacción de un alumno con su plataforma educativa y utilizan complejas redes neuronales para lograr esa predicción de nota. De hecho, se obtienen resultados realmente sorprendentes.

Por ejemplo, en el trabajo presentado por Alonso-Misol et al. se compara el rendimiento de diferentes algoritmos, obteniendo una precisión del 96 % a la hora de predecir la nota de un examen. Eso quiere decir que, en 96 de cada 100 alumnos, el humano pone una nota muy cercana a la que el algoritmo dijo que iba a poner.

Se trata de una disciplina relativamente reciente. Es de esperar que los resultados sean cada vez mejores por lo que en algún momento se podría plantear la siguiente pregunta: dado que tenemos un sistema que predice la nota que obtendrá un alumno en el examen con un margen de error razonable, ¿podemos utilizar la predicción como nota final, y nos olvidamos del examen?

Suena tentador, los exámenes son la actividad más odiada por los alumnos. Tampoco gozan de gran simpatía entre el profesorado, ya que la calificación es una tarea realmente costosa. A buen seguro, ambos colectivos aplaudirían el fin de los exámenes. Sin embargo, la realidad es bien diferente y es muy probable que la predicción, ahora exitosa, solo produzca números sin sentido si el examen desaparece.

Esto es así por el modo en el que funcionan los sistemas predictivos que se apoyan en técnicas de aprendizaje supervisado. En esencia, el principio de funcionamiento es el siguiente: se analizan datos del curso presente y se comparan con datos de cursos pasados. Si en cursos pasados existe un patrón de actividad que se pueda relacionar con la obtención de una determinada calificación, entonces se predecirá que los alumnos que en el presente curso tienen ese patrón tendrán esa calificación. Dicho de otra forma: es muy probable que un alumno obtenga una calificación similar a la que obtuvieron los alumnos que tuvieron una interacción con la plataforma similar a la suya.

Así, los sistemas predictivos tendrán éxito en la medida en que el curso que está siendo analizado tenga un funcionamiento equivalente a ediciones previas del mismo curso. Para entender esto adecuadamente, imaginemos un curso de un mes en el que los alumnos tienen que entregar una actividad el viernes de cada semana. Habrá alumnos que sólo generen actividad el viernes, para realizar la entrega. Habrá otros alumnos que generarán actividad durante toda la semana, con más intensidad el viernes. Lo que parece que está claro es que será un patrón de actividad semanal.

Imaginemos ahora que entra un nuevo profesor y decide que las actividades correspondientes a las cuatro semanas se entregan todas al final del mes. A buen seguro, el patrón de actividad de los alumnos cambiará e incluso habrá alumnos que no entren al curso hasta la última semana. Este cambio en la metodología docente hará que deje de tener sentido la comparativa entre el curso actual y los cursos previos. Como resultado, los sistemas predictivos perderán todo su potencial.

Algo similar ocurriría al eliminar el examen. A pesar de que existen alumnos que tienen una fuerte motivación intrínseca para seguir adelante con su aprendizaje, la motivación extrínseca que impone un examen es el principal factor motivante para seguir con la actividad en el curso. Dicho de otra forma: sin examen, los alumnos trabajarían menos en el curso y con un patrón de trabajo muy diferente. Los sistemas predictivos, por tanto, perderían su valor.

Si queremos (quisiéramos) eliminar el examen, entonces debemos pensar en todo el catálogo de actividades alternativas descrito en este otro artículo. En cualquier caso, lo llamemos “examen”, “rúbrica”, “portfolio”, o de cualquier otra manera, la actividad de los alumnos está muy modulada por las fechas de entrega de las actividades que cuentan para la nota.

El objetivo de los sistemas predictivos para la calificación de los alumnos es, principalmente, el de detectar alumnos en riesgo de abandono para ofrecerles un apoyo adecuado. También son útiles para anticipar los recursos que se vayan a necesitar. Entre los objetivos de los sistemas predictivos de calificación no está, sin embargo, la eliminación del examen final.

• Luis de la Fuente Valentín es profesor del Máster Universitario en Análisis y Visualización de Datos Masivos en la Universidad Internacional de La Rioja (UNIR)

Este artículo ha sido publicado originalmente por The Conversation.