Learning after COVID-19 and the ICT career aspirations: Are students entering the AI era with weaker skills?

Resumen Técnico: Aprendizaje después de la COVID-19 y las Aspiraciones Profesionales en TIC

Planteamiento del Problema
El documento aborda una brecha crítica en la comprensión de si los estudiantes están ingresando a la era de la inteligencia artificial generativa con fundamentos educativos suficientes para apoyar sus futuras aspiraciones profesionales digitales. Si bien la literatura existente documenta extensamente las pérdidas de aprendizaje posteriores a la pandemia, las desigualdades digitales y la creciente relevancia de las competencias en TIC, estas dimensiones a menudo se analizan de forma aislada. Existe una falta de evidencia integrada y transnacional que vincule las características estructurales de los entornos de aprendizaje (específicamente la autonomía estudiantil, las competencias digitales y el apoyo docente) con los cambios longitudinales en las expectativas profesionales relacionadas con las TIC de los estudiantes entre 2018 y 2022. El estudio busca determinar si los sistemas educativos con características estructurales más sólidas están mejor posicionados para fomentar las aspiraciones profesionales en TIC en el contexto de los mercados laborales digitales y impulsados por la inteligencia artificial.

Metodología
El estudio emplea un enfoque de métodos mixtos que utiliza datos armonizados a nivel de país del Programa para la Evaluación Internacional de Estudiantes (PISA) de la OCDE de 2018 y 2022. La tubería analítica es un marco cuantitativo completo de extremo a extremo, totalmente reproducible, implementado en Python, que comprende las siguientes etapas:

1. Armonización y Codificación de Datos: Se analizaron las tablas crudas de PISA para extraer indicadores a nivel de país sobre autonomía estudiantil, competencias de aprendizaje digital y apoyo docente percibido (operacionalizado como efectos en el rendimiento académico en Matemáticas, Lectura y Ciencias). Los cambios longitudinales en las aspiraciones profesionales (TIC, Salud, Ciencia e Ingeniería, Ciencia y Técnica) se calcularon como diferencias en puntos porcentuales entre 2018 y 2022.
2. Perfilado Multivariado: Los indicadores estandarizados se sometieron a agrupamiento no supervisado (KMeans) para identificar tipologías de sistemas educativos basadas en configuraciones distintas de autonomía, preparación digital y apoyo docente.
3. Aprendizaje de Representación Latente: Se entrenó un Autoencoder Variacional (VAE) sobre los vectores de entrada multidimensionales para proyectar los sistemas educativos en un espacio latente de baja dimensión (2D). Este espacio latente sirve como una representación continua de la "preparación estructural" para la era digital y de la inteligencia artificial. Se construyó un Índice Compuesto de Preparación para la IA como una agregación lineal de estas coordenadas latentes.
4. Consistencia Transdominio: Se utilizaron correlaciones de Pearson y pruebas t pareadas para evaluar la estabilidad de los efectos del entorno de aprendizaje (autonomía, competencias digitales, apoyo docente) en Matemáticas, Lectura y Ciencias.
5. Modelado Predictivo e Inferencial:
   • Análisis de Regresión: Se utilizó regresión lineal multivariada para cuantificar las asociaciones marginales entre los indicadores del entorno de aprendizaje y los cambios en las aspiraciones profesionales en TIC.
   • Clasificación: Se aplicó un Análisis Discriminante Lineal (LDA) para distinguir entre sistemas educativos con alto versus bajo crecimiento en las aspiraciones en TIC.
   • Simulación Contrafactual: El modelo de regresión se utilizó para simular el impacto de aumentar la autonomía estudiantil en una desviación estándar manteniendo constantes otros factores.
   • Modelado Probabilístico: Se aprendió una red bayesiana a partir de variables de cambio en aspiraciones discretizadas para explorar dependencias condicionales entre las aspiraciones en TIC y otros dominios ocupacionales.

Resultados Clave

• Dinámica de las Aspiraciones: Existe un aumento global pero desigual en las aspiraciones profesionales en TIC entre 2018 y 2022. Si bien la mayoría de los países experimentó un crecimiento moderado, existen desviaciones significativas con tanto un crecimiento acelerado (por ejemplo, Turquía, Kosovo) como disminuciones (por ejemplo, Polonia, Países Bajos). Las aspiraciones en TIC parecen estar desacoplándose de las trayectorias tradicionales de STEM, evolucionando como un dominio distinto.
• Predictores del Crecimiento: Las competencias digitales emergen como el predictor positivo más fuerte y consistente del crecimiento de las aspiraciones profesionales en TIC. Por el contrario, el análisis de regresión reveló asociaciones negativas para el apoyo docente y la autonomía, aunque los autores las interpretan como dependientes del contexto y no como negativas causales.
• Rol de la Autonomía y el Apoyo: La relación entre la autonomía y las competencias digitales es condicional. En sistemas con bajo apoyo docente, la autonomía actúa como un mecanismo compensatorio; sin embargo, en sistemas de alto apoyo, el efecto marginal de la autonomía se reduce. El estudio encuentra que la autonomía por sí sola es insuficiente para impulsar las aspiraciones en TIC sin apoyo instruccional complementario.
• Preparación Latente: El análisis del VAE revela que la preparación educativa es un constructo continuo y multidimensional, más que una propiedad categórica. Los sistemas con configuraciones favorables (alta autonomía, fuertes competencias digitales, apoyo robusto) tienden a mostrar un mayor crecimiento en las aspiraciones en TIC, aunque permanece una heterogeneidad significativa dentro de perfiles estructurales similares.
• Independencia de Dominios: El análisis de la red bayesiana no encontró dependencias condicionales significativas entre los cambios en las aspiraciones en TIC y los cambios en otros dominios ocupacionales (Salud, Ciencia e Ingeniería), lo que sugiere que la dinámica profesional en TIC evoluciona de manera relativamente independiente.

Contribuciones Clave

• Marco Integrado: El estudio desplaza el enfoque de los análisis aislados de la pérdida de aprendizaje o las competencias digitales hacia un marco integrado que vincula las condiciones estructurales de aprendizaje con la dinámica de las aspiraciones profesionales a lo largo de una línea temporal longitudinal.
• Novedad Metodológica: Introduce la aplicación de Autoencoders Variacionales (VAE) y redes bayesianas a los datos de PISA para capturar estructuras latentes no lineales y dependencias probabilísticas en la preparación educativa, yendo más allá de las clasificaciones lineales tradicionales.
• Perspectiva Estructural: La investigación replantea la transición a la era de la inteligencia artificial generativa no meramente como un cambio tecnológico, sino como un desafío educativo estructural moldeado por condiciones institucionales y pedagógicas.

Significado y Afirmaciones
El documento afirma que la preparación educativa para la era de la IA es multidimensional y que las aspiraciones en TIC evolucionan de manera relativamente independiente de otros dominios profesionales. Concluye que, si bien las competencias digitales son un motor principal del interés profesional en TIC, los factores estructurales como el apoyo docente juegan un papel complementario y habilitador. El estudio afirma modestamente que los factores educativos por sí solos no determinan completamente la dinámica profesional en TIC; más bien, actúan como condiciones habilitadoras influenciadas por factores contextuales más amplios, como las condiciones del mercado laboral y las estrategias digitales nacionales. En consecuencia, los autores argumentan que las intervenciones políticas centradas únicamente en aumentar la autonomía estudiantil son poco propensas a generar cambios sustanciales en las aspiraciones profesionales en TIC sin mejoras paralelas en las competencias digitales y el apoyo pedagógico.