En el aula moderna, una revolución silenciosa está teniendo lugar, impulsada no por nuevos libros de texto o métodos de enseñanza, sino por el zumbido invisible de los datos. Las escuelas se están convirtiendo cada vez más en entornos "inteligentes", llenos de dispositivos que pueden ver, oír y registrar el ritmo diario del aprendizaje. Estas son las herramientas del Internet de las Cosas, una red de objetos conectados que recopilan información sobre el mundo que los rodea. En una escuela, esto podría significar un sensor que rastrea cuándo un estudiante entra en una habitación, un dispositivo ponible que monitorea el compromiso, o un sistema digital que registra cada vez que un estudiante hace clic en un enlace en una lección en línea. Junto a estos sensores se encuentra el poder del aprendizaje automático, una rama de la informática donde el software aprende a encontrar patrones en vastas cantidades de información sin que se le diga explícitamente qué buscar. Durante años, los educadores han dependido de las calificaciones de exámenes y las hojas de asistencia para adivinar cómo le va a un estudiante, pero estos registros son a menudo solo una instantánea del pasado. La pregunta ahora es si podemos usar este flujo de datos en tiempo real para comprender el viaje de aprendizaje de un estudiante mientras sucede y, si es así, si podemos confiar en la computadora para que nos diga lo que ve.

Deepali Sharma, una investigadora de la Universidad Graphic Era Deemed to be en la India, ha propuesto una nueva forma de responder a esta pregunta. Su trabajo se centra en estudiantes de secundaria, un momento crítico en el que se forman los hábitos de aprendizaje, y sugiere un marco que combina los datos de las aulas inteligentes con algoritmos informáticos avanzados para predecir el rendimiento académico. La idea central es simple pero profunda: en lugar de esperar a que un estudiante repruebe un examen, el sistema observa su comportamiento diario —con qué frecuencia participa, cómo interactúa con las herramientas digitales e incluso los niveles de temperatura y ruido en su aula— para pronosticar su éxito futuro. Sin embargo, existe un obstáculo significativo. Los modelos computacionales más potentes que pueden realizar estas predicciones a menudo funcionan como una caja negra; producen una respuesta, pero nadie sabe cómo llegaron a ella. Los profesores no pueden confiar en un sistema que no comprenden, especialmente cuando ese sistema podría sugerir que un estudiante necesita ayuda adicional. La investigación de Sharma aborda esto integrando un tercer elemento: la inteligencia artificial explicable. Esta es un conjunto de técnicas diseñadas para abrir la caja negra, obligando a la computadora a mostrar su trabajo y explicar exactamente qué factores condujeron a su predicción.

El marco que describe Sharma comienza con la recopilación de un rico tapiz de datos. Imagine un aula donde cada estudiante está conectado a un ecosistema digital. Los sistemas RFID rastrean la asistencia en el momento en que un estudiante entra, mientras que los dispositivos ponibles y los sensores ambientales monitorean las condiciones físicas de la sala, como la luz y el ruido. Simultáneamente, los sistemas de gestión de aprendizaje registran cada tarea entregada, cada cuestionario realizado y cada minuto dedicado a una plataforma digital. Toda esta información fluye hacia una base de datos central, creando una imagen detallada de la vida de un estudiante en la escuela que va mucho más allá de una calificación final. Antes de que la computadora pueda aprender de esto, los datos deben ser limpiados y organizados, eliminando errores y llenando vacíos para que los patrones sean claros. Los investigadores seleccionan luego las piezas más importantes de este rompecabezas, como los porcentajes de asistencia, la frecuencia con la que se completan las tareas y la frecuencia con la que un estudiante interactúa con el sistema de aprendizaje en línea. Estos detalles específicos se convierten en los ingredientes para los modelos de aprendizaje automático.

Para dar sentido a estos complejos datos, el estudio emplea dos tipos poderosos de algoritmos informáticos conocidos como métodos de ensamble. Uno se llama Random Forest (Bosque Aleatorio), que funciona construyendo muchos árboles de decisión diferentes y pidiéndoles que voten sobre el resultado, de forma muy similar a un grupo de expertos debatiendo un caso para llegar a un consenso. El otro es XGBoost, un método que construye un modelo paso a paso, corrigiendo constantemente sus propios errores para volverse más preciso con cada iteración. Ambos métodos son elegidos porque son excepcionalmente buenos manejando datos reales y desordenados, y son menos propensos a ser engañados por el ruido aleatorio. Al ser entrenados con los datos educativos recopilados, estos modelos pueden predecir con alta precisión si es probable que un estudiante tenga dificultades o tenga éxito. Pero la predicción es solo la mitad de la batalla. Si a un profesor se le dice que un estudiante "está en riesgo", necesita saber por qué. ¿Es porque el estudiante faltó a demasiadas clases? ¿Es porque dejó de ingresar al sistema de tareas? ¿O es porque el aula estaba demasiado ruidosa?

Aquí es donde entra la inteligencia artificial explicable, actuando como el traductor entre la compleja computadora y el profesor humano. El marco utiliza dos herramientas específicas, SHAP y LIME, para desvelar las capas de la predicción. SHAP observa el panorama general, mostrando qué factores importan más en general para todos los estudiantes, mientras que LIME se enfoca en un solo estudiante para explicar por qué ese niño específico recibió una predicera particular. Si el sistema marca a un estudiante que necesita ayuda, ahora puede identificar las características específicas que contribuyeron a ese resultado, como una caída en la finalización de tareas o una falta de ingresos recientes al sistema. Esta transparencia es crucial. Transforma a la computadora de un oráculo misterioso en un asistente útil que proporciona razonamiento basado en evidencia. El profesor puede entonces observar la explicación, verificarla contra sus propias observaciones y diseñar una intervención personalizada que aborde el problema específico, en lugar de adivinar qué podría estar mal.

La investigación sugiere que al combinar estos tres pilares —datos en tiempo real del Internet de las Cosas, el poder predictivo del aprendizaje automático de ensamble y la claridad de la IA explicable— las escuelas pueden pasar de una educación reactiva a una proactiva. El resultado esperado es un sistema que identifique a los estudiantes con dificultades antes que nunca, no esperando a una mala nota, sino notando los sutiles cambios de comportamiento que la preceden. Promete dar a los profesores una visión clara de los factores que influyen en sus estudiantes, permitiéndoles adaptar su apoyo a las necesidades individuales de cada niño. Aunque el estudio es actualmente un marco propuesto y aún no ha sido probado en un aula real con estudiantes reales, la lógica es sólida y el potencial es significativo. Ofrece un camino hacia un futuro donde la tecnología no reemplaza al profesor, sino que lo empodera con una comprensión más profunda e inmediata del proceso de aprendizaje, asegurando que ningún estudiante pase desapercibido.