🔢 matemáticas

Analysis of Artificial Intelligence in Education Systems Based on an Advanced Fuzzy Decision-Making Model

Este estudio propone un nuevo marco de toma de decisiones grupales multiatributo que utiliza operadores de agregación difusos de q-rung ortopares de intervalo complejo para evaluar y clasificar eficazmente las herramientas de inteligencia artificial para mejorar los sistemas educativos bajo condiciones de incertidumbre.

Autores originales: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

Publicado 2026-10-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo moderno, las decisiones rara vez son blancas o negras. Cuando una junta escolar elige un nuevo software, un médico sopesa opciones de tratamiento o un inversor selecciona una cartera, la información disponible suele ser desordenada, incompleta o contradictoria. La matemática tradicional lucha con este tipo de ambigüedad porque exige números precisos. Para manejar las zonas grises del juicio humano, los matemáticos desarrollaron un campo llamado lógica difusa. En lugar de forzar una elección entre "sí" y "no", la lógica difusa permite grados de verdad, reconociendo que algo puede ser parcialmente verdadero o parcialmente falso. Con el tiempo, este concepto ha evolucionado para manejar capas aún más complejas de incertidumbre, incluyendo situaciones donde los datos cambian con el tiempo o donde los expertos vacilan entre diferentes valores. Este conjunto de herramientas matemáticas es esencial para navegar en el mundo real, donde la certeza es un lujo y el matiz es la regla.

Un equipo de investigadores de universidades de Pakistán y Afganistán ha impulsado ahora este conjunto de herramientas, creando un nuevo método para ayudar a tomar mejores decisiones cuando se enfrenta a información confusa o conflictiva. Su trabajo se centra en un desafío específico: cómo procesar opiniones cuando estas no solo son vagas, sino que también conllevan dos tipos diferentes de incertidumbre al mismo tiempo. Imagine a un experto describiendo una nueva tecnología. Podría sentirse confiado sobre su potencial (una visión positiva) pero también preocupado por sus riesgos (una visión negativa). Además, su confianza podría fluctuar, o podría expresar sus sentimientos en rangos en lugar de números únicos. Los investigadores desarrollaron un sistema sofisticado para capturar todas estas capas —lo positivo, lo negativo, los rangos y las fluctuaciones— en un único marco manejable. Lo llaman un "conjunto difuso ortopares q-rung de valores de intervalo complejo". En términos sencillos, es una forma de empaquetar juicios humanos complicados, vacilantes y cambiantes en un formato que las computadoras puedan procesar sin perder los detalles sutiles.

El núcleo del estudio consiste en la creación de nuevas reglas matemáticas, u "operadores", que actúan como una licuadora para estos juicios complejos. Así como una licuadora mezcla ingredientes para crear una bebida suave, estos nuevos operadores mezclan los juicios para producir una recomendación única y clara. Los investigadores diseñaron dos tipos principales de mezcladores: uno que promedia las opiniones (la media aritmética) y otro que las multiplica entre sí (la media geométrica). Demostraron que estos mezcladores son fiables; no producen resultados que sean imposibles o contradictorios, y se comportan de manera consistente incluso cuando los datos de entrada cambian ligeramente. Para probar su creación, el equipo aplicó su método a un problema muy práctico: elegir la mejor herramienta de inteligencia artificial para un sistema educativo.

Los investigadores plantearon un escenario en el que un experto evaluó cinco tipos diferentes de herramientas de IA: plataformas de aprendizaje adaptativo, chatbots educativos, sistemas de calificación automatizada, aplicaciones de aprendizaje de idiomas y sistemas de tutoría inteligente. El experto juzgó cada herramienta basándose en cinco criterios: rentabilidad, adaptabilidad, alineación con los estándares de aprendizaje, mecanismos de retroalimentación y si el diseño se basa en una investigación sólida. Los juicios del experto no fueron puntuaciones simples; fueron rangos complejos de valores que reflejaban la incertidumbre y la vacilación. Por ejemplo, el experto podría haber sentido que una herramienta era "algo" rentable pero "muy" adaptable, con el grado exacto de efectividad desplazándose dentro de un rango específico.

Utilizando sus nuevos mezcladores matemáticos, los investigadores procesaron estos datos desordenados. Encontraron que el sistema de calificación automatizada surgió como la opción principal, seguido de los sistemas de tutoría inteligente, luego las aplicaciones de aprendizaje de idiomas, con las otras herramientas ocupando puestos inferiores. Para asegurar que su método fuera sólido, el equipo comparó sus resultados con varias técnicas matemáticas existentes. Descubrieron que, mientras que algunos métodos más antiguos no lograban producir una clasificación o daban resultados diferentes, su nuevo enfoque identificaba consistentemente al sistema de calificación automatizada como la mejor opción. Esta consistencia se mantuvo incluso cuando los investigadores ajustaron los parámetros matemáticos, cambiando los parámetros para ver si el resultado cambiaba. El hecho de que la opción principal permaneciera igual independientemente de estos ajustes sugiere que el método es robusto y estable.

El estudio también destacó por qué este nuevo enfoque es necesario. Los investigadores demostraron que los métodos más antiguos, que manejan formas más simples de incertidumbre, a menudo fallan cuando se enfrentan al tipo de datos bidimensionales complejos que se encuentran en los escenarios del mundo real. Al no lograr capturar toda la profundidad de la vacilación de un experto o la naturaleza dual de sus visiones positivas y negativas, esos métodos más antiguos pueden conducir a decisiones menos precisas. El nuevo marco, por el contrario, preserva toda esa información, permitiendo un resultado más matizado y fiable. Los investigadores demostraron que su método funciona bien no solo para la educación, sino también para otros campos donde las decisiones son difíciles, como la evaluación de riesgos financieros, la selección de inversiones y las evaluaciones médicas.

En última instancia, este trabajo proporciona una lente más poderosa para observar el mundo incierto. Ofrece una forma de tomar las opiniones desordenadas, conflictivas y vacilantes de los expertos humanos y convertirlas en un camino claro y accionable. Al refinar las herramientas utilizadas para agregar información, los investigadores han dado a los tomadores de decisiones una mejor manera de navegar las complejidades de la vida moderna, asegurando que la elección final refleje todo el peso de la evidencia disponible, en lugar de solo sus partes más simples.

Resumen Técnico: Análisis de la Inteligencia Artificial en los Sistemas Educativos Basado en un Modelo Avanzado de Toma de Decisiones Difusas

Planteamiento del Problema
El artículo aborda los desafíos inherentes a la Toma de Decisiones Multiatributo (MADM, por sus siglas en inglés) en entornos complejos y de incertidumbre, centrándose específicamente en la evaluación de herramientas de Inteligencia Artificial (IA) en los sistemas educativos. Los modelos de toma de decisiones tradicionales suelen depender de datos numéricos insuficientes o no logran capturar todo el espectro de ambigüedad, vacilación e información bidimensional presentes en los escenarios del mundo real. Las teorías de conjuntos difusos existentes —que van desde los Conjuntos Difusos (FS) estándar hasta los Intuicionistas (IFS), Pitagóricos (PFS) e incluso los Conjuntos Complejos Intuicionistas (CIFS) o Pitagóricos Complejos (CIVPFS)— poseen limitaciones. Específicamente, presentan dificultades cuando la suma de los grados de membresía y no membresía (o sus cuadrados) excede la unidad, o cuando no pueden representar simultáneamente datos de valores de intervalo y términos de fase complejos (periodicidad) dentro de un marco unificado. Los autores identifican una brecha en la literatura respecto a las leyes operacionales y operadores de agregación capaces de manejar Conjuntos Difusos Ortopares de Rango q Complejos de Valor de Intervalo (CIV q-ROFS) con flexibilidad algebraica.

Metodología
El estudio propone un nuevo marco matemático fundamentado en Leyes Operacionales Algebraicas de Valor de Intervalo Complejo aplicadas a los CIV q-ROFS. La metodología procede a través de los siguientes pasos técnicos:

Fundamentos Teóricos: Los autores definen los CIV q-ROFS, que extienden los modelos previos al incorporar grados de membresía y no membresía de valor de intervalo, cada uno de los cuales posee componentes reales e imaginarios (términos de fase). Esto permite la representación de datos bidimensionales donde la suma de las potencias $q$ -ésimas de las magnitudes de membresía y no membresía no supera uno.
Leyes Operacionales: Se establecen nuevas leyes operacionales algebraicas para los números CIV q-ROF, incluyendo la suma directa, el producto directo y la multiplicación escalar. Estas leyes están diseñadas para manejar la naturaleza de intervalo y compleja de los datos manteniendo las restricciones de ortopares de rango $q$ .
Operadores de Agregación: Basándose en estas leyes operacionales, se desarrollan cuatro nuevos operadores de agregación:
- Media Aritmética Ponderada de Conjunto Difuso Ortopare de Rango q de Valor de Intervalo Complejo (CIV q-ROFWAM).
- Media Aritmética Ordenada Ponderada de Conjunto Difuso Ortopare de Rango q de Valor de Intervalo Complejo (CIV q-ROFOWAM).
- Media Geométrica Ponderada de Conjunto Difuso Ortopare de Rango q de Valor de Intervalo Complejo (CIV q-ROFWGM).
- Media Geométrica Ordenada Ponderada de Conjunto Difuso Ortopare de Rango q de Valor de Intervalo Complejo (CIV q-ROFOWGM).
  El artículo demuestra matemáticamente que estos operadores satisfacen propiedades esenciales como la acotación, la idempotencia y la monotonicidad.
Marco de Toma de Decisiones: Se construye un algoritmo MADM paso a paso. Esto implica normalizar las matrices de decisión (convirtiendo atributos de costo en atributos de beneficio), agregar las opiniones de los expertos utilizando los operadores propuestos, calcular los valores de puntuación y exactitud, y clasificar las alternativas.
Aplicación de Caso de Estudio: El marco se aplica a un problema práctico: la evaluación de cinco herramientas de IA en la educación (Plataformas de Aprendizaje Adaptativo, Chatbots Educativos, Sistemas de Calificación Automatizada, Aplicaciones de Aprendizaje de Idiomas y Sistemas de Tutoría Inteligente) basadas en cinco criterios (Rentabilidad, Adaptabilidad/Compatibilidad, Integración con Estándares, Mecanismo de Retroalimentación y Diseño Basado en la Investigación).

Contribuciones Clave
El artículo reclama las siguientes contribuciones primarias:

Nuevas Leyes Operacionales: La introducción de leyes operacionales algebraicas diseñadas específicamente para los CIV q-ROFS, las cuales generalizan los modelos existentes (CIVIFS, CIVPFS) y permiten una gama más amplia de representación de la incertidumbre.
Nuevos Operadores de Agregación: El desarrollo de operadores de media aritmética y geométrica, tanto ponderados como ordenados, dentro del entorno CIV q-ROF. Estos operadores permiten a los tomadores de decisiones ajustar el enfoque en valores difusos específicos mediante el ajuste de los parámetros $q$ (el parámetro de rango) y $\lambda$ (un parámetro de generalización).
Robustez Teórica: Una demostración matemática rigurosa que establece que los operadores propuestos preservan la estructura CIV q-ROF y satisfacen propiedades fundamentales como la acotación y la monotonicidad.
Análisis Comparativo: Una demostración de que el método propuesto produce clasificaciones consistentes y fiables en comparación con técnicas existentes (incluyendo las de Xu & Chen, Nayagam et al., Garg, entre otros), ofreciendo al mismo tiempo una mayor flexibilidad para manejar datos que exceden las restricciones de los IVIFS o IVPFS.

Resultados
En la aplicación a las herramientas de IA en la educación:

Utilizando el operador CIV q-ROFWAM con los parámetros $q=8$ y $\lambda=1$ , las alternativas se clasificaron como: Sistema de Calificación Automatizada ( $P_3$ ) $\succ$ Aplicaciones de Aprendizaje de Idiomas ( $P_4$ ) $\succ$ Sistemas de Tutoría Inteligente ( $P_5$ ) $\succ$ Plataformas de Aprendizaje Adaptativo ( $P_1$ ) $\succ$ Chatbots Educativos ( $P_2$ ).
Se realizó un análisis de sensibilidad variando los parámetros $q$ $q$ y $\lambda$ $λ$ . Los resultados indican que el orden de clasificación es sensible al parámetro $q$ $q$ :
- Para $q=7$ y $q=8$ (con $\lambda=1$ ), la clasificación es $P_3 \succ P_4 \succ P_5 \succ P_1 \succ P_2$ .
- Para $q=9, 10, 12, 15, 18, 20, 23, 25$ (con $\lambda=1$ ), la clasificación cambia a $P_3 \succ P_5 \succ P_4 \succ P_1 \succ P_2$ .
- En todos los escenarios probados, $P_3$ (Sistema de Calificación Automatizada) permanece como la alternativa óptima.
Las tablas comparativas muestran que, mientras algunos métodos existentes (por ejemplo, TOPSIS estándar o variaciones específicas de AHP) producen clasificaciones diferentes o no logran clasificar ciertas alternativas debido a las restricciones de los datos, el método propuesto procesa con éxito los datos complejos de valor de intervalo y produce una clasificación definitiva, aunque el orden específico de $P_4$ y $P_5$ depende del valor de $q$ elegido.

Significancia y Reivindicaciones
Los autores afirman que el modelo propuesto ofrece un enfoque más flexible, fiable y preciso para la toma de decisiones en entornos caracterizados por una alta incertidumbre y datos bidimensionales.

Manejo de la Ambigüedad: El modelo afirma manejar las ambigüedades de los datos de manera más efectiva que los entornos difusos intuicionistas o pitagóricos de valor de intervalo, particularmente cuando se violan las restricciones de los datos (suma de cuadrados o potencias $q$ ) en modelos más simples.
Autonomía del Tomador de Decisiones: Al introducir los parámetros $q$ y $\lambda$ , el método proporciona a los tomadores de decisiones un mayor control para alinear el proceso de agregación con sus preferencias de riesgo específicas (optimismo frente a pesimismo), como lo demuestra el cambio en las clasificaciones entre $P_4$ y $P_5$ en diferentes valores de $q$ .
Aplicabilidad Práctica: El estudio valida la viabilidad del método a través del caso de estudio del sector educativo, demostrando su capacidad para integrar diversos juicios de expertos sobre las herramientas de IA. Los autores sugieren que el marco también es aplicable a otros dominios como la evaluación de riesgos financieros, la gestión de residuos médicos y la selección de energías renovables, aunque la validación principal en este artículo se limita al contexto de la IA educativa.

El artículo concluye que la integración de las leyes operacionales de valor de intervalo complejo algebraico con los operadores de agregación CIV q-ROFS proporciona una base teórica robusta para resolver problemas complejos de MADM donde los conjuntos difusos tradicionales son insuficientes.

Más como este