Ai-powered Mobile Proctoring Frameworks Using Machine Learning Algorithms in Higher Education: Post-covid Trends, Challenges, and Ethical Implications

Resumen Técnico: Marcos de Supervisión Móvil Impulsados por IA en la Educación Superior

Planteamiento del Problema
La rápida transición hacia el aprendizaje en línea durante y después de la pandemia de COVID-19 creó una necesidad urgente de sistemas de examen seguros, escalables y éticos. Si bien la supervisión impulsada por IA surgió como una solución, la literatura existente y las estrategias de despliegue se han centrado predominantemente en marcos centrados en la PC. Este enfoque pasa por alto la realidad en muchos contextos en desarrollo donde los teléfonos inteligentes son el principal, y a menudo el único, punto de acceso digital para los estudiantes. Además, los sistemas actuales enfrentan desafíos significativos con respecto a la privacidad, el sesgo algorítmico, la fiabilidad técnica (por ejemplo, falsos positivos debido a la iluminación o la inestabilidad de la red) y la falta de estándares de rendimiento. Existe una brecha crítica en la investigación sobre marcos de supervisión móvil específicos que equilibren la efectividad tecnológica con los estándares éticos en entornos con recursos limitados.

Metodología
Este estudio emplea una revisión sistemática siguiendo las directrices PRISMA 2020 para analizar el panorama post-COVID de la supervisión por IA.

• Fuentes de Datos: Se realizó una búsqueda exhaustiva en las principales bases de datos académicas (Scopus, IEEE Xplore, SpringerLink, Web of Science, ScienceDirect, Google Scholar) y literatura gris.
• Criterios de Búsqueda: La búsqueda abarcó artículos revisados por pares publicados en inglés entre 2019 y 2025, utilizando palabras clave como "AI-powered proctoring" (supervisión impulsada por IA), "mobile proctoring frameworks" (marcos de supervisión móvil), "machine learning in assessment" (aprendizaje automático en la evaluación) y "ethical issues in online proctoring" (problemas éticos en la supervisión en línea).
• Proceso de Selección: De un grupo inicial de 180 registros, tres revisores seleccionaron de forma independiente los títulos y resúmenes de acuerdo con criterios de inclusión/exclusión predefinidos. Tras una revisión de texto completo, se seleccionaron 20 estudios revisados por pares para el análisis final.
• Enfoque: La revisión se dirige específicamente a la intersección de los algoritmos de aprendizaje automático, la compatibilidad con dispositivos móviles y las implicaciones éticas en la educación superior.

Contribuciones Técnicas Clave y Hallazgos
La revisión sintetiza los hallazgos a través de dimensiones técnicas, éticas e institucionales:

1. Rendimiento Algorítmico y Optimización Móvil:

   • Los sistemas existentes basados en PC utilizan modelos que consumen muchos recursos como YOLO (You Only Look Once) y Redes Neuronales Convolucionales (CNN) para la detección de objetos en tiempo real, el seguimiento de la mirada y la identificación de anomalías.
   • La revisión destaca la necesidad de modelos ligeros (por ejemplo, cascadas de Haar, CNN cuantizadas) y computación perimetral móvil (mobile-edge computing) para reducir la latencia y permitir la supervisión en tiempo real en teléfonos inteligentes sin requerir hardware de alta gama.
   • Aunque algunos estudios reportan precisiones de detección superiores al 90%, el rendimiento es altamente variable en contextos móviles del mundo real debido a factores ambientales (iluminación, ruido de fondo) y la heterogeneidad de los dispositivos.

2. Desafíos Éticos y de Privacidad:

   • Vigilancia y Privacidad: La vigilancia continua por cámara en entornos privados del hogar plantea preocupaciones significativas sobre la protección de datos y la autonomía del estudiante. La revisión señala una falta de transparencia en cómo se recopilan, almacenan y comparten los datos biométricos.
   • Sesgo Algorítmico: Los modelos de IA demuestran una menor precisión para estudiantes con tonos de piel más oscuros o en condiciones de poca luz, lo que conduce a una posible penalización injusta y al refuerzo de las inequidades sistémicas.
   • Consentimiento: Muchas instituciones implementan estas herramientas sin procesos robustos de consentimiento informado o marcos de gobernanza claros, lo que podría violar estándares como el RGPD.

3. Preparación Institucional e Infraestructural:

   • La adopción exitosa depende en gran medida de la infraestructura de TIC. Las instituciones con redes estables y políticas digitales claras se desempeñan mejor que aquellas en regiones con pocos recursos.
   • Colaboración Humano-IA: Los modelos efectivos actuales suelen depender de un enfoque híbrido donde la IA señala anomalías para la revisión humana con el fin de mitigar los falsos positivos y el sesgo humano. Sin embargo, la revisión sugiere un cambio hacia modelos de detección y disuasión en tiempo real que minimicen la grabación intrusiva mientras mantienen la integridad.

Significancia y Reivindicaciones
El artículo se posiciona como un correctivo a la literatura existente, que ignora ampliamente la compatibilidad móvil a pesar de la ubicuidad de los teléfonos inteligentes, particularmente en el Sur Global. Su significancia principal radica en:

• Identificar la Brecha Móvil: Abordar explícitamente la falta de marcos orientados a la movilidad en la investigación actual, que a menudo asume la disponibilidad de una PC.
• Contextualizar la Ética: Ir más allá de la viabilidad técnica para enfatizar que las preocupaciones éticas (sesgo, privacidad, ansiedad por la vigilancia) son centrales para la viabilidad de estos sistemas, no solo problemas periféricos.
• Proponer un Marco Equilibrado: Los autores abogan por un enfoque de "primero la movilidad" (mobile-first) que utilice modelos de ML ligeros y computación perimetral para asegurar la escalabilidad en entornos con recursos limitados.
• Recomendaciones Estratégicas: El artículo aboga por un cambio de los modelos puramente basados en la vigilancia hacia sistemas de disuasión en tiempo real centrados en la confianza. Insta a establecer métricas de rendimiento estandarizadas, conjuntos de datos de entrenamiento diversos para reducir el sesgo y la integración de la IA Explicable (XAI) para garantizar la rendición de cuentas.

En última instancia, la revisión concluye que, si bien la supervisión móvil impulsada por IA ofrece un camino viable para mantener la integridad de los exámenes en la era post-pandemia, su despliegue exitoso requiere una estrategia holística que integre la optimización técnica con una rigurosa gobernanza ética y preparación institucional.