Resumen Técnico: Marco de Software para la Gestión de Despacho Antropocéntrico en Procesos Educativos Orientados a la Industria 5.0

1. Planteamiento del Problema

La programación de clases en las instituciones de educación superior (IES) tradicionales se trata predominantemente como un problema técnico de asignación de recursos, centrándose en la asignación libre de conflictos de instructores, grupos y aulas a franjas horarias. Este enfoque, arraigado en la lógica de la Industria 4.0, a menudo ignora las características cronobiológicas y psicológicas de los participantes (estudiantes e instructores). En consecuencia, los horarios formalmente válidos pueden ser pedagógicamente contraproducentes, provocando desalineación cognitiva, aumento del estrés y reducción del rendimiento académico. Además, los sistemas existentes carecen de mecanismos para:

• Ponderación Adaptativa: Ajustar dinámicamente los criterios de optimización basados en la retroalimentación de los participantes.
• Soporte de Decisión: Proporcionar recomendaciones explicables, análisis de escenarios "qué pasaría si" (what-if) y advertencias orientadas al riesgo para los despachadores humanos.
• Integración: Conectar de manera fluida fuentes de datos institucionales dispares (LMS, RR.HH., encuestas) en un modelo de optimización unificado.

Esto crea una brecha entre las capacidades de programación automatizada y los requisitos de la Industria 5.0, que prioriza la centralidad humana, la resiliencia y la explicabilidad.

2. Metodología: El Sistema de Gestión de Despacho Antropocéntrico (ADMS)

El documento propone el Sistema de Gestión de Despacho Antropocéntrico (ADMS), un marco de software monolítico modular que integra la recolección de datos, la optimización y el soporte de decisiones.

2.1 Marco Arquitectónico

El ADMS sigue los principios de la Arquitectura Limpia (Clean Architecture), separando las capas de dominio, aplicación, infraestructura y API. Los subsistemas clave incluyen:

• Recolección y Almacenamiento de Datos (DCS): Ingiere planes curriculares, perfiles de cronotipos (vía cuestionarios MEQ), matrices de compatibilidad cognitiva y restricciones de los participantes.
• Núcleo de Optimización (OC): Ejecuta el Método de Despacho Antropocéntrico (AMD), un algoritmo evolutivo.
• Adaptación de Regresión de Satisfacción (SRA): Un servicio que aprende los coeficientes de ponderación de los criterios a partir de la retroalimentación post-semestre.
• Asistente Inteligente (IA): Genera explicaciones locales/globales, realiza análisis de escenarios "qué pasaría si" y calcula puntuaciones de riesgo.
• Subsistema de Presentación (PS): Proporciona una interfaz de bucle humano (human-in-the-loop) para la aprobación del despachador y el registro de auditoría.

2.2 El Algoritmo de Optimización AMD

El núcleo de la optimización maximiza una función objetivo de cuatro componentes $F(x, w)$:
$$F(x, w) = w_1 F_{tech}(x) + w_2 F_{circ}(x) + w_3 F_{psych}(x) + w_4 F_{cogn}(x)$$

• $F_{tech}$ (Corrección Técnica): Asegura que se cumplan las restricciones estrictas (sin doble reserva, capacidad de aula).
• $F_{circ}$ (Alineación Circadiana): Alinea las franjas de clases con los picos de actividad de los cronotipos de estudiantes e instructores, modelados mediante funciones de actividad gaussianas.
• $F_{psych}$ (Confort Psicológico): Minimiza la varianza de la carga cognitiva y las transiciones incómodas entre disciplinas.
• $F_{cogn}$ (Compatibilidad Cognitiva): Optimiza la secuencia de disciplinas basándose en una matriz de compatibilidad dirigida $S$.

Operadores Algorítmicos Clave:

• Inicialización Consciente del Cronotipo: Siembra la población con horarios sesgados hacia franjas cronobiológicamente plausibles.
• CPC (Cruce de Preservación del Cronotipo): Un operador de cruce diario que preserva bloques diarios contiguos para mantener la calidad circadiana, en lugar de utilizar cruces posicionales estándar.
• AWM (Mutación Ponderada Antropocéntrica): Concentra las mutaciones en las franjas con las puntuaciones de calidad antropocéntrica más bajas.
• Procedimiento de Reparación: Resuelve sistemáticamente las violaciones de restricciones estrictas mientras intenta restaurar la alineación cronobiológica.

2.3 Mecanismos de Adaptación y Soporte de Decisión

• Servicio SRA: Utiliza regresión de Mínimos Cuadrados Ordinarios (OLS) o Regresión Ridge para mapear los componentes de la función objetivo con las puntuaciones de satisfacción de los participantes. Actualiza el vector de pesos $w$ iterativamente, proyectándolo sobre un simplex restringido para asegurar que ningún criterio sea totalmente suprimido.
• Asistente Inteligente: Proporciona un vector de decisión de siete dimensiones para cada horario candidato, incluyendo puntuaciones de riesgo (conflicto, estrés, cognitivo, cambio) y explicaciones en lenguaje natural. Soporta escenarios "qué pasaría si" (por ejemplo, indisponibilidad del instructor, cambios de aula) para predecir impactos antes de la aprobación.

3. Contribuciones Clave

1. Marco Unificado Antropocéntrico: El primer sistema de software desplegable (ADMS) que unifica la optimización multicriterio con el aprendizaje de ponderación adaptativa y el soporte de decisiones inteligente, yendo más allá de los modelos estáticos de solo recursos.
2. Nuevos Operadores Evolutivos: Introducción de los operadores CPC y AWM diseñados específicamente para preservar y mejorar las métricas centradas en el humano (cronotipo y carga cognitiva) dentro del espacio de búsqueda del algoritmo genético.
3. Ponderación Adaptativa vía SRA: Un mecanismo para aprender dinámicamente los pesos de los criterios específicos de la institución a partir de la retroalimentación empírica, abordando la rigidez de los pesos preconfigurados en los sistemas existentes.
4. Flujo de Trabajo Explicable con Humano en el Bucle: Un flujo de trabajo estructurado donde el despachador revisa los mejores candidatos con evaluaciones de riesgo detalladas y explicaciones, asegurando la supervisión humana y la contestabilidad de las decisiones algorítmicas.
5. Alineación con la Industria 5.0: El marco operacionaliza explícitamente los principios de la Industria 5.0 (centralidad humana, resiliencia, sostenibilidad) en el contexto de la gestión de procesos educativos.

4. Resultados Experimentales

El marco fue validado mediante un diseño cuasi-experimental en una IES técnica ucraniana y a través de estudios de ablación en conjuntos de datos generados.

4.1 Rendimiento Algorítmico (Estudio de Ablación)

• Mejora de la Calidad: La configuración completa de AMD logró una calidad integral media de 0.84, una mejora del 18.3% sobre el GA Base (0.71).
• Velocidad de Convergencia: El AMD alcanzó el umbral de calidad ($F > 0.75$) en 38.4 minutos, una reducción del 34% en tiempo comparado con el GA Base (58.2 minutos).
• Estabilidad: La desviación estándar de los resultados finales ($\sigma_{final}$) disminuyó de 0.043 (Base) a 0.029 (AMD), indicando resultados más consistentes.
• Sinergia: El efecto combinado de CPC y AWM superó la suma de sus contribuciones individuales, demostrando una interacción sinérgica.

4.2 Resultados Centrados en el Humano (Comparación de IES)

Comparando un grupo de control (programación manual tradicional) con un grupo experimental (AMD con pesos adaptados por SRA):

• Satisfacción: La satisfacción de los estudiantes aumentó un 43.7% (3.2 a 4.6/5); la satisfacción de los instructores aumentó un 41.4%.
• Reducción del Estrés: El estrés percibido (PSS-10) disminuyó un 34.8% (22.1 a 14.4), pasando del rango de estrés moderado-alto al rango de bajo estrés.
• Rendimiento Académico: Mejoró un 13.5% (3.7 a 4.2/5).
• Asistencia: Aumentó un 14.1%.
• Reducción de Conflictos: Los conflictos de horario cayeron un 83.3% (de 12 a 2 por semana).
• Equidad: El sistema mejoró la alineación circadiana para los cronotipos vespertinos (el grupo más desfavorecido) en un 45% (0.51 a 0.74) sin reducir los beneficios para los grupos matutinos, confirmando una distribución uniforme de las ganancias.

4.3 Usabilidad del Sistema

• Aceptación del Despachador: El 76% de las recomendaciones generadas por IA fueron aceptadas; el 24% requirió una anulación manual, validando el valor del juicio humano.
• Explicabilidad: Tasa de éxito del 100% en el análisis de escenarios "qué pasaría si"; las explicaciones fueron calificadas con 4.2/5 en utilidad.

5. Significación y Reivindicaciones

El artículo sostiene que el ADMS aborda una brecha metodológica crítica en la programación educativa al transicionar de un paradigma puramente técnico de la Industria 4.0 hacia un enfoque sociotécnico orientado a la Industria 5.0.

• Cambio de Paradigma: Demuestra que tratar la programación como un problema complejo orientado al humano, en lugar de un simple problema de satisfacción de restricciones, produce mejoras estadísticamente significativas en el bienestar y los resultados académicos.
• Adaptabilidad: El servicio SRA demuestra que los sistemas pueden aprender y adaptarse a las culturas institucionales específicas y a las preferencias de los participantes con el tiempo, en lugar de depender de parámetros estáticos definidos por el desarrollador.
• Confianza y Transparencia: Al integrar la explicabilidad y las puertas de aprobación humana, el sistema fomenta la confianza en la toma de decisiones automatizadas, un requisito previo para la adopcción de la IA en contextos educativos sensibles.
• Escalabilidad: La arquitectura modular y el uso de APIs REST estándar sugieren que el marco es desplegable en diversas IES y potencialmente adaptable a otros dominios sociotécnicos (por ejemplo, la programación de turnos hospitalarios).

Los autores señalan limitaciones, incluyendo la validación en una sola institución y la dependencia de la retroalimentación auto-informada para la adaptación de pesos, pero afirman que el marco proporciona una base sólida para la futura validación multi-institucional y el desarrollo de herramientas de planificación educativa más avanzadas y personalizadas.