Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

Resumen Técnico: Uso y Percepciones de los Docentes sobre las Intervenciones Educativas Informadas por el Aprendizaje Automático para la Identificación Temprana de Dificultades de Aprendizaje entre Estudiantes con Discapacidades Intelectuales en Universidades Nigerianas

Planteamiento del Problema
A pesar de que Nigeria ha ratificado marcos internacionales (ODS 4 y 10 de la ONU) y políticas nacionales que promueven la educación inclusiva, la implementación de prácticas inclusivas en la educación superior sigue siendo fragmentada. Específicamente, la identificación temprana de las dificultades de aprendizaje entre estudiantes con discapacidades intelectuales depende en gran medida de prácticas de evaluación manuales, episódicas y subjetivas. Estos métodos convencionales suelen resultar en intervenciones tardías, la marginación de los estudiantes afectados y resultados educativos deficientes. Si bien la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML, por sus siglas en inglés) ofrecen un potencial transformador para el cribado temprano basado en datos, su aplicación en las universidades nigerianas sigue siendo mayoritariamente conceptual. Existe una brecha crítica en la comprensión de cómo los docentes perciben y utilizan los enfoques informados por ML como herramientas de apoyo a la toma de decisiones para cerrar la brecha entre los marcos diagnósticos tradicionales (DSM-5, CIE-11, AAIDD) y la analítica predictiva emergente. Además, la literatura existente carece de evidencia empírica sobre la disposición de los docentes para adoptar estas herramientas para la identificación temprana y la mejora del compromiso.

Metodología

• Diseño de Investigación: El estudio empleó un diseño de investigación de encuesta descriptiva. Crucialmente, los autores aclaran que el ML se utilizó estrictamente como un marco conceptual e interpretativo, no como una metodología computacional empírica. No se desarrollaron, entrenaron ni probaron algoritmos de ML; no se particionaron conjuntos de datos, ni se calcularon métricas de rendimiento (por ejemplo, precisión, puntuación F1).
• Participantes: La población consistió en 600 docentes de Facultades de Educación y Departamentos de Necesidades Especiales de 12 universidades federales y estatales seleccionadas en la zona geopolítica Sur-Sur de Nigeria. Los participantes fueron seleccionados mediante un muestreo accidental (por conveniencia), requiriendo experiencia con estudiantes con discapacidades intelectuales y familiaridad con la tecnología educativa.
• Instrumentación: Los datos se recolectaron utilizando el Cuestionario de Intervenciones Educativas Basadas en el Aprendizaje Automático para la Identificación Temprana de Dificultades de Aprendizaje (MLEIDQ). El instrumento incluyó 20 ítems en una escala Likert de 4 puntos que medían: (i) el grado de uso de herramientas digitales informadas por ML, y (ii) las percepciones sobre el impacto de las intervenciones de ML en la detección temprana y el compromiso académico.
• Análisis de Datos: Se utilizaron estadísticas descriptivas (media, desviación estándar) y estadísticas inferenciales (pruebas t para muestras independientes, regresión lineal múltiple), analizadas mediante SPSS versión 26. El estudio probó tres hipótesis nulas relativas a las diferencias de género, las diferencias de tipo institucional y el poder predictivo del uso de ML sobre el compromiso académico.

Resultados Clave

1. Grado de Uso: Los docentes reportaron un bajo nivel de uso (Media de Clúster = 2.37, categorizado como "Bajo Grado") respecto a las herramientas digitales informadas por ML. Áreas específicas de baja adopción incluyeron la aplicación de ML a las necesidades de aprendizaje individuales (Media = 1.29), la integración curricular (Media = 1.58) y el uso de intervenciones rutinarias (Media = 1.83). Sin embargo, los docentes reportaron un mayor compromiso con el apoyo institucional para el ML (Media = 3.29) y el seguimiento del progreso estudiantil (Media = 3.16).
2. Percepción de Efectividad: A pesar del bajo uso real, los docentes mantienen percepciones positivas sobre las intervenciones de ML (Media de Clúster = 3.02, categorizado como "Gran Grado"). Percibieron que el ML es efectivo para mejorar la atención, la motivación, la comunicación y la finalización de tareas de los estudiantes. Aproximadamente el 70% de los indicadores de percepción superaron la media de referencia de 3.0.
3. Análisis Predictivo:
   • Hipótesis 1 (Género): No se encontró una diferencia significativa en el uso de herramientas de ML según el género ($p > 0.05$). El género no fue un predictor significativo en el modelo de regresión ($\beta = -0.04, p = 0.398$).
   • Hipótesis 2 (Tipo de Institución): No se encontró una diferencia significativa en las percepciones del apoyo de ML según el tipo de universidad (Federal vs. Estatal) ($p > 0.05$). El tipo de institución no fue un predictor significativo del compromiso académico ($\beta = 0.03, p = 0.450$).
   • Hipótesis 3 (Predicción del Compromiso): La hipótesis nula fue rechazada. El uso de intervenciones informadas por ML por parte de los docentes fue el predictor más fuerte y el único significativo del compromiso académico entre los estudiantes con discapacidades intelectuales ($\beta = 0.60, p < .001$). El modelo de regresión explicó el 38% de la varianza en el compromiso ($R^2 = 0.38$).

Contribuciones Clave

• Clarificación Conceptual: El estudio proporciona un marco conceptual estructurado que ilustra cómo el ML puede funcionar como un mecanismo de apoyo a la decisión sin reemplazar el diagnóstico clínico formal (DSM-5/CIE-11). Delimita la trayectoria desde los indicadores predictivos hasta la derivación profesional y la planificación de la educación individualizada (PEI).
• Evidencia Empírica de la "Brecha Percepción-Uso": La investigación destaca una desconexión significativa en la educación superior nigeriana: si bien los docentes reconocen el valor potencial del ML para la educación inclusiva, la implementación práctica se ve obstaculizada por la formación limitada, la infraestructura y la competencia técnica.
• Determinantes del Compromiso: El estudio establece que la práctica del uso de herramientas de ML es un determinante más crítico del compromiso académico de los estudiantes que los factores demográficos (género, rango) o las estructuras institucionales (Federal vs. Estatal).

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos contribuyen a la academia emergente sobre la educación inclusiva habilitada por la IA al proporcionar información basada en evidencia sobre la preparación de los docentes en un contexto en desarrollo. Argumenta que la adopción del ML no es meramente un desafío tecnológico, sino un imperativo de creación de capacidad. El estudio concluye que, para que el ML apoye eficazmente la identificación temprana de las dificultades de aprendizaje y mejore el compromiso académico, debe haber un enfoque estratégico en:

1. Fortalecer la capacidad docente mediante la alfabetización en IA y la capacitación en análisis de datos.
2. Mejorar la infraestructura digital y los sistemas de apoyo institucional.
3. Desarrollar marcos de gobernanza ética que integren el cribado por ML con las vías de diagnóstico e intervención establecidas.

Los autores mantienen una postura modesta, reconociendo que sus hallazgos se basan en datos autoinformados y en un muestreo por conveniencia, lo que limita la generalización. Enfatizan que el ML sirve como una herramienta suplementaria para el cribado y la derivación, no como un reemplazo del juicio clínico profesional, y llaman a futuras investigaciones que involucren muestreos probabilísticos y evaluaciones empíricas longitudinales de sistemas de ML reales.