Inteligencia Artificial en la recomendación de contenidos a estudiantes

• Pluma invitada
• 11 octubre, 2021
• Opinión
• iide, Mtro. Martín Rosas Morales

Mtro. Martín Rosas Morales

Con el paso del tiempo, más empresas utilizan algoritmos de Inteligencia Artificial (IA) para conocer los gustos y preferencias de sus clientes. Para lograrlo, registran muchos datos de sus clientes a medida que interactúan con sus aplicaciones o páginas web. Y, utilizando una serie de algoritmos de IA, recomiendan artículos que son más probables a ser adquiridos por el cliente.

Por su parte, las Instituciones de Educación Superior (IES) tienen la necesidad de apoyar a sus estudiantes para que superen algunas debilidades académicas con el fin de disminuir la reprobación y deserción.

Similar a las empresas que recopilan información de sus clientes, las IES cuentan con registros históricos de sus estudiantes, tales como: desempeño en el examen de admisión, encuesta socioeconómica, calificaciones de las materias cursadas y de la interacción en las plataformas de clases en línea. Además, las IES tienen toda la información relacionada al currículum y contenidos de cada materia impartida. Al utilizar algoritmos de IA, todos estos datos pueden servir para detectar las fortalezas y, especialmente, las limitaciones académicas de cada estudiante dando pauta a una asesoría personalizada para lograr superar dichas limitaciones.

Los sistemas que utilizan las empresas son conocidos como sistemas de recomendación. Una de las principales tareas de estos sistemas es hacer predicciones sobre qué tanto le gustaría un artículo a un cliente tomando en cuenta los datos relevantes que se tienen de él y de otros clientes con perfiles similares.

Se emplean, principalmente, dos enfoques o tipos de sistemas: filtrado colaborativo y filtrado por contenido.

El filtrado colaborativo estima predicciones para el cliente mediante relaciones cliente-artículo. Se basa en lo que otros clientes han consumido, es decir busca entre todos los clientes aquellos que han hecho compras parecidas para recomendar otros artículos que adquirieron, no es necesario procesar todas las relaciones de los clientes con los artículos, solo se filtran aquellos que cumplan los criterios preestablecidos. En el perfil del cliente se almacena toda la información que permita ajustar el filtro para que muestre lo que le interese al cliente en ese momento.

En cambio, el filtrado por contenido toma en cuenta las características de los artículos, por ejemplo, si se trata de una película, se tiene el título de la película, el director, el género (romántica, de acción, etc.), el tema de la película. Entonces si a un cliente le gusto una película, el sistema sugerirá una serie de películas con características similares.

Si transportamos estos tipos de sistemas al ambiente académico, en el caso de filtrado colaborativo el sistema buscará cómo estudiantes de características similares superaron sus deficiencias y las recomendará al estudiante. En cuanto al filtrado por contenido, se analizan los contenidos de la carga académica y las relaciones temáticas con la experiencia del estudiante en cuestión. Si el contenido de un tema requiere cierto nivel de dominio de otros subtemas y se detecta que el estudiante tiene deficiencias del tema, el sistema recomendará los contenidos adecuados para apoyarlo. En este caso, se toma en cuenta los contenidos de las materias que históricamente se ha observado que muchos estudiantes tienen dificultad para comprender.

Los sistemas de recomendación han demostrado ser de gran beneficio a nivel comercial y todo indica que incorporar este tipo de análisis en las IES será de mucha ayuda paran sus estudiantes. Hacerlo, no solo depende de organizar los datos de estudiantes y contenidos de las materias, también implica contar con recursos financieros y de personal especializado. El reto bien vale la pena en beneficio de sus estudiantes.