Machine learning haría más precisos los exámenes de ingreso a la universidad, los exámenes de ingreso a la educación superior que se hacen en el país se basan en calificar el número de preguntas correctas y dar un puntaje. Sin embargo, este proceso no tiene en cuenta en tiempo real el desempeño y la evolución que va teniendo el estudiante al momento de responder, además de otras variables como el estrés y la concentración. El aprendizaje de máquina, o machine learning, permitiría considerar estos factores y diseñar pruebas más precisas y cercanas a la realidad.
En 2021, solo el 19 % de los estudiantes tuvieron buenos resultados en la prueba Saber Icfes de ingreso a la educación superior, por lo cual es importante buscar e implementar estrategias para que las pruebas sean más precisas y evalúen la realidad de los estudiantes más allá de un estándar, que deja por fuera a una gran porción de la población que intenta ingresar.
El machine learning pone a prueba la capacidad de un algoritmo, diseñado por medio de lenguajes de programación, para evaluar, en este caso, el mejor el desempeño de alguien en un examen, teniendo como eje que, por un lado, no se deban elaborar tantas preguntas, y por el otro, se tenga en cuenta la dificultad necesaria de las preguntas en cada momento de la prueba.
Este fue el interés de José Cáliz, estudiante de la Maestría en Estadística de la Universidad Nacional de Colombia (UNAL), quien puso a prueba una red neuronal artificial, que es un sistema que va a aprendiendo de los errores y pueden tomar decisiones similares a los seres humanos, diseñada en el lenguaje de programación Python, que hoy en día es de los más usados en este campo. Esta se aplicó en una simulación, que funcionaba de manera similar a si se tuvieran 10.000 estudiantes presentando algún tipo de examen de ingreso a la educación superior.
“Al ir alimentando la red con los datos, que se asemejan a la manera como un estudiante de determinado nivel educativo responde una pregunta, se evidencia que la máquina va a aprendiendo y se adapta mejor a cada persona evaluada, sin que esto suponga una ventaja para alguien, ya que precisamente allí es donde radica la importancia del modelo, en ser preciso entre variables y entradas distintas”, asegura.
La investigación utilizó la teoría de aprendizaje por refuerzo, que viene de la psicología, en la cual, de la misma manera como un niño cuando está creciendo y aprendiendo, la máquina obtiene recompensas al acercarse a un mejor modelo de evaluación para cada estudiante, lo cual está programado para que esta se desempeñe mejor.
Conoce más aquí
