Inteligencia aumentada

La inteligencia aumentada, también conocida como "augmented intelligence" (AuI), se refiere a un enfoque que busca mejorar la capacidad cognitiva a través de la integración de tecnologías de inteligencia artificial (IA). A diferencia del enfoque tradicional de la inteligencia artificial, que a menudo se percibe como un reemplazo de la inteligencia humana, la inteligencia aumentada enfatiza la colaboración entre humanos y máquinas, donde la IA actúa como un asistente que potencia las habilidades humanas en lugar de sustituirlas (Romero-Brufau et al., 2020; Nelson et al., 2021; McLuhan y Zingrone, 1998). 

Fuente: Freepik

Esta idea de colaboración entre humanos y máquinas fue presentada por Douglas Carl Engelbart en 1962, pero no fue sino hasta ahora que comenzó a tener sentido. Los desarrollos previos de la IA eran demasiado incipientes como para que la población general entendiera el potencial de este enfoque. Sin embargo, como veremos a continuación, si bien es una idea prometedora, todavía falta mucho camino por transitar. Hablemos. 

Evidencias empíricas

El concepto de inteligencia aumentada ha sido explorado en diversas aplicaciones, especialmente en el ámbito de la salud. Por ejemplo, en dermatología, se ha demostrado que los sistemas de IA aumentada pueden mejorar la precisión diagnóstica de los dermatólogos al clasificar condiciones como el cáncer de piel, combinando la intuición humana con algoritmos avanzados de aprendizaje automático (Nelson et al., 2021; Han et al., 2020; Hekler et al., 2019). 

También en la clasificación histológica de pólipos, donde un sistema digital de IA ha demostrado ser más eficaz que los métodos tradicionales de examen microscópico (Nasir-Moin et al., 2021; Wei et al., 2020). Esta estrategia no solo optimiza el tiempo de evaluación, sino que también aumenta la precisión en la detección de tejidos precoces, lo que es crucial para la prevención del cáncer (Nasir-Moin et al., 2021; Wei et al., 2020).

Como se puede apreciar, hay un patrón que consiste en potenciar y complementar simultáneamente las capacidades humanas. Por un lado se busca superar las limitaciones sensoriales y de capacidad de procesamiento humanas, a través de algoritmos avanzados y, por otra parte, utilizar el intelecto humano para superar las limitaciones cognitivas y éticas de los algoritmos. 

Es un sistema de retroalimentación de doble vía en el que las IA mejoran la labor humana y los humanos mejoran los procesos algorítmicos. Ahora bien, ¿cómo se aplica esto a la educación?

Aumentar la inteligencia en Educación

Cuando la inteligencia aumentada al campo educativo nos referimos a la integración de tecnologías de la IA para mejorar los procesos de aprendizajes y desarrollo de habilidades. Este enfoque se centra en la colaboración entre humanos y máquinas, donde la IA actúa como un asistente que potencia las capacidades cognitivas de los estudiantes y docentes, en lugar de reemplazarlas (Torres, 2023; Salguero Barba, 2024).

Un caso arquetípico de la inteligencia aumentada en la educación es su capacidad para personalizar el aprendizaje. Algo que los docentes siempre queremos hacer, pero los tiempos y las aulas masivas con frecuencia nos impiden. Esta propuesta supone utilizar las plataformas de IA para adaptar la didáctica a las necesidades individuales de los estudiantes, proporcionando recursos y actividades que se alinean con sus estilos de aprendizaje y ritmos (Rodríguez-Chávez, 2021). En este caso, el docente diseña un algoritmo de personalización, generalmente a través de un promt elaborado, y la IA hace el trabajo mecánico de adaptación. Este tipo de aproximación mejora la experiencia de aprendizaje y promueve la participación activa de los estudiantes (Salguero Barba, 2024). Esta misma línea es todavía más relevante cuando se trata de  abordar las necesidades de estudiantes con discapacidad, adaptando su acceso a recursos educativos más accesibles (Zurita, 2024; Lema, 2024). 

Fuente: Freepik

Sin embargo, la implementación de la AuI en la educación no está exenta de desafíos. Es crucial que los educadores y administradores sean conscientes de las limitaciones de la IA y de la importancia de la intervención humana en el proceso educativo. El docente debe conocer las limitaciones de la IA, supervisar en todo momento sus resultados y elaborar didácticas que, efectivamente, promuevan la interacción del estudiante (Barba, 2024; Soledispa Zurita, 2024). Hoy la mayor preocupación es que los estudiantes utilicen la IA para desarrollarse, y no para evitar los aprendizajes.

No todo lo que brilla es oro

En estudio Darvishi y colaboradores (2024), investigó la forma en que la asistencia de la IA afectaba la autonomía de los estudiantes, utilizando un experimento controlado aleatorio con 1625 estudiantes en 10 cursos. Durante las primeras cuatro semanas, los estudiantes utilizaron herramientas de IA para mejorar sus comentarios mediante detección basada en reglas, análisis semántico y comparación con retroalimentaciones previas. 

Posteriormente, los estudiantes se dividieron en cuatro grupos:

• Control (IA): Recibió indicaciones de la IA.
• NR (No Recibió): Sin asistencia de la IA.
• SR (Autocontrol): Usó listas de verificación de autocontrol.
• SAI (Híbrido): Combinó IA con listas de verificación de autocontrol.

El objetivo del estudio fue evaluar el impacto de la asistencia de la IA en la agencia o autonomía de los estudiantes; es decir, en el sentimiento de propiedad y control que los alumnos tienen sobre sus propios aprendizajes.

Resultados principales:

1. Dependencia de la IA: Los estudiantes dependían más de la asistencia de IA que de sus propios aprendizajes.
2. Estrategias autorreguladas: Aunque útiles cuando se retiraba la IA, no igualaban la eficacia de esta.
3. Modelos híbridos: Combinar IA con estrategias de autocontrol (SAI) no mostró mejoras significativas frente a usar solo IA.

En resumen, la asistencia de la IA fue eficaz pero fomentó dependencia. Las estrategias basadas en pensamiento crítico, aunque útiles, no fueron tan eficientes. Por lo tanto, lo que debió ser un experimento exitoso en el uso de la AuI, terminó por evidenciar la dificultad de base: todavía no conocemos ni hemos desarrollado buenos mecanismos de colaboración humano-máquina como para aprovechar la IA en educación. 

Para seguir conversando

Sin duda la inteligencia aumentada representa un avance significativo en la forma en que interactuamos con la tecnología, tal como puede apreciarse incipientemente en campos críticos como la medicina. Al combinar la capacidad de procesamiento de datos de la IA con la intuición y el juicio humano, se puede mejorar la eficiencia y la precisión en los resultados, a la vez que enriquece la experiencia humana en la toma de decisiones (Romero-Brufau et al., 2020; Nelson et al., 2021; Monteith, 2023; Zeng et al., 2021).

El próximo desafío en este punto es generalizar los principios y procesos del trabajo colaborativo entre personas y algoritmos que permitan llegar a una verdadera inteligencia aumentada. 

Ahora mi pregunta para usted es, ¿cómo trabajaría en el aula la IA para desarrollar las competencias de sus estudiantes? ¿Qué les enseñaría para aumentar su inteligencia con la ayuda de la IA? 

¡Nos leemos!

Referencias bibliográficas

Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967. https://doi.org/10.1016/j.compedu.2023.104967

Engelbart DC. Augmenting human intellect: a conceptual framework. Menlo Park: Stanford Research Institute; 1962.

Han, S. S., Park, I., Chang, S. E., Lim, W., Kim, M. S., Park, G. H., … & Na, J. I. (2020). Augmented intelligence dermatology: deep neural networks empower medical professionals in diagnosing skin cancer and predicting treatment options for 134 skin disorders. Journal of Investigative Dermatology, 140(9), 1753-1761. https://doi.org/10.1016/j.jid.2020.01.019

Hekler, A., Hauschild, A., Weichenthal, M., Maron, R. C., Berking, C., Haferkamp, S., … & Thiem, A. (2019). Superior skin cancer classification by the combination of human and artificial intelligence. European Journal of Cancer, 120, 114-121. https://doi.org/10.1016/j.ejca.2019.07.019

McLuhan, E., & Zingrone, F. (1998). McLuhan escritos esenciales. Buenos Aires: Paidós.

Nasir-Moin, M., Suriawinata, A. A., Ren, B., Li, X., Robertson, D. J., Bagchi, S., … & Hassanpour, S. (2021). Evaluation of an artificial intelligence–augmented digital system for histologic classification of colorectal polyps. JAMA Network Open, 4(11), e2135271. https://doi.org/10.1001/jamanetworkopen.2021.35271

Nelson, C. A., Pachauri, S., Balk, R., Miller, J. B., Theunis, R., Ko, J., … & Kovarik, C. L. (2021). Dermatologists’ perspectives on artificial intelligence and augmented intelligence — a cross-sectional survey. JAMA Dermatology, 157(7), 871. https://doi.org/10.1001/jamadermatol.2021.1685

Rodríguez-Chávez, M. H. (2021). Sistemas de tutoría inteligente y su aplicación en la educación superior. RIDE Revista Iberoamericana Para La Investigación Y El Desarrollo Educativo, 11(22). https://doi.org/10.23913/ride.v11i22.848

Romero-Brufau, S., Wyatt, K. D., Boyum, P., Mickelson, M., Moore, M., & Cognetta-Rieke, C. (2020). What’s in a name? a comparison of attitudes towards artificial intelligence (ai) versus augmented human intelligence (ahi). BMC Medical Informatics and Decision Making, 20(1). https://doi.org/10.1186/s12911-020-01158-2

Salguero Barba, N. G. & García Salguero, C. P. (2024). Gestión del conocimiento basada en la inteligencia artificial para la transformación de las instituciones educativas. LATAM Revista Latinoamericana De Ciencias Sociales Y Humanidades, 5(3). https://doi.org/10.56712/latam.v5i3.2156

San Martín Torres, D. M., Flores Mayorga, C. A., Suconota Pintado, A. L., & Gallegos Gallegos, E. M. (2023). Aplicación de la inteligencia artificial en la educación para el desarrollo sostenible: un análisis sistemático. Magazine De Las Ciencias: Revista De Investigación E Innovación, 8(1), 89-108. https://doi.org/10.33262/rmc.v8i1.2968

Soledispa Zurita, P. L., Aguilar Mora, G. C., Crespo Castillo, O. S., & Carranco Madrid, S. D. P. (2024). Inteligencia artificial y educación inclusiva: herramienta para la diversidad en el aula. Revista Social Fronteriza, 4(2), e42215. https://doi.org/10.59814/resofro.2024.4(2)215

Wei, J., Suriawinata, A. A., Vaickus, L., Ren, B., Li, X., Lisovsky, M., … & Hassanpour, S. (2020). Evaluation of a deep neural network for automated classification of colorectal polyps on histopathologic slides. JAMA Network Open, 3(4), e203398. https://doi.org/10.1001/jamanetworkopen.2020.3398