← EDU BITS

Machine Learning en la educación: el legado de John Hopfield y Geoffrey Hinton

Conoce los conceptos clave de Machine Learning y su aplicación práctica en la educación, gracias a las aportaciones tan importantes de John Hopfield y Geoffrey Hinton, quienes sentaron las bases para los avances de la Inteligencia Artificial.

Machine Learning en la educación: el legado de John Hopfield y Geoffrey Hinton
enero 17, 2025 Por Luis Andrés Villalón Vega
Una lectura de 6 minutos

En los últimos años, el concepto de Machine Learning (ML) o Aprendizaje Automático (AA) ha emergido como una fuerza revolucionaria en el ámbito tecnológico, impactando profundamente sectores como el de la salud, finanzas, manufactura, transporte, entretenimiento, ventas, entre otros (Kumar, 2024). La incorporación de ML en el sector educativo también crece rápidamente (imarcgroup, 2024) (Kvartalnyi, 2024), nos permite analizar grandes cantidades de datos sobre el desempeño, comportamiento y las preferencias del estudiantado. En este artículo, deseo destacar las aportaciones tan importantes de John Hopfield y Geoffrey Hinton, recientemente galardonados con el Premio Nobel de Física 2024 por sus avances fundamentales en la Inteligencia Artificial (IA). Ambos sentaron las bases para una mejor comprensión y aplicación del ML en la vida real. También, abordaremos conceptos clave para comprender qué es el ML y su aplicación práctica en la educación.

John Hopfield y su Modelo de Red Neuronal

John Hopfield es conocido por su trabajo en redes neuronales artificiales. En la década de 1980, desarrolló el modelo de red neuronal Hopfield. Una forma de memoria asociativa que puede almacenar y reconstruir patrones, como imágenes. Este modelo ha sido crucial para el desarrollo de sistemas de IA que pueden reconocer y recordar patrones en grandes conjuntos de datos. La red de Hopfield se basa en la idea de que las neuronas pueden trabajar juntas para resolver problemas complejos, lo que ha sentado las bases para muchas aplicaciones modernas de machine learning.

Geoffrey Hinton y el Aprendizaje Profundo o Deep Learning

Geoffrey Hinton es una figura clave en el desarrollo de algoritmos de Deep Learning o Aprendizaje Profundo. Deep Learning esuna subdisciplina de ML en la que los analistas de datos emplean redes neuronales con múltiples capas, de ahí que son «profundas» con el fin de capturar patrones intrincados en grandes conjuntos de datos (Islam et. al., 2024). En este sentido, uno de sus mayores logros es la creación de la técnica de retropropagación, que permite a las redes neuronales ajustar sus pesos internos para mejorar su precisión en tareas como el reconocimiento de imágenes y la traducción automática. Hinton también trabajó con redes neuronales convolucionales y redes generativas adversarias (GANs), que son fundamentales para muchas aplicaciones modernas de IA.

A través de las contribuciones de Hinton y Hopfield, podemos aprovechar las bondades de Machine Learning y explorar métodos efectivos para aplicarlo en la educación, buscando que los estudiantes comprendan y se entusiasmen con el potencial de esta tecnología.

Conceptos clave para entender los fundamentos del Machine Learning

  • Machine Learning: es un subcampo de la Inteligencia Artificial que permite a las computadoras aprender de los datos sin ser programadas explícitamente. En lugar de escribir un conjunto de reglas, proporcionamos a un algoritmo de aprendizaje automático con datos para encontrar patrones por sí mismo. Este enfoque ha revolucionado diversos campos como el reconocimiento de imágenes y el procesamiento del lenguaje natural en áreas tan diversas como la medicina y las finanzas.

Subconjuntos de Machine Learning

  • Patrón: Son regularidades observables en los datos. Según Hastie, Tibshirani y Friedman (2009), estos patrones pueden ser simples o complejos y son la base para la construcción de modelos predictivos.
  • Algoritmo: Son conjuntos de instrucciones que permiten a las máquinas aprender de los datos y encontrar patrones. Estos algoritmos se clasifican en supervisados, no supervisados y por refuerzo (Hastie, Tibshirani y Friedman, 2009).
  • Aprendizaje Supervisado: El algoritmo aprende a mapear una entrada a una salida deseada basándose en ejemplos de pares de entrada-salida. Por ejemplo, en la clasificación de imágenes, se le proporcionan imágenes etiquetadas (e.g., «perro», «gato») para que aprenda a clasificar nuevas imágenes (Goodfellow, Pouget-Abadie, Mirza, et. al., 2020).
  • Aprendizaje No Supervisado: El algoritmo busca patrones en los datos sin etiquetas predefinidas. Por ejemplo, la agrupación (clustering) busca encontrar grupos naturales en los datos (Goodfellow, Pouget-Abadie, Mirza, et. al., 2020).
  • Aprendizaje por Refuerzo: El algoritmo aprende a tomar decisiones en un entorno para maximizar una recompensa a largo plazo. Por ejemplo, un agente de aprendizaje por refuerzo podría aprender a jugar un videojuego (Sutton y Barto, 2018).
  • Redes Neuronales Artificiales: Las redes neuronales imitan el funcionamiento del cerebro humano. A través de capas de «neuronas» conectadas, pueden aprender y reconocer patrones en los datos.
  • Deep Learning (Aprendizaje Profundo): El aprendizaje profundo usa redes neuronales con muchas capas, permitiéndoles identificar patrones simples y combinarlos para reconocer patrones complejos. Esto es clave en el reconocimiento de voz y la visión por computadora.
  • Redes Neuronales Convolucionales (CNNs): Las Convolutional Neural Networks (CNNs por sus siglas en inglés) son redes diseñadas para analizar imágenes, detectando características como bordes y texturas para identificar objetos. Las CNNs son ampliamente utilizadas en aplicaciones de visión por computadora, como el reconocimiento facial y la detección de objetos.
  • Redes Generativas Adversarias (GANs): Las Generative Adversarial Network  (GANs por sus siglas en inglés) usan dos redes que compiten: una crea datos similares a los reales, y la otra intenta distinguir entre ellos. Este proceso permite generar imágenes y contenido sintético realista.

¿Cómo se ve el machine learning (ML) en la educación y su impacto?

  • Personalización del aprendizaje: Con ML las instituciones educativas pueden identificar y analizar patrones o conductas de los estudiantes para recomendar o adaptar contenidos y estrategias educativas a las necesidades de cada estudiante, así como analizar el desempeño de cada iniciativa que se implementa en la institución (indianext, 2023).
  • Analíticas de aprendizaje: A través de ML se pueden analizar ypredecir resultados sobre el desempeño de los estudiantes. Por ejemplo, analizando resultados de evaluaciones parciales o finales, en diferentes periodos escolares, cruzando información escolar y académica (Jeremy Qu, 2023).
  • Aprendizaje de idiomas: Duolingo es una aplicación para aprender idiomas de manera personalizada que utiliza algoritmos de ML para personalizar las lecciones y adaptar el ritmo de aprendizaje para cada usuario. Puedes encontrar estudios de caso e investigación sobre su enfoque en su sitio web oficial o en bases de datos académica.
  • Retroalimentación a estudiantes: El ML se utiliza para brindar retroalimentación al estudiantado mediante modelos que analizan el desempeño individual y patrones de aprendizaje. Estos sistemas identifican áreas en las que un estudiante puede mejorar y sugieren recursos o ejercicios adicionales de forma personalizada. Al analizar grandes cantidades de datos de las y los estudiantes, con machine learning los docentes pueden identificar dificultades comunes entre los estudiantes y ofrecer comentarios más específicos y efectivos, mejorando así el apoyo educativo (phys.org, 2024).
  • Reconocimiento de imágenes, voz y texto: Los algoritmos ML utilizan el reconocimiento facial en términos de seguridad para encender nuestros dispositivos móviles. También, ML está integrado en los chatbots dentro de un servicio de navegación y en los asistentes de voz como son Siri, Alexa, Google Assistant y Cortana; los cuales emplean PLN (Procesamiento del Lenguaje Natural) para reconocer instrucciones de voz y responder adecuadamente (IBM, 2024).

Las tecnologías de Inteligencia Artificial (IA) y Machine Learning (ML) abren horizontes insospechados en la educación para transformar el aula tradicional en un espacio dinámico y personalizado, permitiendo identificar patrones en el aprendizaje de cada estudiante, adaptándose a sus necesidades particulares y creando experiencias únicas.

La integración de ambas tecnologías en la educación, nos acercan a la posibilidad de que cada estudiante tenga un tutor virtual personalizado que le acompañe y apoye en su proceso de aprendizaje. Sin embargo, estos avances, nos invitan a repensar el rol de los educadores en el proceso de la enseñanza más allá de la simple transmisión de conocimientos o la adquisición de habilidades técnicas, sino también la importancia del desarrollo de un pensamiento crítico y ético de los estudiantes frente a estas herramientas emergentes.

En este contexto, se genera una paradoja fascinante: mientras la tecnología se automatiza, los desafíos de su integración en la educación nos recuerdan la esencia profundamente humana del aprendizaje. Es un llamado a fusionar lo mejor de la innovación tecnológica con la sabiduría y la creatividad humana, abriendo la puerta a una educación verdaderamente inclusiva y transformadora. El uso de ML e IA en la educación, nos recuerda que el conocimiento no tiene límites y que, al explorar nuevas fronteras, estamos forjando un futuro donde la educación sea más accesible, enriquecedora y equitativa para las sociedades.

Acerca del autor

Luis Andrés Villalón Vega (andresvillalonlv@gmail.com) Científico, CEO at VC Technologies, MSc, Lic. Mi interés principal es la integración de la IA en la educación.

Referencias

AI in Education Market Report 2024-32: Size, Share and Trends. (2024b, June 14). Retrieved from https://www.imarcgroup.com/ai-in-education-market

Chen, W., Shen, Z., Pan, Y., Tan, K., & Wang, C. (2024). Applying Machine Learning Algorithm to Optimize Personalized Education Recommendation System. Journal of Theory and Practice of Engineering Science, 4(01), 101–108. https://doi.org/10.53469/jtpes.2024.04(01).14

Transkriptor. (17 de enero de 2024). Reconocimiento de voz: definición, importancia y usos. https://transkriptor.com/es/reconocimiento-de-voz/

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144.

Forero-Corba, W., & Negre Bennasar, F. (2024). Técnicas y aplicaciones del Machine Learning e inteligencia artificial en educación: una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209–253. https://doi.org/10.5944/ried.27.1.37491

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Stanford, CA: Stanford University. https://web.stanford.edu/~hastie/Papers/ESLII.pdf

Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558.

Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

Islam, M. T., Al Mamun, M. A., Khan, O. U., Akeem, A. B., Mohammad, H., Hamdache, A., & Elmouki, I. (2024). Emerging Trends In Artificial Intelligence Learning Methods: Deep Learning And Machine Learning Innovation In Computer Science. Nanotechnology Perceptions, 1150-1173.

Kumar, N. (2024b, October 11). 70+ Machine Learning Statistics 2024 (Industry Market Size). Retrieved from https://www.demandsage.com/machine-learning-statistics/

Kvartalnyi, N., & Kvartalnyi, N. (2022b, August 9). Machine Learning in Education: ML Impact on the industry. Retrieved from https://inoxoft.com/blog/how-machine-learning-is-improving-education-benefits/

Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press. https://mitpress.mit.edu/9780262039246/reinforcement-learning/

Team, Ibm Data and Ai. 2024. “Casos de uso del machine learning.” IBM. Retrieved (https://www.ibm.com/mx-es/think/topics/machine-learning-use-cases).

UNESCO. (2022). Artificial intelligence in education.

TeachThought. (2021). What Is Question-Based Learning?

Edición

Edición por Rubí Román (rubi.roman@tec.mx) – Editora de los artículos Edu bits y productora de los Webinars del Observatorio- «Aprendizajes que inspiran» – Observatorio del Instituto para el Futuro de la Educación del Tec de Monterrey.

Este artículo del Observatorio del Instituto para el Futuro de la Educación puede ser compartido bajo los términos de la licencia CC BY-NC-SA 4.0