Por Ana Martínez A.
El procesamiento de lenguaje natural (PLN) es una rama de la inteligencia artificial que se encarga de construir modelos computacionales capaces de leer o generar texto en forma de lenguaje natural o “humano”, y así resolver algún problema en particular, como traducir textos, corregir errores ortográficos o generar respuestas a preguntas. La evolución de estas técnicas ha permitido, entre otras cosas, apoyar la educación de distintas formas, sin embargo, en el área de la educación diferencial son escasas las herramientas especializadas.
Es en este contexto que Javier Muñoz, estudiante del Magíster en Ciencias mención Computación, bajo la supervisión del académico del Departamento de Ciencias de la Computación (DCC) e investigador del Instituto Milenio Fundamentos de los Datos, Felipe Bravo-Márquez, desarrolló una herramienta de apoyo a diferentes profesionales que tratan con estudiantes de educación diferencial, como educadores/as, médicos/as, psicólogos/as y fonoaudiólogos/as. Se trata de un sistema de recomendación que les facilitará escoger las mejores intervenciones para ayudar a las y los estudiantes de educación diferencial en su desarrollo escolar.
Javier Muñoz explica que han surgido diferentes tecnologías que permiten a los colegios almacenar la información de sus estudiantes; lo que incluye datos y documentos con observaciones de profesionales, el avance del estudiante e intervenciones que le han permitido mejorar en diferentes aspectos. “Estos documentos son requeridos por ley, por lo que es obligación tenerlos, pero no son utilizados para algo más. Asímismo, las aplicaciones existentes se enfocan principalmente en ayudar a los profesionales y al colegio en un sentido administrativo y de monitoreo, pero no de recomendación de acciones para ayudar directamente al estudiante”, agrega.
El tema resulta interesante desde el punto de vista técnico, destaca, ya que “la información es de texto libre y no todos las y los profesionales trabajan con cada estudiante. Además, al tener un número variable de intervenciones para recomendar, hay distintos enfoques que se pueden utilizar para hacerlo”, dice. En esa línea, el profesor Bravo-Márquez complementa que este trabajo modela el problema como si fuera uno de clasificación ‘multi-instancia’ y ‘multi-etiqueta’, porque para hacer la recomendación se ven muchos documentos, cada uno con las observaciones de un especialista distinto: fonoaudiólogo/ a, psicólogo/a, etc.; y multi-etiqueta, porque se puede recomendar más de una intervención”, indica.
El académico explica que este tipo de problemas están entre los más complejos en el área de machine learning debido a que “tanto la entrada como la salida tienen muchas combinaciones y, además, existen pocos datasets con esta naturaleza de problema en el idioma español”. Destaca, además, que en el desarrollo de esta investigación, proponen arquitecturas de redes neuronales específicas para el tema en cuestión.
Brindando la mejor recomendación para cada caso
Para el desarrollo de este trabajo, el primer gran desafío que abordaron los investigadores fue la recolección de información de alrededor de tres mil estudiantes matriculados en escuelas chilenas dedicadas a la educación diferencial, incluyendo sus diagnósticos, intervenciones que lo ayudaron a mejorar y las observaciones de distintos profesionales que trabajaron con cada uno. “Las intervenciones que se le recomiendan a los y las estudiantes abarcan aspectos como buscar apoyo de profesionales específicos, como neurólogos/as, terapeutas ocupacionales, entre otros; o buscar más apoyo de la familia en el proceso educacional”, dice Javier Muñoz.
El investigador señala que diseñaron distintas herramientas de machine learning que permitan obtener predicciones de las mejores intervenciones para cada estudiante, utilizando la información recolectada. En particular, esperan que este sistema recomiende un número variable de intervenciones, entre 0 y 14 para cada estudiante, utilizando un número variable de observaciones. Sostiene que “al estar diseñando un sistema de recomendación en un área sumamente sensible, se supone importante también el fundamento de las recomendaciones de intervenciones, por lo que es importante saber interpretar los resultados de las herramientas diseñadas y mostrar estas interpretaciones a los profesionales, de manera que puedan tener mayor confianza en los resultados”.
El desarrollo de la herramienta aún se encuentra en etapa de modelos experimentales, cuenta Felipe Bravo-Márquez. En este sentido, proyectan realizar un experimento con usuarios reales, “donde puedan ver las recomendaciones hechas por el modelo y ver si estas les hacen sentido”, anuncia.
