Impacto de la inteligencia artificial en el aprendizaje, modelo de predicción

Impact of artificial intelligence on learning: a prediction model

Resumen

Durante la formación de estudiantes de nivel superior, en los últimos años el uso de las tecnologías inteligentes han representado una alternativa fundamental para el fortalecimiento del proceso educativo, de hecho, la evolución acelerada y el alto potencial de la inteligencia artificial (IA) están demandando la integración de docentes y estudiantes al ecosistema digital como una tendencia de aceptación creciente. Considerando este motor de innovación con miras hacia la sociedad 5.0, el rol de estudiante se está transformando, no así el rol del profesor quien muestra incertidumbre hacia la IA en diversos países de Latinoamérica. Por ello, el presente trabajo expone el desarrollo de 2 modelos de aprendizaje automático basados en la metodología CRISP-DM y datos de estudiantes de ingeniería de software, para analizar y predecir el impacto de IA en el aprendizaje. Luego de validación el mejor fue random forest con una precisión de 0.86, sensibilidad de 0.87 y f1 score de 0.84. La propuesta se considera adecuada para realizar la predicción y a través de sus resultados fortalecer la toma de decisiones y el proceso educativo mediante las herramientas pertinentes.

In recent years, the use of smart technologies has become a key alternative for strengthening the educational process in higher education; indeed, the rapid evolution and immense potential of artificial intelligence (AI) are driving the integration of both teachers and students into the digital ecosystem—a trend gaining increasing acceptance. While the student's role is evolving in light of this innovation engine and the move toward Society 5.0, the teacher's role remains static, often characterized by uncertainty regarding AI across various Latin American countries. Consequently, this study details the development of two machine learning models—based on the CRISP-DM methodology and data from software engineering students—to analyze and predict AI's impact on learning. Following validation, the Random Forest model emerged as the best performer, achieving an accuracy of 0.86, a sensitivity of 0.87, and an F1 score of 0.84. The proposed approach is deemed suitable for making predictions and leveraging the resulting insights to enhance decision-making and the educational process through appropriate tools.