1.3 Cómo aprender de los datos, Machine Learning
1.3 Cómo aprender de los datos
Machine Learning (ML): enseñar a las máquinas con ejemplos
Aprender de los datos: continuidad con los tipos de aprendizaje
En el capítulo anterior hemos visto que las máquinas no aprenden de una única manera. Distinguimos aprendizaje supervisado, no supervisado, semisupervisado y por refuerzo, categorías que, curiosamente, tienen un paralelismo muy claro con la educación humana. El Machine Learning (ML) no es algo distinto a esos tipos de aprendizaje, sino el marco general que los hace posibles en la práctica cuando trabajamos con datos reales.
Por tanto, cuando ahora hablamos de cómo aprender de los datos, no estamos empezando desde cero, sino profundizando en cómo esos tipos de aprendizaje se implementan en sistemas reales. El Machine Learning es el puente entre los datos y el comportamiento “inteligente” de la máquina, del mismo modo que la enseñanza es el puente entre la experiencia y el aprendizaje del alumnado.
Aprender no es entender: una comparación necesaria
Uno de los errores más habituales al hablar de Machine Learning es asumir que aprender equivale a comprender. No es así, ni en las máquinas ni, en muchos casos, en las personas.
Existe un ejemplo muy conocido en neurociencia que ayuda mucho a entender esta diferencia. Personas que han nacido ciegas y recuperan la visión en la edad adulta, gracias a avances médicos, no son capaces de interpretar lo que ven. Sus ojos funcionan, pero su cerebro nunca aprendió durante la infancia a reconocer formas, distancias, rostros o profundidad. Perciben luz, colores y movimiento, pero no significado. Necesitan un largo proceso de aprendizaje visual, y aun así su percepción nunca llega a ser equivalente a la de alguien que aprendió a ver desde pequeño.
Este caso humano es un paralelismo casi perfecto del Machine Learning.
Una máquina puede recibir imágenes, textos o sonidos perfectamente convertidos en datos numéricos, pero si no ha sido entrenada con suficientes ejemplos, no “ve”, no “lee” y no “escucha” nada. Igual que en las personas, es el aprendizaje previo el que da sentido a la percepción. Sin datos y sin experiencia, solo hay estímulos sin significado.
¿Qué significa realmente aprender de los datos?
Aprender de los datos no consiste en almacenar información como en un archivo. Consiste en extraer patrones. Un sistema de Machine Learning analiza grandes volúmenes de ejemplos y ajusta sus parámetros internos para que ciertas respuestas sean más probables que otras en el futuro.
Desde el punto de vista de los tipos de aprendizaje vistos en el capítulo anterior, esto puede hacerse de varias maneras. En el aprendizaje supervisado, el sistema aprende comparando sus predicciones con respuestas correctas. En el no supervisado, descubre estructuras internas sin que nadie le diga qué buscar. En el aprendizaje por refuerzo, ajusta su comportamiento en función de las consecuencias de sus acciones. En todos los casos, el mecanismo es el mismo: datos → números → patrones → decisiones.
No hay comprensión conceptual, pero sí una capacidad muy potente de generalización, que es lo que hace útil al Machine Learning en contextos complejos como la educación.
El ciclo del Machine Learning explicado para docentes
Aunque por dentro los modelos puedan parecer opacos, el proceso del Machine Learning sigue un ciclo que resulta muy familiar para cualquier docente.
Todo comienza con la recopilación de datos. En educación, estos datos pueden ser calificaciones, textos escritos por el alumnado, tiempos de respuesta, registros de asistencia, uso de plataformas digitales o resultados de actividades competenciales. Antes de poder aprender, esos datos deben limpiarse, organizarse y transformarse en números, ya que la máquina no trabaja con significados, sino con valores numéricos.
A continuación tiene lugar el entrenamiento. El sistema analiza los datos y ajusta su comportamiento interno aplicando alguno de los tipos de aprendizaje estudiados: supervisado, no supervisado o por refuerzo. Aquí ocurre el aprendizaje propiamente dicho.
Después llega la evaluación con datos nuevos. Igual que en educación no basta con repetir un ejercicio, en Machine Learning es fundamental comprobar si el modelo generaliza o si simplemente ha memorizado. Este paso conecta directamente con la evaluación educativa.
Finalmente, el modelo se utiliza en situaciones reales, siempre bajo supervisión humana, especialmente cuando se trata de decisiones que afectan a personas.
Un ejemplo educativo completo: aprender a anticipar dificultades
Imaginemos un centro educativo que quiere detectar de forma temprana dificultades de aprendizaje. En lugar de esperar al suspenso final, decide analizar datos históricos de cursos anteriores: asistencia, entregas, resultados parciales, participación y uso de recursos digitales.
Aplicando aprendizaje supervisado, se entrenan modelos con ejemplos reales de alumnado que tuvo dificultades y alumnado que no las tuvo. El sistema aprende combinaciones de factores que suelen anticipar problemas académicos.
El resultado no es una decisión automática, sino una señal de alerta. El Machine Learning no sustituye al tutor ni al orientador, pero proporciona información objetiva que ayuda a intervenir antes y mejor. El aprendizaje de la máquina se convierte así en un apoyo al aprendizaje humano.
Modelos sencillos frente a modelos complejos
Otro aspecto importante, especialmente en educación, es que no siempre necesitamos modelos complejos. Aunque el aprendizaje profundo ha impulsado grandes avances, muchos problemas educativos se resuelven mejor con modelos simples, más transparentes y más fáciles de explicar.
Esto conecta con lo aprendido en el capítulo anterior: el tipo de aprendizaje elegido debe responder al problema educativo, no al atractivo tecnológico. En muchos casos, entender por qué el modelo toma una decisión es más importante que ganar unas décimas de precisión.
Aprender haciendo: herramientas educativas de Machine Learning
Una de las mejores formas de comprender el Machine Learning es vivir el proceso de entrenamiento. En este sentido, existen herramientas educativas que permiten trabajar con ML de forma accesible en el aula. Una de las más conocidas es Machine Learning for Kids, que permite entrenar modelos sencillos a partir de ejemplos aportados por el alumnado, sin necesidad de programar.
Además de ML for Kids, en el ámbito educativo y formativo se utilizan también otras herramientas y entornos como:
-
Teachable Machine
-
Scratch + extensiones de IA
-
Orange Data Mining
-
Weka
-
Google Colab
-
Jupyter Notebook
-
AutoML
El valor pedagógico de estas herramientas no está en el resultado final, sino en el proceso: el alumnado comprende que si los datos son pobres, el modelo aprende mal, y que mejorar el aprendizaje implica mejorar los ejemplos.
El error como motor del aprendizaje
Igual que ocurre en los tipos de aprendizaje estudiados en el capítulo anterior, el error desempeña un papel central en el Machine Learning. Cuando un modelo falla, no se corrige escribiendo una regla, sino añadiendo mejores ejemplos o ajustando los datos de entrenamiento.
Este enfoque conecta directamente con la evaluación formativa. Tanto las máquinas como las personas aprenden cuando el error se convierte en información, no en castigo.
Límites, ética y responsabilidad educativa
Trabajar con Machine Learning en educación implica una responsabilidad especial. Los modelos aprenden de datos pasados, no del potencial futuro del alumnado. Pueden reproducir sesgos, simplificar realidades complejas o generar etiquetas que condicionen expectativas.
Por eso, el Machine Learning debe entenderse siempre como una herramienta de apoyo al profesorado, nunca como un sustituto del criterio pedagógico. La máquina detecta patrones; el docente entiende personas, contextos y trayectorias.
Conclusión
El Machine Learning nos recuerda que aprender es un proceso acumulativo. Sin ejemplos, no hay aprendizaje. Sin experiencia, no hay interpretación. Esto es cierto para las máquinas… y también para las personas.
El caso de quienes recuperan la visión en la edad adulta nos enseña que ver no es solo recibir estímulos, sino haber aprendido a interpretarlos. La IA puede aprender rápido, pero no comprende. Las personas aprenden más despacio, pero dan sentido a lo aprendido.
Las máquinas aprenden de los datos; la educación enseña a comprender el mundo.