La inteligencia artificial no garantiza un aprendizaje duradero, según estudio de la UNED

La interacción con la inteligencia artificial (IA) plantea un interrogante crucial: cuando esta tecnología nos orienta para realizar tareas correctamente, ¿realmente estamos aprendiendo o simplemente siguiendo instrucciones? Un estudio reciente llevado a cabo en la UNED ha revelado una conclusión sorprendente: ejecutar adecuadamente una tarea bajo la guía de IA no garantiza que se haya adquirido la habilidad de manera autónoma.

Un enfoque innovador en el aprendizaje de habilidades físicas

Este trabajo forma parte de las iniciativas del Centro de Investigación PhyUM de la UNED, cuyo objetivo es desarrollar sistemas psicomotores más adaptativos centrados en el ser humano. La investigación, publicada en la revista Virtual Reality, fue realizada por el investigador Alberto Casas Ortiz, bajo la supervisión de Olga C. Santos, catedrática de Inteligencia Artificial en la misma institución.

A lo largo de varios años, el equipo ha explorado métodos para enseñar habilidades físicas complejas mediante inteligencia artificial, realidad virtual y análisis del movimiento humano, utilizando las artes marciales como campo de estudio. Se planteó una pregunta fundamental: ¿cómo podemos verificar si alguien realmente ha aprendido a moverse? Los resultados han revelado que esta cuestión es más complicada de lo que parece.

Más allá de la correcta ejecución

El estudio desarrolló un sistema inteligente denominado Kenpo Learning Simulator (KLS), diseñado para instruir movimientos del kenpo karate americano a través de un instructor virtual, sensores y algoritmos que analizan el movimiento del usuario.

No obstante, el propósito principal no era únicamente evaluar si los participantes podían realizar los movimientos correctamente, sino también determinar hasta qué punto un desempeño adecuado durante el entrenamiento se traduce en verdadero aprendizaje. Alberto Casas señala que uno de los hallazgos más interesantes fue comprobar que obtener buenos resultados durante una sesión guiada no asegura un aprendizaje duradero.

"Durante las sesiones, observamos que algunos participantes podían reproducir los movimientos correctamente, pero luego enfrentaban dificultades para recordar conceptos asociados o ejecutar ciertos elementos sin ayuda", explica Olga Santos. Esta observación llevó a otra conclusión significativa: “el aprendizaje psicomotor no puede evaluarse solo mediante la ejecución física; también hay que tener en cuenta dimensiones cognitivas y afectivas”. Una persona ansiosa o desmotivada tendrá más problemas para recordar movimientos que alguien relajado y motivado.

Cambio de paradigma en la evaluación del aprendizaje

Este descubrimiento es relevante porque pone en tela de juicio una creencia común en muchos entornos tecnológicos: asumir que un buen desempeño al usar una herramienta implica automáticamente que se ha aprendido algo. Por ello, Alberto Casas argumenta que “los sistemas futuros deben medir diferentes dimensiones del aprendizaje y no solo la precisión del movimiento”.

Santos añade que este tema está vinculado a debates actuales sobre herramientas de inteligencia artificial generativa: "Obtener una respuesta correcta con ayuda tecnológica no significa necesariamente haber adquirido el conocimiento o habilidad por cuenta propia". Este fenómeno podría estar presente en diversas áreas, desde el entrenamiento físico hasta el desarrollo profesional.

Nuevas fronteras en educación y tecnología

Dentro del estudio surge otra pregunta compleja: ¿cómo enseñar movimiento a una máquina? Para ello, los investigadores desarrollaron un marco llamado PsyLearn, destinado a crear sistemas como KLS capaces de integrar información sobre movimientos físicos junto con aspectos cognitivos y emocionales relacionados con el aprendizaje.

A través del KLS, se busca replicar el comportamiento de un profesor más que el simple rol de un corrector automático. “La diferencia radica entre un profesor que solo indica si has hecho bien o mal un movimiento y otro que comprende tu nivel, ofrece sugerencias para mejorar y adapta su enseñanza a tus necesidades”, explica Alberto Casas.

El sistema combina realidad virtual, sensores, cámaras e inteligencia artificial. Según Casas, “podemos imaginarlo como un profesor virtual observando al alumno mientras practica. La realidad virtual crea un entorno inmersivo donde aparece un instructor virtual que demuestra y explica los movimientos”.

Santos subraya que este trabajo refleja una evolución más amplia en la aplicación de la inteligencia artificial a la educación: “Mientras gran parte del foco actual está en sistemas relacionados con lenguaje y contenidos digitales, nosotros exploramos cómo construir sistemas capaces de entender cómo aprendemos a movernos y adquirir habilidades físicas”.

Perspectivas futuras y desafíos éticos

Aparte del ámbito deportivo, estas tecnologías tienen potencial para ser utilizadas en áreas como rehabilitación, envejecimiento activo, aprendizaje musical o entrenamiento profesional. Según Alberto Casas, “el objetivo no es reemplazar profesores o entrenadores, sino desarrollar herramientas complementarias que amplíen el acceso a una enseñanza personalizada o remota”.

Santos también menciona que estos sistemas traen consigo nuevos retos relacionados con la transparencia y confianza hacia las respuestas proporcionadas por algoritmos inteligentes. Por ello, se incorporan aportaciones relacionadas con la inteligencia artificial explicable, buscando facilitar la comprensión y justificación de las respuestas algorítmicas.

A medida que la inteligencia artificial juega un papel cada vez más activo en procesos educativos y formativos, queda claro que su reto va más allá de ayudarnos a hacer mejor las cosas; también implica comprender mejor cómo aprendemos a realizarlas.