Según un nuevo estudio, ver una conferencia dos veces a doble velocidad puede hacer que aprendamos mejor que viéndola una vez a velocidad normal. Los videos del estudio, eso sí, versaban sobre el Imperio Romano. Ta vez con otros temas no se obtienen los mismos resultados.

Pero como muchos estudiantes informan que miran vídeos a velocidades más rápidas de lo normal de todos modos, este trabajo es claramente útil: sugiere que mientras no sea más de 2 veces más rápido, está lejos de ser una mala idea.

Consumo rápido

Primero, el equipo asignó a 231 estudiantes participantes para que vieran dos videos de YouTube (uno sobre tasaciones de bienes raíces y el otro sobre el Imperio Romano) a velocidad normal, 1.5x, 2x o 2.5x. Se les dijo que miraran los videos en modo de pantalla completa y que no los pausaran ni tomaran notas. Después de cada video, los estudiantes se sometieron a pruebas de comprensión, que se repitieron una semana después.

En Xataka Ciencia

Las mejores estrategias de aprendizaje avaladas por la ciencia

Los resultados fueron claros: los grupos de 1.5x y 2x obtuvieron los mismos resultados en las pruebas que los que vieron los videos a velocidad normal, tanto inmediatamente después como una semana después. Solo en 2.5x hubo problemas de aprendizaje.

Cuando el equipo encuestó a un grupo separado de estudiantes de UCLA, halló que un 85% usualmente veía conferencias pregrabadas a una velocidad más rápida que la normal. Sin embargo, el 91% dijo que pensaba que una velocidad normal o un poco más rápida (1.5x) sería mejor para aprender que 2x o 2.5x. Estos nuevos resultados ciertamente sugieren que esto no es correcto: la visualización doble es tan buena como la visualización normal.

En Xataka Ciencia

La forma en que aprendemos en la escuela podría cambiar gracias a China y la Inteligencia Artificial

Por lo tanto, un estudiante podría simplemente ver videos a una velocidad 2x y reducir a la mitad el tiempo que dedican a las conferencias ... o, de acuerdo con los resultados de otros estudios informados en el documento, podrían ver un video a una velocidad 2x normal dos veces y hacerlo mejor en un prueba que si lo hubieran visto una vez a velocidad normal. Sin embargo, el momento del visionado importaba: solo aquellos que habían visto el video 2x por segunda vez inmediatamente antes de una prueba, en lugar de justo después de la primera vista, obtuvieron esta ventaja.

Los investigadores también hacen algunas advertencias. Si bien la visualización 2x ​​estuvo bien para aprender sobre el material en sus estudios (tasaciones de bienes raíces y el Imperio Romano), tal vez no funcione para temas más complejos.

Las perspectivas financieras para el mercado global de inteligencia artificial parecen bastante buenas en 2021. Pero eso no es nada comparado con la expansión que los expertos esperan ver en los próximos siete años.

Según un informe publicado recientemente por Grand View Research, se espera que el mercado de IA alcance casi los 100.000 millones en 2021, y casi diez veces más para 2028.

El progreso en el aprendizaje profundo y las redes neuronales artificiales

Si bien el futuro de muchas empresas emergentes, especialmente aquellas que dependen de sistemas invasivos de privacidad, puede estar en peligro gracias a la próxima regulación de la UE, la IA no parece que vaya a dejar de crecer. Desde vehículos autónomos hasta equipos médicos cruciales que salvan vidas, la IA se está infiltrando prácticamente en todos los objetos y programas.

En Xataka Ciencia

La mayoría de los europeos estarían dispuestos a reemplazar a sus políticos por algoritmos de IA (sobre todo en España)

La faceta esencial que acelera la tasa de innovación en el campo de la IA es la accesibilidad a los conjuntos de datos históricos. Dado que el almacenamiento y la recuperación de datos se han vuelto más económicos, las instituciones sanitarias y las agencias gubernamentales están creando datos no estructurados accesibles al dominio de la investigación.

En Xataka Ciencia

Esta IA de reconocimiento facial podría usarse para identificar y medir el estado emocional de los animales de granja

Además, el progreso en el aprendizaje profundo y las redes neuronales artificiales (ANN) también ha impulsado la adopción de la inteligencia artificial en varias industrias, como la aeroespacial, la salud, la fabricación y la automoción. ANN está sustituyendo los sistemas de aprendizaje automático convencionales para desarrollar versiones precisas y precisas.

En pocas palabras, las empresas de todo el mundo funcionan con inteligencia artificial.

Cuando un estudiante aprende algo nuevo en clase, realiza nuevas conexiones sinápticas.

Con todo, hay estrategias para ayudar a los estudiantes a retener el aprendizaje, mayormente las que es propician la mayor cantidad de conexiones posible, generalmente con otros conceptos, ampliando así la 'telaraña' de las conexiones neuronales, pero también accediendo a la memoria repetidamente a lo largo del tiempo.

Explicaciones entre pares

Las siguientes estrategias de aprendizaje, todas ligadas a la investigación realizada en los últimos cinco años, han demostrado su eficacia.

La primera son las explicaciones entre pares: cuando los estudiantes explican lo que han aprendido a sus compañeros, los recuerdos que se desvanecen se reactivan, fortalecen y consolidan.

Esta estrategia no solo aumenta la retención, sino que también fomenta el aprendizaje activo (Sekeres et al., 2016).

Efecto de espacio

En lugar de cubrir un tema y luego continuar, se trata de revisar las ideas clave durante el año escolar, de poner perspectiva y contexto.

La investigación muestra que los estudiantes tienen un mejor rendimiento académico cuando se les brindan múltiples oportunidades para revisar el material aprendido. Por ejemplo, los profesores pueden incorporar rápidamente una breve revisión de lo que se cubrió varias semanas antes en las lecciones en curso, o usar los deberes para volver a exponer a los estudiantes a conceptos anteriores (Carpenter et al., 2012; Kang, 2016).

Pruebas prácticas frecuentes

Estrategia similar a revisar regularmente el material, realizar pruebas de práctica frecuentes puede aumentar la retención a largo plazo y, como beneficio adicional, ayudar a proteger contra el estrés, que a menudo afecta el rendimiento de la memoria.

Las prácticas pueden ser de bajo riesgo y sin calificación, como un cuestionario rápido al comienzo de una lección o un cuestionario de preguntas y respuestas. (Adesope, Trevisan y Sundararajan, 2017; Butler, 2010; Karpicke, 2016).

En Xataka Ciencia

Cómo la IA podría permitirnos dejar atrás el 'modelo de fábrica' de la educación

Conceptos intercalados

Cuando se agrupan problemas similares, los estudiantes no tienen que pensar en qué estrategias utilizar: aplican automáticamente la misma solución una y otra vez. Sin embargo, mezclarlos e intercalarlos obliga a los estudiantes a pensar más y codifica el aprendizaje más profundamente (Rohrer, 2012; Rohrer, Dedrick y Stershic, 2015).

En Xataka Ciencia

Como la Intellectual Virtues Academy tratar de inspirar a pensadores críticos

Texto + Imágenes

A menudo es más fácil recordar información presentada de diferentes maneras, especialmente si las ayudas visuales pueden facilitar la organizar de la información.

Por ejemplo, emparejar una lista de países ocupados por las fuerzas alemanas durante la Segunda Guerra Mundial con un mapa de expansión militar alemana puede reforzar esa lección.

Es más fácil recordar lo que se ha leído y visto, en lugar de recordar solo lo que se ha visto o solo lo que se ha leído (Carney y Levin, 2002; Bui y McDaniel, 2015).

Por primera vez en la historia, el conocimiento se puede suministrar de manera personalizada para cada alumno. Una educación a medida de las necesidades, estilo de aprendizaje y tipo de inteligencia del alumno. Pero las cosas no han cambiado mucho en los colegios debido a que se rigen por reglas del siglo XIX con profesores del siglo XX.

Un gran experimento chino en el que está involucrada la inteligencia artificial podría cambiar las reglas del juego para siempre. La forma en la que aprendemos. Y también quiere exportar su modelo al resto del mundo.

IA

China está invirtiendo en inteligencia artificial. Decenas de millones de estudiantes ahora usan alguna forma de inteligencia artificial para aprender, ya sea a través de programas de tutoría extracurricular como Squirrel, a través de plataformas de aprendizaje digital como 17ZuoYe, o incluso en sus aulas principales. Es el experimento más grande del mundo sobre IA en educación, se está produciendo de forma natural, y nadie puede predecir el resultado.

Squirrel también ha abierto un laboratorio de investigación conjunto con la Universidad Carnegie Mellon este año para estudiar el aprendizaje personalizado a escala, y luego exportarlo a nivel mundial.

En Xataka Ciencia

Ocho cosas que probablemente deberían cambiar en la educación

Tres cosas han alimentado el auge de la educación en IA de China. El primero son las exenciones de impuestos y otros incentivos para las empresas de IA que mejoran cualquier cosa, desde el aprendizaje de los estudiantes hasta la capacitación de maestros y la gestión escolar. En segundo lugar, la competencia académica en China es feroz, pues de ella depende la prosperidad o la pobreza. Finalmente, los empresarios chinos tienen una gran cantidad de datos a su disposición para entrenar y refinar sus algoritmos. La población es vasta, las opiniones de las personas sobre la privacidad de los datos son mucho más laxas que en Occidente (especialmente si pueden obtener beneficios codiciados como el rendimiento académico a cambio), y los padres son grandes creyentes en el potencial de la tecnología, habida cuenta de cómo está transformando el país en solo unas pocas décadas.

Todo esto tendrá consecuencias imprevisibles. En el mejor de los casos, dicen, la inteligencia artificial puede ayudar a los maestros a fomentar los intereses y las fortalezas de sus alumnos. En el peor de los casos, podría afianzar aún más una tendencia global hacia el aprendizaje y las pruebas estandarizadas, dejando a la próxima generación mal preparada para adaptarse en un mundo laboral que cambia rápidamente.

Centros Squirrel

En un centro típico abierto por Squirrel en China no hay pizarras, proyectores u otros equipos, solo una mesa por habitación, destinada a seis u ocho personas. El método de enseñanza es únicamete a través de un ordenador portátil. Tanto estudiantes como profesores miran atentamente las pantallas.

En una sala, dos estudiantes usan auriculares, absortos en una sesión de tutoría de inglés. En otra, tres estudiantes toman tres clases de matemáticas por separado. Resuelven problemas en hojas de papel antes de enviar sus respuestas online. En cada salón, un maestro monitorea a los estudiantes a través de un tablero de instrumentos en tiempo real.

Para cada curso que ofrece, su equipo de ingeniería trabaja con un grupo de maestros para subdividir el tema en las piezas conceptuales más pequeñas posibles. Las matemáticas de la escuela intermedia, por ejemplo, se dividen en más de 10.000 elementos atómicos, o "puntos de conocimiento", como los números racionales, las propiedades de un triángulo y el teorema de Pitágoras. El objetivo es diagnosticar las brechas de comprensión de un estudiante con la mayor precisión posible. En comparación, un libro de texto podría dividir el mismo tema en 3.000 puntos. Una vez que se establecen los puntos de conocimiento, se combinan con videoconferencias, notas, ejemplos trabajados y problemas prácticos. Sus relaciones, cómo se desarrollan entre sí y se superponen, están codificadas en un "gráfico de conocimiento", también basado en la experiencia de los maestros.

Mientras se estudia, el sistema actualiza su modelo de comprensión y ajusta el plan de estudios en consecuencia. A medida que más estudiantes usan el sistema, detecta conexiones previamente no realizadas entre conceptos. Los algoritmos de aprendizaje automático actualizan posteriormente las relaciones en el gráfico de conocimiento para tener en cuenta estas nuevas conexiones.

Squirrel se centra en ayudar a los estudiantes a obtener mejores notas en las pruebas estandarizadas anuales. También diseñó su sistema para recopilar cada vez más datos desde el principio, lo que ha hecho posible todo tipo de experimentos de personalización y predicción. Comercializa sus capacidades técnicas a través de publicaciones académicas, colaboraciones internacionales y premios, lo que lo ha convertido en un favorito del gobierno local de Shanghai.

En los cinco años transcurridos desde su fundación, la compañía ha abierto 2.000 centros de aprendizaje en 200 ciudades y ha registrado más de un millón de estudiantes. Planea expandirse a 2.000 centros más en el país dentro de un año.

Se ignora cómo cambiará esto la nueva generación de estudiantes. Una cosa está clara: memorizar para volcar conocimientos en un examen, tal y como se hace actualmente en el colegio, cada vez será menos importante. A medida que las máquinas mejoran en las tareas de memoria, los humanos deberán centrarse en las habilidades que siguen siendo únicas para ellos (de momento): creatividad, colaboración, comunicación y resolución de problemas. También deberán adaptarse rápidamente a medida que más y más habilidades sean víctimas de la automatización. Esto significa que el aula del siglo XXI debería mostrar las fortalezas e intereses de cada persona, en lugar de impartir un conjunto canónico de conocimientos más adecuado para la era industrial.

Vía | MIT Technology Review

Entrenar una Inteligencia Artificial (IA) mediante deep learning tiene un impacto medioambiental equivalente a cinco coches. Concretamente, a las emisiones de toda la vida de esos cinco coches, incluyendo también el impacto medioambiental de fabricar los coches en sí mismos.

Es lo que acaban de calcular en un estudio investigadores de la Universidad de Massachusetts, Amherst, descubriedo que el proceso de entrenar una IA puede emitir más de 626 000 libras de dióxido de carbono.

Deep Learning

El Aprendizaje profundo (deep learning) es un conjunto de algoritmos de clase aprendizaje automático. El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje automático basados en asimilar representaciones de datos. Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y redes de creencia profundas, han sido aplicadas a campos como visión por ordenador, reconocimiento automático del habla, y reconocimiento de señales de audio y música.

Pero esto también tiene un alto coste medioambiental. Los investigadores observaron cuatro modelos en el campo que han sido responsables de los mayores avances en el rendimiento: el Transformer, ELMo, BERT y GPT-2. Entrenaron a cada uno en una sola GPU durante un día para medir su consumo de energía. Luego utilizaron la cantidad de horas de entrenamiento que se enumeran en los documentos originales del modelo para calcular la energía total consumida durante todo el proceso de entrenamiento. Ese número se convirtió en libras de equivalente de dióxido de carbono.

En particular, los resultados sugieren que un proceso de ajuste conocido como búsqueda de arquitectura neuronal, que intenta optimizar un modelo mediante el ajuste gradual del diseño de una red neuronal a través de pruebas y errores exhaustivos, tenía costos asociados extraordinariamente altos por poco beneficio de rendimiento. Sin él, el modelo más costoso, BERT, tenía una huella de carbono de aproximadamente 1 400 libras de dióxido de carbono equivalente, casi como un vuelo de ida y vuelta a través de Estados Unidos para una persona.

Según Carlos Gómez-Rodríguez, uno de los autores del estudio, en general gran parte de las investigaciones más recientes en IA descuidan la eficiencia, ya que se ha encontrado que las redes neuronales muy grandes son útiles para una gran variedad de tareas, y las empresas e instituciones que tienen acceso abundante a recursos computacionales pueden aprovechar esto para obtener una ventaja competitiva.

Los resultados también ponen de relieve otro problema creciente en la IA: la gran cantidad de recursos que ahora se requieren para producir resultados dignos de ser publicados ha hecho que sea cada vez más difícil para las personas que trabajan en el mundo académico continuar contribuyendo a la investigación.

Los autores del estudio esperan que sus colegas presten atención a los hallazgos del documento y ayuden a nivelar el campo de juego invirtiendo en el desarrollo de hardware y algoritmos más eficientes.

Durante décadas, los neurocientíficos que estudian el aprendizaje y la memoria se han centrado en cómo el cerebro adquiere información y en cómo esa información se convierte en una memoria estable, un proceso llamado consolidación de la memoria. Sólo recientemente los neurocientíficos han comprendido la importancia del olvido activo y han comenzado a desentrañar los procesos que hacen que el cerebro olvide.

Descripción fisiológica en moscas

Ahora un nuevo estudio ha tratado de describir fisiológicamente cómo sucede tanto el aprendizaje como el olvido, y cómo a veces se solapan. Un equipo de Scripps Research, según publican en Cell Reports, estudiaron los cambios sinápticos que se producen durante el aprendizaje y el olvido en moscas de la fruta.

Los investigadores descubrieron que una sola neurona de dopamina puede impulsar tanto el proceso de aprendizaje como el de olvido.

Descubrieron así que cuando una memoria de comportamiento se degrada, los cambios celulares que se producen durante el proceso de aprendizaje son revertidos por la misma neurona de dopamina que ayudó a formar los cambios en primer lugar. "Cada vez que aprendes algo nuevo, al mismo tiempo estás formando una nueva memoria mientras que potencialmente interfieres con o borras los viejos", ha explicado el primer autor Jacob Berry. "Es un acto de equilibrio muy importante que evita que te sobrecargues".

Berry agrega que este proceso de aprendizaje y olvido ayuda a explicar la interferencia retroactiva, una observación común en la psicología. La interferencia retroactiva describe la situación en la que la información más reciente se interpone en el intento de recordar información más antigua; por ejemplo, llamar a yu jefe anterior por el nombre de su jefe actual. Aunque la investigación se realizó en moscas de la fruta, los investigadores esperan que los hallazgos se apliquen a organismos superiores, incluidos los humanos.

Con el propósito de hallar patrones genéticos, cada vez más expertos están recurriendo a una forma de aprendizaje automático llamada aprendizaje profundo o deep learning. Los defensores del enfoque dicen que los algoritmos de aprendizaje profundo incorporan menos suposiciones explícitas sobre cómo deberían ser las firmas genéticas de la selección natural que los métodos estadísticos convencionales.

Identificar dónde y cómo está evolucionando el genoma humano es una ímproba tarea. El genoma de cada persona contiene tres mil millones de bloques de construcción llamados nucleótidos, y los investigadores deben recopilar datos de miles de personas para descubrir patrones que indican cómo los genes han sido moldeados por las presiones evolutivas.

Deep Learning

Gran parte de la revolución de la Inteligencia Artificial la está protagonizando el Deep Learning (aprendizaje profundo), sobre todo en el campo de la traducción, el reconocimiento de voz, el reconocimiento de imágenes y los juegos. Y ahora también la comprensión de la genética.

Una herramienta de aprendizaje profundo llamada "DeepSweep", desarrollada por investigadores del Instituto Broad y MIT de Harvard en Cambridge, Massachusetts, ha marcado 20.000 nucleótidos individuales para estudios adicionales. Algunas o todas estas simples mutaciones pueden haber ayudado a los humanos a sobrevivir a enfermedades o condiciones de vida.

Si surge una mutación que hace que una persona sea más capaz de sobrevivir y producir descendencia que sus congéneres, el porcentaje de la población con esa variante genética crecerá con el tiempo. Un ejemplo es la mutación que brinda a muchos adultos la capacidad de tomar leche de vaca.

Al analizar los genomas humanos con métodos estadísticos, los investigadores descubrieron que la mutación se propagó rápidamente a través de las comunidades en Europa hace miles de años, probablemente porque los nutrientes en la leche de vaca ayudaron a las personas a producir niños saludables. Hoy en día, casi el 80% de las personas de ascendencia europea tienen esta variante.

Sin embargo, los genetistas han luchado para identificar y confirmar otros fragmentos específicos del genoma que se diseminaron a lo largo de las poblaciones porque brindaron una ventaja adaptativa. El aprendizaje profundo se destaca en este tipo de tareas: descubrir patrones sutiles ocultos en grandes cantidades de datos.

Los creadores de DeepSweep entrenaron su algoritmo en firmas de selección natural que insertaron en genomas simulados. A continuación, analizaron los datos del 1000 Genomes Project, una iniciativa internacional que secuenciaba el ADN de 2.504 personas en todo el mundo, utilizando un método estadístico para identificar regiones que podrían estar bajo presión evolutiva. Estos representan aproximadamente un tercio de los tres mil millones de bloques de construcción que comprenden el genoma humano. A continuación, DeepSweep evaluó cada región. Al final del análisis, había entregado una lista de 20.000 mutaciones únicas para explorar en el futuro.

Investigadores de Uber y Google están trabajando en modificaciones del enfoque del aprendizaje profundo (deep learning) para gestionar la probabilidad.

Este grado de incertidumbre permitirá a los programas de Imteligencia Arfitifial más potentes midan su confianza en una predicción o una decisión, esencialmente para saber cuándo deberían dudar de sí mismos.

Incertidumbre

El aprendizaje profundo, que consiste en proporcionar datos de ejemplo a una red neuronal, ha sido un enorme éxito en los últimos años, permitiendo que las máquinas reconozcan objetos en imágenes o transcriban el habla casi a la perfección. Pero éste requiere de una gran cantidad de datos de entrenamiento y poder de cómputo, y puede ser sorprendentemente frágil.

Dudar de uno mismo, sin embargo, ofrece una alternativa.

En el campo de la conducción autónoma, por ejemplo, donde los errores pueden ser fatales, la IA debería conocer el grado de certidumbre de sus conocimientos. De hecho, la incertidumbre es un aspecto clave del razonamiento humano y la inteligencia. Agregarlo a los programas de IA podría hacerlos más inteligentes y menos propensos a cometer errores, según explica Zoubin Ghahramani, profesor en la Universidad de Cambridge y científico en jefe de Uber.

Pyro, por ejemplo, es un nuevo lenguaje de programación lanzado por Uber que combina el aprendizaje profundo con la programación probabilística. Un sistema convencional de aprendizaje profundo solo aprende de los datos que recibe. Sin embargo, Pyro también se puede usarse para construir un sistema preprogramado de conocimiento.

Edward es otro lenguaje de programación que abarca la incertidumbre, desarrollado en la Universidad de Columbia con fondos de DARPA.

Tanto Pyro como Edward están todavía en las primeras etapas de desarrollo, pero no es difícil ver por qué Uber y Google están interesados en ellos.

Uber utiliza el aprendizaje automático en innumerables áreas, desde el enrutamiento de los conductores hasta el establecimiento de precios y, por supuesto, en sus coches autónomos. La compañía ha invertido mucho en IA, contratando a varios expertos que trabajan en nuevas ideas. Google basa todo su negocio en el aprendizaje profundo.

Todavía es prematuro afirmar que este nuevo enfoque dará frutos más interesantes que los ofrecidos hasta ahora, pero cabe la posibilidad de que la IA basada en la incertidumbre acabe por constituir una pequeña revolución.

Este 14 de diciembre, la NASA tiene previsto presentar nuevos hallazgos en la búsqueda de mundos extrasolares con nuevas tecnologías aplicadas en su telescopio espacial Kepler.

IA de Google

Desde 2009, Kepler ha encontrado más de 2.500 mundos alienígenas confirmados, alrededor del 70 por ciento de todos los exoplanetas conocidos. La novedad que ahora se presenta la constituye la forma en la que se ha localizado el nuevo mundo, a través de la Inteligencia Artificial, tal y como comunican:

El descubrimiento fue realizado por investigadores que utilizaron el aprendizaje automático de Google. El aprendizaje automático es un enfoque de la inteligencia artificial y demuestra nuevas formas de analizar los datos de Kepler.

En la rueda de prensa participará entre otros, Paul Hertz, director de la división de Astrofísica de la NASA; y Christopher Shallue, ingeniero de Google AI. Estaremos atentos.

El primer mundo virtual creado en España para el mundo educativo se presenta en la Semana de la Educación 2015 en IFEMA el día 4 de Marzo. Es The Education District.

Gracias a su metodología propia, creada junto con la Universidad de Stanford, el aprendizaje es 100% colaborativo y se emplea la gamificación para que el aprendizaje sea más entretenido.

Esta plataforma aporta grandes cambios en el modelo actual apoyando el contenido tradicional (online o en aula) con actividades en el mundo virtual para desarrollar competencias y habilidades tanto para niños como adultos, también complemento al e-learning y será accesible desde todos los dispositivos.

The Education District se está utilizando actualmente en proyectos piloto dirigidos a intercambios culturales y de idiomas entre instituciones educativas de todo el mundo.

Vía | EuropaPress