¿Hacia dónde van las pruebas de selectividad?

Miles de alumnos se preparan estas semanas para afrontar las pruebas de acceso a la universidad bajo presión e impulsados por expectativas e ilusiones sobre su futuro académico y profesional. El estrés mayor o menor que experimentan procede de varias fuentes, desde el estudio y anticipación del examen hasta la incertidumbre tanto del resultado como de la admisión en el centro universitario donde cursarán sus estudios.

Muchos se preguntan si puede realizarse este tipo de selección sin tener que pasar por el más que agobiante examen. Una de las posibilidades es el empleo de la inteligencia artificial. Hasta un 89% de instituciones de enseñanza superior de los Estados Unidos emplean ya algoritmos para predecir el éxito académico de sus futuros alumnos. Estos programas sirven para tomar importantes decisiones, además de la admisión de estudiantes, como son los recursos que se asignan en forma de becas y ayudas, la tutorización y recomendaciones para las carreras o especialidades a seguir. Es previsible que estos sistemas se extiendan a otros países, incluido el nuestro, de manera que podrían servir para afinar más en la elección de los estudios y disminuir algo el estrés y los costes unidos a la realización de la prueba.

A pesar de las ventajas ofrecidas por la inteligencia artificial, y por el entusiasmo que suscita, los primeros resultados no son muy positivos. La investigadora Denisa Gándara y sus colegas de varias universidades norteamericanas han demostrado que los algoritmos más empleados cometen errores sistemáticos al valorar el futuro éxito académico de estudiantes y se equivocan más todavía cuando estos pertenecen a minorías étnicas.

En general, las predicciones basadas en estos algoritmos anticipan peores resultados académicos para los grupos menos favorecidos. En principio, pertenecer a un grupo racial minoritario no va asociado a una mayor probabilidad de obtener un título. Los datos disponibles indican, en cambio, que tales pronósticos suelen fallar y que aprueban más estudiantes de grupos desfavorecidos de los que habían predicho los sistemas informáticos. Así, es probable que la predicción asignada a una persona del grupo desfavorecido que termine sus estudios haya sido la de que iba a fracasar o abandonar.

También se equivocan a la hora de predecir los resultados de los grupos socioeconómicos favorecidos, para los que los algoritmos predicen mayores tasas de éxito académico y son quienes con más probabilidad reciben más atención, estímulos o ayudas. Exageran las perspectivas positivas de carrera académica, pero sus resultados suelen ser peores de los esperados.

Este doble error muestra que los algoritmos están sesgados contra las minorías. Se debe a que los sistemas se nutren con datos como ingresos familiares, lugar o barrio de residencia, raza o género, que están, en parte, determinados de antemano por desigualdades sociales. Estas circunstancias influyen en los años de estudio invertidos para conseguir un título, las calificaciones obtenidas o la calidad del primer empleo. Otra fuente de errores va ligada a pronosticar peores resultados en carreras científicas y tecnológicas a mujeres, datos que están cambiando en los últimos tiempos.

Puede suceder también que los algoritmos no incluyan otras características que sí estén relacionadas con el éxito académico. Por ejemplo, que las muestras previas de estudiantes que hayan utilizado no tengan una representación suficiente del éxito académico de estudiantes de minorías. Admitir menos estudiantes de minorías raciales parece ir en contra de las propias universidades. Un reciente estudio de Debanjan Mitra y colaboradores, publicado en Nature, demuestra que los titulados de universidades con más diversidad racial disfrutan de mayores salarios.

El uso de nuevas herramientas de evaluación y admisión, a la vista de sus sesgos y de sus relevantes repercusiones en los años universitarios y más allá, debe realizarse con mucho tiento.

Suscríbete para seguir leyendo