Aplicación interdisciplinaria de la IA

De acuerdo con Ander-Egg (1994), la interdisciplinariedad consiste en una interacción y cruzamiento de cada disciplina y un nivel de conocimiento de los contenidos y métodos, resaltando la complejidad de los saberes y la necesidad de su articulación. Constituye un requerimiento contemporáneo dirigido a superar un saber fragmentado, propiciando intercambio y cooperación ordenada de disciplinas (Morin, 1998). Esa interdisciplinariedad, según Morin (2001), se orienta a la reunificación del saber acercándose a conceptualizaciones globales, a través de una investigación multilateral de la realidad, dado su carácter variado, multifacético y complejo. En este sentido, el desarrollo de habilidades que permitan conocer, evaluar y utilizar la ciencia y la tecnología para el desenvolvimiento cotidiano de las personas se ha transformado en un desafío contemporáneo, desde la educación formal hasta la ciencia de frontera. Por tanto, las habilidades de pensamiento científico (hpc) constituyen un componente central en el desarrollo formativo de los futuros investigadores de ciencias, configurando prerrequisitos para la construcción de aprendizajes que transformen los entornos sociales.

Las tecnologías basadas en Inteligencia Artificial ya se utilizan para potenciar las capacidades humanas, generando mejoras significativas y promoviendo una mayor eficiencia en prácticamente todos los ámbitos de la vida. Hoy en día, una amplia gama de disciplinas recurre con creciente frecuencia a la IA para optimizar sus procesos. Entre ellas, podemos mencionar el procesamiento eficiente y escalable de datos clínicos en la atención médica; el análisis predictivo para maximizar rendimientos en el sector financiero; la protección frente a amenazas de seguridad cibernética en contextos geopolíticos; la incorporación de la robótica en los procesos de enseñanza-aprendizaje; o el desarrollo de modelos que buscan mitigar el cambio climático, la pérdida de biodiversidad y la degradación de los ecosistemas, por mencionar solo algunas de sus aplicaciones más relevantes.

A continuación, me propongo presentar el estado del arte en torno a la investigación científica que está desarrollando modelos y metodologías con IA para atender algunos de los sectores clave. Considero que estos trabajos representan los primeros trazos de un nuevo mundo que comienza a configurarse con el uso intensivo e inteligente de estas tecnologías emergentes.

En la prevención de la salud

En el campo de la inteligencia artificial existen algoritmos de aprendizaje automático, como las redes neuronales artificiales (ANN), las máquinas de soporte vectorial (SVM), Naive Bayes (NBC), aprendizaje profundo (DL) y técnica de minería de datos, que se utilizan para detectar patrones y determinar el diagnóstico y tratamiento de enfermedades. Por ejemplo, la diabetes es un trastorno metabólico considerado como enfermedad crónica o de larga duración que se caracteriza por elevados niveles de glucosa, cuyas complicaciones asociadas, a corto plazo, son la cetoacidosis diabética y, a largo plazo, enfermedades cardiovasculares, accidentes cerebrovasculares, insuficiencia renal crónica, entre otras (Jaiswal et al., 2021). La atención de esta enfermedad está orientada a partir del desarrollo de modelos predictivos y herramientas impulsadas por IA.

 La implementación del machine learning ha abierto nuevas posibilidades para que los sistemas inteligentes construyan modelos cada vez más precisos, a partir de la identificación de patrones complejos en grandes volúmenes de datos (Li et al., 2020). Este proceso permite extraer las características esenciales para el entrenamiento y la validación de modelos predictivos (Ahmed et al., 2022), ampliando con ello su aplicabilidad en distintos campos del conocimiento.

Uno de los ejemplos más relevantes se encuentra en el desarrollo de sistemas de predicción para la diabetes tipo 2, los cuales emplean metodologías como el promedio ponderado objetivo basado en la distancia. Este enfoque ha demostrado ser prometedor, en buena medida gracias a la innovación que introduce en la forma de procesar los datos (Nuankaew et al., 2021).

Una revisión de literatura especializada a cargo de Benites y Coral (2022), basada en el análisis de 7329 artículos y utilizando como criterios de búsqueda términos como models, methods, algorithms, predictions, trends, diabetes, diagnosis, identificó que el Reino Unido, Australia y la India concentran el mayor número de publicaciones científicas en este ámbito. De acuerdo con este estudio,la regresión logística y las redes neuronales artificiales se posicionan como los métodos de construcción que han ofrecido mejores resultados en tareas de predicción.

En la sostenibilidad y el impacto ambiental

En lo que respecta a estudios sobre sostenibilidad, cuidado ambiental y aplicación de avances tecnológicos, los modelos basados en IA también han cobrado relevancia. En respuesta a la creciente preocupación por el cambio climático, la variabilidad climática, la pérdida de biodiversidad y la degradación de los ecosistemas, investigadores y organizaciones han comenzado a aplicar técnicas de IA para abordar estos desafíos globales (Ahmad et al., 2022; Antonopoulos et al., 2020; Zare et al., 2024). En las última dos décadas, especialmente desde 2019, se ha presentado un aumento exponencial en el número de estudios que emplean IA para modelar fenómenos ambientales y optimizar el uso de recursos naturales (Zhang et al., 2022); estos estudios también han permitido la predicción de eventos climáticos extremos, la gestión de recursos hídricos y la conservación de especies en peligro (Balogun et al., 2020; Bolon-Canedo et al., 2024).

Una revisión en el estado del arte acerca de la inteligencia artificial, sostenibilidad e impacto ambiental, a cargo de Camastra y González Vallejo (2025), expone que los estudios científicos registraron un aumento en el último año, con un total de 2221 documentos y 43 336 citaciones, lo cual muestra la importancia creciente de la exploración del impacto ambiental y los sistemas basados en IA. En cuanto a los países más productivos, los resultados de la exploración citada mostraron el predominio de países desarrollados como China, Reino Unido, Estados Unidos e India. En cuanto a los estudios agrupados en clúster de investigación, destaca Estados Unidos, mientras España ocupa un lugar relevante al fungir como nodo con países latinoamericanos como México, Chile, Perú y Argentina.

En la educación

La comunidad científica está prestando cada vez más atención a las herramientas educativas enriquecidas con tecnología inteligente, debido a su potencial de revolucionar los procesos de enseñanza-aprendizaje. Existen startups de aprendizaje lúdico adaptativo y personalizado construidas con IA, como RoboRave, Wumbox, Zoombers, Afinidata y Sima Robot, entre otras. Éstas incluyen una serie de recursos educativos e interactivos que los profesores pueden aprovechar para la enseñanza de los niños. Destacan también las investigaciones de machine learning aplicado a la educación en temas como percepción docente (Salas Rueda et al., 2022), percepción estudiantil (Demir y Güraskin, 2022), rendimiento académico (Ahajjam et al., 2022), deserción escolar (Alvarado Uribe et al., 2022), pensamiento computacional (Almeida et al., 2021), entre otras, que muestran en sus resultados la implicación del uso de técnicas inteligentes en la solución de problemas complejos del sector educativo.

La incorporación de la Inteligencia Artificial en el ámbito escolar abre un abanico de posibilidades para directivos, docentes y estudiantes. Un ejemplo interesante es cómo la integración de la última versión de ChatGPT en plataformas como Microsoft Office, Edge y Bing ha permitido optimizar diversas tareas educativas y administrativas.

En este contexto, las investigaciones más recientes buscan reducir brechas significativas, como la que existe entre la robótica educativa y la profesional. Una de las estrategias más prometedoras es la incorporación del machine learning en entornos escolares, con el objetivo de mejorar los resultados en el acceso, la trayectoria y el progreso académico de los estudiantes.

El desarrollo curricular de los programas de estudio deberá actualizarse de manera permanente e incorporar, de forma transversal, los conceptos de nuevas tecnologías inteligentes para dar respuesta a la demanda que impone la sociedad del conocimiento, permitiendo dinamizar los procesos de enseñanza-aprendizaje.

En la seguridad pública

Definida como “la aplicación de algoritmos a enormes cantidades de datos para asistir a la labor policial” (John, 2018), las aplicaciones de IA para la seguridad pública han recibido una atención importante en los Estados Unidos y otras democracias industrializadas. Entre los usos más destacados se encuentran los programas de reconocimiento facial, los sistemas de lectura de matrículas, la predicción de futuros delitos y hasta la prevención de fraudes en línea y pruebas forenses de ADN. Las controversias que han enfrentado este tipo de aplicaciones están relacionadas con la ética, la privacidad en el uso de los datos personales y la protección de libertades civiles.

América Latina presenta un panorama prometedor para combatir la delincuencia mediante el uso de la Inteligencia Artificial, si se considera que la región concentra el 30 % de los homicidios a escala global, pese a representar apenas el 8 % de la población mundial. Otra variable es la disparidad en las tasas de delitos violentos entre países. Chile, por ejemplo, registra una tasa de 4.5 homicidios por cada 100 000 habitantes, mientras que en Ecuador esta cifra alcanza los 44 por cada 100 000, sin contar con las tasas ocultas al interior de cada nación (Manjarrés y Newton, 2024).

En distintos niveles, los gobiernos han comenzado a incorporar la IA como herramienta para garantizar la seguridad pública. En Colombia, por ejemplo, la Policía Nacional publicó una estrategia nacional que contempla la asignación de recursos a gobiernos locales para la adquisición de drones no tripulados y cámaras de vigilancia destinadas a prevenir y detectar delitos. Según la Asociación de Aseguradores de Chile, este país ha desarrollado un software de IA capaz de identificar y denunciar vehículos robados, convirtiendo los teléfonos móviles en lectores de matrículas que los departamentos de policía pueden utilizar para facilitar su detección.

En México, la Oficina de las Naciones Unidas contra la Droga y el Delito, en coordinación con el Inegi, implementó un programa en el Estado de México que emplea redes neuronales profundas para identificar palabras y frases clave en llamadas realizadas al 911 con indicios de violencia o delitos contra la mujer (unodc México, 2023).

En Brasil, el gobierno de la ciudad de São Paulo inauguró, en 2022, un sistema de reconocimiento facial para monitorear la línea 3 del metro, mediante 14 000 cámaras distribuidas en 18 estaciones (Mascellino, 2022). Por su parte, Uruguay utiliza desde 2016 una herramienta de análisis predictivo (PredPol), basada en datos históricos sobre la criminalidad, que permite generar mapas de predicción de posibles delitos y anticiparse o responder con mayor rapidez ante cualquier emergencia.

Referencias

Ahajjam, T., Moutaib, M., Aissa, H., Azrour, M., Farhaoui, Y., & Fattah, M. (2022). Predicting students’ final performance using artificial neural networks. Big Data Mining and Analytics, 5(4).

Ahmad, T., Mandoski, R., Zhang, D., Huang, C., & Mujeeb, A. (2022). Data-driven probabilistic machine learning in sustainable smart energy/smart energy systems: Key developments, challenges, and future research opportunities in the context of smart grid paradigm. Renewable and Sustainable Energy Reviews, 160.

Ahmed, U., Issa, G. F., Khan, M. A., Aftab, S., Khan, M. F., & Said, R. A. T. (2022). Prediction of diabetes empowered with fused machine learning. IEEE Access, 10.

Almeida, C. A., Dos Santos, J. M., & de Almeida, M. V. (2021). Computational thinking in elementary school in the age of artificial intelligence: Where is the teacher? Revista de Ensino de Ciências e Matemáticas, 23(6).

Alvarado Uribe, J., Mejía, P., Masetto, A. L., Molontay, R., Hilliger, I., Hegde, V., Montemayor, J. E., Ramírez, R. A., & Ceballos, H. G. (2022). Student dataset from Tecnológico de Monterrey in Mexico to predict dropout in higher education. Data, 7(9).

Balogun, A., Marks, D., Sharma, R., & Salehi, P. (2020). Assessing the potentials of digitalization as a tool for climate change adaptation and sustainable development in urban centres. Sustainable Cities and Society, 53.

Benites, R., & Coral, M. A. (2022). Una revisión de las implementaciones de sistemas para la identificación de la diabetes. Interfases, (16).

Demir, K., & Güraskin, G. E. (2022). Determining middle school students’ perceptions of the concept of artificial intelligence: A metaphor analysis. Participatory Educational Research, 9(2).

Jaiwal, N., Negi, A., & Pal, T. (2021). A review on current advances in machine learning based diabetes prediction. Primary Care Diabetes, 15(3), 435–443.

John, E. (2018). Artificial intelligence and policing: First questions. Seattle University Law Review, 41.

Manjarrés, J., & Newton, C. H. (2024). InSight Crime’s 2023 homicide round-up. Insight Crime.

Mascellino, A. (2022). Brazil deploys ISS facial recognition to secure São Paulo metro. BiometricUpdate.com.

Morin, E. (1998). Sobre la interdisciplinaridad. Boletín 2 del Centre International de Recherches et Études Transdisciplinaires (CIRET).

Morin, E. (2001). La cabeza bien puesta. Ediciones Nueva Visión.

Nuankaew, P., Chaising, S., & Temdee, P. (2021). Average weighted objective distance-based method for type 2 diabetes prediction. IEEE Access, 9.

Salas Rueda, R. A., De la Cruz, G., Eslava Cervantes, A. L., Castañeda, R., & Ramírez, J. (2022). Teachers’ opinion about collaborative virtual walls and massive open online course during the COVID-19 pandemic. Online Journal of Communication and Media Technologies, 12(1).

Zare, A., Ablakimova, N., Kaliyev, A., & Tamadon, A. (2024). An update for various applications of artificial intelligence (AI) for detection and identification of marine environment pollutions: A bibliometric analysis and systematic review. Marine Pollution Bulletin, 206.