Language Icon

Harvard University: Escuela de Ingeniería y Ciencias Aplicadas de Harvard: ¿El aprendizaje de máquinas puede aportar mayor diversidad al STEM?

Pese al avance logrado en las últimas décadas, aún persisten las desigualdades de género y raza en los campos de STEM (ciencia, tecnología, matemáticas e ingeniería).

Según un estudio de Pew Research en 2021, los trabajadores negros e hispanos desempeñan apenas 9 por ciento y 8 por ciento de los empleos de STEM, respectivamente. El estudio encontró que las mujeres ocupan 50 por ciento de todos los empleos de STEM (incluyendo los vinculados con la salud), pero los porcentajes son mucho más bajos para empleos en las áreas de ciencias físicas (40 %), cómputo (25 %) e ingeniería (15 %).

¿El aprendizaje de máquinas podría ayudar a los investigadores para entender mejor los factores que contribuyen a esas desigualdades? O ¿debemos culpar parcialmente a las herramientas de aprendizaje de máquinas por las discrepancias de género y raza en STEM? La Dra. Haewon Jeong, becaria postdoctoral en el laboratorio de Flavio Calmon, profesora adjunta de Ingeniería Eléctrica en

la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard, comenzó un estudio de investigación para explorar ambas preguntas.

Por este proyecto, Jeong recibió en 2021 el premio del Fondo de Investigación Postdoctoral de la Iniciativa de Ciencias de los Datos de Harvard. Ella colaborará con Nilanjana Dasgupta, profesora en el Departamento de Psicología y Ciencias del Cerebro en la Universidad de Massachusetts Amherst, que estudia el sesgo y los estereotipos implícitos en la educación de STEM, así como con Muriel Médard, Cecil H. e Ida Green, profesora en el Departamento de Ingeniería Eléctrica y Computación en el MIT.

“Usaremos herramientas de aprendizaje de máquinas para descubrir los factores que fomentan el sesgo implícito acerca de las ciencias y las matemáticas en los alumnos de educación media”, explicó Jeong. “El aprendizaje de máquinas puede captar patrones sutiles que los humanos a menudo no percibimos, así que nos servirá para detectar a los alumnos que podrían caer en el sesgo implícito y darse por vencidos antes de tomar clases de matemáticas más avanzadas en la escuela”.

Jeong y sus colaboradores se basarán en un conjunto de datos recopilado por Dasgupta en un estudio de campo longitudinal de cinco años en 10 escuelas de educación media en Estados Unidos. La educación media es una etapa crítica para enfocarse en la educación de STEM, afirmó Jeong, pues los alumnos desarrollan un pensamiento crítico más sólido y habilidades para resolución de problemas, al tiempo que empiezan a consideran sus futuras carreras.

os datos de la encuesta se recopilaron de 3,000 estudiantes en los grados 7 a 9 y sus padres. Se obtuvo información demográfica y socioeconómica; también se incluyeron preguntas sobre la autoestima de los alumnos en las clases de matemáticas y ciencias. La encuesta registró también las calificaciones de los alumnos en pruebas de asociación implícita (TAI), que miden las actitudes y creencias subconscientes pidiendo a las personas que relacionen conceptos (tales como masculino y femenino) con atributos (tal como lógico).

Además se preguntó a los padres su percepción sobre la aptitud de sus hijos en las materias de STEM, qué tan duro trabajan en las clases de STEM y cuánto las disfrutan.

Al construir modelos de aprendizaje de máquinas para analizar este conjunto de datos, Jeong espera descubrir los factores que contribuyen a los sesgos de los alumnos en la educación y las carreras de STEM.

Lea el artículo completo aquí.