Autores:

Luis Eduardo Pinto, médico y docente de la Universidad Von Humboldt de Armenia, miembro de AIpocrates

Andrés Rico, médico internista y CEO de AIpocrates.

¿Estamos preparados para la inteligencia artificial?

Como se ha dicho en columnas anteriores, la inteligencia artificial (IA) es una rama de las ciencias computacionales, con una definición aún etérea y con aplicaciones en múltiples campos; su desarrollo la ha convertido en el punto de intersección de varios saberes y disciplinas, como las ingenierias para el desarrollo de hardware, las ciencias de la programación para el desarrollo de software y los dominios de aplicación o campos de implementación, en donde ofrece retos que ahora se convierten en oportunidades, especialmente en investigación, educación y atención en salud. Entonces el lenguaje, las matemáticas, las ciencias, las tecnologías y las humanidades toman una mayor relevancia y debemos estar preparados para afrontar estos retos en un contexto preocupante.

Los más recientes resultados de las pruebas PISA para Colombia muestran que el puntaje promedio fue de 472 puntos para matemáticas, 476 para lectura y 485 para ciencias, en los países de la OCDE, los puntajes de Colombia fueron 383, 409 y 411, respectivamente. Es más, apenas el 29% de los estudiantes puede de interpretar situaciones matemáticas simples frente al 69% del resto de la OCDE. (1)

Este bajo rendimiento se puede interpretar como un indicador de un bajo nivel de alfabetismo funcional, que se definirá más adelante, y como un potencial limitante para desarrollo del pensamiento crítico y computacional, ambos esenciales para adoptar y aprovechar la IA. Aunque se han propuesto múltiples posibles causas como la pandemia y la influencia del nivel socioeconómico, los resultados dejan entrever un déficit preocupante en el desarrollo humano y económico del país.

Esta situación es inquietante para Colombia y obliga a las siguientes reflexiones ¿Estamos brindando la educación que nuestros niños y jóvenes necesitan para afrontar los retos presentes y futuros? ¿Les estamos enseñando y están aprendiendo a usar las herramientas necesarias para inferir, analizar, crear, afrontar, reinventarse, ser flexibles y resilientes?

¿Qué es el alfabetismo y cuál es su relación con la salud?  

Empecemos por lo fundamental, el alfabetismo funcional (AF) o la capacidad de participar en actividades donde la lectura, escritura y el cálculo son esenciales para el funcionamiento del individuo y la comunidad. (2) El AF permite la explotación de habilidades cognitivas más avanzadas como buscar y seleccionar información, interpretarla, sintetizarla y comunicarla a través de texto escrito. Sin AF es casi imposible navegar el sistema de salud.

El alfabetismo en salud (AS) se enfoca en las habilidades cognitivas y sociales que permiten a las personas acceder, comprender y usar información para mantener una buena salud, (3) pero adicionalmente se necesitan técnicas de adquisición de la información, capacidad para cruzar fuentes y referencias, analizar de manera crítica y reflexiva.

El alfabetismo en salud (AS) se enfoca en las habilidades cognitivas y sociales que permiten a las personas acceder, comprender y usar información para mantener una buena salud (3) El AF y el AS convergen en capacidades como pensar crítica y reflexivamente acerca de diversos contenidos sobre salud que las personas pueden encontrar en redes sociales y páginas web.

El acceso a grandes volúmenes de información ´convincente´ les hace creer a las personas que su salud personal se encuentra bajo su total control y alcance (saludismo) y a actuar en consonancia con esa creencia. Incluso si la información fuera cierta, las personas no enmarcarían sus decisiones como lo haría un clínico competente.

Un problema, aún peor, es el acceso a contenidos engañosos, sesgados, no verificados o falsos, creados por inexpertos o por inescrupulosos, que terminan dañando a quienes no entienden los métodos científicos o son vulnerables por otros motivos que no alcanzamos a profundizar aquí.

Las relaciones entre los diferentes alfabetismos relevantes a la salud se pueden apreciar en la figura 1.

Figura 1. Relaciones entre alfabetismos. Superposiciones e interdependencias entre alfabetismo funcional, ai-fabetismo y alfabetismo en salud

El AS, por ejemplo, ayuda a comprender qué es una vacuna, cómo funciona y con qué fin, pero el saludismo hace que las personas depositen prematuramente su confianza en tratamientos no probados, cuyo uso se fomenta desde información biológica aislada y sin contexto. Por ejemplo, muchos promovieron el uso de ivermectina, con base en la difusión de un trabajo de laboratorio, en medio del miedo y la necesidad de “hacer algo ya”.

Como el lector podrá advertir el AF y el AS son insuficientes para tomar decisiones bajo riesgo e incertidumbre. El numerismo, hoy día equivalente al alfabetismo numérico o de riesgo (5), es vital para hacerlo. (6) Sin embargo, médicos y pacientes presentan bajos niveles de numerismo, por lo que comunicar efectivamente probabilidades en formatos numéricos no es prometedor. En cambio, el alfabetismo gráfico es más prevalente y siendo así las representaciones gráficas e imágenes pueden ayudar a comprender mejor los riesgos y beneficios de las intervenciones en salud, especialmente a personas anumeradas. (7) Durante la pandemia prevalecieron paradigmas cualitativos y anecdóticos que generaron escepticismo y resistencia a la vacunación.  La utilización ayudas de decisión con arreglos de íconos (p. ej, herramienta de las 1000 personas), facilitó a las personas comparar los beneficios en prevención de formas graves, hospitalización en UCI y muerte por COVID19 versus el tan temido riesgo de coágulos vinculados a la vacuna ChAdOx1 contra COVID19.

Si bien todos los anteriores alfabetismos son importantes, ninguno de ellos se enfoca decisivamente en la capacidad de afrontar problemas complejos.

Actualmente, la AI engloba un amplio conjunto de disciplinas y tecnologías, y el reto siempre ha sido cómo interactuar con las máquinas para plantear problemas y soluciones de manera estratégica a través de flujos de trabajo, algoritmos y formatos de respuesta.

Los pioneros de la AI vieron en la sinergia entre lo mejor del pensamiento humano y la enorme capacidad de cómputo de los ordenadores (8) un incomparable potencial para manejar este tipo de problemas e incluso es claro en la actualidad que el alfabetismo en IA puede mejorar otros alfabetismos. (Figura 1)

¿Por qué hablar de alfabetismo en IA o ai-fabetismo?

Con el advenimiento de mejoras en la potencia de cómputo, en términos de velocidad de procesamiento, capacidad de almacenamiento y portabilidad de los dispositivos, han sobrevenido fenómenos como la automatización y optimización de funciones realizadas por humanos y en algunos casos el reemplazo de humanos por las máquinas, como los cajeros automáticos, robots en la industria del ensamblaje de autos y recientemente los chat bots en atención en línea.

Esta transformación digital ha innovado radicalmente la generación y transmisión de conocimiento, pero el desarrollo de las ciencias computacionales y de las soluciones informáticas relevante es cada vez más rápido y costoso haciendo que los procesos de ai-fabetización en la población sean desiguales, incompletos o ausentes. Lo anterior se traduce en abundantes exageraciones, conceptos erróneos, mitos e imprecisiones respecto a qué es la IA, sus aspectos y áreas, la relación entre estas áreas, el funcionamiento de la AI, sus alcances y posibilidades. En consecuencia, sobrevienen la insatisfacción, el miedo y la resistencia por estas nuevas herramientas y el resultado es un empeoramiento de la desventaja atribuible al rezago de muchas personas por la brecha en la adquisición de habilidades y equipos, generando un analfabetismo adicional.

A lo anterior se suman los factores relacionados con la aceptación de la IA por el personal sanitario, como son el tipo de IA, la percepción de sus efectos, el miedo a perder la autonomía, la importancia de la formación y la infraestructura, y las dificultades para integrar la IA en los flujos de trabajo. (9) Una experiencia que ha marcado el rechazo a los adelantos tecnológicos ha sido la historia clínica electrónica, relacionada con la obstrucción a los flujos de trabajo clínico, pérdida de tiempo y contacto humano. Esto contrasta con la bienvenida que han recibido otros adelantos como por ejemplo los fonendoscopios enlazados con apps respaldados por herramientas de IA, que facilitan el trabajo clínico. En términos generales, parece que el desencanto con el registro electrónico sigue influyendo en el rechazo del gremio a otros adelantos tecnológicos.

¿Qué es ai-fabetismo?

Touretzky (10) propuso cinco grandes ideas sobre la IA:

• Las computadoras perciben el mundo utilizando sensores.
• Los agentes mantienen modelos/representaciones del mundo y los utilizan para razonar.
• Hacer que los agentes interactúen cómodamente con los humanos es un desafío sustancial para los desarrolladores de IA.
• Las computadoras pueden aprender de los datos.
• Las aplicaciones de la IA pueden afectar a la sociedad tanto positiva como negativamente.

El ai-fabetismo (alfabetismo en IA) es una habilidad crucial para encarar problemas complejos y se está introduciendo desde la educación primaria en países desarrollados. (11) Consiste en «un conjunto de competencias que permiten a los individuos evaluar críticamente las tecnologías de AI; comunicarse y colaborar efectivamente con IA y utilizar la IA como herramienta en línea, en el hogar y en el lugar de trabajo». (12)

Su marco de codificación incluye (13):

• Conocer las funciones básicas de la AI y cómo utilizar aplicaciones de AI.
• Aplicación de conocimientos y conceptos de IA en diferentes escenarios.
• Habilidades de pensamiento de mayor orden (p. ej., evaluar, estimar, predecir, diseñar) con aplicaciones de AI.
• Consideraciones centradas en el ser humano (p. ej., equidad, rendición de cuentas, transparencia, ética y seguridad).

El ai-fabetismo se enfoca en retos para superar las barreras y las brechas del conocimiento relacionado con la IA y su implementación en salud, pero a la vez los modelos y las herramientas de IA ofrecen un incomparable potencial para afrontarlos.

No detallamos aquí las decenas de competencias evaluadas con instrumentos validados para medir el ai-fabetismo (14) pero, en general, se agrupan en preguntas como ¿Qué es la AI?, ¿Qué puede hacer?, ¿Cómo funciona?, ¿Cómo se debe utilizar? y ¿Cómo perciben las personas la AI?. (12)

Ser ai-fabeta implica comprender desde los diferentes enfoques de aprendizaje automático (ML: por las siglas en inglés de Machine Learning), aprendizaje profundo, el procesamiento del lenguaje natural hasta la IA generativa. Una aproximación más práctica, en lugar de sólo un enfoque teórico, mejora la comprensión, comprensión que incluye el manejo de datos, modelos, métricas de rendimiento, confiabilidad, fenómeno de “caja negra”, conceptos éticos y desafíos sociales.  

Un nivel adecuado de ai-fabetismo implica evaluar críticamente estudios de IA/ML en salud (15) y considerar éticamente sus usos (16), incluso sin estar involucrado en su desarrollo. Dada la creciente presencia de la IA/ML en salud, contar con estas competencias es una necesidad esencial.

¿Cómo mejorar el ai-fabetismo de los inexpertos?

A diferencia del numerismo, que es mejorable mediante la aplicación sistemática de un puñado de reglas (17), el ai-fabetismo exige el desarrollo de destrezas de mayor calado, pues es un campo más amplio y heterogéneo que trata problemas complejos. Enseñar IA, así como enseñar fisiología o cuidado intensivo, requiere el uso de teorías y herramientas adoptadas y adaptadas de las ciencias de la educación y el aprendizaje. La didáctica, como ciencia de diseño (18), puede aplicarse a los procesos de enseñanza y aprendizaje de la IA. No es casual que la didáctica vea el aprendizaje como un proceso de adquisición y operación de modelos. A fin de cuentas, las pretensiones de la didáctica y la IA/ML son análogas, la primera busca lograr “que la mente resuelva problemas” mientras la segunda espera “que la máquina resuelva problemas” (Figura 2). Aunque la comparación no es exacta, a su manera, ambas entrenan a un razonador.

Una eventual didáctica de la IA debe ir encaminada al alcance de objetivos educativos de complejidad cognitivamente creciente (p. ej, objetivos de Bloom), tipo SMARTEST (específicos, medibles, alcanzables, oportunos, relevantes y estratégicos), secuenciales, persistentes, flexibles y articulables.

Figura 2. Aspectos comunes entre pensamiento computacional, aprendizaje e inteligencia, en humanos y máquinas.

Una propuesta didáctica en IA de estas características supera la intención de este escrito pero aquí hay algunas estrategias para promover el entendimiento, la interacción efectiva con la tecnología y mejorar el ai-fabetismo de todos.

1. Superar resistencias: Tanto novatos como expertos deben aceptar modelos simplificados para enseñar y aprender, y comprender su utilidad sin necesidad de ser réplicas exactas del fenómeno o dominio de conocimiento. Los modelos didácticos serían más fáciles de entender que los modelos eruditos.
2. Formación docente en didáctica: La enseñanza de la AI requiere desarrollar modelos didácticos adecuados. Los docentes deben recibir formación amplia en ciencias del aprendizaje y no solo en AI/ML. La didáctica intentará simplificar hasta donde sea necesario y prudente, contribuyendo al aprendizaje pero sin introducir conceptos erróneos.
3. Traer la AI a la realidad: Iniciativas como aimyths.org ayudan a comprender conceptos problemáticos de AI y a mejorar la calidad de los argumentos. (19) Criticar noticias sobre AI y contrastarlas con fuentes primarias es un ejercicio útil para poner en práctica estas habilidades. (20)
4. Pensamiento computacional (PC): Resolver problemas complejos, descomponiéndolos en partes manejables, formulando y expresando su solución de modo que una máquina o un humano pueda tratarlo; es una habilidad de alto vuelo, que sirve tanto en el contexto de las ciencias de la computación, como fuera de él. (21)
5. Aprender haciendo: Promover actividades de codificación en Scratch (22) o pseucódigo (23) puede ser un inicio prometedor. Avanzar investigación educativa con resultados de evaluación es una oportunidad para que los docentes aprendan ciencia de datos.

Recomendaciones finales: ¿Cómo mejorar nuestro propio ai-fabetismo?

Para cerrar, si usted no sabía de ai-fabetismo, está interesado en iniciarse o en mejorarlo puede acoger algunas recomendaciones pedagógicas finales:

1. Adquiera un modelo mental panorámico de la AI.
2. Desarrolle PC como habilidad de alto vuelo.
3. Autoevalúe su nivel de ai-fabetismo y optimice su perfil profesional fortaleciendo sus competencias en AI.
4. Practique utilizando herramientas basadas en AI, aproxímese progresivamente a la programación con la ayuda de plataformas y tutoriales online para aprender código (24), siga un flujo de trabajo para aprender ML (25), lea y comunique críticamente un reporte investigación que involucre AI/ML (14) y, si está suficientemente motivado, tiene algo de  tiempo y recursos, tome un curso de formación.

!Hasta una próxima oportunidad, ai-fabeta!

Referencias

1. PISA 2022. París: OECD; 2022 [Acceso el 12 de diciembre de 2023]. Disponible en: https://www.oecd.org/pisa/pisa-es/.
2. UNESCO. Metadata-4.6.1.pdf [Documento PDF]. París: UNESCO; 2020 [Acceso el 12 de diciembre de 2023]. Disponible en: https://tcg.uis.unesco.org/wp-content/uploads/sites/4/2020/08/Metadata-4.6.1.pdf.
3. World Health Organisation (WHO) Division of Health Promotion, Education and Communications, Health Education and Health Promotion Unit: Health Promotion Glossary. 1998, Geneva: World Health Organisation
4. Fischhoff B., Brewer N. T. & . Downs J.S. Communicating Risks and Benefits:  An Evidence-Based User’s Guide. FDA.
5. Cokely, Edward T. et al. “Measuring Risk Literacy: The Berlin Numeracy Test.” Judgment and Decision Making (2012)
6. Reyna VF, Nelson WL, Han PK, Dieckmann NF. How numeracy influences risk comprehension and medical decision making. Psychol Bull. 2009 Nov;135(6):943-73.
7. Galesic, Mirta et al. “Using icon arrays to communicate medical risks: overcoming low numeracy.” Health psychology : official journal of the Division of Health Psychology, American Psychological Association vol. 28,2 (2009): 210-6.
8. Newell, A. and Simon, H. «The Logic Theory Machine – A Complex Information Processing System.» IRE Transactions on Information Theory, vol. 2, 1956.
9. Lambert, Sophie Isabelle et al. “An integrative review on the acceptance of artificial intelligence among healthcare professionals in hospitals.” NPJ digital medicine vol. 6,1 111. 10 Jun. 2023.
10. Touretzky, D., C. Gardner-McCune, F. Martin, & D. Seehorn. “Envisioning AI for K-12: What Should Every Child Know about AI?”. Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, no. 01, July 2019, pp. 9795.
11. Uudet lukutaidot (2022) https://uudetlukutaidot.fi/
12. Duri Long and Brian Magerko. 2020. What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 ACM Conference on Human Factors in Computing Systems (CHI 2020), ACM.
13. Ng, Davy Tsz Kit et al. “Conceptualizing AI literacy: An exploratory review.” Comput. Educ. Artif. Intell. 2 (2021): 100041.
14. Hornberger, Marie et al. “What do university students know about Artificial Intelligence? Development and validation of an AI literacy test.” Computers and Education: Artificial Intelligence (2023).
15. Liu, Yun et al. “How to Read Articles That Use Machine Learning: Users’ Guides to the Medical Literature.” JAMA 322 18 (2019): 1806-1816.
16. Stahl, Bernd Carsten ; Schroeder, Doris & Rodrigues, Rowena (2022). Ethics of Artificial Intelligence: Case Studies and Options for Addressing Ethical Challenges. Springer Verlag.
17. Sedlmeier, P, & Gigerenzer G. “Teaching Bayesian reasoning in less than two hours.” Journal of experimental psychology. General vol. 130,3 (2001): 380-400.
18. Izquierdo Aymerich, M. «Didactología: Una Ciencia De diseño». ENDOXA, vol. 1, n.º 14, enero de 2001, pp. 13-33
19. https://www.aimyths.org/
20. Leufer, Daniel. “Why We Need to Bust Some Myths about AI.” Patterns (New York, N.Y.) vol. 1,7 100124. 9 Oct. 2020.
21. Wing, J.M., Computational Thinking, CACM, Vol. 49, No. 3 (March 2006) pp 33–35.
22. https://scratch.mit.edu/
23. https://pseint.sourceforge.net/
24. https://www.python.org/
25. Sidey-Gibbons, J., Sidey-Gibbons, C. Machine learning in medicine: a practical introduction. BMC Med Res Methodol 19, 64 (2019).