IIT Madras usa VR e IA para detectar dificultades de aprendizaje infantil antes de que aparezcan en las notas

Por The Times of India · 12 de julio de 2026.

Investigadores del Indian Institute of Technology Madras (IITM) han desarrollado un sistema que combina realidad virtual e inteligencia artificial capaz de estimar, con "razonable precisión", si un niño de 11 o 12 años necesita apoyo académico, semanas o meses antes de que ese problema se haga visible en las calificaciones. La diferencia respecto a un examen convencional es el objeto de medida: no evalúa si la respuesta es correcta, sino cómo se llega a ella —tiempo de reacción, número de intentos y tipo de errores— mientras el niño resuelve tareas breves (matemáticas simples, lectura de un reloj, conteo de puntos, formación de palabras con letras desordenadas) dentro de un entorno virtual de unos 15 minutos. El estudio, publicado en la revista Child Neuropsychology y liderado por la investigadora Mridula T V y el profesor M Manivannan (director del centro de tecnología experiencial XTIC de IITM), se probó con 120 escolares. Usando las evaluaciones docentes como referencia, el modelo de mejor rendimiento —un Random Forest— clasificó a los estudiantes en tres bandas (por debajo de la media, media, por encima de la media) con un 95% de acierto, y el tiempo de respuesta resultó ser un indicador especialmente fuerte de cuán cómodo se sentía cada niño con el material, más allá de si acertaba.

El diseño no es casual: según Manivannan, el sistema es deliberadamente "frugal", pensado para poder usarse en escuelas del Sur Global y no solo en laboratorios de investigación. Las tareas están basadas en la teoría del desarrollo cognitivo de Jean Piaget, que sitúa los 11-12 años como el momento clave de transición del pensamiento concreto al abstracto. El equipo ya plantea una segunda fase: incorporar microexpresiones faciales y movimientos involuntarios para detectar indicios de dislexia, discalculia o TDAH, siempre según lo que el propio equipo investigador declara como objetivo, todavía no como capacidad demostrada.

Este tipo de proyecto encaja en una tendencia más amplia que venimos observando en la relación entre IA y educación: el valor no está en sustituir al docente, sino en darle una señal que hoy no tiene. Un boletín de notas es, por diseño, un indicador tardío: certifica una brecha de aprendizaje después de que esta se ha consolidado durante semanas o meses. Un sistema que capture el proceso —la duda, el intento fallido, la vacilación— desplaza la detección hacia atrás en el tiempo, al momento en que aún es barato intervenir. Es la misma lógica que empieza a aparecer en medicina preventiva: no predecir el diagnóstico final, sino los patrones que lo preceden.

Nuestra lectura es que el mayor valor de este trabajo no es el número de precisión —95% frente a la valoración de un profesor, una referencia útil pero limitada y potencialmente subjetiva en sí misma—, sino la insistencia en el diseño "frugal". Gran parte de la conversación sobre IA educativa se centra en modelos de frontera y plataformas de pago en mercados ricos; aquí el objetivo explícito es lo contrario: una herramienta barata, replicable y pensada para sistemas educativos con recursos limitados, que es precisamente donde las brechas de aprendizaje no detectadas tienen el coste social más alto. Si de verdad conecta con nuestra tesis de fondo, la de una IA que amplía el acceso a bienes hoy escasos —en este caso, diagnóstico educativo temprano y personalizado—, el camino más prometedor no pasa por más cómputo, sino por sensores baratos y modelos ligeros bien entrenados sobre datos conductuales concretos.

Dicho esto, conviene ser honestos sobre las limitaciones a corto plazo. La muestra es de 120 niños en un contexto específico, y la extrapolación a millones de aulas del Sur Global exige algo que la propia "frugalidad" del sistema no resuelve por sí sola: cascos de VR, aunque sean baratos, siguen siendo una pieza de hardware que muchas escuelas con recursos limitados no tienen, y su despliegue real dependerá de infraestructura, formación docente y financiación pública, no solo del algoritmo. Y la ambición declarada de usar microexpresiones faciales para señalar dislexia, discalculia o TDAH es, por ahora, una hoja de ruta del equipo investigador, no una capacidad validada; etiquetar a un niño con un trastorno de aprendizaje a partir de un modelo de IA exige un nivel de evidencia clínica mucho más alto que clasificar su nivel académico en tres bandas, y merece ese escrutinio antes de llegar a un aula.

Lo que sí ilustra bien este proyecto es hacia dónde apunta la próxima ola de IA aplicada a la infancia: no chatbots que responden preguntas, sino sistemas de medición silenciosos que dan a los adultos —profesores, familias, sistemas de salud pública— información que antes no existía, a tiempo de actuar. Esa es, en última instancia, la promesa de largo plazo que sostiene nuestro optimismo: una sociedad donde detectar y corregir una dificultad de aprendizaje a los 11 años deje de depender del azar de tener un buen profesor observador, y se convierta en algo sistemático y accesible para cualquier niño, en cualquier escuela.