Introducción: El desafío de anticiparse a lo que viene
Tradicionalmente la prospección para el diseño curricular en educación superior técnico-profesional ha operado sobre estándares de validación: se estudian bases de datos educacionales, perfil de egreso, marcos de cualificación, competencias de perfiles laborales, ofertas laborales, la experiencia docente, referentes nacionales o la opinión de expertos, etc. Si bien estos insumos son muy valiosos, se requiere complementar con otros aportes estructurales que dan cuenta sobre la velocidad del cambio en el mundo del trabajo y el conocimiento.
En Duoc UC, la Investigación de Tendencias de Aprendizaje completa estos desafíos. Es factible integrar el análisis de datos desde preguntas sobre el aprendizaje, tal como se evidencia en Journals académicos especializados y su relación con evidencias de marcos de cualificación u ofertas de empleos, índices socionémicos, etc., y que amplía la mirada a la evidencia dinámica y comparable internacionalmente. Este artículo expone cómo el uso de machine learning, minería de textos y marcos de cualificaciones aporta al levantamiento de prácticas que favorecen el aprendizaje y favorecen un sistema de enseñanza-aprendizaje, coherente y anticipatorio.
La pregunta ampliada: ¿Cómo es la ruta de aprendizaje desde el aula hasta el mundo del trabajo?
El punto de partida está en el aprendizaje que se inicia desde la experiencia sesión a sesión hasta los sistemas educativos y sus marcos de cualificación laboral. ¿Qué competencias se están movilizando realmente? ¿Qué resultados de aprendizaje se logran y cuáles muestran brechas persistentes? Tradicionalmente, estas preguntas se responden con el juicio docente y del experto local. Hoy, también es posible investigar en la literatura especializada que demuestra grandes volúmenes de textos educativos, rúbricas y evidencias de aula que pueden procesarse mediante técnicas de text mining, clasificación y modelamiento de temas para identificar un patrón emergente en la práctica de enseñanza-aprendizaje y laboral [1]. Sin embargo, el salto cualitativo ocurre al conectar ese nivel micro con el macro: análisis de ofertas de empleo mediante web scraping y procesamiento de lenguaje natural (NLP). Modelos como BERTopic[1] permiten extraer, agrupar y jerarquizar habilidades demandadas por el mercado en tiempo real [2]. De este modo, una carrera puede identificar con mayor precisión:
- Competencias (o habilidades) realmente relevantes (las que aparecen consistentemente en empleos de nivel inicial y especialización) y cómo se aprenden.
- Competencias (o habilidades) emergentes (necesidades que aún no están en el currículo) y que pueden ser agregadas al proceso de aprendizaje.
- Competencias (o habilidades) obsoletas (aquellas que desaparecen de las ofertas o pierden peso).
Este análisis fortalece la coherencia interna del proceso formativo (lo que se enseña, cómo se evalúa y para qué se enseña junto al cómo se aprende) y mejora la alineación externa con el mercado laboral, reduciendo brechas entre egreso y empleabilidad.
Más allá de lo local: Mapeo global de competencias
Duoc UC no solo forma para un escenario socio laboral nacional. Nuestros titulados participan en un ecosistema global de habilidades. Por ello, hemos desarrollado una metodología que mapea competencias usando métodos de similitud coseno, Wasserstein, Jaccard, etc.[2] y marcos de cualificaciones por niveles, incluyendo referentes internacionales.
El proceso es el siguiente:
- Se extraen abstracts de literatura académica especializada mediante flujos semi-automatizados de machine learning [3].
- Se representan competencias y aprendizajes como vectores (embeddings) y se comparan con perfiles de egreso, descripciones de empleo y marcos de cualificaciones [4].
- Mediante sistemas de reconocimiento de entidades (NER), se extraen automáticamente soft skills, habilidades técnicas y niveles de autonomía, construyendo redes o clústeres que vinculan ocupaciones a escala global [5].
El resultado es un mapa de competencias navegable, donde cada competencia del perfil de egreso puede compararse cuantitativamente con estándares internacionales y con ofertas de empleo de múltiples países. Sin embargo, el posicionamiento exige que los programas de Duoc UC dentro de este ecosistema global puedan avanzar hacia el cómo se aprende, facilitando las tareas de prospección y tendencia integradas como una acción continua para la innovación en perfiles de egreso y la trazabilidad de competencias entre distintos contextos formativos y laborales.
El continuum de un sistema integrado
El sistema que hemos mencionado antes permite reformular el aprendizaje no como una secuencia lineal, sino como un generador, validador y actualizador de competencias. Dicho sistema conecta la educación superior técnico-profesional con el mercado laboral global en doble dirección:
- De abajo hacia arriba: desde la experiencia de aprendizaje del aula, pasando por los resultados de asignatura, hasta el perfil de egreso y su articulación con marcos de cualificaciones.
- De arriba hacia abajo: los marcos de cualificaciones y las tendencias del mercado orientan qué enseñar, cómo evaluar su proceso y con qué propósito.
La pertinencia del sistema depende de la coherencia dinámica entre estos niveles. Y esa coherencia solo es posible si existe un circuito retroalimentado donde:
- Las tendencias detectadas en literatura académica y oferta de empleo alimentan el estudio de actualización de programas en el contexto del Proyecto de la Escuela.
- Las brechas identificadas mediante análisis de distancias y similitudes orientan la propuesta o mejora de programas.
- Los marcos de cualificaciones se ajustan para reflejar nuevas configuraciones del conocimiento y del trabajo, y si estos pueden ser implementables para medir el proceso de aprendizaje.
La utilidad del aporte del estudio de Tendencias
La implementación de este enfoque no es un ejercicio académico abstracto. Produce ventajas estratégicas concretas:
- Mayor empleabilidad de los titulados, porque el aprendizaje cuando es medido (como desempeño) tiende a coincidir con el desempeño laboral (pronosticar empleabilidad).
- Mejor diálogo con la industria al basar la actualización curricular en la evidencia que la industria genera (ofertas de empleo, descripciones de cargo, certificaciones).
- Capacidad institucional para anticipar cambios, en lugar de reaccionar tardíamente a ellos. En contextos de digitalización, automatización e Industria 4.0, las competencias evolucionan rápidamente [6]. Un sistema basado en datos permite detectar estas mutaciones con anticipación.
- Interoperabilidad internacional, al alinear el estudio de perfiles con marcos globales de cualificaciones, facilitando la movilidad de titulados y el reconocimiento de credenciales.
Conclusión: Hacia un proceso prospectivo dinámico
Estamos avanzando hacia un proceso prospectivo dinámico y que aprende: un sistema donde la experiencia en sesión, la evaluación y la oferta de empleo se convierten en datos que pueden contribuir con el diseño de programas. La investigación de tendencias de aprendizaje, potenciada por machine learning y análisis de similitud, nos permite abandonar los supuestos estáticos y operar con evidencia dinámica, comparable y global. Este no es solo un cambio técnico. Es un cambio cultural: asumir que el proceso de aprendizaje nunca está terminado, sino que co-evoluciona con el conocimiento y el trabajo. Ese es el sello de una educación técnico-profesional de futuro, y el compromiso que asumimos.
Puedes visitar el aporte de tendencia a prospección:
Plataforma de análisis semántico en Estudio1 (https://robertodelavega.github.io/Semantikon/)
Co-evolución Aprendizaje-Desarrollo Económico (https://robertodelavega.github.io/Co-evolucion-Aprendizaje-Desarrollo-Economico/)
Composición de valor en formación técnico-profesional (https://robertodelavega.github.io/Composicion_de_valor/)
Evaluación de aprendizaje basada en evidencia (https://robertodelavega.github.io/EvaluacionAprendizaje/)
Inferencia Learn-IA: machine learning aplicado a educación (https://robertodelavega.github.io/InferenciaLearn-IA/)
Referencias bibliográficas
[1] The changing landscape of text mining: a review of approaches for ecology and evolution. PMC. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11289731/
[2] A text mining study of competencies in modern supply chain management with skillset mapping. ScienceDirect. Disponible en: https://www.sciencedirect.com/science/article/pii/S2949863525000172
[3] Text mining to support abstract screening for knowledge syntheses: a semi-automated workflow. Systematic Reviews. Disponible en: https://systematicreviewsjournal.biomedcentral.com/articles/10.1186/s13643-021-01700-x
[4] NLP and Text Mining for Enriching IT Professional Skills Frameworks. MDPI. Disponible en: https://www.mdpi.com/2076-3417/15/17/9634
[5] SkillNER: Mining and mapping soft skills from any text. ScienceDirect. Disponible en: https://www.sciencedirect.com/science/article/pii/S0957417421009519
[6] Text mining of industry 4.0 job advertisements. ScienceDirect. Disponible en: https://www.sciencedirect.com/science/article/pii/S0268401218313677
[1] BERTopic en su variante local o modelos de clustering semántico). Estos sistemas, ejecutados en servidores locales, agrupan automáticamente competencias o habilidades por su sentido y no por co-ocurrencia de términos. Por ejemplo, pueden identificar que “resolver problemas de lógica”, “depurar código” y “analizar algoritmos” pertenecen al mismo tópico de “pensamiento computacional”, incluso si no comparten ninguna palabra clave. La ventaja de utilizar modelos locales de IA es triple: privacidad (los datos de estudiantes, ofertas de empleo o perfiles de egreso no abandonan la institución), personalización (los modelos pueden afinarse con el lenguaje específico de las carreras de Duoc UC) y autonomía (no se depende de APIs externas, con costos impredecibles o cambios en sus condiciones de servicio).
[2] La pertinencia estratégica de estas distancias es que permiten inferir competencias implícitas: si un abstract sobre educación en automatización industrial tiene alta similitud coseno con el perfil de egreso de una carrera de Duoc UC, pero baja similitud con sus resultados de aprendizaje actuales, esa brecha geométrica se convierte en evidencia cuantitativa para actualizar el currículo. No se trata de contar palabras coincidentes, sino de medir cercanía de significado en un espacio vectorial compartido.
0