EL MIT ha desarrollado un robot capaz de analizar emociones y de enseñar a alumnos según estas.

Por Antonia Sabán para Think Big. Existen estados de ánimo que al ser humano le cuesta mucho no mostrar físicamente. Sobre todo, aquellos en los que la pasividad ante los hechos que una persona está viviendo es manifiesta. Entre la gente joven, por ejemplo, es común aburrirse en clase, bien por carecer de atracción por la materia, bien por cansancio, etc. La explosión de uso de algoritmos para reconocimiento de todo tipo de detalles en fotografías y vídeos, unida al nacimiento de la “computación afectiva“, ha hecho que, para el MIT, ya sea posible detectar el aburrimiento en tiempo real.

¿Qué aplicaciones tendrá esto para el día a día? Una muy clara es la educación. Tal y como se lee en novelas como “Ready Player One”, el futuro del aprendizaje está lejos, quizá, de las aulas físicas, y cerca de las aulas virtuales. Un contexto en el que la realidad virtual domine, puede ser uno en el que los alumnos pueden estudiar con todo lujo de detalles desde casa. Sin llegar a este extremos, ya existe educación a distancia donde cualquier factor que aumente la comunicación entre profesores y alumnos es crucial. Gracias a detectar el aburrimiento de alumnos, el profesorado puede motivarlos con ciertas técnicas, o simplemente, llamar la atención de alguna forma.

Por supuesto, el software irá más allá, y podrá detectar cambios de estado de ánimo, miedo, satisfacción, etc. La aproximación del MIT ha cristalizado en Tega, un robot potencia por un smartphone que es capaz de analizar emociones y de enseñar a alumnos según estas. Es decir, es capaz de detectar el aburrimiento y actuar de forma más efusiva, o de hacerlo con estados de euforia y tratar de reducirla.

Si esto se integra en los principales asistentes personales que ya existen en smartphones y en robots domésticos, como Siri, Cortana, Google Assistant o Amazon Echo, las posibilidades son infinitas, pues la “ayuda” e interacción puede ser mucho más proactiva, el objetivo final de estos servicios. Desde su llegada en 2011, han estado enfocados en responder a preguntas o deseos, pero gracias al deep learning y a las cantidades tan grandes de datos que están recopilando, se han complejizado mucho y, con ello, convertido en mucho más útiles.

Imágenes | Pixabay