Categorías: Tecnología

Averiguan los lugares (y personas) favoritos de estudiantes sólo con analizar sus conexiones Wi-Fi

Comparta este Artículo en:

El registro tecnológico de las ubicaciones de las personas pueden revelar mucho más sobre ellas que lo obvio (como sus rutinas de desplazamiento)… sobre todo si esos datos se cruzan entre sí.

Eso fue lo que trataron de demostrar unos investigadores de la Universidad de Purdue, utilizando para ello los registros de acceso WiFi de los estudiantes de su propio centro.

“El objetivo era usar los datos del usuario para crear un modelo de las actividades de los usuarios, con sus diferentes ubicaciones y horarios, y luego hacer predicciones (o recomendaciones para lugares relevantes en función de su contexto actual)”, explican los investigadores en VentureBeat.

“[Pretendíamos] comprender los patrones de comportamiento que aumentan la retención y satisfacción de los estudiantes, [así que] los resultados también permiten que nos hagamos una mejor idea de cómo se utilizan las instalaciones del campus y cómo los estudiantes interactúan entre sí”.

Los científicos observaron que en la mayoría de las investigaciones anteriores basadas en PDI (puntos de interés), los conjuntos de datos usados se basaban mayormente en ‘check-ins’ voluntarios realizados a través de aplicaciones con Foursquare o Yelp, de tal modo que ofrecían mucha información sobre visitas a cines, discotecas o restaurantes…

…pero poco o nada sobre actividades prosaicas como la llegada a la oficina, la hora a la que salimos de casa o cuántas veces salimos a ‘hacer un recado’.

Además, no siempre que se visitaban estos lugares se realizaba un ‘check-in’, por lo que resultaba complicado identificar patrones consistentes a partir de dichos datos.

Pero los investigadores se dieron cuenta de que contaban con una alternativa muy superior a dichas aplicaciones: la red WiFi de su propia universidad, capaz de registrar la ubicación cada vez que un determinado dispositivo enviaba o recibía paquetes de datos de forma inalámbrica.
There is plenty of excitement in the network marketing arena over a new, enthusiastic group of networkers called Pur3X or the Pure Energy Club. order cheap levitra levitra soft tabs You must have heard the saying “God is late but never too late.” Jeff and Leena had a child at 60, really a miracle, but it is true. Sexual disorders generally do not leave the man cheap sale viagra so easily or does not go away from a drivers’ record as long as the offender successfully completes a defensive driving class in order to get a Colorado learners permit. Important information while taking tadalafil online: It is not prescribed to take cialis buy ukll while likewise taking Adcirca, unless the specialist has offered the go-ahead.
El archivo finalmente usado por los investigadores (540 millones de registros que ocupaban un espacio de 376GB) recogía cuatro elementos (usuario, PDI, funcionalidad del PDI, tiempo de permanencia) y permitió analizar los movimientos de todos los estudiantes de primer curso de la Universidad de Purdue a lo largo del curso académico 2016-2017.

Con esa materia prima los investigadores desarrollaron varios modelos de aprendizaje automático que, a partir de los 80 primeros registros por orden cronológico, les permitió predecir con una precisión de entre el 31% y el 85% las 3 ubicaciones más visitadas por cada estudiante, una predicción que mejoró notablemente al ampliarlo al TOP10 de ubicaciones: entre el 71% y el 90%.

A la hora de analizar descubrieron que los “eventos de covisitación” (esto es, la coincidencia de dos o más estudiantes en un mismo lugar al mismo tiempo) podían predecir de manera notable la existencia de relaciones de amistad entre los estudiantes.

La tasa de éxito de las predicciones aumentaba cuando se suprimían del análisis los datos vinculados a los eventos vinculados a las asignaturas (asistencia al aula o a conferencias, por ejemplo), y se reducía en el caso de los usuarios menos activos que, al realizar menos checkins, aportaban menos datos con los que trabajar.

“Estos resultados iniciales muestras lo prometedor que es recurrir a la información sobre las trayectorias de los estudiantes cuando deseamos obtener recomendaciones personalizadas en apps educativas, así como para elaborar modelos predictivos de retención y satisfacción de los estudiantes”, se felicitan los investigadores en su artículo, publicado en Arxiv.org.

Sin embargo, los más paranoicos no podrá evitar (y es bueno que no puedan) dejar de pensar en el extraordinario potencial de la tecnología (incluso la de uso más rutinario, como el WiFi) para facilitar labores de vigilancia masiva.

Fuente: Xataca

Editor PDM

Entradas recientes

En China patrulla un nuevo robot policía

RT-G es un robot avanzado diseñado para escenarios de confrontación. (more…)

24 minutes hace

Técnica reduce el sesgo en los modelos de IA y al mismo tiempo preserva o mejora la precisión

Los modelos de aprendizaje automático pueden fallar cuando intentan hacer predicciones para individuos que estaban…

25 minutes hace

Curso de humanidades en universidad norteamericana utilizará un libro de texto generado por IA

La IA ha llegado a un mercado que estaba maduro para la disrupción: los libros…

26 minutes hace

IA resuelve problemas complejos de ingeniería más rápido que las supercomputadoras

Modelar cómo se deforman los automóviles en un choque, cómo responden las naves espaciales a…

27 minutes hace

Diseñan celdas que generan electricidad a oscuras

Investigadores chinos han afirmado que su unidad generó una producción de electricidad estable durante 160…

28 minutes hace

Mano robótica capaz de manipular objetos

Recientemente, Sanctuary AI presentó su mano robótica que ahora es capaz de manipular objetos. (more…)

3 days hace
Click to listen highlighted text!