Hoy
La información disponible es principalmente retrospectiva: muestra lo que ya ocurrió.
BLI transforma señales del aula en información oportuna sobre atención y fatiga, para ayudar a mejorar la experiencia de aprendizaje sin perder de vista lo más importante: las personas.
Los sistemas tradicionales ayudan a detectar riesgos a partir de asistencia, calificaciones y actividad en el LMS. BLI incorpora una dimensión que hoy falta: una señal agregada y oportuna de lo que ocurre durante la clase.
La información disponible es principalmente retrospectiva: muestra lo que ya ocurrió.
La atención y la fatiga del curso no cuentan actualmente con una señal objetiva en tiempo real.
Detectar una caída sostenida permite proponer ajustes pedagógicos mientras la clase todavía está ocurriendo.
BLI combina sensado multimodal, inferencia y analítica para apoyar decisiones pedagógicas, manteniendo el foco en indicadores agregados.
Señales y dispositivos captan información dentro del aula.
Modelos de IA estiman atención y fatiga.
Los indicadores llegan al equipo de monitoreo.
Se coordinan propuestas con el docente.
Se registra el resultado para la analítica y mejora continua.
BLI conecta el monitoreo del aprendizaje con objetivos institucionales como calidad, retención y empleabilidad.
Reciben propuestas accionables y priorizadas, evitando una avalancha de notificaciones durante la clase.
Clases potencialmente mejor adaptadas a su estado real de atención y fatiga, con consentimiento y privacidad.
Analítica agregada para apoyar la mejora continua, la calidad y decisiones académicas.
Los objetivos de diseño del proyecto permiten evaluar oportunidad, escalabilidad, privacidad y disponibilidad durante el piloto.
La privacidad por diseño atraviesa todo el ciclo: desde el consentimiento hasta el procesamiento y la analítica.
BLI propone avanzar mediante un piloto acotado, con consentimiento informado, métricas de privacidad y latencia, y validación de la inferencia.