Clasificación de intenciones para servicios administrativos universitarios mediante una red neuronal recurrente bidireccional modificada por un algoritmo de optimización Kepler desarrollado

Ayuda digital más inteligente para las preguntas cotidianas del campus

Los estudiantes universitarios esperan ahora respuestas rápidas y precisas a cualquier hora, ya sea que estén solicitando admisión, matriculándose en asignaturas o consultando sobre ayudas económicas. Este artículo explora un nuevo tipo de chatbot potenciado por IA diseñado específicamente para los servicios administrativos universitarios, con énfasis en gestionar tanto inglés como griego. Al enseñar a un único sistema a comprender mejor lo que los estudiantes quieren decir y qué detalles importan, los autores buscan hacer que los mostradores de ayuda digitales sean más rápidos, fiables y fáciles de gestionar.

Por qué los chatbots actuales todavía se confunden

La mayoría de los chatbots modernos se apoyan en un campo llamado comprensión del lenguaje natural, que descompone la pregunta de un estudiante en dos partes principales. Primero, la intención: lo que el estudiante quiere hacer, como «matricularse en un curso» o «preguntar sobre una fecha límite». Segundo, las entidades: las piezas concretas de información dentro de la pregunta, como un código de curso, semestre o nombre de programa. Los sistemas tradicionales usan modelos separados para estas dos tareas. Esa separación desperdicia memoria y capacidad de cómputo y puede dar lugar a respuestas inconsistentes —por ejemplo, reconocer correctamente un código de curso pero no vincularlo con la acción adecuada. Esos problemas empeoran en entornos multilingües, donde la misma idea puede expresarse de muchas formas según el idioma.

Un cerebro en vez de dos

Los autores proponen un modelo conjunto que aprende a reconocer intenciones y entidades al mismo tiempo, usando un “cerebro” compartido en lugar de dos separados. En su núcleo hay una combinación de dos técnicas potentes. La primera, BERT, analiza una frase completa de una sola vez para captar su significado global. La segunda, una red LSTM bidireccional, presta atención al orden de las palabras tanto de izquierda a derecha como de derecha a izquierda, lo que le ayuda a seguir relaciones cercanas, como qué curso corresponde a qué semestre. Sobre esta comprensión compartida, el sistema se bifurca en dos cabezas: una predice la intención del estudiante y la otra etiqueta cada palabra según su función como entidad o no.

Permitir que las tareas dialoguen entre sí

Para aprovechar al máximo este cerebro compartido, el modelo incluye una capa “transformer co-interactiva” que permite que ambas tareas se informen entre sí en tiempo real. Cuando el sistema decide una intención, puede fijarse en las entidades que cree presentes; cuando está etiquetando entidades, puede apoyarse en qué intención parece más probable. Este diálogo cruzado ayuda a resolver ambigüedades, como si «dar de baja» se refiere a abandonar un curso o cancelar una solicitud, y es especialmente valioso en griego, donde las formas de las palabras y el orden pueden ser más flexibles que en inglés. Al compartir representaciones y atención de esta manera, el modelo reduce casi a la mitad el número de parámetros en comparación con ejecutar dos modelos grandes por separado, lo que lo hace más práctico para los departamentos de TI universitarios.

Una forma inspirada en el cosmos de entrenar el modelo

Entrenar un modelo tan complejo es difícil: los métodos de optimización estándar pueden ser lentos y sensibles a ajustes finos. Los autores presentan el algoritmo Developed Kepler Optimization (DKO), inspirado en la forma en que los planetas orbitan alrededor del sol. En esta analogía, diferentes versiones del modelo son como planetas que exploran el espacio de posibles configuraciones de parámetros mientras son atraídos hacia el “sol” de mejor rendimiento. DKO inicia estos candidatos con una dispersión más diversa de lo habitual y luego ajusta continuamente sus «órbitas» según su rendimiento. Este enfoque acelera el aprendizaje en torno a un 42 % en comparación con un método popular llamado Adam, además de hacer el entrenamiento más estable, especialmente en datos multilingües y complejos.

Pruebas en el mundo real con estudiantes

El equipo evaluó su sistema en varios conjuntos de datos, incluyendo UniWay, una recopilación de preguntas en inglés y griego sobre servicios universitarios, y xSID, un conocido benchmark para comprender comandos breves. En todos ellos, el modelo conjunto superó de forma consistente a sistemas basados en reglas, redes neuronales más antiguas e incluso a potentes baselines transformer. En pruebas de campo en dos universidades —una solo en inglés y otra bilingüe—, el chatbot identificó correctamente intenciones y entidades de los estudiantes aproximadamente nueve de cada diez veces, y los estudiantes valoraron su satisfacción en alrededor de 4,5 sobre 5. El rendimiento se mantuvo sólido incluso cuando se redujo la cantidad de datos de entrenamiento, lo que sugiere que el método es robusto en lenguas y dominios con menos recursos.

Qué significa esto para estudiantes y universidades

Para un público general, la conclusión clave es que los autores han diseñado un «motor de escucha» más eficiente y preciso para chatbots universitarios. Al unificar la detección de intenciones y la extracción de detalles, y al usar un método de entrenamiento inspirado en órbitas, su sistema puede entender mejor lo que preguntan los estudiantes mientras usa menos memoria y tiempo de entrenamiento. Esto podría traducirse en respuestas más rápidas, menos malentendidos y soporte multilingüe continuo sin sobrecargar al personal humano. Aunque persisten desafíos —como adaptarse a nuevas políticas, más idiomas y patrones de uso a largo plazo—, el trabajo apunta hacia sistemas de ayuda en el campus que se sienten más receptivos, equitativos y escalables.

Cita: Yang, Z., Lu, M. & Huang, S. Intent classification for university administrative services using a bidirectional recurrent neural network modified by a developed Kepler optimization algorithm. Sci Rep 16, 6263 (2026). https://doi.org/10.1038/s41598-026-35504-7

Palabras clave: chatbots universitarios, clasificación de intenciones, reconocimiento de entidades nombradas, IA multilingüe, algoritmos de optimización