LaED: un nuevo modelo de aprendizaje profundo ligero, consciente del borde y explicable para el registro de asistencia facial que preserva la privacidad en entornos educativos con recursos limitados

Por qué importa una lista de asistencia más inteligente

Tomar la asistencia puede parecer rutinario, pero en muchas escuelas se está delegando gradualmente al reconocimiento facial. Ese cambio promete menos errores y menos papeleo, pero también plantea preguntas difíciles sobre la privacidad estudiantil, la seguridad digital y la equidad. Este estudio presenta LaED, un nuevo sistema de asistencia en el aula que intenta conservar la conveniencia del reconocimiento facial automatizado reduciendo los riesgos que han provocado rechazo público y medidas regulatorias en varios países.

De simples escáneres faciales a herramientas de aula más seguras

Los primeros sistemas de aula trataban la asistencia como una tarea de emparejamiento de patrones: encontrar una cara, compararla con una imagen almacenada y marcar al estudiante como presente. LaED parte de una premisa distinta. Se construyó pensando en aulas reales, donde la iluminación cambia, los estudiantes se mueven y no todos han aceptado ser escaneados. Los autores sostienen que cualquier solución seria debe abordar cinco cuestiones a la vez: resistir caras falsas, rechazar personas desconocidas, tratar a los grupos demográficos con equidad, proteger datos sensibles y dejar un registro auditable de decisiones. LaED está diseñada como una canalización de tres capas que atiende cada una de estas preocupaciones en lugar de perseguir solo la precisión.

Detectar quién está realmente allí, no solo lo que muestra la cámara

La primera capa, llamada capa de percepción, se centra en comprobar si una cara observada pertenece realmente a una persona viva frente a la cámara. Utiliza diminutos cambios de color en la piel asociados al latido del corazón y sutiles pistas temporales en los fotogramas de vídeo para detectar fotos impresas, vídeos reproducidos, máscaras 3D o clips deepfake. Las entradas que parecen falsas, de baja calidad o fuertemente manipuladas se descartan antes de tomar cualquier decisión de identidad. Este paso de cribado adicional reduce drásticamente la posibilidad de que un estudiante engañe al sistema con la pantalla de un teléfono o de que un intruso se cuele usando medios sintéticos.

Reconocer a los estudiantes rechazando a los extraños

Una vez que una imagen supera estos controles, la capa de identidad de LaED extrae una representación facial compacta usando una pequeña red transformadora afinada para hardware de bajo coste como un Raspberry Pi o Jetson Nano. En lugar de forzar cada rostro a encajar en una ficha conocida, el sistema emplea una estrategia de “conjunto abierto”: si la similitud con todos los estudiantes inscritos está por debajo de un umbral, la persona se etiqueta como desconocida y no se añade a la lista de asistencia. Durante el entrenamiento, el modelo también ajusta su representación interna para que los grupos por edad, género y tono de piel se agrupen de forma más equilibrada, lo que reduce las diferencias de rendimiento que han afectado a muchos sistemas comerciales, especialmente para estudiantes de piel más oscura y más jóvenes.

Mantener los datos locales y las decisiones responsables

La capa final de confianza se encarga de lo que sucede tras tomarse una decisión. LaED mantiene los datos biométricos en dispositivos escolares en lugar de en una nube central y se apoya en aprendizaje federado, en el que solo se comparten actualizaciones de modelo encriptadas o mezcladas para mejorar el rendimiento entre sitios. Ruido matemático adicional reduce aún más el riesgo de que la cara de algún estudiante pueda reconstruirse a partir de esas actualizaciones. Cada evento de asistencia se escribe en un registro a prueba de manipulaciones que registra el momento, las puntuaciones de confianza y el estado de consentimiento. Esto permite a escuelas y reguladores revisar cómo se comportó el sistema y atender solicitudes para eliminar registros pasados.

Qué tan bien funciona en el mundo real

Para evaluar LaED, los investigadores combinaron varios conjuntos de datos públicos que incluyen ataques de suplantación, deepfakes y rostros diversos con una colección menor de aula basada en el consentimiento. LaED alcanzó alrededor de un 98 por ciento de exactitud en reconocimiento manteniendo las tasas de error para presentaciones falsas por debajo del 2 por ciento y conservando brechas de rendimiento muy pequeñas entre grupos demográficos. También funcionó lo suficientemente rápido para uso en tiempo real en dispositivos de borde modestos, consumiendo solo unos pocos vatios. Cuando se eliminaron partes del sistema en pruebas de ablación, los ataques de suplantación, el trato injusto o los riesgos para la privacidad aumentaron rápidamente, lo que subraya la necesidad del diseño por capas completo.

Un camino cauteloso hacia un registro de asistencia responsable

Para el lector general, el mensaje clave es que la asistencia automatizada no tiene por qué ser un intercambio total entre conveniencia y derechos civiles. LaED demuestra que combinando comprobaciones de medios falsos, manejo cuidadoso de caras desconocidas, entrenamiento consciente de la equidad, procesamiento de datos local y registro detallado, es posible obtener información fiable de la lista de asistencia respetando mejor la privacidad y la dignidad de los estudiantes. Los autores enfatizan, no obstante, que la tecnología por sí sola no basta: la confianza duradera también dependerá del consentimiento claro, una supervisión sólida y una adaptación cuidadosa a las políticas y leyes escolares locales.

Cita: Abiodun, E.O., Abiodun, O.I., Alawida, M. et al. LaED: a novel lightweight, edge-aware and explainable deep learning model for privacy-preserving facial attendance tracking in resource-constrained educational environments. Sci Rep 16, 15215 (2026). https://doi.org/10.1038/s41598-026-42051-8

Palabras clave: reconocimiento facial en educación, IA que preserva la privacidad, sistema de asistencia en el aula, detección de deepfake y suplantación, biometría justa y explicable