Estudio comparativo de técnicas en la inteligencia artificial explicable basados en métodos de explicabilidad para datos estructurados

Este artículo, derivado de una investigación sobre la Inteligencia Artificial Explicable (XAI) para la detección de actividades inusuales en aulas virtuales, aborda los desafíos críticos de seguridad y honestidad académica surgidos tras la migración universitaria a entornos digitales. Ante la inviabilidad de la supervisión manual sobre el volumen masivo de datos generado, el estudio emplea un diseño experimental y comparativo para evaluar diversos métodos de XAI en la identificación de anomalías como accesos sospechosos o descargas masivas. Mediante un análisis cuantitativo y cualitativo de registros de interacción anónimos en escenarios simulados, la investigación mide tanto la precisión técnica de los algoritmos como la claridad y utilidad de las explicaciones que estos generan para justificar sus hallazgos. Los resultados revelan una tensión intrínseca entre la eficacia predictiva y la interpretabilidad, demostrando que la elección de la técnica debe alinearse con la necesidad institucional de fundamentar decisiones. En última instancia, el trabajo concluye que la implementación de XAI es un recurso estratégico esencial para las universidades públicas, ya que no solo fortalece la infraestructura de ciberseguridad, sino que también promueve la transparencia y garantiza la confianza en los procesos educativos virtuales al ofrecer modelos de supervisión comprensibles y auditables.