Los peatones eligen obstáculos saludables en lugar de aceras aburridas, según un estudio

Millones de personas en el Reino Unido no cumplen los objetivos recomendados de actividad física. Hacer ejercicio “sobre la marcha” es clave para cambiar esto, pero aunque caminar por la acera es mejor que nada, no causa un aumento significativo en la frecuencia cardíaca, por lo que solo califica como ejercicio leve. Caminar tampoco mejora significativamente el equilibrio o la densidad ósea, a menos que incluya saltar, equilibrarse y bajar.

Pero, ¿optarían los adultos por esas rutas ‘divertidas’ si tuvieran la opción? Un estudio dirigido por la Universidad de Cambridge publicado hoy en la revista Investigación del paisaje sugiere que con el diseño correcto, la mayoría lo haría.

Investigaciones anteriores sobre «opciones de rutas saludables» se han centrado en la probabilidad de que las personas caminen en lugar de usar el transporte. Pero este estudio examinó qué tan probable es que las personas elijan una ruta más desafiante que una convencional y qué características de diseño influyeron en sus elecciones.

La autora principal, Anna Boldina, del Departamento de Arquitectura de la Universidad de Cambridge, dijo: «Incluso cuando el aumento en el nivel y la extensión del nivel de actividad es modesto, cuando millones de personas usan paisajes urbanos todos los días, esas diferencias pueden tener un gran impacto positivo sobre la salud pública.”

“Nuestros hallazgos muestran que los peatones pueden ser empujados a una gama más amplia de actividades físicas a través de cambios menores en el paisaje urbano. Queremos ayudar a los diseñadores y diseñadores de políticas a realizar modificaciones que mejoren la salud física y el bienestar”.

Boldina comenzó esta investigación después de mudarse de Coimbra en Portugal, donde se encontró escalando colinas y murallas antiguas, a Londres, donde encontró mucho menos desafío físico.

Trabajando con el Dr. Paul Hanel del Departamento de Psicología de la Universidad de Essex, y el Prof. Koen Steemers de Cambridge, Boldina, invitó a casi 600 residentes del Reino Unido a comparar imágenes fotorrealistas de rutas desafiantes, que incorporan peldaños, vigas de equilibrio y escalones altos, con pavimentos convencionales.

A los participantes se les mostraron imágenes de rutas asfaltadas desafiantes y convencionales y se les preguntó qué ruta elegirían. Los investigadores probaron una variedad de parámetros alentadores/desalentadores en diferentes escenarios, incluido el cruce de agua, atajos, esculturas inusuales y la presencia/ausencia de un pasamanos y otras personas. Se pidió a los participantes que calificaran cuán desafiante pensaban que sería la ruta de 1 (tan fácil como caminar sobre asfalto nivelado) a 7 (no podría hacerlo).

El ochenta por ciento de los participantes del estudio optaron por una ruta desafiante en al menos uno de los escenarios, según el nivel de dificultad percibido y las características del diseño. Cuando una opción desafiante era más corta que una ruta convencional, esto aumentó la probabilidad de ser elegido en un 10 %. La presencia de pasamanos logró un aumento del 12%.

Importancia para la salud

La OMS y el NHS recomiendan al menos 150 minutos de actividad «moderada» o 75 minutos de actividad «vigorosa» repartidos en una semana, incluida una variedad de actividades destinadas a mejorar los huesos, los músculos y la agilidad para mantenerse saludable. Además, se recomienda a los adultos mayores de 65 años que realicen ejercicios de fuerza, flexibilidad y equilibrio.

Boldina dijo: “El cuerpo humano es una máquina muy compleja que necesita muchas cosas para seguir funcionando de manera efectiva. El ciclismo y la natación son excelentes para el corazón y los músculos de las piernas, pero hacen muy poco por la densidad ósea”.

“Para mejorar la salud cardiovascular, la densidad ósea y el equilibrio al mismo tiempo, debemos agregar una gama más amplia de ejercicios a nuestras caminatas diarias de rutina”.

Psicología de elección

El coautor, el Dr. Paul Hanel, dijo: «Los niños no necesitan mucho estímulo para probar una barra de equilibrio, pero queríamos ver cómo responderían los adultos y luego identificar las modificaciones de diseño que los hacían más propensos a elegir una ruta desafiante».

“Descubrimos que, si bien la vergüenza, la ansiedad, la precaución y la presión de los compañeros pueden desanimar a algunos adultos, se puede persuadir a la gran mayoría de las personas para que tomen una ruta más desafiante prestando especial atención al diseño, la seguridad, el nivel de dificultad, la ubicación y la señalización”.

La proporción de participantes que estaban dispuestos a elegir una ruta más desafiante varió del 14 % para una ruta de barra de equilibrio en particular al 78 % para una ruta que involucraba peldaños anchos y bajos y un tronco con pasamanos. Se encontró que las rutas menos intimidatorias eran aquellas con vigas de equilibrio anchas y de aspecto estable y peldaños anchos, especialmente con la presencia de pasamanos.

Los investigadores sugieren que las rutas que incorporen desafíos más difíciles, como carreras de obstáculos y vigas de equilibrio angostas, deben ubicarse en áreas más frecuentadas por usuarios más jóvenes.

Los participantes expresaron una variedad de razones para elegir rutas desafiantes. Como era de esperar, el estudio encontró que las rutas desafiantes que también actuaban como atajos atraían. Hasta el 55% de los participantes eligieron dichas rutas. Los investigadores también descubrieron que el diseño de las aceras, la iluminación y los macizos de flores, así como la señalización, ayudaron a animar a los participantes a elegir rutas más desafiantes. Muchos participantes (40 %) dijeron que ver a otras personas tomando una ruta desafiante los animó a hacer lo mismo.

Los participantes que eligieron rutas convencionales a menudo tenían preocupaciones sobre la seguridad, pero la introducción de medidas de seguridad, como pasamanos, aumentó la aceptación de algunas rutas. Los pasamanos junto a una ruta de peldaños aumentaron la aceptación en un 12 %.

Para probar si la tendencia a elegir rutas desafiantes estaba relacionada con factores demográficos y de personalidad, se pidió a los participantes que respondieran preguntas sobre su edad, género, hábitos, salud, ocupación y rasgos de personalidad (como la búsqueda de sensaciones o la ansiedad general).

Los investigadores encontraron que las personas de todos los niveles de actividad tienen la misma probabilidad de elegir una ruta desafiante. Pero para las rutas más difíciles, los participantes que realizaban regularmente ejercicios de fuerza y ​​equilibrio tenían más probabilidades de elegirlas.

Los participantes mayores apoyaron el concepto tanto como los más jóvenes, pero era menos probable que optaran por las rutas más desafiantes para ellos. Sin embargo, en todos los grupos de edad, solo un pequeño porcentaje de participantes dijo que evitaría por completo las opciones aventureras.

El estudio aplica la idea de «Arquitectura de elección» (hacer que las buenas elecciones sean más fáciles y las menos beneficiosas más difíciles) más la «Teoría de la diversión», una estrategia mediante la cual la actividad física se vuelve más emocionante; así como algunos de los principios clave de la persuasión: prueba social, simpatía, autoridad y consistencia.

trabajo futuro

Los investigadores esperan realizar experimentos en sitios de prueba físicos para ver cómo las intenciones se convierten en comportamiento y para medir cómo los cambios en los hábitos mejoran la salud. Mientras tanto, Boldina continúa presentando sus hallazgos a los responsables políticos.

Los críticos podrían cuestionar la asequibilidad y la rentabilidad de la introducción de ‘Rutas de paisajes activos’ en el entorno económico actual.

En respuesta, los investigadores argumentan que instalar escalones en un área con césped puede ser más económico que colocar y mantener pavimentos de asfalto convencionales. También señalan que estas medidas podrían ahorrarles a los gobiernos sumas mucho mayores al reducir la demanda de atención médica relacionada con la falta de ejercicio.

Referencia

A. Boldina et al., ‘Paisaje activo y arquitectura de elección: fomentar el uso de rutas urbanas desafiantes para el fitness’, Landscape Research (2022). DOI: 10.1080/01426397.2022.2142204

Cursos nuevos y destacados para sus empleados: diciembre de 2022

Con el lanzamiento de más contenido de clase mundial en Coursera cada semana, siempre hay nuevas oportunidades para que sus empleados dominen habilidades de alto impacto e impulsen el crecimiento empresarial a medida que avanzan en sus carreras.

Estos últimos cursos cubren las habilidades que sus empleados necesitan para cumplir con las demandas de los objetivos de transformación digital de sus organizaciones. Al agregar estos cursos a la página principal de su programa, puede continuar promoviendo la transformación del aprendizaje y permitir el desarrollo de habilidades valiosas para sus empleados.

Cursos nuevos y destacados de socios universitarios y de la industria:

INSEAD | Transformaciones de Web3 y Blockchain en cadenas de suministro globales

Por primera vez en la historia de la humanidad, las personas y las organizaciones pueden administrar y comercializar sus activos digitalmente entre pares. Estos activos pueden ser digitales como dinero, identidad e información privada; o pueden ser activos físicos representados por tokens digitales.

Universidad Johns Hopkins | El líder creativo

Este es un curso de la especialización de Coursera, Liderazgo: una introducción. Examina las tendencias actuales en la teoría del liderazgo invocando varias disciplinas, que incluyen negocios, sociología, filosofía, historia y psicología.

Universidad de Londres | Consumo, Marketing y Cultura

¿Qué significa ser consumidor en una sociedad de consumo? En este MOOC pensamos en el marketing en términos de lo que hace el marketing en lugar de cómo lo hacemos.

Nube de Google | Explorando los datos de la NCAA con BigQmuy

Usa BigQuery para explorar el conjunto de datos de la NCAA de juegos, equipos y jugadores de baloncesto. Los datos cubren jugadas de 2009 y puntajes de 1996.

Universidad de Colorado, Boulder | Programación R y Tidyverse Capstone Project

En este tercer y último curso de la especialización «Expressway to Data Science: R Programming and Tidyverse», ¡reforzará y mostrará sus habilidades en R y tidyverse completando un análisis de datos de COVID-19!

IBM | Linux en LinuxONE

Este curso es para administradores, arquitectos y desarrolladores de sistemas Linux que ya están familiarizados con los componentes de Linux y las tareas cotidianas, pero necesitan una introducción sobre cómo aprovechar mejor la plataforma LinuxONE.

¿Listo para expandir su programa de aprendizaje con nuevo contenido de clase mundial?

Vea cómo agregar cursos al plan de estudios que está asignado a un programa

¡Estamos emocionados de que sus empleados comiencen a aprender nuevas habilidades valiosas, y esperamos compartir más cursos excelentes con usted pronto!

Los académicos africanos de la Fundación Mastercard abordan el cambio climático en Cambridge

El Programa de Becas de la Fundación Mastercard en la Universidad de Cambridge brindará oportunidades totalmente financiadas para que 1025 jóvenes completen programas interdisciplinarios con un enfoque en la resiliencia climática y la sostenibilidad. Esto incluye 500 títulos de maestría presenciales y 25 becas de doctorado.

El Programa de Becas de la Fundación Mastercard es una iniciativa de una década diseñada para apoyar la educación superior y el desarrollo de liderazgo de estudiantes de alto rendimiento, en su mayoría de África, que enfrentan barreras sociales y económicas para su aprendizaje pero que comparten un fuerte compromiso con el servicio. El Programa tiene la intención de llegar a las mujeres jóvenes, los jóvenes desplazados por la fuerza y ​​los jóvenes con discapacidades. Más allá de permitir sus actividades académicas, el programa brinda a los becarios una plataforma para practicar el liderazgo transformador.

El programa de becas de la Fundación Mastercard de la Universidad de Cambridge está diseñado específicamente para apoyar a los jóvenes futuros líderes que tienen la intención de utilizar su formación académica para impulsar la resiliencia climática y la sostenibilidad. Abordar la crisis climática requiere una variedad de conocimientos en las disciplinas científicas/STEM y las artes, las humanidades y las ciencias sociales, por lo que los posibles becarios de la Fundación Mastercard pueden postularse para la mayoría de los cursos disponibles en la Universidad.

El profesor Bhaskar Vira, vicerrector de Educación de la Universidad de Cambridge, dijo: “El programa capacita a estos académicos en una variedad de disciplinas académicas, desde las artes creativas y la escritura, pasando por las ciencias sociales, hasta disciplinas más científicas y técnicas, porque una respuesta multidisciplinar a la crisis climática es fundamental.

“Buscamos apoyar a los estudiantes con talento académico y el compromiso de retribuir a su comunidad, en particular el deseo y el compromiso de contribuir a futuros sostenibles y resistentes al clima para África y el mundo. Se alienta a las mujeres africanas, los refugiados y los desplazados internos y las personas con discapacidades a postularse”.

Como parte del proceso de solicitud, a los posibles becarios se les pedirá una declaración complementaria que indique su compromiso personal de contribuir a un futuro sostenible y resistente al clima para África.

La primera cohorte de Mastercard Foundation Scholars comenzó sus cursos en Cambridge en octubre de 2022 y las solicitudes ya están abiertas para el año académico 2023/2024. Los estudiantes entrantes se unirán a una comunidad global de casi 40,000 jóvenes que son Becarios o Antiguos Alumnos del Programa de Becarios de la Fundación Mastercard.

Medicamento anticoagulante para tratar la recuperación de COVID-19 grave no es efectivo

El ensayo HEAL-COVID (Ayudando a aliviar las consecuencias a largo plazo de COVID-19) está financiado por el Instituto Nacional de Investigación en Salud y Atención (NIHR) y el Centro de Investigación Biomédica NIHR de Cambridge.

Hasta la fecha, más de mil pacientes del NHS hospitalizados con COVID han participado en HEAL-COVID, un ensayo de plataforma que tiene como objetivo encontrar tratamientos para reducir el número de personas que mueren o son readmitidas después de su estadía en el hospital.

En estos primeros resultados de HEAL-COVID, se ha demostrado que la prescripción del anticoagulante oral Apixabán no evita que los pacientes con COVID mueran o sean readmitidos en el hospital durante el año siguiente (Apixabán 29,1%, versus atención estándar 30,8%).

Además de no ser beneficiosa, la terapia anticoagulante tiene efectos secundarios graves conocidos, y estos fueron experimentados por los participantes en el ensayo y un pequeño número de los 402 participantes que recibieron apixabán tuvieron sangrado importante que les obligó a interrumpir el tratamiento.

Tampoco hubo beneficio de Apixaban en cuanto a la cantidad de días con vida y fuera del hospital en el día 60 después de la aleatorización (Apixaban 59 días, versus atención estándar 59 días).

Tras estos resultados, el ensayo continuará probando otro fármaco llamado atorvastatina, un fármaco reductor de lípidos (‘una estatina’) ampliamente utilizado que actúa sobre otros mecanismos de la enfermedad que se cree que son importantes en la COVID.

Investigadora principal del ensayo La profesora Charlotte Summers es especialista en cuidados intensivos en el Hospital de Addenbrooke y en la Universidad de Cambridge. Ella dijo: «Después de haber sobrevivido a la terrible experiencia de ser hospitalizados con COVID-19, demasiados pacientes se encuentran nuevamente en el hospital, a menudo desarrollando complicaciones a largo plazo como resultado del virus. Tenemos una necesidad urgente de encontrar tratamientos que prevenir esta importante carga de enfermedad y mejorar la vida de tantas personas que aún se ven afectadas por el COVID.

“Estos primeros hallazgos de HEAL-COVID nos muestran que un fármaco anticoagulante, que comúnmente se pensaba que era una intervención útil en la fase posterior al hospital, en realidad es ineficaz para evitar que las personas mueran o sean readmitidas en el hospital. Este hallazgo es importante porque evitará que se produzcan daños innecesarios a las personas sin ningún beneficio. También significa que debemos continuar nuestra búsqueda de terapias que mejoren la recuperación a largo plazo de esta devastadora enfermedad”.

El Dr. Mark Toshner, investigador principal conjunto de HEAL-COVID, dijo: “Hasta ahora, se suponía que Apixaban ayuda a los pacientes a recuperarse después de una COVID-19 grave y que diluir la sangre para prevenir coágulos es beneficioso. Este ensayo es la primera evidencia sólida de que la anticoagulación más prolongada después de la COVID-19 aguda pone a los pacientes en riesgo sin un beneficio claro.

“Nuestra esperanza es que estos resultados detengan la prescripción innecesaria de este medicamento a pacientes con COVID-19 y podamos cambiar la práctica médica. Descubrir que un tratamiento no funciona es muy importante. No es la solución que muchos esperaban, y nuestros resultados destacan una vez más por qué es importante probar los tratamientos en ensayos aleatorios.

“En la actualidad, los esfuerzos de investigación del mundo se han centrado en el COVID-19 agudo. Ahora necesitamos urgentemente evidencia sobre cómo tratar mejor a los pacientes más allá de su infección inicial”.

El profesor Nick Lemoine, director médico de la Red de Investigación Clínica del NIHR, dijo: «La investigación sobre la recuperación de la COVID-19 sigue siendo vital a medida que salimos de la pandemia. Resultados como estos del estudio HEAL-COVID ayudan a fortalecer nuestro conocimiento sobre cómo los pacientes pueden ser tratados después de su estancia en el hospital y cómo se pueden mejorar las tasas de recuperación.

“Los hallazgos de los ensayos clínicos, ya sea que identifiquen nuevos tratamientos o descarten métodos de atención, son evidencia vital y rigurosa cuando se trata de cambiar las mejores prácticas médicas”.

El ensayo está dirigido por Cambridge University Hospitals NHS Foundation Trust (CUH) y la Universidad de Cambridge, en colaboración con el Centro de Ensayos Clínicos de Liverpool (Universidad de Liverpool) y Aparito Limited.

HEAL-COVID inscribe a los pacientes cuando son dados de alta del hospital, luego de su primera admisión por COVID-19. Se asignan al azar a un tratamiento y se realiza un seguimiento de su progreso.

Adaptado de un comunicado de prensa de Cambridge University Hospitals NHS Foundation Trust

Salario de ingeniero de aprendizaje profundo en los Estados Unidos

El aprendizaje profundo es una técnica realizada por las computadoras que les permite aprender a partir del estudio de ejemplos. La computadora usa ejemplos para entrenarse a sí misma para descubrir patrones. Lo hacen mediante el uso de redes neuronales profundas para usar datos de entrada y crear su salida o etiqueta/clasificación.

Sobre el aprendizaje profundo.

El aprendizaje profundo no debe confundirse con el aprendizaje automático, en el que una computadora puede sacar sus propias conclusiones utilizando patrones de datos. El aprendizaje profundo es útil porque los patrones complejos de los datos se pueden etiquetar automáticamente, lo que hace que el proceso sea más rápido e incluso más preciso que si lo hiciera un humano.

Esta tecnología es valiosa debido a sus infinitas aplicaciones, como el seguimiento de objetos, el diagnóstico de salud e incluso el reconocimiento de voz o música. El aprendizaje profundo es un campo emocionante del cual ser parte debido a lo rápido que se está desarrollando y cómo es capaz de cambiar el mundo e incluso salvar vidas.

Por qué debería considerar una carrera como ingeniero de aprendizaje profundo.

Glassdoor.com tiene 5.805 ofertas de trabajo relacionadas con la ingeniería de aprendizaje profundo e Indeed.com tiene 15.268 ofertas de trabajo relacionadas. Así que actualmente hay mucha demanda para este tipo de trabajo. Y con la velocidad a la que avanza la tecnología y los nuevos descubrimientos tecnológicos que se están realizando, una carrera en este campo STEM es un movimiento sólido para brindar estabilidad para el futuro.

¿Cuánto gana un ingeniero de aprendizaje profundo?

Se informa que la mayoría de los ingenieros en los Estados Unidos comienzan a ganar un promedio de $ 109K al año, con salarios superiores que rondan los $ 215K.

Un ingeniero de aprendizaje profundo en los Estados Unidos puede esperar ganar un salario promedio de $137,287 al año.

glassdoor.com

Desglose de salarios de ingenieros de aprendizaje profundo por ciudad importante de EE. UU.

Nueva York, Nueva York: $141,471

San Francisco, California: $147,284

Seattle, Washington: $158,498

Austin, Texas: $136,671

Denver, Colorado: $135,336

Atlanta, Georgia: $139,284

Remoto: $132,578

Desglose de salario de ingeniero de aprendizaje profundo por experiencia.

Incluso en un puesto de ingeniero de aprendizaje profundo de nivel de entrada, es probable que traiga a casa un salario impresionante de seis cifras. Y es solo hacia arriba desde allí.

0-1 año de experiencia: $125,814

4-6 años de experiencia: $140,480

Más de 15 años de experiencia: $164,210

Explore la ingeniería de aprendizaje profundo.

Aprenda a aprovechar las capacidades de las herramientas de aprendizaje profundo para solucionar problemas complejos y desbloquear resultados de siguiente nivel para las empresas. Comience su viaje para convertirse en un ingeniero de aprendizaje profundo con el programa de nanogrado de aprendizaje profundo de Udacity.

COMIENZA A APRENDER

Estudio de mejillones revela una degradación alarmante del ecosistema del río Támesis desde la década de 1960

El estudio detallado midió el cambio de tamaño y número de todas las especies de mejillón en un tramo del río Támesis cerca de Reading entre 1964 y 2020.

Los resultados fueron sorprendentes: no solo las poblaciones nativas habían disminuido drásticamente, sino que los mejillones que quedaban eran mucho más pequeños para su edad, lo que refleja un crecimiento más lento.

Los mejillones son importantes en los ecosistemas de agua dulce porque filtran el agua y eliminan las algas. Como se alimentan por filtración, están expuestos a todo lo que hay en el agua, y esto los convierte en un indicador valioso de la salud del ecosistema. Las conchas de los mejillones también proporcionan lugares para que vivan otras especies acuáticas.

“Los mejillones son un gran indicador de la salud del ecosistema fluvial. Es probable que una disminución tan masiva en la biomasa de mejillones en el río tenga un efecto colateral para otras especies, reduciendo la biodiversidad general”, dijo Isobel Ollard, estudiante de doctorado en el Departamento de Zoología de la Universidad de Cambridge y primera autora del estudio. reporte.

Agregó: «El mejillón de río deprimido solía estar bastante extendido en el Támesis, pero esta encuesta no encontró ni uno solo, lo que también genera preocupación por la supervivencia de esta especie».

El estudio también registró recién llegados: el invasivo mejillón cebra no nativo, Dreissena polimorfay almeja asiática, Corbicula fluminea – ambos ausentes de la encuesta original de 1964 – estaban presentes en gran número. Los científicos dicen que las especies invasoras probablemente viajaron en botes mientras navegaban por el Támesis y se establecieron en el río.

Los resultados se publican hoy en el Revista de ecología animal.

“Esta dramática disminución en las poblaciones de mejillones nativos es muy preocupante, y no estamos seguros de qué es lo que la impulsa”, dijo el profesor David Aldridge del Departamento de Zoología de la Universidad de Cambridge y autor principal del informe.

Añadió: «Si bien esto puede parecer un pequeño estudio bastante parroquial de un solo sitio en un solo río en el Reino Unido, en realidad proporciona una importante señal de advertencia sobre las aguas dulces del mundo».

La especie invasora podría estar detrás de la disminución de las poblaciones de mejillones nativos: se sabe que los mejillones cebra asfixian a las especies nativas hasta la muerte. Pero los científicos dicen que se necesita más trabajo para estar seguros. Otras causas podrían ser cambios en el uso de la tierra a lo largo del río o cambios en las poblaciones de peces de las que dependen los mejillones como parte de su ciclo de vida.

Muchas conchas vacías del mejillón de río deprimido, Pseudanodonta complanata, se encontraron en el estudio, lo que indica que la especie había estado viviendo en este sitio en el pasado. El mejillón de río deprimido es una de las especies de mejillón más amenazadas del Reino Unido.

La encuesta encontró que la población de mejillones de pato, Anodoncia anatinahabía disminuido a sólo el 1,1% de los niveles de 1964, y el mejillón del pintor, Unión pictóricadisminuyó a 3.2%.

Los científicos creen que la tasa de crecimiento reducida de los mejillones puede reflejar el regreso del río a un estado más «natural». Desde 1964, los niveles de nitrato y fosfato en el agua del río han disminuido debido a una regulación más estricta del tratamiento de aguas residuales. Una reducción de estos nutrientes reduciría el crecimiento de algas, limitando el alimento disponible para los mejillones.

Las especies de mejillones están globalmente amenazadas. Los científicos dicen que las encuestas periódicas de población de especies clave, como esta, son esenciales para rastrear la salud de los ríos y guiar su gestión.

Para asegurarse de que la encuesta fuera una réplica exacta de la original, Ollard se puso en contacto con Christina Negus, quien había realizado su encuesta cuando era investigadora en la Universidad de Reading en los años sesenta. Negus, que ya no es científica, compartió detalles de los métodos y equipos que había utilizado. Citado Su informe, publicado en 1966, continúa siendo ampliamente evidencia de la importante contribución que hacen los mejillones al funcionamiento de los ecosistemas en los ríos.

La investigación fue financiada por una beca Whitten, Departamento de Zoología, Cambridge.

Referencia

Ollard, I y Aldridge, DC. ‘Disminución de la densidad, el tamaño y la productividad de los mejillones de agua dulce en el río Támesis durante el último medio siglo’. Revista de Ecología Animal, noviembre de 2022. DOI: 10.17863/CAM.80071

Niveles de condición física predichos con precisión utilizando dispositivos portátiles: no se requiere ejercicio

Normalmente, las pruebas para medir con precisión el VO2max, una medida clave del estado físico general y un indicador importante del riesgo de enfermedades cardíacas y mortalidad, requieren equipos de laboratorio costosos y se limitan principalmente a los atletas de élite. El nuevo método utiliza el aprendizaje automático para predecir el VO2max, la capacidad del cuerpo para realizar trabajo aeróbico, durante la actividad diaria, sin necesidad de información contextual como las mediciones de GPS.

En lo que es, con mucho, el estudio más grande de su tipo, los investigadores recopilaron datos de actividad de más de 11,000 participantes en el Estudio Fenland utilizando sensores portátiles, con un subconjunto de participantes evaluado nuevamente siete años después. Los investigadores utilizaron los datos para desarrollar un modelo para predecir el VO2max, que luego se validó con un tercer grupo que llevó a cabo una prueba de ejercicio estándar en un laboratorio. El modelo mostró un alto grado de precisión en comparación con las pruebas de laboratorio y supera a otros enfoques.

Algunos relojes inteligentes y monitores de actividad física actualmente en el mercado afirman proporcionar una estimación del VO2max, pero dado que los algoritmos que sustentan estas predicciones no están publicados y están sujetos a cambios en cualquier momento, no está claro si las predicciones son precisas o si un régimen de ejercicio tiene algún efecto en el VO2max de un individuo a lo largo del tiempo.

El modelo desarrollado por Cambridge es robusto, transparente y proporciona predicciones precisas basadas únicamente en la frecuencia cardíaca y los datos del acelerómetro. Dado que el modelo también puede detectar cambios en el estado físico a lo largo del tiempo, también podría ser útil para estimar los niveles de estado físico de poblaciones enteras e identificar los efectos de las tendencias del estilo de vida. Los resultados se publican en la revista npj medicina digital.

Una medición de VO2max se considera el «estándar de oro» de las pruebas de condición física. Los atletas profesionales, por ejemplo, prueban su VO2max midiendo su consumo de oxígeno mientras hacen ejercicio hasta el agotamiento. Hay otras formas de medir el estado físico en el laboratorio, como la respuesta de la frecuencia cardíaca a las pruebas de ejercicio, pero requieren equipos como una caminadora o una bicicleta estática. Además, el ejercicio extenuante puede ser un riesgo para algunas personas.

«El VO2max no es la única medida del estado físico, pero es importante para la resistencia y es un fuerte predictor de diabetes, enfermedades cardíacas y otros riesgos de mortalidad», dijo el coautor Dr. Soren Brage del Consejo de Investigación Médica de Cambridge (MRC). ) Unidad de Epidemiología. «Sin embargo, dado que la mayoría de las pruebas de VO2max se realizan en personas que están razonablemente en forma, es difícil obtener mediciones de aquellas que no están tan en forma y que podrían estar en riesgo de enfermedad cardiovascular».

«Queríamos saber si era posible predecir con precisión el VO2max utilizando datos de un dispositivo portátil, de modo que no hubiera necesidad de una prueba de ejercicio», dijo el coautor principal, el Dr. Dimitris Spathis, del Departamento de Ciencias de la Computación y Tecnología de Cambridge. “Nuestra pregunta central era si los dispositivos portátiles pueden medir el estado físico en la naturaleza. La mayoría de los dispositivos portátiles brindan métricas como la frecuencia cardíaca, los pasos o el tiempo de sueño, que son indicadores de la salud, pero no están directamente relacionados con los resultados de salud”.

El estudio fue una colaboración entre los dos departamentos: el equipo de la Unidad de Epidemiología de MRC proporcionó experiencia en salud de la población y estado cardiorrespiratorio y datos del Estudio Fenland, un estudio de salud pública de larga duración en el Este de Inglaterra, mientras que el equipo del El Departamento de Ciencias y Tecnología de la Computación proporcionó experiencia en aprendizaje automático e inteligencia artificial para datos móviles y portátiles.

Los participantes en el estudio usaron dispositivos portátiles continuamente durante seis días. Los sensores recolectaron 60 valores por segundo, lo que resultó en una enorme cantidad de datos antes de procesar. “Tuvimos que diseñar una canalización de algoritmos y modelos apropiados que pudieran comprimir esta gran cantidad de datos y usarlos para hacer una predicción precisa”, dijo Spathis. “La naturaleza de vida libre de los datos hace que esta predicción sea un desafío porque estamos tratando de predecir un resultado de alto nivel (aptitud física) con datos ruidosos de bajo nivel (sensores portátiles)”.

Los investigadores utilizaron un modelo de IA conocido como red neuronal profunda para procesar y extraer información significativa de los datos del sensor sin procesar y hacer predicciones de VO2max a partir de ellos. Más allá de las predicciones, los modelos entrenados se pueden utilizar para la identificación de subpoblaciones con necesidades particulares de intervención relacionadas con la aptitud física.

Los datos de referencia de 11 059 participantes en el estudio Fenland se compararon con los datos de seguimiento de siete años después, tomados de un subconjunto de 2675 de los participantes originales. Un tercer grupo de 181 participantes del Estudio de validación de biobancos del Reino Unido se sometió a pruebas de VO2max en laboratorio para validar la precisión del algoritmo. El modelo de aprendizaje automático tuvo una fuerte concordancia con las puntuaciones de VO2max medidas tanto en la línea de base (82 % de acuerdo) como en las pruebas de seguimiento (72 % de acuerdo).

“Este estudio es una demostración perfecta de cómo podemos aprovechar la experiencia en epidemiología, salud pública, aprendizaje automático y procesamiento de señales”, dijo el coautor principal, el Dr. Ignacio Pérez-Pozuelo.

Los investigadores dicen que sus resultados demuestran cómo los dispositivos portátiles pueden medir con precisión el estado físico, pero es necesario mejorar la transparencia si se quiere confiar en las mediciones de los dispositivos portátiles disponibles en el mercado.

“En principio, es cierto que muchos monitores de actividad física y relojes inteligentes brindan una medición del VO2max, pero es muy difícil evaluar la validez de esas afirmaciones”, dijo Brage. «Los modelos generalmente no se publican y los algoritmos pueden cambiar de forma regular, lo que dificulta que las personas determinen si su estado físico realmente ha mejorado o si solo se está estimando mediante un algoritmo diferente».

“Todo en su reloj inteligente relacionado con la salud y el estado físico es una estimación”, dijo Spathis. “Somos transparentes acerca de nuestro modelado y lo hicimos a escala. Demostramos que podemos lograr mejores resultados con la combinación de datos ruidosos y biomarcadores tradicionales. Además, todos nuestros algoritmos y modelos son de código abierto y todos pueden usarlos”.

«Hemos demostrado que no se necesita una prueba costosa en un laboratorio para obtener una medida real de la condición física: los dispositivos portátiles que usamos todos los días pueden ser igual de poderosos, si tienen el algoritmo correcto detrás de ellos», dijo el autor principal. Profesora Cecilia Mascolo del Departamento de Ciencia y Tecnología Informática. “El ejercicio cardiovascular es un marcador de salud tan importante, pero hasta ahora no teníamos los medios para medirlo a escala. Estos hallazgos podrían tener implicaciones significativas para las políticas de salud de la población, por lo que podemos ir más allá de los indicadores de salud más débiles, como el índice de masa corporal (IMC)”.

La investigación fue apoyada en parte por Jesus College, Cambridge y el Consejo de Investigación de Ingeniería y Ciencias Físicas (EPSRC), parte de Investigación e Innovación del Reino Unido (UKRI). Cecilia Mascolo es Fellow del Jesus College, Cambridge.

Referencia:
Dimitris Spathis et al. ‘Predicción de la aptitud cardiorrespiratoria longitudinal a través de dispositivos portátiles en entornos de vida libre’. npj Medicina Digital (2022). DOI: 10.1038/s41746-022-00719-1

Programación de IA con Python | audacia

Es increíble lo que la gente puede hacer. Los humanos podemos escribir novelas, construir rascacielos, cantar óperas, conducir autos de carrera, cocinar comida deliciosa y mucho más. Cada una de estas tareas requiere inteligencia de un tipo u otro.

En los últimos años, las computadoras y el software se han vuelto tan poderosos que hemos tratado de enseñarles a hacer algunas de estas cosas también. Cuando los programas de computadora pueden hacer algo que parece imitar la inteligencia humana, decimos que tienen inteligencia artificial (TENER).

En este artículo, discutiremos una tarea que requiere inteligencia: determinar si un hongo es comestible o venenoso. Presentaremos un método de IA que puede ayudarnos y repasaremos algunos códigos de Python que implementan el método de IA.

El escenario y los datos.

Cada año, miles de personas se comunican con los centros de control de envenenamiento para informar que han comido hongos venenosos. Muchas de estas personas tienen que ser hospitalizadas. Imagínese si pudiéramos crear una aplicación que pudiera usar inteligencia artificial para clasificar con precisión si se esperaba que un hongo dado fuera comestible o venenoso. Una aplicación como esa podría ayudar a las personas a mantenerse saludables, ¡y tal vez incluso a salvar vidas!

Muchas aplicaciones de inteligencia artificial se basan en datos. En este caso, usaremos un interesante conjunto de datos de dominio público para entrenar a nuestra IA para clasificar si los hongos son comestibles o venenosos. Puede descargar estos datos de forma gratuita. Si lo guarda en su computadora en un archivo llamado hongos.csv, puede leerlo en Python de la siguiente manera:

import pandas as pd
mushrooms = pd.read_csv('mushrooms.csv')

Aquí, importamos el paquete de Python llamado pandas. Este paquete proporciona muchas capacidades relacionadas con el trabajo con conjuntos de datos. En este caso, usamos uno de sus métodos llamado read.csv(). Ese método nos permitió leer los datos relacionados con los hongos en nuestra sesión de Python. Puede ver las primeras filas de estos datos de la siguiente manera:

Si ejecuta esto, verá las primeras cinco filas del conjunto de datos:

Aquí, cada fila representa un hongo en particular. La columna llamada “clase” nos dice si cada hongo es venenoso (“p”) o comestible (“e”). Otras columnas nos dicen otras cosas sobre cada hongo. Por ejemplo, los champiñones que tienen una “forma de gorra” igual a “b” tienen forma de campana y los champiñones que tienen una “forma de gorra” igual a “x” tienen una forma convexa.

Ahora que ha cargado los datos en su sesión de Python, repasemos el algoritmo de IA que usaremos para clasificar los hongos.

Método AI: trabajo con árboles de decisión.

Sería conveniente que existiera una manera fácil de saber rápidamente si algún hongo es venenoso. Por ejemplo, qué pasaría si pudiéramos usar la siguiente figura para saber si un hongo es comestible:

*Tenga en cuenta que todas las cifras de esta publicación son solo ilustrativas. Están destinados a explicar ideas detrás de la inteligencia artificial, ¡no a dar consejos médicos! Consulta a un experto si quieres saber si debes comer un hongo en particular.

Si comienza en la parte superior de esta figura, puede responder una pregunta (si un hongo es inodoro) y luego, según la respuesta, siga las flechas a continuación (ya sea SÍ o NO) para llegar a una conclusión sobre si el hongo es comestible. Esto se conoce como árbol de decisiones y es un tipo muy simple de inteligencia artificial.

En la vida real, responder preguntas difíciles (como si un hongo es venenoso) suele ser más difícil de lo que parece en la figura anterior. En el caso de los champiñones, hay más cosas que deben tenerse en cuenta además del olor. Por ejemplo, es posible que deba considerar la forma y el color de las diferentes partes del hongo, como puede ver en la siguiente figura:

Puede ver que el árbol de decisiones ha crecido: en lugar de responder solo una pregunta, respondemos varias preguntas antes de llegar a una conclusión sobre si el hongo es comestible. Los árboles de decisión pueden ser pequeños o grandes, pero independientemente de su tamaño, los usamos de la misma manera: comience en la parte superior del árbol y responda preguntas de sí o no hasta llegar a conclusiones en las «hojas» en la parte inferior del árbol. árbol.

En nuestro escenario (determinar si los hongos son comestibles o venenosos), necesitaremos un árbol más grande para obtener resultados precisos. En la siguiente sección, presentaremos algo de código de Python para generar tal árbol.

Ejemplo: predecir la comestibilidad de los hongos.

Podemos crear un árbol de decisión que clasifique los hongos como venenosos o comestibles con menos de 10 líneas de código Python. Podemos comenzar poniendo nuestros datos en el formato correcto:

X=pd.get_dummies(mushrooms.loc[:,mushrooms.columns != 'class'])
y=pd.get_dummies(mushrooms.loc[:,'class'])['e']

Aquí, creamos dos variables, X e y. Nuestra variable y nos dice si cada hongo es venenoso o comestible: es nuestro «objetivo», o en otras palabras, lo que estamos tratando de clasificar o predecir. Nuestra variable X contiene nuestras «características», es decir, cualquier otra variable en el conjunto de datos. Esta es una configuración común en los problemas de aprendizaje automático: nuestros programas de computadora aprenden cómo usar nuestras funciones (X) para predecir nuestro objetivo (y). En este caso, creamos X e y como «variables ficticias», es decir, variables que consisten completamente en 0 y 1. El uso de variables ficticias facilitará la creación de nuestro árbol de decisión.

Podemos crear nuestro árbol de decisión con el siguiente código:

from sklearn import tree
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, y)

Aquí, importamos el módulo de árbol del paquete sklearn (también llamado scikit-learn). Luego, creamos un clasificador de árbol de decisión y lo «ajustamos» a nuestros datos. Eso es todo lo que se necesita para crear un árbol de decisiones.

Puede crear una gráfica del árbol de decisión que creamos de la siguiente manera:

import matplotlib.pyplot as plt
plt.figure(figsize=(15,8))
tree.plot_tree(clf,filled=True,feature_names=X.columns,fontsize=7)  
plt.savefig('mushroom_ai.png',format="png",dpi=400)

El resultado se muestra a continuación:

Si observa detenidamente este árbol de decisiones, es similar a los árboles que vimos anteriormente, pero más grande. Si comienza en la parte superior del árbol, puede ver que se supone que debemos verificar el valor de «odor_n», la variable que registra si un hongo es inodoro. Avanzas hacia la derecha si odor_n es 1 y hacia la izquierda si odor_n es 0. A medida que avanzas por las ramas del árbol, compruebas los valores de otras variables, uno por uno.

Eventualmente, llegas a una conclusión sobre si el hongo es venenoso o comestible. En esta figura, la conclusión está codificada por colores: el azul representa comestible y el naranja representa veneno.

¡Felicidades! Ha utilizado IA para crear un árbol de decisiones que clasifica si los hongos son comestibles o venenosos.

Obtenga más información sobre la programación de IA con Python.

La inteligencia artificial es un campo enorme, y el árbol de decisiones que creamos aquí es solo el comienzo de lo que puede hacer con él.

Consulte el programa Programación de IA con Python Nanodegree para aprender las herramientas fundamentales de programación de IA (Python, NumPy, PyTorch) y las habilidades matemáticas esenciales (álgebra lineal y cálculo) que le permitirán comenzar a crear sus propias aplicaciones de IA en solo unos pocos meses.

COMIENZA A APRENDER

Dos investigadores de Cambridge reciben la Cátedra de Tecnologías Emergentes de la Royal Academy of Engineering

Financiado por el Departamento de Estrategia Comercial, Energética e Industrial del Reino Unido, el esquema de la Cátedra de Tecnologías Emergentes tiene como objetivo identificar a los visionarios de la investigación global y brindarles apoyo a largo plazo. Los premios permitirán a los investigadores centrarse en enfoques estratégicos para llevar su tecnología del banco a la sala de juntas.

La profesora Rachel Oliver, del Departamento de Ciencia de los Materiales y Metalurgia, es miembro del Robinson College y directora del Centro de Nitruro de Galio de Cambridge. El nitruro de galio (GaN) es una estrella en ascenso de las industrias electrónica y optoelectrónica, con iluminación de estado sólido basada en GaN que está revolucionando la forma en que iluminamos nuestro mundo. La creación de porosidad en GaN amplía enormemente la gama de propiedades de los materiales que se pueden lograr en este material semiconductor compuesto clave. Al controlar la porosidad, los ingenieros pueden seleccionar las propiedades que necesitan para crear nuevos conceptos de dispositivos o mejorar los productos existentes.

El objetivo del profesor Oliver es crear un conjunto de procesos de fabricación de materiales que controlen la estructura y las propiedades del nitruro de galio poroso. Junto a esto, desarrollará una caja de herramientas de modelado para diseñar nuevos dispositivos. Al desarrollar nuevos dispositivos e incorporar GaN poroso en la vibrante y creciente industria de semiconductores compuestos del Reino Unido, Oliver espera impulsar esta plataforma de materiales emergentes hacia una adopción industrial generalizada, impulsando el futuro del ecosistema de semiconductores compuestos del Reino Unido.

Las aplicaciones potenciales para nuevas investigaciones son amplias y de largo alcance. Desarrollar el uso de LED UV para la desinfección brindaría a los profesionales de la salud nuevas armas en la lucha contra las epidemias virales y las bacterias resistentes a los antibióticos. El trabajo en micropantallas que utilizan microLED podría mejorar los cascos de realidad aumentada y virtual. Además de proporcionar experiencias inmersivas para los jugadores, las organizaciones podrían utilizar esta tecnología para una colaboración en línea más efectiva. Al reducir la necesidad de viajes de negocios, los beneficios ecológicos serían significativos.

La profesora Vignolini y su grupo de fotónica bioinspirada en el Departamento de Química de Yusuf Hamied han descubierto que las plantas producen colores brillantes y vibrantes mediante la organización de la celulosa en estructuras submicrométricas que manipulan la luz. Estos ejemplos naturales han inspirado a Vignolini a imitar el uso de bloques de construcción biológicos para crear colorantes sostenibles en el laboratorio. Está desarrollando una nueva generación de procesos de fabricación para producir colores utilizando únicamente biomateriales de origen natural, como la celulosa, un material vegetal abundante y biodegradable.

La visión de Vignolini es que los pigmentos de base biológica reemplazarán las alternativas actuales hechas con materiales problemáticos y de alto consumo energético.

El profesor Sir Jim McDonald FREng FRSE, presidente de la Royal Academy of Engineering, dijo: “La Academia otorga una gran importancia al apoyo a la excelencia en ingeniería y, a menudo, la clave para alcanzar su potencial al abordar los desafíos globales es el regalo del tiempo y la continuidad del apoyo a hacer realidad las ideas más disruptivas e impactantes”.

Silvia Vignolini es miembro del Jesus College, Cambridge. Rachel Oliver es miembro del Robinson College, Cambridge.

¿Qué es la palabra clave «Esta» en JavaScript?

Funciones, objetos y this todas las palabras clave están interconectadas en JavaScript. Cuando se llama a una función, this variable se establece en un objeto específico. Sin embargo, el valor de this solo depende cómo la función fue llamada.

En esta publicación, exploraremos diferentes formas en que podemos llamar funciones, así como también cómo cada una de ellas establece el valor de this un poco diferente

“Esto” en funciones constructoras.

Un lugar donde comúnmente verá el this La palabra clave está dentro de las funciones del constructor. Considere el siguiente ejemplo:

function Course(id, name) {
 this.id = id;
 this.name = name;
 
 this.describe = function () {
   console.log(`Course ${this.id}: ${this.name}`);
 };
}
 
const spanish = new Course("SPA-001", "Spanish 1");

en lo anterior Course() constructor describe referencias de métodos this.id y this.name. Ya que invocamos el Course() función con el nuevo operador, this se establece en el objeto recién creado: spanish.

{
 id: "SPA-001",
 name: "Spanish 1",
 describe: function () {
   console.log(`Course ${this.id}: ${this.name}`);
 }
}

Como resultado, desde this se convierte en el spanish objeto, y podemos acceder a las propiedades directamente desde ese objeto:

console.log(spanish.id); // "SPA-001"
console.log(spanish.name); // "Spanish 1"

Es más: el describe() El método puede usar efectivamente this para acceder a la id y name propiedades de ese objeto. Esto hace posible la siguiente llamada al método:

console.log(spanish.describe()); // "Course SPA-001: Spanish 1"

Para recapitular: cuando invocamos una función constructora con el operador new, el valor de this se establece en ese objeto recién creado (es decir, instanciado).

“Esto” en métodos.

Otro lugar donde comúnmente verás this está dentro de los métodos de objeto. En este contexto, el valor de this en realidad no está asignado a nada hasta que un objeto llama al método donde this se usa En otras palabras, el valor asignado a this se basa en el objeto que invoca el método donde this se define.

Considere el siguiente ejemplo:

const printer = {
 print: function () {
   console.log("Printing...");
 },
 printTwice: function () {
   this.print();
   this.print();
 },
};

Si invocamos la printer métodos del objeto:

printer.print();
// "Printing..."
 
printer.printTwice();
// "Printing..."
// "Printing..."

Sabemos que cuando llamamos printer.print() (oro printer.printTwice()) una variable this se establece Ya que this puede acceder al objeto al que fue llamado (es decir, printer), printTwice puedo usar this a acceso directo té printer objeto que contiene el print método. En otras palabras: this.print() dice printTwice para mirar printer – el objeto sobre el que se invocó el método – para encontrar print.

Como tal, al invocar un método en un objeto, this se establece en el objeto en sí!

“Esto” en funciones.

Hasta ahora, hemos visto lo que sucede con this al invocar una función constructora con el operador new, así como lo que sucede con this al llamar a una función que pertenece a un objeto (es decir, un método). ¿Qué sucede cuando simplemente invocamos una función regular por sí sola?

Considere la siguiente función que simplemente devuelve this:

function funFunction() {
 return this;
}

cuando invocamos funFunction(), this establecido en el objeto de la ventana, que es el objeto global si el entorno host es el navegador.

funFunction(); // (returns the global object, window)

Para verificar las propiedades y los métodos disponibles en el objeto devuelto, intente ejecutar el código anterior en la consola de desarrollador de su navegador (por ejemplo, Chrome DevTools).

Palabra clave “Esta”, recapturada.

Cuando se llama a una función, una variable this se establece en un valor determinado. pero dependiendo de cómo la funcion se llama como this se refiere puede ser muy diferente:

  • Si se llama a una función constructora con un nuevo operador, this se establece en el objeto recién creado
  • Si se llama a un método en un objeto, this se establece en ese objeto particular en sí mismo
  • Si simplemente se invoca una función normal, this se establece en el objeto de ventana (o global)

Aprende más.

Además de todo esto, existen aún más formas de invocar funciones: con apply() y con call(). Ambos métodos comparten bastantes similitudes, y cada uno nos permite especificar cómo queremos configurar this.

Para una mirada más cercana a esos métodos, así como una visión general ampliada de los this palabra clave en JavaScript, consulte estos recursos:

O explore el programa Intermediate JavaScript Nanodegree para dominar el lenguaje de programación más popular del mundo.

COMIENZA A APRENDER

COVID ha ‘roto’ las habilidades sociales de los niños más pobres del mundo, sugiere un estudio

El cierre de escuelas durante la pandemia de COVID-19 ha “roto gravemente” el desarrollo social y emocional de algunos de los niños más pobres del mundo, así como su progreso académico, según muestra nueva evidencia.

En un estudio de más de 2000 alumnos de escuela primaria en Etiopía, los investigadores encontraron que los aspectos clave del desarrollo social y emocional de los niños, como su capacidad para hacer amigos, no solo se estancaron durante el cierre de las escuelas, sino que probablemente se deterioraron.

Los niños que, antes de la pandemia, se sentían seguros hablando con otros o se llevaban bien con sus compañeros tenían menos probabilidades de hacerlo para 2021. Aquellos que ya estaban en desventaja educativa (niñas, los más pobres y los de áreas rurales) parecen tener sido particularmente gravemente afectada.

Tanto esta investigación como un segundo estudio vinculado de alrededor de 6.000 niños de 1.° y 4.° grado de primaria también encontraron evidencia de un progreso académico lento. Los niños perdieron el equivalente a al menos un tercio de un año académico en aprendizaje durante el confinamiento, una estimación que los investigadores describen como «conservadora». Esto parece haber ampliado una brecha de logros ya significativa entre los alumnos desfavorecidos y el resto, y hay algunas pruebas de que esto puede estar relacionado con la disminución de las habilidades sociales.

Ambos estudios fueron realizados por académicos de la Universidad de Cambridge, Reino Unido y la Universidad de Addis Abeba, Etiopía.

La profesora Pauline Rose, directora del Centro de Investigación en Acceso Equitativo y Aprendizaje (REAL) de la Facultad de Educación de la Universidad de Cambridge, dijo: “COVID está teniendo un impacto a largo plazo en los niños de todo el mundo, pero especialmente en los países de bajos ingresos. La ayuda a la educación y la financiación del gobierno deben centrarse en apoyar primero la recuperación académica y socioemocional de los niños más desfavorecidos”.

El profesor Tassew Woldhanna, presidente de la Universidad de Addis Abeba, dijo: “Estas graves rupturas en las trayectorias de desarrollo y aprendizaje de los niños subrayan cuánto debemos pensar en el impacto social, y no solo en las habilidades académicas. La educación de recuperación debe abordar los dos juntos”.

Ambos estudios utilizaron datos del programa Research on Improving Systems of Education (RISE) en Etiopía para comparar la educación primaria antes de la pandemia, en el año académico 2018/19, con la situación en 2020/21.

En el primer estudio, los investigadores compararon los puntajes de las pruebas de aritmética de 2700 alumnos de cuarto grado en junio de 2019 con sus puntajes poco después de que regresaron a la escuela, en enero de 2021. También midieron las tasas de abandono escolar. Además, los alumnos completaron la escala Children’s Self Report Social Skills, que preguntaba en qué medida estaban de acuerdo o en desacuerdo con afirmaciones como «Me siento seguro al hablar con los demás», «Hago amigos con facilidad» y «Si lastimo a alguien, digo perdón».

El segundo estudio midió el progreso relativo durante la pandemia utilizando los puntajes de aritmética de dos cohortes separadas de alumnos de primer y cuarto grado. La primera de estas cohortes era del año previo a la pandemia; el otro de 2020/21.

Los resultados sugieren que los alumnos lograron algún progreso académico durante los cierres, pero a un ritmo más lento de lo esperado. La puntuación media en aritmética básica de los alumnos de primer grado en 2020/21 estuvo 15 puntos por debajo de la cohorte de 2018/19; a finales de año esa brecha se había ampliado a 19 puntos. De manera similar, los estudiantes de 4.º grado comenzaron 2020/21 10 puntos por detrás de su cohorte predecesora y estaban 12 puntos por debajo al final. Esa diferencia ascendió a aproximadamente un tercio del progreso de un año. Patrones similares surgieron del estudio de las puntuaciones de aritmética de los niños antes y después de los cierres.

Los niños más pobres, y los de entornos rurales, obtuvieron peores resultados académicos. Las tasas de abandono escolar revelaron problemas similares: de los 2700 niños evaluados en 2019 y 2021, más de uno de cada 10 (11,3 %) abandonó la escuela durante los cierres. Estos eran desproporcionadamente niñas, o alumnos de bajo rendimiento, que tendían a ser de familias rurales o menos ricas.

Las habilidades sociales de todos los alumnos disminuyeron durante el período de cierre, independientemente del género o la ubicación. Menos niños estuvieron de acuerdo en 2021 con afirmaciones como “Otras personas como yo” o “Hago amigos fácilmente”. La disminución de las respuestas positivas difirió según la demografía y fue más pronunciada entre las personas de entornos rurales. Esto puede deberse a que los niños de partes remotas del país experimentaron un mayor aislamiento durante el encierro.

La evidencia más llamativa de una ruptura en el desarrollo socioemocional fue la falta de una asociación predictiva entre los resultados de 2019 y 2021. Los alumnos que se sentían seguros hablando con otros antes de la pandemia, por ejemplo, a menudo habían cambiado de opinión dos años después.

Los investigadores sugieren que el impacto negativo en el desarrollo social y emocional puede estar relacionado con la desaceleración en los logros académicos. Los niños que obtuvieron mejores resultados académicos en 2021 tendieron a reportar habilidades sociales más sólidas. Esta asociación no es necesariamente causal, pero hay evidencia de que el logro académico mejora la autoestima y la confianza en sí mismos de los niños, y que los comportamientos prosociales influyen positivamente en los resultados académicos. Por lo tanto, es posible que durante el cierre de las escuelas este refuerzo potencial se haya invertido.

Ambos informes se hacen eco de investigaciones anteriores que sugieren que los países de bajos ingresos, como Etiopía, deben invertir en programas específicos para niñas, las que provienen de entornos rurales y las más pobres, si quieren evitar que estos niños se queden atrás. Junto con los programas de recuperación en la escuela, es posible que se requieran medidas para apoyar a quienes no asisten a la escuela. La exitosa iniciativa de Educación Básica Complementaria de Ghana proporciona un modelo.

Además, los investigadores instan a los actores de la política educativa a integrar el apoyo a las habilidades sociales tanto en la educación de recuperación como en la planificación para futuros cierres. “Las habilidades sociales y emocionales deben ser un objetivo explícito del plan de estudios y otras orientaciones”, dijo Rose. “Es posible que las escuelas también deseen pensar en clubes extraescolares, espacios seguros para las niñas y garantizar que los niños en edad primaria permanezcan con el mismo grupo de amigos durante el día. Iniciativas como estas contribuirán de alguna manera a reconstruir las habilidades prosociales que la pandemia ha erosionado”.

Trayectorias escolares rotas se publica en la revista Longitudinal and Life Course Studies. Las pérdidas de aprendizaje durante la pandemia de COVID-19 en Etiopía están disponibles en el sitio web del Centro REAL.