El registro tecnológico de las ubicaciones de las personas pueden revelar mucho más sobre ellas que lo obvio (como sus rutinas de desplazamiento)... sobre todo si esos datos se cruzan entre sí. Eso fue lo que trataron de demostrar unos investigadores de la Universidad de Purdue, utilizando para ello los registros de acceso WiFi de los estudiantes de su propio centro."El objetivo era usar los datos del usuario para crear un modelo de las actividades de los usuarios, con sus diferentes ubicaciones y horarios, y luego hacer predicciones (o recomendaciones para lugares relevantes en función de su contexto actual)", explican los investigadores en VentureBeat.
"[Pretendíamos] comprender los patrones de comportamiento que aumentan la retención y satisfacción de los estudiantes, [así que] los resultados también permiten que nos hagamos una mejor idea de cómo se utilizan las instalaciones del campus y cómo los estudiantes interactúan entre sí".
Los científicos observaron que en la mayoría de las investigaciones anteriores basadas en PDI (puntos de interés), los conjuntos de datos usados se basaban mayormente en 'check-ins' voluntarios realizados a través de aplicaciones con Foursquare o Yelp, de tal modo que ofrecían mucha información sobre visitas a cines, discotecas o restaurantes...
...pero poco o nada sobre actividades prosaicas como la llegada a la oficina, la hora a la que salimos de casa o cuántas veces salimos a 'hacer un recado'. Además, no siempre que se visitaban estos lugares se realizaba un 'check-in', por lo que resultaba complicado identificar patrones consistentes a partir de dichos datos.
Sí, la red WiFi puede vigilarnos
Pero los investigadores se dieron cuenta de que contaban con una alternativa muy superior a dichas aplicaciones: la red WiFi de su propia universidad, capaz de registrar la ubicación cada vez que un determinado dispositivo enviaba o recibía paquetes de datos de forma inalámbrica.
El archivo finalmente usado por los investigadores (540 millones de registros que ocupaban un espacio de 376GB) recogía cuatro elementos (usuario, PDI, funcionalidad del PDI, tiempo de permanencia) y permitió analizar los movimientos de todos los estudiantes de primer curso de la Universidad de Purdue a lo largo del curso académico 2016-2017.
Con esa materia prima los investigadores desarrollaron varios modelos de aprendizaje automático que, a partir de los 80 primeros registros por orden cronológico, les permitió predecir con una precisión de entre el 31% y el 85% las 3 ubicaciones más visitadas por cada estudiante, una predicción que mejoró notablemente al ampliarlo al TOP10 de ubicaciones: entre el 71% y el 90%.
A la hora de analizar descubrieron que los "eventos de covisitación" (esto es, la coincidencia de dos o más estudiantes en un mismo lugar al mismo tiempo) podían predecir de manera notable la existencia de relaciones de amistad entre los estudiantes.
La tasa de éxito de las predicciones aumentaba cuando se suprimían del análisis los datos vinculados a los eventos vinculados a las asignaturas (asistencia al aula o a conferencias, por ejemplo), y se reducía en el caso de los usuarios menos activos que, al realizar menos checkins, aportaban menos datos con los que trabajar.
"Estos resultados iniciales muestras lo prometedor que es recurrir a la información sobre las trayectorias de los estudiantes cuando deseamos obtener recomendaciones personalizadas en apps educativas, así como para elaborar modelos predictivos de retención y satisfacción de los estudiantes", se felicitan los investigadores en su paper, publicado en Arxiv.org.
Sin embargo, los más paranoicos no podrá evitar (y es bueno que no puedan) dejar de pensar en el extraordinario potencial de la tecnología (incluso la de uso más rutinario, como el WiFi) para facilitar labores de vigilancia masiva. Que no es como si nadie lo estuviera intentado ya, vaya.