24 Habla de IA: cómo los sistemas adaptativos aprenden del estudiante -Parte 1
Al observar un ALS, es muy difícil decir dónde se adapta1. La tecnología utilizada y para qué se utiliza también cambia entre sistemas.
Sin embargo, todos los ALS saben a quién enseñan (conocimiento sobre el estudiante), qué enseñan (conocimiento sobre el dominio) y cómo enseñar (conocimiento sobre la pedagogía)2.
Un ALS ideal se adapta de múltiples maneras. En el bucle externo, se adapta la secuencia de actividades de aprendizaje, similar a Youtube adaptando la lista recomendada de videos. El bucle externo también podría personalizar los enfoques de aprendizaje y los niveles de dificultad.
En el bucle interno, dentro de cada actividad, el ALS monitorea el progreso paso a paso. Adapta la retroalimentación y las pistas para corregir conceptos erróneos, si los hay. También podría señalar contenido adicional si el estudiante tiene problemas para recordar un concepto aprendido anteriormente. Algunos expertos argumentan que el bucle interno deja mejor al instructor: no solo es costoso y consume tiempo programar todas las reglas para el tema y tarea específicos, sino que el conocimiento y la experiencia del profesor siempre superarán al de la máquina3.
Cómo los sistemas adaptativos aprenden del estudiante
Como todos los problemas de recomendación (Ver Cómo Youtube Te Conoce Parte 1), ALS divide la tarea en una o más preguntas sustitutas que pueden ser respondidas por la máquina. De nuevo, la elección de qué preguntar -y por lo tanto, qué predecir- tiene un gran impacto en qué recomendación se muestra.
El material de marketing a menudo menciona múltiples objetivos: mejorar calificaciones, empleabilidad y compromiso. Dada la naturaleza propietaria de los sistemas, generalmente no está claro qué preguntas están codificadas en los sistemas, qué objetivos se están optimizando y cómo se diferencian los objetivos a corto plazo de los objetivos a largo plazo (ejemplo, dominio de un contenido dado antes de avanzar al siguiente nivel)4.
Donde se utiliza el aprendizaje automático, independientemente de los objetivos elegidos, la predicción en sí se basa en otros estudiantes con niveles de habilidad y preferencias similares. Es decir, estudiantes cuyos modelos son similares.
El modelo del estudiante
Para crear un modelo de estudiante, los desarrolladores preguntan qué características del estudiante son relevantes para el proceso de aprendizaje. A diferencia de los profesores que pueden observar directamente a sus estudiantes y ajustar su enfoque, las máquinas están limitadas a los datos que pueden ser recopilados y procesados por ellas.
Características típicas consideradas en un modelo de estudiante:
- Qué sabe el estudiante -su nivel de conocimiento, habilidades y conceptos erróneos5,2,6. Estos generalmente se infieren a través de evaluaciones, por ejemplo, la respuesta que un estudiante envía para un problema de matemáticas1. Este conocimiento previo se compara entonces con lo que necesitarán saber al final del periodo de aprendizaje;
- Cómo prefiere aprender el estudiante: los procesos de aprendizaje y preferencias5,6. Por ejemplo, la cantidad de veces que un estudiante intenta resolver una pregunta antes de obtener la respuesta correcta, los tipos de recursos consultados, las calificaciones que obtuvieron para una actividad1, o el material que más los involucró -imágenes, audio o texto2. Los ALS también pueden registrar cuándo y cómo se aprendieron las habilidades y qué pedagogías funcionaron mejor6;
- Si el estudiante se siente motivado: sentimientos y emociones pueden ser registrados directamente por el estudiante o extraídos indirectamente del habla, expresiones faciales, seguimiento ocular, lenguaje corporal, señales fisiológicas, o combinaciones de estos. Esta información puede utilizarse entonces para sacar al estudiante de estados negativos como el aburrimiento o la frustración que inhiben el aprendizaje, hacia estados positivos como el compromiso o el disfrute7;
- ¿Qué pasa con aspectos cognitivos como la memoria, atención, habilidades de resolución de problemas, capacidad de toma de decisiones, análisis de situaciones y pensamiento crítico5?
- ¿Cómo se comunican y colaboran5? Por ejemplo, ¿publican comentarios en el feed de otros estudiantes y cómo discuten con otros para resolver problemas1?
- ¿Qué pasa con habilidades metacognitivas como autoregulación, autoexplicación, autoevaluación y autogestión5, búsqueda de ayuda, ser consciente de y poder controlar su propio pensamiento? Por ejemplo, cómo seleccionan sus objetivos de aprendizaje, usan conocimientos previos o eligen intencionalmente estrategias de resolución de problemas5.
Mientras estos datos cambian y deben ser registrados y actualizados, los modelos también contienen características estáticas como edad, género, lengua materna e identidad de correo electrónico2.
La mayoría de los ALS crean modelos de aprendices basados en interacciones con los estudiantes. Algunos también obtienen información de otros sitios, especialmente redes sociales. Una vez que un modelo está disponible para cada estudiante, la máquina calcula qué estudiantes son similares entre sí y estima la probabilidad de que un estudiante dado se beneficie de una actividad, ejemplo o pregunta3.
El modelo del dominio
Podemos trazar un paralelo independiente entre los objetos de aprendizaje en un ALS y los videos en Youtube. Un sujeto puede desglosarse en conceptos y habilidades; estos se llaman unidades de conocimiento (Units of Knowledge[KU] por sus siglas en inglés) y son lo que el estudiante requiere saber3. Cada KU tiene un conjunto de objetos de aprendizaje a través de los cuales se puede aprender el contenido, y un conjunto de actividades para evaluar el aprendizaje. Algunos autores desglosan aun más los objetos de aprendizaje en actividades de aprendizaje; no hacemos esto aquí.
Los objetos de aprendizaje pueden ser texto para leer, un video, un conjunto de problemas, actividades interactivas (desde completar los espacios en blanco hasta actividades de aprendizaje basadas en escenarios), animación interactiva, etc.1 Los objetos de aprendizaje dan lo que el estudiante necesita saber, y las actividades de evaluación indican si el conocimiento ha sido adquirido3. El modelo del dominio contiene todas las características de los objetos de aprendizaje, incluyendo la KU asociada y la evaluación.
Lo que un aprendiz aprende a continuación también dependerá de las interrelaciones entre las KU. Estas KU también necesitan entrar en el modelo: los objetos de aprendizaje A y B podrían ser ambos prerrequisitos para el objeto de aprendizaje D. Por lo tanto, A y B tienen que ser dominados antes de D. Hay un orden entre algunas KU que nos dice cómo aprendemos3. Por el contrario, si el estudiante resuelve correctamente un problema que corresponde a D, sería una buena apuesta que él o ella también dominaron A y B.
Los expertos en la materia pueden proporcionar algunas de estas relaciones. Las otras inferencias pueden ser aprendidas por la máquina, que puede predecir la probabilidad de que una KU haya sido dominada. Este dominio implica que el sistema sepa que el estudiante ha dominado A y B, dado que respondió preguntas bajo D. Luego puede usar esta información, junto con otras características de los modelos de estudiante y dominio, para recomendar caminos de aprendizaje y objetos de aprendizaje.
Otras características de los objetos de aprendizaje podrían incluir el nivel de dificultad de la actividad, su popularidad y sus calificaciones. El objetivo aquí, como en el caso de la recomendación de Youtube, es extraer tanta información como sea posible de los datos disponibles disponibles.
1 EdSurge. (2016). Decoding Adaptive. Pearson. https://www.pearson.com/content/dam/one-dot-com/one-dot-com/global/Files/about-pearson/innovation/Pearson-Decoding-Adaptive-v5-Web.pdf
2 Alkhatlan, A., & Kalita, J. K. (2019). Intelligent tutoring systems: A comprehensive historical survey with recent developments. International Journal of Computer Applications, 181(43), 1–20. https://ijcaonline.org/archives/volume181/number43/30402-2019918451/
3 Essa, A. (2016). A possible future for next generation adaptive learning systems. Smart Learning Environments, 3, Article 16. https://slejournal.springeropen.com/articles/10.1186/s40561-016-0038-y
4 Bulger, M. (2016). Personalised Learning: The conversations we’re not having [Working paper]. Data & Society.
5 Chrysafiadi, K., & Virvou, M. (2013). Student modeling approaches: A literature review for the last decade. Expert Systems with Applications, 40(11), 4715–4729. https://doi.org/10.1016/j.eswa.2013.02.031
6 Groff, J. (2017). Personalized learning: The state of the field & future directions. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/PersonalizedLearning_CCR_April2017.pdf
7 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M. (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing Learning and Teaching with Technology (pp. 256–285). UCL Institute of Education Press. https://discovery.ucl.ac.uk/id/eprint/10058950/1/Enhancing-learning-and-teaching-with-technology.pdf
