25 Habla de IA: cómo los sistemas adaptativos aprenden del estudiante -Parte 2

El proceso

En los últimos años, el AA se está utilizando cada vez más en sistemas adaptativos, ya sea como la única tecnología o en conjunto con otros enfoques². Donde se utiliza, el papel principal del AA es en la creación y actualización de modelos de estudiantes, basados en un conjunto de características, incluyendo resultados de evaluaciones y nuevos datos generados en el proceso¹.

Para el bucle externo, se crean modelos con la ayuda de datos de entrenamiento, asignando pesos adecuados –estas son características que ayudan a recomendar contenido de aprendizaje efectivo². (Ver también cómo funciona el aprendizaje automático.). Estos modelos se utilizan para recomendar regularmente nuevos caminos de aprendizaje que reflejan el progreso del estudiante y los intereses cambiantes -como nuevas recomendaciones en Youtube. En los Sistemas de AA (SAA) basados en AA, el número de caminos puede llegar a trillones³.

En el bucle interno, el AA se utiliza para dar retroalimentación adecuada, detectar errores, inferir lagunas del conocimiento y evaluar la maestría de unidades de conocimiento. Mientras trabaja en una actividad un estudiante podría cometer errores. El AA puede utilizarse para predecir qué errores surgen de qué laguna de conocimiento. Si un paso de la solución es correcto, el AA se puede utilizar para predecir qué unidades de conocimiento se han dominado con éxito².

Otras técnicas utilizadas en sistemas adaptativos involucran menos automatización y más reglas explícitamente escritas para hacer inferencias².

Exige mucho tiempo de programación y esfuerzo extra capturar con precisión todos los criterios que entran en la toma de decisiones. Además, los resultados a menudo no pueden generalizarse de un dominio a otro, o de un problema a otro.

Las herramientas que usan AA utilizan grandes conjuntos de datos sobre el rendimiento real de los estudiantes y son capaces, con el tiempo, de crear los caminos de aprendizaje más dinámicos para los estudiantes¹. Como en todas las aplicaciones de AA, hay entrenamiento y pruebas que se deben realizar antes de ser utilizadas en las aulas.

Modelo pedagógico

En el caso de Youtube, vimos que hay muchos juicios de valor sobre lo que hace una buena recomendación, como cuántos intereses del usuario necesitan ser cubiertos en un conjunto de recomendaciones, cuántos videos deben ser similares a los ya vistos, cuánto contenido nuevo agregar para diversidad (ver Cómo Youtube te conoce, parte 2). Los SAA involucran juicios similares sobre lo que significa dominar una UC y cómo llegar a esa maestría: la pedagogía y la experiencia diaria del estudiante⁴.

En el caso de los SAA, estos juicios y orientaciones sobre cómo debe progresar un estudiante, deben basarse en teorías pedagógicas probadas. Estos entran en el modelo pedagógico, y, junto con los modelos de dominio y estudiante, ayudan a la máquina a elegir un conjunto apropiado de actividades.

Algunas de las preguntas respondidas en este modelo son: ¿debería presentarse al estudiante un concepto, una actividad o una prueba? ¿En qué nivel de dificultad? ¿Cómo evalúan el aprendizaje y proporcionan retroalimentación? ¿Dónde es necesario más andamiaje⁵? (Los andamios son mecanismos de apoyo que dan orientación sobre conceptos y procedimientos, la estrategia utilizada y cómo reflexionar, planificar y monitorear el aprendizaje). El modelo pedagógico dicta la amplitud y profundidad de las actividades – e incluso si continuar dentro de los SAA o buscar ayuda del profesor³.

La interfaz

Las recomendaciones se presentan junto con otros datos como el progreso del estudiante, rendimiento y objetivos. Las preguntas clave aquí son:

• ¿Cómo se entregará el contenido?
• ¿Cuánto contenido se recomendará de una vez?
• ¿Qué se asigna directamente y qué se recomienda?
• ¿Cuáles son los recursos de apoyo?
• ¿Es posible proporcionar actividades grupales?
• ¿Cuánta autonomía se debe permitir?
• ¿Pueden los estudiantes cambiar sus preferencias?
• ¿Pueden los profesores cambiar los caminos de aprendizaje?
• ¿Qué datos se muestran a los profesores?
• ¿Están los profesores en el bucle?

Evaluación

Cuando los SAA se pone en uso, la mayoría de los sistemas monitorean su propio rendimiento contra los criterios establecidos por el programador. Como en cualquier herramienta de IA, los datos pueden estar sesgados. Las inferencias hechas por el sistema pueden ser imprecisas. Los datos pasados del estudiante se volverán menos relevantes con el tiempo⁶. Por lo tanto, el profesor también tiene que monitorear el rendimiento del sistema y proporcionar orientación al estudiante y aplicar medidas correctivas cuando sea necesario.

Los profesores y compañeros también tienen que proporcionar inspiración y revelar recursos alternativos. La investigación en sistemas de recomendación fue moldeada por proveedores de contenido comerciales y compañías de venta en línea durante más de una década. Por lo tanto, el enfoque ha estado en proporcionar recomendaciones que produzcan resultados que puedan ser promovidos. «La sorprendente delicia de una joya inesperada»⁷ y el atractivo de caminos menos recorridos, pueden inspirar un aprendizaje duradero. Desafortunadamente, estos no son los puntos fuertes del aprendizaje personalizado basado en máquinas.

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 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}

^{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 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}

^{5 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/}

^{6 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}

^{7 Konstan, J. A., & Terveen, L. G. (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42(3), 31–42. https://doi.org/10.1609/aimag.v42i3.18142}