Al observar un ALS, es muy dif\u00edcil decir d\u00f3nde se adapta1<\/sup>. La tecnolog\u00eda utilizada y para qu\u00e9 se utiliza tambi\u00e9n cambia entre sistemas.<\/p>\r\n Sin embargo, todos los ALS saben a qui\u00e9n ense\u00f1an (conocimiento sobre el estudiante), qu\u00e9 ense\u00f1an (conocimiento sobre el dominio) y c\u00f3mo ense\u00f1ar (conocimiento sobre la pedagog\u00eda)2<\/sup>.<\/p>\r\n Un ALS ideal se adapta de m\u00faltiples 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 tambi\u00e9n podr\u00eda personalizar los enfoques de aprendizaje y los niveles de dificultad.<\/p>\r\n En el bucle interno, dentro de cada actividad, el ALS monitorea el progreso paso a paso. Adapta la retroalimentaci\u00f3n y las pistas para corregir conceptos err\u00f3neos, si los hay. Tambi\u00e9n podr\u00eda se\u00f1alar 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 espec\u00edficos, sino que el conocimiento y la experiencia del profesor siempre superar\u00e1n al de la m\u00e1quina3<\/sup>.<\/p>\r\n\r\n Como todos los problemas de recomendaci\u00f3n (Ver C\u00f3mo Youtube Te Conoce Parte 1<\/a>), ALS divide la tarea en una o m\u00e1s preguntas sustitutas que pueden ser respondidas por la m\u00e1quina. De nuevo, la elecci\u00f3n de qu\u00e9 preguntar -y por lo tanto, qu\u00e9 predecir- tiene un gran impacto en qu\u00e9 recomendaci\u00f3n se muestra.<\/p>\r\n El material de marketing a menudo menciona m\u00faltiples objetivos: mejorar calificaciones, empleabilidad y compromiso. Dada la naturaleza propietaria de los sistemas, generalmente no est\u00e1 claro qu\u00e9 preguntas est\u00e1n codificadas en los sistemas, qu\u00e9 objetivos se est\u00e1n optimizando y c\u00f3mo 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<\/sup>.<\/p>\r\n Donde se utiliza el aprendizaje autom\u00e1tico, independientemente de los objetivos elegidos, la predicci\u00f3n en s\u00ed se basa en otros estudiantes con niveles de habilidad y preferencias similares. Es decir, estudiantes cuyos modelos son similares.<\/p>\r\n\r\n Para crear un modelo de estudiante, los desarrolladores preguntan qu\u00e9 caracter\u00edsticas 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 m\u00e1quinas est\u00e1n limitadas a los datos que pueden ser recopilados y procesados por ellas.<\/p>\r\n Caracter\u00edsticas t\u00edpicas consideradas en un modelo de estudiante:<\/p>\r\n\r\n Mientras estos datos cambian y deben ser registrados y actualizados, los modelos tambi\u00e9n contienen caracter\u00edsticas est\u00e1ticas como edad, g\u00e9nero, lengua materna e identidad de correo electr\u00f3nico2<\/sup>.<\/strong><\/p>\r\n La mayor\u00eda de los ALS crean modelos de aprendices basados en interacciones con los estudiantes. Algunos tambi\u00e9n obtienen informaci\u00f3n de otros sitios, especialmente redes sociales. Una vez que un modelo est\u00e1 disponible para cada estudiante, la m\u00e1quina calcula qu\u00e9 estudiantes son similares entre s\u00ed y estima la probabilidad de que un estudiante dado se beneficie de una actividad, ejemplo o pregunta3<\/sup>.<\/p>\r\n\r\n 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 ingl\u00e9s) y son lo que el estudiante requiere saber3<\/sup>. Cada KU tiene un conjunto de objetos de aprendizaje a trav\u00e9s de los cuales se puede aprender el contenido, y un conjunto de actividades para evaluar el aprendizaje. Algunos autores desglosan aun m\u00e1s los objetos de aprendizaje en actividades de aprendizaje; no hacemos esto aqu\u00ed.<\/p>\r\n 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), animaci\u00f3n interactiva, etc.1 <\/sup>Los objetos de aprendizaje dan lo que el estudiante necesita saber, y las actividades de evaluaci\u00f3n indican si el conocimiento ha sido adquirido3<\/sup>. El modelo del dominio contiene todas las caracter\u00edsticas de los objetos de aprendizaje, incluyendo la KU asociada y la evaluaci\u00f3n.\r\nLo que un aprendiz aprende a continuaci\u00f3n tambi\u00e9n depender\u00e1 de las interrelaciones entre las KU. Estas KU tambi\u00e9n necesitan entrar en el modelo: los objetos de aprendizaje A y B podr\u00edan 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 c\u00f3mo aprendemos3<\/sup>. Por el contrario, si el estudiante resuelve correctamente un problema que corresponde a D, ser\u00eda una buena apuesta que \u00e9l o ella tambi\u00e9n dominaron A y B.<\/p>\r\n Los expertos en la materia pueden proporcionar algunas de estas relaciones. Las otras inferencias pueden ser aprendidas por la m\u00e1quina, 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 respondi\u00f3 preguntas bajo D. Luego puede usar esta informaci\u00f3n, junto con otras caracter\u00edsticas de los modelos de estudiante y dominio, para recomendar caminos de aprendizaje y objetos de aprendizaje.<\/p>\r\n\r\n\r\n[caption id=\"attachment_898\" align=\"aligncenter\" width=\"438\"] Otras caracter\u00edsticas de los objetos de aprendizaje podr\u00edan incluir el nivel de dificultad de la actividad, su popularidad y sus calificaciones. El objetivo aqu\u00ed, como en el caso de la recomendaci\u00f3n de Youtube, es extraer tanta informaci\u00f3n como sea posible de los datos disponibles disponibles.<\/p>\r\n\r\n\r\n 1<\/sup> EdSurge.<\/strong> (2016). Decoding Adaptive<\/em>. Pearson. https:\/\/www.pearson.com\/content\/dam\/one-dot-com\/one-dot-com\/global\/Files\/about-pearson\/innovation\/Pearson-Decoding-Adaptive-v5-Web.pdf<\/a><\/p>\r\n 2 Alkhatlan, A., & Kalita, J. K.<\/strong> (2019). Intelligent tutoring systems: A comprehensive historical survey with recent developments. International Journal of Computer Applications, 181<\/em>(43), 1\u201320. https:\/\/ijcaonline.org\/archives\/volume181\/number43\/30402-2019918451\/<\/a><\/sup><\/p>\r\n 3 Essa, A.<\/strong> (2016). A possible future for next generation adaptive learning systems. Smart Learning Environments, 3<\/em>, Article 16. https:\/\/slejournal.springeropen.com\/articles\/10.1186\/s40561-016-0038-y<\/a><\/sup><\/p>\r\n 4 Bulger, M.<\/strong> (2016). Personalised Learning: The conversations we\u2019re not having<\/em> [Working paper]. Data & Society.<\/sup><\/p>\r\n 5 Chrysafiadi, K., & Virvou, M.<\/strong> (2013). Student modeling approaches: A literature review for the last decade. Expert Systems with Applications, 40<\/em>(11), 4715\u20134729. https:\/\/doi.org\/10.1016\/j.eswa.2013.02.031<\/a><\/sup><\/p>\r\n 6 Groff, J.<\/strong> (2017). Personalized learning: The state of the field & future directions<\/em>. Center for Curriculum Redesign. https:\/\/curriculumredesign.org\/wp-content\/uploads\/PersonalizedLearning_CCR_April2017.pdf<\/a><\/span><\/sup><\/p>\r\n 7 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing Learning and Teaching with Technology<\/em> (pp.\u202f256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>","rendered":" Al observar un ALS, es muy dif\u00edcil decir d\u00f3nde se adapta1<\/sup>. La tecnolog\u00eda utilizada y para qu\u00e9 se utiliza tambi\u00e9n cambia entre sistemas.<\/p>\n Sin embargo, todos los ALS saben a qui\u00e9n ense\u00f1an (conocimiento sobre el estudiante), qu\u00e9 ense\u00f1an (conocimiento sobre el dominio) y c\u00f3mo ense\u00f1ar (conocimiento sobre la pedagog\u00eda)2<\/sup>.<\/p>\n Un ALS ideal se adapta de m\u00faltiples 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 tambi\u00e9n podr\u00eda personalizar los enfoques de aprendizaje y los niveles de dificultad.<\/p>\n En el bucle interno, dentro de cada actividad, el ALS monitorea el progreso paso a paso. Adapta la retroalimentaci\u00f3n y las pistas para corregir conceptos err\u00f3neos, si los hay. Tambi\u00e9n podr\u00eda se\u00f1alar 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 espec\u00edficos, sino que el conocimiento y la experiencia del profesor siempre superar\u00e1n al de la m\u00e1quina3<\/sup>.<\/p>\n Como todos los problemas de recomendaci\u00f3n (Ver C\u00f3mo Youtube Te Conoce Parte 1<\/a>), ALS divide la tarea en una o m\u00e1s preguntas sustitutas que pueden ser respondidas por la m\u00e1quina. De nuevo, la elecci\u00f3n de qu\u00e9 preguntar -y por lo tanto, qu\u00e9 predecir- tiene un gran impacto en qu\u00e9 recomendaci\u00f3n se muestra.<\/p>\n El material de marketing a menudo menciona m\u00faltiples objetivos: mejorar calificaciones, empleabilidad y compromiso. Dada la naturaleza propietaria de los sistemas, generalmente no est\u00e1 claro qu\u00e9 preguntas est\u00e1n codificadas en los sistemas, qu\u00e9 objetivos se est\u00e1n optimizando y c\u00f3mo 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<\/sup>.<\/p>\n Donde se utiliza el aprendizaje autom\u00e1tico, independientemente de los objetivos elegidos, la predicci\u00f3n en s\u00ed se basa en otros estudiantes con niveles de habilidad y preferencias similares. Es decir, estudiantes cuyos modelos son similares.<\/p>\n Para crear un modelo de estudiante, los desarrolladores preguntan qu\u00e9 caracter\u00edsticas 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 m\u00e1quinas est\u00e1n limitadas a los datos que pueden ser recopilados y procesados por ellas.<\/p>\n Caracter\u00edsticas t\u00edpicas consideradas en un modelo de estudiante:<\/p>\n Mientras estos datos cambian y deben ser registrados y actualizados, los modelos tambi\u00e9n contienen caracter\u00edsticas est\u00e1ticas como edad, g\u00e9nero, lengua materna e identidad de correo electr\u00f3nico2<\/sup>.<\/strong><\/p>\n La mayor\u00eda de los ALS crean modelos de aprendices basados en interacciones con los estudiantes. Algunos tambi\u00e9n obtienen informaci\u00f3n de otros sitios, especialmente redes sociales. Una vez que un modelo est\u00e1 disponible para cada estudiante, la m\u00e1quina calcula qu\u00e9 estudiantes son similares entre s\u00ed y estima la probabilidad de que un estudiante dado se beneficie de una actividad, ejemplo o pregunta3<\/sup>.<\/p>\n 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 ingl\u00e9s) y son lo que el estudiante requiere saber3<\/sup>. Cada KU tiene un conjunto de objetos de aprendizaje a trav\u00e9s de los cuales se puede aprender el contenido, y un conjunto de actividades para evaluar el aprendizaje. Algunos autores desglosan aun m\u00e1s los objetos de aprendizaje en actividades de aprendizaje; no hacemos esto aqu\u00ed.<\/p>\n 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), animaci\u00f3n interactiva, etc.1 <\/sup>Los objetos de aprendizaje dan lo que el estudiante necesita saber, y las actividades de evaluaci\u00f3n indican si el conocimiento ha sido adquirido3<\/sup>. El modelo del dominio contiene todas las caracter\u00edsticas de los objetos de aprendizaje, incluyendo la KU asociada y la evaluaci\u00f3n. Los expertos en la materia pueden proporcionar algunas de estas relaciones. Las otras inferencias pueden ser aprendidas por la m\u00e1quina, 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 respondi\u00f3 preguntas bajo D. Luego puede usar esta informaci\u00f3n, junto con otras caracter\u00edsticas de los modelos de estudiante y dominio, para recomendar caminos de aprendizaje y objetos de aprendizaje.<\/p>\n Otras caracter\u00edsticas de los objetos de aprendizaje podr\u00edan incluir el nivel de dificultad de la actividad, su popularidad y sus calificaciones. El objetivo aqu\u00ed, como en el caso de la recomendaci\u00f3n de Youtube, es extraer tanta informaci\u00f3n como sea posible de los datos disponibles disponibles.<\/p>\n 1<\/sup> EdSurge.<\/strong> (2016). Decoding Adaptive<\/em>. Pearson. https:\/\/www.pearson.com\/content\/dam\/one-dot-com\/one-dot-com\/global\/Files\/about-pearson\/innovation\/Pearson-Decoding-Adaptive-v5-Web.pdf<\/a><\/p>\n 2 Alkhatlan, A., & Kalita, J. K.<\/strong> (2019). Intelligent tutoring systems: A comprehensive historical survey with recent developments. International Journal of Computer Applications, 181<\/em>(43), 1\u201320. https:\/\/ijcaonline.org\/archives\/volume181\/number43\/30402-2019918451\/<\/a><\/sup><\/p>\n 3 Essa, A.<\/strong> (2016). A possible future for next generation adaptive learning systems. Smart Learning Environments, 3<\/em>, Article 16. https:\/\/slejournal.springeropen.com\/articles\/10.1186\/s40561-016-0038-y<\/a><\/sup><\/p>\n 4 Bulger, M.<\/strong> (2016). Personalised Learning: The conversations we\u2019re not having<\/em> [Working paper]. Data & Society.<\/sup><\/p>\n 5 Chrysafiadi, K., & Virvou, M.<\/strong> (2013). Student modeling approaches: A literature review for the last decade. Expert Systems with Applications, 40<\/em>(11), 4715\u20134729. https:\/\/doi.org\/10.1016\/j.eswa.2013.02.031<\/a><\/sup><\/p>\n 6 Groff, J.<\/strong> (2017). Personalized learning: The state of the field & future directions<\/em>. Center for Curriculum Redesign. https:\/\/curriculumredesign.org\/wp-content\/uploads\/PersonalizedLearning_CCR_April2017.pdf<\/a><\/span><\/sup><\/p>\n 7 du Boulay, B., Poulovassilis, A., Holmes, W., & Mavrikis, M.<\/strong> (2018). Artificial intelligence and big data technologies to close the achievement gap. En R. Luckin (Ed.), Enhancing Learning and Teaching with Technology<\/em> (pp.\u202f256\u2013285). UCL Institute of Education Press. https:\/\/discovery.ucl.ac.uk\/id\/eprint\/10058950\/1\/Enhancing-learning-and-teaching-with-technology.pdf<\/a><\/sup><\/p>\n","protected":false},"author":3,"menu_order":5,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":98,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/116"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/users\/3"}],"version-history":[{"count":12,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/116\/revisions"}],"predecessor-version":[{"id":899,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/116\/revisions\/899"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/parts\/98"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/116\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/media?parent=116"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapter-type?post=116"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/contributor?post=116"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/license?post=116"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}C\u00f3mo los sistemas adaptativos aprenden del estudiante<\/h3>\r\n
El modelo del estudiante<\/h3>\r\n
\r\n \t
El modelo del dominio<\/h3>\r\n[caption id=\"attachment_896\" align=\"aligncenter\" width=\"412\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/ES-24.2-1024x726.jpg\")
Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-24.3-1024x726.jpg\")
Traducci\u00f3n al espa\u00f1ol de Rodr\u00edguez Enr\u00edquez de una imagen tomada de AI for Teachers (https:\/\/pressbooks.pub\/aiforteachers\/chapter\/ai-speak-data-based-systems-part-2\/). LicenciaCC BY-NC 4.0 https:\/\/creativecommons.org\/licenses\/by-nc\/4.0\/<\/a>[\/caption]\r\n
\r\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-EN-24.1-576x1024.jpg\")
C\u00f3mo los sistemas adaptativos aprenden del estudiante<\/h3>\n
El modelo del estudiante<\/h3>\n
\n
El modelo del dominio<\/h3>\n
\nLo que un aprendiz aprende a continuaci\u00f3n tambi\u00e9n depender\u00e1 de las interrelaciones entre las KU. Estas KU tambi\u00e9n necesitan entrar en el modelo: los objetos de aprendizaje A y B podr\u00edan 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 c\u00f3mo aprendemos3<\/sup>. Por el contrario, si el estudiante resuelve correctamente un problema que corresponde a D, ser\u00eda una buena apuesta que \u00e9l o ella tambi\u00e9n dominaron A y B.<\/p>\n
\n