Para el bucle externo, se crean modelos con la ayuda de datos de entrenamiento, asignando pesos adecuados \u2013estas son caracter\u00edsticas que ayudan a recomendar contenido de aprendizaje efectivo2<\/sup>. (Ver tambi\u00e9n c\u00f3mo funciona el aprendizaje autom\u00e1tico.<\/a>). 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 n\u00famero de caminos puede llegar a trillones3<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_891\" align=\"aligncenter\" width=\"326\"] En el bucle interno, el AA se utiliza para dar retroalimentaci\u00f3n adecuada, detectar errores, inferir lagunas del conocimiento y evaluar la maestr\u00eda de unidades de conocimiento. Mientras trabaja en una actividad un estudiante podr\u00eda cometer errores. El AA puede utilizarse para predecir qu\u00e9 errores surgen de qu\u00e9 laguna de conocimiento. Si un paso de la soluci\u00f3n es correcto, el AA se puede utilizar para predecir qu\u00e9 unidades de conocimiento se han dominado con \u00e9xito2<\/sup>.<\/p>\r\n \r\n Otras t\u00e9cnicas utilizadas en sistemas adaptativos involucran menos automatizaci\u00f3n y m\u00e1s reglas expl\u00edcitamente escritas para hacer inferencias2<\/sup>.<\/span><\/p>\r\nExige mucho tiempo de programaci\u00f3n y esfuerzo extra capturar con precisi\u00f3n todos los criterios que entran en la toma de decisiones. Adem\u00e1s, los resultados a menudo no pueden generalizarse de un dominio a otro, o de un problema a otro.\r\n 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 m\u00e1s din\u00e1micos para los estudiantes1<\/sup>. Como en todas las aplicaciones de AA, hay entrenamiento y pruebas que se deben realizar antes de ser utilizadas en las aulas.<\/span><\/p>\r\n\r\n[caption id=\"attachment_118\" align=\"aligncenter\" width=\"607\"] En el caso de Youtube, vimos que hay muchos juicios de valor sobre lo que hace una buena recomendaci\u00f3n, como cu\u00e1ntos intereses del usuario necesitan ser cubiertos en un conjunto de recomendaciones, cu\u00e1ntos videos deben ser similares a los ya vistos, cu\u00e1nto contenido nuevo agregar para diversidad (ver C\u00f3mo Youtube te conoce, parte 2<\/a>). Los SAA involucran juicios similares sobre lo que significa dominar una UC y c\u00f3mo llegar a esa maestr\u00eda: la pedagog\u00eda y la experiencia diaria del estudiante4<\/sup>.<\/p>\r\n En el caso de los SAA, estos juicios y orientaciones sobre c\u00f3mo debe progresar un estudiante, deben basarse en teor\u00edas pedag\u00f3gicas probadas. Estos entran en el modelo pedag\u00f3gico, y, junto con los modelos de dominio y estudiante, ayudan a la m\u00e1quina a elegir un conjunto apropiado de actividades.<\/p>\r\n Algunas de las preguntas respondidas en este modelo son: \u00bfdeber\u00eda presentarse al estudiante un concepto, una actividad o una prueba? \u00bfEn qu\u00e9 nivel de dificultad? \u00bfC\u00f3mo eval\u00faan el aprendizaje y proporcionan retroalimentaci\u00f3n? \u00bfD\u00f3nde es necesario m\u00e1s andamiaje5<\/sup>? (Los andamios son mecanismos de apoyo que dan orientaci\u00f3n sobre conceptos y procedimientos, la estrategia utilizada y c\u00f3mo reflexionar, planificar y monitorear el aprendizaje). El modelo pedag\u00f3gico dicta la amplitud y profundidad de las actividades \u2013 e incluso si continuar dentro de los SAA o buscar ayuda del profesor3<\/sup>.<\/p>\r\n\r\n\r\n[caption id=\"attachment_118\" align=\"aligncenter\" width=\"1024\"] Las recomendaciones se presentan junto con otros datos como el progreso del estudiante, rendimiento y objetivos. Las preguntas clave aqu\u00ed son:<\/p>\r\n\r\n Cuando los SAA se pone en uso, la mayor\u00eda 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 volver\u00e1n menos relevantes con el tiempo6<\/sup>. Por lo tanto, el profesor tambi\u00e9n tiene que monitorear el rendimiento del sistema y proporcionar orientaci\u00f3n al estudiante y aplicar medidas correctivas cuando sea necesario.<\/p>\r\n Los profesores y compa\u00f1eros tambi\u00e9n tienen que proporcionar inspiraci\u00f3n y revelar recursos alternativos. La investigaci\u00f3n en sistemas de recomendaci\u00f3n fue moldeada por proveedores de contenido comerciales y compa\u00f1\u00edas de venta en l\u00ednea durante m\u00e1s de una d\u00e9cada. 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<\/sup> y el atractivo de caminos menos recorridos, pueden inspirar un aprendizaje duradero. Desafortunadamente, estos no son los puntos fuertes del aprendizaje personalizado basado en m\u00e1quinas.<\/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 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 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 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<\/sup><\/p>\r\n 5 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\/<\/sup><\/p>\r\n 6 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. 256\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>\r\n 7 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>","rendered":" En los \u00faltimos a\u00f1os, el AA se est\u00e1 utilizando cada vez m\u00e1s en sistemas adaptativos, ya sea como la \u00fanica tecnolog\u00eda o en conjunto con otros enfoques2<\/sup>. Donde se utiliza, el papel principal del AA es en la creaci\u00f3n y actualizaci\u00f3n de modelos de estudiantes, basados en un conjunto de caracter\u00edsticas, incluyendo resultados de evaluaciones y nuevos datos generados en el proceso1<\/sup>.<\/p>\n Para el bucle externo, se crean modelos con la ayuda de datos de entrenamiento, asignando pesos adecuados \u2013estas son caracter\u00edsticas que ayudan a recomendar contenido de aprendizaje efectivo2<\/sup>. (Ver tambi\u00e9n c\u00f3mo funciona el aprendizaje autom\u00e1tico.<\/a>). 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 n\u00famero de caminos puede llegar a trillones3<\/sup>.<\/p>\n En el bucle interno, el AA se utiliza para dar retroalimentaci\u00f3n adecuada, detectar errores, inferir lagunas del conocimiento y evaluar la maestr\u00eda de unidades de conocimiento. Mientras trabaja en una actividad un estudiante podr\u00eda cometer errores. El AA puede utilizarse para predecir qu\u00e9 errores surgen de qu\u00e9 laguna de conocimiento. Si un paso de la soluci\u00f3n es correcto, el AA se puede utilizar para predecir qu\u00e9 unidades de conocimiento se han dominado con \u00e9xito2<\/sup>.<\/p>\n <\/p>\n Otras t\u00e9cnicas utilizadas en sistemas adaptativos involucran menos automatizaci\u00f3n y m\u00e1s reglas expl\u00edcitamente escritas para hacer inferencias2<\/sup>.<\/span><\/p>\n Exige mucho tiempo de programaci\u00f3n y esfuerzo extra capturar con precisi\u00f3n todos los criterios que entran en la toma de decisiones. Adem\u00e1s, los resultados a menudo no pueden generalizarse de un dominio a otro, o de un problema a otro.<\/p>\n 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 m\u00e1s din\u00e1micos para los estudiantes1<\/sup>. Como en todas las aplicaciones de AA, hay entrenamiento y pruebas que se deben realizar antes de ser utilizadas en las aulas.<\/span><\/p>\n En el caso de Youtube, vimos que hay muchos juicios de valor sobre lo que hace una buena recomendaci\u00f3n, como cu\u00e1ntos intereses del usuario necesitan ser cubiertos en un conjunto de recomendaciones, cu\u00e1ntos videos deben ser similares a los ya vistos, cu\u00e1nto contenido nuevo agregar para diversidad (ver C\u00f3mo Youtube te conoce, parte 2<\/a>). Los SAA involucran juicios similares sobre lo que significa dominar una UC y c\u00f3mo llegar a esa maestr\u00eda: la pedagog\u00eda y la experiencia diaria del estudiante4<\/sup>.<\/p>\n En el caso de los SAA, estos juicios y orientaciones sobre c\u00f3mo debe progresar un estudiante, deben basarse en teor\u00edas pedag\u00f3gicas probadas. Estos entran en el modelo pedag\u00f3gico, y, junto con los modelos de dominio y estudiante, ayudan a la m\u00e1quina a elegir un conjunto apropiado de actividades.<\/p>\n Algunas de las preguntas respondidas en este modelo son: \u00bfdeber\u00eda presentarse al estudiante un concepto, una actividad o una prueba? \u00bfEn qu\u00e9 nivel de dificultad? \u00bfC\u00f3mo eval\u00faan el aprendizaje y proporcionan retroalimentaci\u00f3n? \u00bfD\u00f3nde es necesario m\u00e1s andamiaje5<\/sup>? (Los andamios son mecanismos de apoyo que dan orientaci\u00f3n sobre conceptos y procedimientos, la estrategia utilizada y c\u00f3mo reflexionar, planificar y monitorear el aprendizaje). El modelo pedag\u00f3gico dicta la amplitud y profundidad de las actividades \u2013 e incluso si continuar dentro de los SAA o buscar ayuda del profesor3<\/sup>.<\/p>\n Las recomendaciones se presentan junto con otros datos como el progreso del estudiante, rendimiento y objetivos. Las preguntas clave aqu\u00ed son:<\/p>\n Cuando los SAA se pone en uso, la mayor\u00eda 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 volver\u00e1n menos relevantes con el tiempo6<\/sup>. Por lo tanto, el profesor tambi\u00e9n tiene que monitorear el rendimiento del sistema y proporcionar orientaci\u00f3n al estudiante y aplicar medidas correctivas cuando sea necesario.<\/p>\n Los profesores y compa\u00f1eros tambi\u00e9n tienen que proporcionar inspiraci\u00f3n y revelar recursos alternativos. La investigaci\u00f3n en sistemas de recomendaci\u00f3n fue moldeada por proveedores de contenido comerciales y compa\u00f1\u00edas de venta en l\u00ednea durante m\u00e1s de una d\u00e9cada. Por lo tanto, el enfoque ha estado en proporcionar recomendaciones que produzcan resultados que puedan ser promovidos. \u00abLa sorprendente delicia de una joya inesperada\u00bb7<\/sup> y el atractivo de caminos menos recorridos, pueden inspirar un aprendizaje duradero. Desafortunadamente, estos no son los puntos fuertes del aprendizaje personalizado basado en m\u00e1quinas.<\/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 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 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 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<\/sup><\/p>\n 5 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\/<\/sup><\/p>\n 6 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. 256\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![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/Espanol-ES-9.2-1-1024x858.jpg\")
Imagen Una m\u00e1quina aprende, adaptada de AI\u202fOpen\u202fText\u202fLab (2022). Traducci\u00f3n Rodriguez Enr\u00edquez del texto incluido en la imagen. Fuente: AI\u202fOpen\u202fText\u202fLab. Licencia: CC\u202fBY\u2011SA\u202f4.0. https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/<\/a>[\/caption]\r\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/ch4-page-6-adaptive-content.jpg\")
EdSurge. (2016). Decoding Adaptive<\/em> [Imagen]. Pearson, Londres. Licencia CC BY 4.0 https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\r\nModelo pedag\u00f3gico<\/h3>\r\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/wp-content\/uploads\/sites\/20\/2024\/02\/ch4-page-6-content-scaffolding-1024x724.jpg\")
Imagen de EdSurge, en<\/em> Decoding Adaptive (Pearson, Londres, 2016). Licencia CC BY 4.0. <\/em>\u00a0https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\r\nLa interfaz<\/h3>\r\n
\r\n \t
Evaluaci\u00f3n<\/h3>\r\n
\r\nEl proceso<\/h3>\n
Modelo pedag\u00f3gico<\/h3>\n
La interfaz<\/h3>\n
\n
Evaluaci\u00f3n<\/h3>\n
\n