Inteligencia Artificial y Educación ¿dónde estamos?

Imagen original de John Angelo Yap en Goldenpeguin

 

 

 

 

 

Miguel Zapata-Ros, Universidad de Murcia.  Director de RED

 

La idea que quiero transmitir en este artículo es que, primero, hay una hipervaloración sobre lo que son y sobre lo que pueden hacer la IA generativa, los LLM y el ChatGPT, o lo que se puede hacer con ellos. También se exagera sobre la necesidad de su uso en Educación. Y por último, sobre del papel que pueden cumplir como inusitados auxiliares para el aprendizaje, de manera que van a cambiar radicalmente las cosas.

Lo segundo que constataremos es que esa hipervaloración no está en absoluto justificada con evidencias que avalen lo que se dice ni mucho menos.

Lo tercero que veremos, será lo que constituye una de las cuestiones clave del trabajo: Notaremos que, si bien no es tanto, sí hay motivos para pensar que la presencia de la IA va a propiciar importantes cambios en las practicas. Eso es, por el momento, lo único que parece que, de forma esporádica y mediante casos y prácticas personales y aisladas, se ha justificado mínimamente (Korinek, 2023). También es previsible que haya cambios de calado, en aspectos básicos, ante los cuales es preciso dar respuestas.

Si bien no se han aportado evidencias, el volumen de lo publicado en todos los órdenes y en multitud de medios apunta hacia cambios que chocan de frente, son contradictorios, e incluso ignoran, la mayor parte de lo que se había investigado y elaborado en cuanto a teorías del aprendizaje y en su derivada que es el diseño instruccional. Chocan en cómo se había consensuado que se organiza la instrucción, la educación, para ser eficiente: en función de las leyes y principios demostrados que rigen el aprendizaje humano. En este apartado, que constituye lo clave del trabajo, defendemos la importancia de la teoría en el diseño, desarrollo e implementación de la IA en la educación. Al hacerlo, cuestionamos la relevancia y el valor de aplicación continuada y sin revisión de las teorías de aprendizaje existentes, cuando la IA se vuelva prominente en las aulas. Exigiremos pues nuevos marcos, modelos y formas de pensar; aquellos que incluyen la presencia de agentes no humanos que se parecen más a un socio activo que a una simple tecnología, lo que genera preguntas importantes sobre la revisión de las teorías de aprendizaje colaborativas y basadas en equipos, existentes. 
Así nos planteamos que la integración de marcos teóricos nuevos, para la implementación y el desarrollo de sistemas educativos, en los que se incluye la IA como socio, es esencial para avanzar y lograr resultados de aprendizaje óptimos.

Paro ello plantearemos al menos las interrogantes siguientes: 

La adopción de la IA en la educación ¿requiere modificaciones o revisiones de cómo se conceptualiza la forma en que aprendemos? 

¿O se requiere una reestructuración completa, que resulte de la necesidad de nuevas teorías? 

¿Qué debería ofrecer la teoría a los educadores cuando se incluye la IA? Es importante para ello responder primero a

¿La facilidad de acceso de la IA al contenido y la capacidad de producir contenido disminuye la importancia del conocimiento declarativo? 

Y por último destacamos, no sin cierta perplejidad, cómo lo que se apuntaba como una tímida tendencia sólo justificable en el aprendizaje humano, pero con cierta simpatía por parte de algunos autores que hacía prevenir que finalmente se vería positivo en humanos, finalmente y con todo desparpajo se avala como un conjunto de métodos para aplicar en personas, constituyen ya una tendencia. Me refiero al aprendizaje condicionado o aprendizaje humano por refuerzo. Algo abandonado hace tiempo que ahora se rescata.

I

Sobre lo primero que hemos dicho que vamos a tratar, la hipervaloración de la IA Generativa, no hace falta insistir mucho, ya se encargan los medios, los creadores de opinión educativa y académica  (Clark aquí y aquí , Pedreño,… y otros más actuales),  prestigiosas plataformas como Graduate School of Educationa de Harvard e incluso documentos oficiales de medios académicos, como guías para el uso de la IA — de la UNED (Uso educativo de la Inteligencia Artificial Generativa), de la UOC y de UMU Publicaciones). También cierto tipo de literatura científica, como son exégesis teóricas sin base empírica, revisiones de la literatura sin masa crítica de investigaciones o usando otras revisiones, y articulos sobre percepción de estudiantes, profesores y autoridades, así como self report studies. Todo ello podemos encontrarlo incluso de forma prolija como contenido de revistas. Algunas de ellas hasta  bien posicionas y con buenos índices de citación y de impacto (IF, SJR, CiteScore).

No hace falta insistir sobre este punto, pues.

II

La cuestión ahora es: ¿en qué ayuda la IA generativa al aprendizaje?, y su derivada: ¿cómo podemos hacerlo para que eso, lo que ayuda al aprendizaje, pueda ser utilizado en la educación? Lo que no podemos hacer es utilizar la IA generativa y el ChatGPT de forma generalizada, invirtiendo recursos en ello sin certezas y no podemos difundirlo para que otros lo hagan, hasta que no tengamos evidencias de sus efectos. Es grande la responsabilidad que tenemos. Ya tenemos la experiencia de que eso ha pasado en otras ocasiones y de las consecuencias que ha tenido. Recordemos las matemáticas llamadas modernas o los estilos de aprendizaje. Ver este tuit (Zapata-Ros, November 30, 2023).

En el día de hoy, revisando plataformas de edición científica (Scopus-Elsevier, WoS, Google Scholar) no he encontrado investigaciones rigurosas y terminantes de ventajas en el aprendizaje, no en destrezas instrumentales como puedan ser la ayuda a la redacción, que habría que ver si es útil para la adquisición de esa destreza o contraproducente, sino en aspectos centrales, los que definen Merrill o Gagné como principios principales del aprendizaje. Por el contrario, he encontrado artículos de dudosa buena práctica investigadora, pese a haber superado la revisión de pares. Como por ejemplo estos:

 

Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learningD Baidoo-Anu, LO Ansah – Journal of AI. 426 citas en GS. Revisión de revisiones y de exégesis.

ChatGPT user experience: Implications for educationX Zhai. El autor se basa en su experiencia del usuario, reflexionando sobre los posibles impactos de ChatGPT, así como de herramientas de inteligencia artificial similares, en la educación. Tiene 266 citas en GS.

An AI-Based Learning Style Prediction Model for Personalized and Effective Learning, Varsha T. Lokare, Prakash M. Jadhav

Mención especial merece este último que, aunque es un borrador de paper, ha pasado la revisión editorial previa de Science Direct, diciendo:

“A lo largo de los años, los estudiantes han utilizado diversas técnicas para adquirir conocimientos y estudiar materias específicas. Estos métodos incluyen los métodos de aprendizaje visual, auditivo, lectoescritura y cinestésico, entre otros, que estimulan el cerebro con diferentes impulsos. Este estudio tiene como objetivo identificar el enfoque de aprendizaje más utilizado y explorar cómo las respuestas fisiológicas impactan las habilidades de los estudiantes. aprendiendo. Evaluar a los estudiantes’ Centrarse en el uso de diversas estrategias de aprendizaje, como visual, auditiva, de lectura y escritura y cinestésica, es fundamental para implementar métodos de enseñanza eficaces.”

Señala como eficaces para el aprendizaje los métodos de organizar la instrucción basados en los llamados “estilos de aprendizaje”. Cualquier doctorando o alumno de Pedagogía sabe que se trata de un mito educativo, y apoco que busque en las bases de datos encontrará docenas de evidencias en su contra.

Pues bien en este artículo “se está desarrollando un modelo de predicción de preferencias de aprendizaje basado en IA para comprender mejor los estilos de aprendizaje individuales de los estudiantes.”

 

Resumiendo, sobre esas evidencias y buenas prácticas, que no existen prácticamente o no existen de forma consistente y fiable, estamos buscando información. También las revistas y las instituciones públicas o de investigación lo ven como una urgencia. En este sentido podemos señalar cinco iniciativas.

1

RED. Convocatoria de un número especial titulado IA generativa, ChatGPT y Educación. Consecuencias para el Aprendizaje Inteligente y la Evaluación Educativa / Generative AI, ChatGPT and Education. Consequences for Intelligent Learning and Educational Assessment. Se plantean las consecuencias frente a dos posibles escenarios y sus consecuencias. El primero se derivan de que la IA tenga el potencial de revolucionar los métodos de enseñanza, la evaluación y la ayuda al alumno, existentes. El segundo el que la IA tenga la capacidad de crear un sistema educativo completamente nuevo. 

Otras cuestiones que se plantean ahora como interrogantes son: Cuáles son los impactos que se producirán cuando la IA comience a servir como un socio activo en acciones sociales, creativas e intelectuales sostenidas a lo largo del tiempo, no sólo puntuales o como repuesta a preguntas aisladas, que es lo que ahora más frecuentemente se hace. En este momento esos impactos en las prácticas, los que puedan existir, son desconocidos. También se plantgea cómo del impacto de una dependencia excesiva, en los sistemas de IA en la educación, se podría derivar una disminución de muchos de los rasgos que nos hacen humanos. En este caso la pregunta es si ese impacto contribuiría a una disminución de la formación “humana” de los alumnos. Entre esos rasgos se incluyen la autorregulación, la metacognición, la orientación a objetivos, la planificación, las tormentas de ideas creativas y una variedad de habilidades que podrían verse afectadas negativamente por la automatización o la toma de control de las máquinas.

2

Computers and Education: Artificial Intelligence. Special issue Exploring the Nexus of Generative AI and Language Education: Opportunities, Challenges, and Innovations, es la Segunda iniciativa

3

International Journal of Educational Technology in Higher Education (IJ of ETHE). Especial interés tiene el caso de New advances in artificial intelligence applications in higher education , que inicialmente entendí que se convocó como un número especial de ETHE y ahora es una colección de artículos, pero con un artículo solo, porque la recepción de originales se cerró.

El único trabajo aceptado, AI-generated feedback on writing: insights into efficacy and ENL student preference, consta de dos interesantes estudios longitudinales, el segundo de los cuales es un self report study sobre el primero, pero más que propiamente un análisis sobre aprendizaje es sobre evaluación. Ésa es la única conclusión en sentido positivo, las otras son que no se pueden establecer preferencias claras.

UK Generative AI in education Call for Evidence: summary of responses.  El Departamento de Educación lanzó en verano pasado (para recoger datos entre el 14 de junio y el 23 de agosto de 2023) una Convocatoria de Evidencia sobre el uso de Inteligencia Artificial Generativa (GenAI) en educación. Solicitaba opiniones y experiencias de profesionales de todas las etapas de la educación, así como del sector de tecnología educativa (EdTech), se refiere al sector de investigación, y a expertos en inteligencia artificial (IA). En este caso no se trata de lanzar solo una convocatoria sino de recoger lo que ya existe en la práctica y en la investigación.

Las respuestas que se obtuvieron, y sobre las cuales se abre una fase de evaluación, revelaron una amplia gama de usos de la tecnología GenAI con fines educativos.

Para un posterior análisis, las aplicaciones identificadas entre los docentes se han agrupado en los siguientes siete temas clave según los casos de uso:

  • Creación de recursos educativos
  • Planificación de unidades y planes de estudios
  • Uso “en vivo” en las lecciones
  • Evaluación, calificación y retroalimentación
  • Tareas administrativas
  • Capacitación en habilidades GenAI y alfabetización en IA.
  • Investigación

 

5

El British Journal of Educational Technology  publica en septiembre de 2023 una sección especial  en su número orinario, fechada en mayo de este año,  con el título, que también recibe el editorial, Advancing theory in the age of artificial intelligence. Son diez artículos que se explican en el editorial, así como las conclusiones, que utilizaremos en este trabajo. Sus autores y editores son Dawson, Joksimovic, Mills, Gašević y Siemens. Destacamos que Gašević es también editor del especial de Computers and Education: Artificial Intelligence, reseñado en primer lugar y del trabajo que también reseñamos sobre la vigencia del aprendizaje humano por refuerzo.

 

Esperemos que estas iniciativas nos den como resultado el panorama real de la investigación y de lo evidenciado sobre GenA, LLM y ChatGPT y su influencia en el aprendizaje de los alumnos.

 

Mientras tanto cabe destacar la desesperación que en el plano científico tienen los impulsadores de esta IA por encontrar aportaciones que demuestren mínimamente las ventajas de estas herramientas a este fin. Para ilustrar esta situación aportaré un caso.

Donald Clark es un decidido impulsador de esta idea. Hace unos días para demostrar concluyentemente que es así y supongo que como respuesta a los que pedimos pruebas, compartió en un tuit un artículo de una supuesta rigurosa investigación:
En el que textualmente dice “las explicaciones basadas en LLM impactaron positivamente el aprendizaje”.

Pero, si nos vamos a las conclusiones del artículo ya expuestas desde el abstract, lo que establecen es que “la exposición a explicaciones de LLM aumentó la cantidad de personas que SENTÍAN QUE HABÍAN APRENDIDO y disminuyó la DIFICULTAD PERCIBIDA de los problemas del test.”

Es lo que siempre decimos, no hay evidencias sobre IA generativa y aprendizaje, solo self report studies y revisiones de exégesis de revisiones de literatura, que se multiplican y aumentan citas e impacto ad nauseam.

Tres de los cuatro autores son de Microsoft Research ¿Casualidad?

Se trata de un preprint (Kumar, Rothschild, Goldstein and Hofman, November 22, 2023) de la prestigiosa plataforma SSRN de Elsevier:

Pues bien, a pesar de haberlo dicho en un tuit, es curioso lo que sucede con ChatGPT y la campaña de apoyo y despliegue que tiene:

En él, quien suscribe ponía de relieve la trampa que suponía decir que se demuestra que ChatGPT influye en el aprendizaje, cuando realmente lo que sucedía, como se dice en las conclusiones, es que afecta a la percepción que tenían, de haber aprendido y de su capacidad para resolver problemas, los alumnos.

Pues bien, a pesar de todo ello, la estrategia pensamos que es tal que no sólo que Clark no entra al trapo, sino que dice que el tuit le gusta.

 

Ya hemos descrito lo que sucede con las convocatorias, los CFP de investigaciones y con este ultimo caso. Todo ello no viene sino a confirmar la ausencia de investigaciones que avalen de forma clara, o al menos en parte, todo lo que se dice de las ventajas del ChatGPT para el aprendizaje y la educación.

Tras todo ello, al día de la fecha, en nuestra búsqueda, sólo hemos encontrado, como hecho verificado y publicado, el trabajo de by Anton Korinek Language Models and Cognitive Automation for Economic Research, publicado en febrero de este año, que veremos a continuación por su interés y por las conclusiones que podemos obtener.

 

III

Lo tercero que veremos, será lo que constituye una de las cuestiones clave de este artículo: Veremos que, si bien no son tantos, sí hay motivos para pensar que la presencia de la Inteligencia Artificial Generativa (GenAI) va a propiciar importantes cambios en las prácticas, algunos o muchos de los cuales posiblemente ya se estén produciendo, aunque el estudio sobre experiencia en UK ya citado aún no ha dado tiempo para procesarlos y para sistematizarlos, y mucho menos en otras latitudes.

Eso es, por el momento, lo único que parece que, de forma esporádica y mediante casos y prácticas personales aisladas, se ha justificado mínimamente. Al menos eso ha sucedido en el caso que hemos encontrado, reflejado por Korinek (2023) en su artículo Language models and cognitive automation for economic research .

Tampoco es descartable que se estén produciendo lo que serán anticipos de cambios de calado, en aspectos básicos, ante los cuales es preciso dar respuestas. Pero esa es una cuestión que trataremos después.

El trabajo de Korinek (2023)  no sería un trabajo muy importante si no fuera porque no hay muchos otros. Es el único empírico que he podido localizar.

Básicamente, según el propio autor dice, en él “informa de su calificación subjetiva sobre qué tan útiles encontró las capacidades LLM descritas al 1 de febrero de 2023”. Se refiere a las prácticas que él mismo hizo y con las que elaboró un estudio personal de 25 casos de uso de ChatGPT en 25 prácticas que él hizo y su opinión sistematiza en categorías sobre ellas.

Ello, no obstante, en la línea triunfalista y optimista que señalamos, permitió decir en un importante medio español e hispanoamericano, un blog de una prestigiosa revista y en su perfil en Twitter, que, a partir de lo recogido en el trabajo “la investigación y la producción científica nunca volverán a ser lo mismo”, se entiende que con el concurso del ChatGPT y los LLM.

El resumen, Korinek (2023) lo refleja en una tabla de tres columnas. Una con las categorías que establece en su taxonomía para las tareas en las que utiliza ChatGPT— hay que tener en cuenta que es un profesor e investigador de economía que utiliza las matemáticas en sus clases e investigaciones, en particular el análisis diferencial y las derivadas, así como la analítica de datos—, otra columna para las propias tareas y la tercera para una asignación de utilidad, utilizando una valoración numérica entera entre 1 y 3. De menos a mayor utilidad, fiabilidad o consistencia en el uso para la tarea.

Si bien quien sucribe no ha elaborado un artículo de este tipo, ni ha tomado notas de sus propias experiencias, sí las que las ha hecho en una cantidad incluso mayor (de ello ha quedado algo reflejado aquí y aquí), si bien no de forma tan operativa como son las de codificación. Basándome en ello, en la tabla 1, a partir de lo hecho por Korinek (2023) :

  1. he realizado una adaptación de su tabla, ajustando y traduciendo los conceptos y términos de la taxonomía y de las tareas y
  2. he añadido una cuarta columna con mis valoraciones. Asignando mis propios valores de utilidad.

Encuentro pues muy útil las calificaciones de Korinek, sobre todo por su descripción, que es la que sigue modificada y adaptada por quien suscribe:

La calificación varía del 1 al 3, donde 1 describe capacidades que actualmente se consideran estrictamente experimentales, que hacen precisa de forma imprescindible la observación y el discernimiento humano, en los cuales si lo hace o lo obtenemos de ChatGPT pueden arrojar resultados inconsistentes, que requieren una supervisión humana significativa e imprescindible; 2 se atribuye a capacidades que, hechas por ChatGPT. probablemente sean útiles y que ahorren tiempo, pero que son en alguna medida inconsistentes o no seguras, por lo que aún requieren una supervisión humana cuidadosa; y 3 refleja capacidades que ya son, con ChatGPT muy útiles y funcionan de la manera esperada la mayor parte del tiempo. Incorporar estas últimas capacidades a su flujo de tareas definitivamente tiene claro que le ahorrará tiempo y hará más productivo el uso de la herramienta.

Tabla 1: Tipos y enunciados de capacidades de ChatGPT. Calificación de su utilidad

Categoría

Tarea

Utilidad Korinek

Utilidad Zapata-Ros

Ideación

 

Lluvia de ideas

3

 

2

Evaluación de ideas

2

1

Proporcionar contraargumentos

3

1

Escribir

 

Sintetizar texto

3

3

Editar texto

3

3

Evaluar texto

3

2

Generar títulos y titulares atractivos

3

2

Generar tweets para promocionar un artículo

3

3

Escribir la parte de investigación del artículo como cuestión principal

 

Resumen

3

3

Revisión de la literatura

1

1

Formatear citas y referencias

3

3

Traducción del artículo

3

3

Explicar conceptos previos

2

1

Crear y escribir programas informáticos (programación)

 

Escribir el programa

2

Explicar el programa

2

Traducir el programa a otro lenguaje

3

Depuración del programa

2

Análisis de los datos

 

Extraer datos del texto

3

3

Reformatear datos

3

3

Clasificar y asignar valores a expresiones textuales

2

1

Extraer opiniones y conclusiones propias del texto. O categorizar, en un sistema de valores dado expresiones, de un texto.

2

1

Simular análisis humano subjetivo.

Esto se basa en que la observación de los datos de entrenamiento de los LLM crea una gran cantidad de información sobre aspectos del proceder humano en la evaluación de datos (Opinión de Korinek (February 10, 2023), Argyle et al. (2022) y de Horton (2022))

2

1

Matemáticas

 

Configuración de modelos

2

2

Derivación de ecuaciones (por los ejemplos que pone se refiere tanto a derivación de funciones, como derivación de igualdades (ecuaciones), como generación de ecuaciones diferenciales).

1

1

Explicar modelos

1

1

 

Las columnas tercera y cuarta corresponden a la calificación subjetiva de las capacidades de LLM hecha por Korinek el 1 de febrero de 2023, y por el autor a fecha 5 de diciembre de 2023:

1 = los resultados son empíricos y humanos por naturaleza; Los resultados de ChatGPT son inconsistentes y requieren una supervisión humana significativa.

2 = Chat GPT presenta cierta utilidad, pero requiere supervisión. Probablemente su uso le ahorrará tiempo

3 = claramente útil; incorporarlos en el flujo de su trabajo le ahorrará tiempo.

–  = carezco de juicio y/o de práctica (mía)

 

 

Referencias

 

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J., Rytting, C., and Wingate, D.(2022). Out of one, many: Using language models to simulate human samples.arXiv:2209.06899

ARG (2002) Assessment for Learning: 10 principles. Available on the Assessment Reform Group web-site : www.assessment-reform-group.org.uk

Bauer, E. , Greisel, M. , Kuznetsov, I. , Berndt, M. , Kollar, I. , Dresel, M. , Fischer, MR y Fischer, F. ( 2023 ). Uso del procesamiento del lenguaje natural para respaldar la retroalimentación entre pares en la era de la inteligencia artificial: un marco interdisciplinario y una agenda de investigación. Revista británica de tecnología educativahttps://doi.org/10.1111/bjet.13336

Biesta, G., Allan, J., & Edwards, R. (2011). The theory question in research capacity building in education: Towards an agenda for research and practice. British Journal of Educational Studies, 59(3), 225– 239.

Black, P., & Wiliam, D. (1998a). Assessment and classroom learning. Assessment in Education, 5, 7-74.

Black, P., & Wiliam,D. (1998b). Inside the black box: Raising standards through classroom assessment. Phi Delta Kappan80, 139-149.

Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment. Educational Assessment, Evaluation and Accountability (formerly: Journal of Personnel Evaluation in Education)21(1), 5-31. https://kclpure.kcl.ac.uk/portal/files/9119063/Black2009_Developing_the_theory_of_formative_assessment.pdf y https://link.springer.com/article/10.1007/s11092-008-9068-5

Chomsky, N., Roberts, I., & Watumull, J. (2023). Noam Chomsky: The False Promise of ChatGPT. The New York Times8.

Dawson, S., Joksimovic, S., Mills, C., Gašević, D., & Siemens, G. (2023) Advancing theory in the age of artificial intelligence. British Journal of Educational Technology.

Gagne, R. M. (1974). Instruction and the conditions of learning. Psychology of school learning: Views of the learner1, 153-175.

Gao, CA et al. (2022) Preimpresión en bioRxiv https://doi.org/10.1101/2022.12.23.521610

Hilpert, JC , Greene, J. y Bernacki, M. ( 2023 ). Aprovechar los marcos de complejidad para refinar las teorías del compromiso y promover el aprendizaje autorregulado en la era de la inteligencia artificial . Revista británica de tecnología educativa . https://doi.org/10.1111/bjet.13340

Horton, J. J. (2022). Large language models as simulated economic agents: What canwe learn from homo silicus? working paper

Korinek, A. (2023). Language models and cognitive automation for economic research (No. w30957). National Bureau of Economic Research.

Kumar, Harsh and Rothschild, David M. and Goldstein, Daniel G. and Hofman, Jake (November 22, 2023). Math Education with Large Language Models: Peril or Promise? SSRN preprintAvailable at SSRN: https://ssrn.com/abstract=4641653 or http://dx.doi.org/10.2139/ssrn.4641653

Merrill, M. D. (2002a). First principles of instruction. Educational technology research and development50(3), 43-59. http://csapoer.pbworks.com/f/First+Principles+of+Instruction+(Merrill,+2002).pdf

Merrill, M. D. (2012). First principles of instruction. John Wiley & Sons.

Merrill, M. D. (1991). Constructivism and instructional design. Educational technology31(5), 45-53.

Merrill, M. D. (2002b). First principles of instruction. Educational Technology Research and Development, 50(3), 43-59.  Instructional-Design Theories and Models, Volume III: Building a Common Knowledge Base.

Merrill, M. D. (2009). First Principles of Instruction. In C. M. Reigeluth & A. Carr (Eds.), Instructional Design Theories and Models: Building a Common Knowledge Base (Vol. III). New York: Routledge Publishers.

Zapata-Ros, M. (2018). La universidad inteligente. RED. Revista de Educación a Distancia, 57(10). http://www.um.es/ead/red/57/zapata2.pdf   http://dx.doi.org/10.6018/red/57/10

Zapata-Ros, M. [@MiguelZapataRos] (November 30, 2023). Learning Styles and AI https://twitter.com/MiguelZapataRos/status/1730172593167101990

Zapata-Ros, M. [@MiguelZapataRos] (November 30, 2023b). https://www.blogger.com/blog/post/edit/9065073132855231377/6495326534278831442 .

[Post en elaboración]



Citar este post
Miguel Zapata Ros (2023, 17 diciembre). Inteligencia Artificial y Educación ¿dónde estamos? RED. Recuperado 22 de mayo de 2024, de https://doi.org/10.58079/ve9l

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.