Archivo de la etiqueta: Aprendizaje Inteligente

Inteligencia artificial generativa y aprendizaje inteligente

Free photo robot teacher in classroomMiguel Zapata-Ros, Universidad de Murcia. Murcia. España. mzapata@um.es
Artículo publicado inicialmente en EdArxiv con DOI: 10.35542/osf.io/86ykm

 

Una modalidad de inteligencia artificial (IA) se ha impuesto y avanza rápidamente. Otra como es la basada en la programación declarativa y en la programación lógica cayó hace mucho en desuso. No sabemos por qué entre las dos formas posibles de simular un cerebro humano, como las que expresa por Noam Chomsky (2023) en el párrafo siguiente, se ha elegido la primera: 

La mente humana no es, como ChatGPT y sus similares, un pesado motor estadístico para la coincidencia de patrones, que se atiborra de cientos de terabytes de datos y extrapola la respuesta conversacional más probable o la respuesta más probable a una pregunta científica. Por el contrario, la mente humana es un sistema sorprendentemente eficiente y hasta elegante que opera con pequeñas cantidades de información; no busca inferir correlaciones brutas entre puntos de datos, sino crear explicaciones.

Por ejemplo, un niño pequeño que adquiere un idioma está desarrollando —inconsciente, automática y rápidamente a partir de datos minúsculos— una gramática, un sistema extraordinariamente sofisticado de principios y parámetros lógicos[1].

Pero ésa ha sido la elección y tras décadas de investigación y de desarrollos, ahora se ha decidido por parte de Open AI, y después por otras empresas, que este tipo de IA pase de los laboratorios a la aplicación práctica en la sociedad. No sabemos si ha sido efecto de una potente y bien financiada campaña o porque la sociedad lo ha aceptado así, pero el hecho es que se ha producido un colosal despliegue de la IA generativa. 

La educación no ha sido indiferente a esa aceptación ni a ese despliegue. 

En esta situación, la educación, hasta donde se ha dicho (Dawson, S., Joksimovic, S., Mills, C., Gašević, D., & Siemens, G., 2023), se enfrenta a dos posibles resultados. 

En primer lugar, los que se derivan de que la IA tiene el potencial de revolucionar los métodos de enseñanza, la evaluación y la ayuda al alumno, existentes. De lo primero y lo segundo hablaremos después

En segundo lugar, según estos mismos autores y lo que parece ser un sentir común, la IA también tiene la capacidad de crear un sistema educativo completamente nuevo. Y se cita como justificación que el pensamiento creativo y la resolución de problemas son fundamentales en entornos modernos y muy complejos. Y esta IA podría ayudar a los alumnos a enfrentarse a esos problemas.

Estas tres cuestiones ya por sí solas plantean tres desafíos y otros tantos ejes de posibles para investigaciones y su difusión en interesantes artículos.

Esto en sentido positivo, pero hay otras cuestiones que pueden ser planteadas en sentido negativo o como interrogantes:

Cuáles son los impactos que se producen cuando la IA comienza a servir como un socio (¿cabría decir “servir como socio”, o más bien “ser socio” o, por el contrario, “servir como herramienta”?) activo en acciones sociales, creativas e intelectuales sostenidas, no sólo puntuales o como repuesta a preguntas aisladas. Ahora esos impactos en las prácticas que puedan existir son desconocidos. Ya hemos dicho que indagar esas prácticas también puede ser objeto de investigación.

Otras son preguntas que se abren sobre 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, que contribuirían a una formación “humana” de los alumnos.

Entre esos rasgos se incluyen, pensando a bote pronto, 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.

Paradójicamente estos rasgos, a más de ser humanos, son constitutivos de lo que se ha llamado pensamiento computacional (Zapata-Ros, 2015 y 2022) (Grover, 2018) (Wing, 2006 y 2008), de manera que un uso no controlado podría derivar en una nula o una mala adquisición de ese tipo de pensamiento que hoy se considera constitutivo de una nueva alfabetización en la sociedad digital (Zapata-Ros, 2015 y 2022)

En particular para la metacognición, la autorregulación y retroalimentación podemos citar:

Hilpert et al. (2023) abordan la necesidad de participación en el aprendizaje de STEM, con una mayor necesidad de autorregulación de los estudiantes. Se basan en una extensa historia de la ciencia de la investigación del aprendizaje que utiliza datos de seguimiento digital para crear construcciones cognitivas que brindan información sobre el compromiso, las redes sociales, la comunidad y la metacognición. En este documento, detallan la importancia de la regularidad de la participación como un fuerte predictor del resultado del curso y los efectos del uso de una intervención de la ciencia de aprender a aprender para fomentar el SRL de los estudiantes y la participación continua. Sus resultados sugieren efectos prometedores y sostenidos de este entrenamiento, lo que plantea la necesidad de considerar enfoques teóricos que integren las observaciones del comportamiento con las construcciones cognitivas en la educación digital.

 Bauer et al. (2023) abordan un área crítica de aprendizaje relacionada con la retroalimentación. La retroalimentación es fundamental para guiar el progreso de los estudiantes y los enfoques tradicionales se basan principalmente en la observación humana.

 Sin embargo, el mismo autor, señala un posible progreso del que después hablaremos, cuando lo hagamos de aprendizaje inteligente como aprendizaje inclusivo:

Con el desarrollo de grandes modelos de lenguaje y el procesamiento del lenguaje natural en general, existen nuevas oportunidades para ofrecer retroalimentación a los estudiantes. Detallan cómo los artefactos textuales pueden mejorarse con la retroalimentación de la IA. Ofrecen un marco para conectar los procesos de retroalimentación con el apoyo estudiantil adaptativo. A medida que el aprendizaje digital crece en importancia en los entornos educativos, la inclusión de artefactos más diversos y multimodales requerirá una actualización similar de la teoría y las construcciones para garantizar la retroalimentación como motor del éxito general de los estudiantes.

 

Una pedagogía y una teoría del aprendizaje de la IA

Para abordar estas preguntas, y en general la necesidad de un despliegue efectivo de los sistemas de IA en la educación, es preciso hacerlo desde un punto de vista teórico, más allá de los resultados que sobre las interrogantes señaladas nos proporcione la investigación empírica. Un punto de vista teórico que no guíe y dirija en nuevas rondas, tanto en la investigación como la práctica.

Ese marco nos proporcionará los asideros y las andaderas para garantizar que los principios, los valores y las construcciones confiables configuren el uso de la IA en la educación. De esta forma nos aseguramos de que los valores, la investigación realizadas hasta ese momento, los intereses y preocupaciones de las partes interesadas y las contribuciones que se vayan haciendo sigan integrándose de forma cohesionada en el escenario de la IA en la educación.

Al menos como deseo y horizonte.

Como consecuencia, en futuras iniciativa, como la convocatoria de número especial y en la sección editorial que posiblemente se cree en la revista RED, defenderemos la importancia crítica de la teoría en el diseño, desarrollo y despliegue de la IA en la educación. Al hacerlo, nos planteamos de forma crítica la relevancia y la continuidad de las teorías de aprendizaje ya existentes, cuando la IA se constituya como una realidad en las aulas. 

Así, desde este momento hacemos una llamada a considerar nuevos marcos, modelos y formas de pensar, a aquellos que incluyen la presencia de agentes no humanos. Es decir, a los que incluyan una nueva tecnología, que se parece más a un socio activo que a una tecnología simple, como sucedía hasta ahora, incluso con la tecnología digital, que respondía más a interrogantes lógicas simples que a un agente con capacidad para tomar decisiones intermedias sin intervención humana, del alumno o del profesor. En ese sentido cabe ahora hablar de un trinomio, más que de un binomio, el formado por el profesor, el alumno y la IA generativa.

Es precisamente eso lo que genera también una serie de preguntas importantes para considerar en elaboraciones teóricas futuras, precisamente sobre la revisión de las teorías de aprendizaje basadas en las configuraciones existentes. Y cuáles serían en este caso sus alternativas.

Ya hemos señalado que el uso de la teoría en la investigación educativa constituye la lente, el filtro, a través del que vemos y explicamos lo que observamos (Biesta et al.,  2011). 
¿Pero es útil la lente que tenemos hora?

Las teorías existentes se establecieron y se derivaron de un contexto educativo distinto al de los enfoques de enseñanza más modernos y los sistemas técnicamente establecidos. Es de prever más aún que a medida que la adopción de la IA impacte en la enseñanza y el aprendizaje, se produzcan dudas acerca de la idoneidad en continuar con las teorías de aprendizaje existentes. 

Sin embargo, como hemos dicho, la integración del desarrollo e implementación de sistemas educativos basados ​​en IA en marcos teóricos adecuados es esencial para avanzar y lograr resultados de aprendizaje óptimos. En base a estas ideas, planteamos las siguientes interrogantes:

  • ¿La integración de la IA en la educación requiere modificaciones o revisiones en la forma en que aprendemos? 
  • ¿O, por el contrario, se requiere una reestructuración completa, lo que conlleva la necesidad de nuevas teorías? 
  • ¿Qué debería ofrecer la teoría a los educadores cuando se incluye la IA? 

Con relación al modo en que se persiguen y abordan estas cuestiones, nos planteamos:

En los programas LLM, la facilidad de acceso a los contenidos y la capacidad de producirlos, ¿disminuyen la importancia del conocimiento declarativo? 

Se ha hablado mucho hasta ahora del constructivismo social vinculado al aprendizaje apoyado por las tecnologías digitales y sociales. De hecho, es el paradigma imperante durante mucho tiempo, con el que todos se sentían satisfechos, incluso impulsaba reformas de gran calado como fue la reforma de Bolonia en la Educación Superior europea. Pues bien, del mismo modo nos podríamos plantear si ¿los puntos de vista existentes sobre el constructivismo social avalan la IA como un agente social en el aprendizaje? 

También podríamos hacer incursiones microteóricas. Como, por ejemplo, plantearnos si los corpus teórico-prácticos existentes sirven suficientemente, o son los adecuados, para la inclusión de la IA en las aulas o es necesario actualizarlos o incluso repensarlos por completo.

 

El aprendizaje inteligente

Todo esto podría servir para orientar el debate y la investigación en torno a la nueva visión que se abre con la IA generativa. Pero hay unos planteamientos anteriores que ya hemos citado y que no conviene olvidar: Es la consideración del llamado aprendizaje inteligente (Zapata-Ros, 2018) (Hwang et al, 2008) como una fase superior del aprendizaje adaptativo.

El constructo de “entornos de aprendizaje inteligente” pueden considerarse,  a  partir  de  la  definición  de  Hwang  et  al  (2008),  como el de “entornos  de  aprendizaje apoyados  por  la  tecnología  que  realizan  adaptaciones  y  brindan  el  soporte  adecuado  con  la tecnología  de  detección  y  de  recomendación”  (por  ejemplo,  orientación,  retroalimentación, consejos  o  herramientas a utilizar)  en  los  lugares  adecuados  y  en  el  momento  oportuno,  según  las necesidades   individuales   de   cada alumno,   determinados mediante   el   análisis   de   sus comportamientos de aprendizaje, su trayectoria de rendimiento y los contextos en línea y del mundo  real  en  los  que  se  encuentran, tanto  grupales  y  sociales  como  compuesto  por  los recursos de que se provee o a los que accede, descarga, lee o elabora.

Y aprendizaje inteligente podría considerarse consecuentemente (Zapata-Ros, 2018) como aquél aprendizaje que pueden desencadenar y producir los sistemas de aprendizaje inteligente, y que se puede entender de forma diferenciada por las funciones y efectos que no se pueden realizar en ambientes  de  aprendizaje  adaptativo  y  de  aprendizaje contextualizado, pero sin excluirlas. El aprendizaje social y el aprendizaje colaborativo de esta forma se puede entender como una subcategoría del aprendizaje contextualizado.

Resumiendo, se puede decir pues que el aprendizaje inteligente es el aprendizaje adaptativo y contextualizado con mecanismos de detección, de respuesta y de recomendación.

Entonces (Zapata-Ros, 2018) se planteaba

La presencia y el avance de las tecnologías de detección y de recomendación están ofreciendo grandes y determinantes oportunidades para desarrollar nuevos     entornos de aprendizaje. Definitivamente   el   aprendizaje   inteligente   es   un   concepto   extremadamente innovador, como en  otros  ámbitos,  para  desarrollar  visiones  y  planteamientos  distintos.  En este caso para  crear  entornos  de  aprendizaje  más  potentes  y  útiles  que  los enfoques  de aprendizaje  ayudados  por  la  tecnología  ya  existentes,  mediante  la  incorporación  de  nuevas herramientas y nuevos criterios para el aprendizaje

La cuestión ahora sería: Aquello que se abrió como un desarrollo del aprendizaje adaptativo, y cuyas primeras y muy contadas experiencias en relación con la Educación Superior se vieron en el artículo citado (Zapata-Ros, 2018), cuál es su estado ahora, qué experiencias y qué conclusiones se han obtenido de las investigaciones en esta línea, no sólo en la Educación Superior, si es que las ha habido, y finalmente cuál es su estado y cuáles son sus perspectivas en relación con la IA de nuevo cuño, la de los sistemas generativos.

 

La IA generativa, los LLM, el diseño instruccional, la evaluación educativa y el principio de demostración. La evaluación formativa. –

El principio que fundamenta la evaluación es el principio de demostración. Y es el que debiéramos tener presente en todo momento en que hablásemos de ella. Simplificando consiste en que el alumno ha de aportar evidencias de su aprendizaje, en un sentido pedagógico, es decir ha de demostrar que comprende que atribuye sentido, que aplica las habilidades conseguidas de forma autónoma y las transfiere a contextos distintos.

Para entender esta cuestión en un contexto como el que se nos abre, deberíamos tener en cuenta que los principios de la instrucción están enunciados en forma de criterios que ha de cumplir la enseñanza para que el aprendizaje sea eficiente, de calidad. Hemos de recordar que la evaluación forma parte de la instrucción. En el trabajo de Merrill (2002a, 2002b, 2009) se dan las condiciones y los criterios para que se dé la demostración. Allí se enuncia el principio de demostración

El aprendizaje se promueve cuando la instrucción demuestra lo que se debe aprender en lugar de simplemente decir información sobre lo que se debe aprender.

Así la demostración es un factor de consistencia: El aprendizaje se pr omueve cuando la demostración es coherente con el objetivo de aprendizaje, con:

(a) ejemplos y contraejemplos de conceptos,

(b) demostraciones para procedimientos,

(c) visualización (evidenciar visualmente) para los procesos, y

(d) el modelado (presentación de modelos) para adquisición de valores y conductas

Podríamos plantearnos si alguna o ninguna de estas exigencias de la demostración se cumplen con el ChatGPT o el propio ChatGPT las demuestra. Lo que sí está claro, cuando la prueba de la demostración recae sobre un proyecto o ensayo, es que presentar un informe o un proyecto, por sí mismo no demuestra nada.

Es importante para ello recordar el trabajo de Gao et al (2022) en el que se concluye que, sin más elementos de conocimiento que la lectura, es imposible discernir lo que está escrito por un humano y lo que está redactado por ChatGPT. ES imposible incluso con resultados no determinantes cuando el juicio está emitido por los expertos más eficientes.

La repercusión del diseño instruccional en la evaluación tiene otro punto clave: La cuestión inmaterial, pero entorno a la cual gira la docencia, nos referimos a la entrega de ayuda y de contenidos cuando el alumno esté receptivo y los perciba como útiles. Lo cual estriba en distribuir a través de guías y de secuenciaciones los logros parciales y evaluar en cada uno su consecución, y únicamente entonces proseguir. En esto juega un papel central el diseño y sobre todo, si finalmente lo hay, el papel de los Teaching Assistant (TA).

Por último, se trata también de una cuestión de confianza. En la educación de estándares, a la que estamos acostumbrados, los proyectos (trabajos, TFG, TFM,…) y los exámenes se han establecido como medidas iguales para todos (estándares), cuya superación acredita al alumno para obtener el aprobado del curso, de la asignatura o la titulación para el grado o el máster. En ese marco existe el peligro de que el alumno o el candidato utilice el ChatGPT para redactar los ensayos.

Esta dinámica permite trasladar la eficiencia en el aprendizaje al escrutinio de las pruebas y de sus resultados por alumnos, padres, familias e inspección, donde además con esa supuesta objetividad los docentes se sienten seguros, aunque por contrapartida lo que se hace es sembrar la semilla de la desconfianza, de que no haya equidad en el proceso o de que haya trampa. Esto es un caldo abonado para la industria del fraude y la del ChatGPT como impostor del alumno para demostrar capacidades y aprendizajes en general.

Este hecho viene a confirmar algo que planteamos desde hace tiempo, la necesidad de una nueva educación, la basada en logros personales. En ese marco el entorno social del alumno debe depositar la confianza en el modelo, personalizado a través de sistemas que como el de Mastery learnig otorgue en los maestros la confianza en valorar que se alcanza el dominio en el aprendizaje, de confiar en el maestro y en su expertise docente, de igual forma como la deposita el paciente en el médico, en su capacidad de diagnóstico y de decidir un tratamiento adecuado.

Pero también de encontrar o de recuperar métodos y teorías que centran la demostración en procesos de interacción directa profesor-evaluador y alumno. Sintetizando se trata de métodos de evaluación formativa.

Recordemos qué es la evaluación formativa, para Cowie & Bell (1999) es “el proceso utilizado por profesores y estudiantes para reconocer y dar respuesta al proceso de aprendizaje de los estudiantes con el fin de mejorar ese aprendizaje durante el aprendizaje”.

Para Black & Wiliam (1998a, p. 2), la “evaluación se refiere a todas aquellas actividades realizadas por los profesores, y por los estudiantes en la autoevaluación, que proporcionan información que se utilizará como retroalimentación para modificar las actividades de enseñanza y aprendizaje en las que participan. Dicha evaluación se convierte en “evaluación formativa” cuando la evidencia obtenida se utiliza en la práctica docente para adaptar la enseñanza a las necesidades detectadas.”

Pero quizá la más completa es la definición que hacen Black y Wiliam (1998a y b y 2009) y la definición del Grupo de Reforma de la Evaluación (ARG, 2002): “La práctica en el aula es formativa en la medida en que la evidencia sobre el rendimiento del estudiante sea suscitada, interpretada y utilizada por los profesores, los alumnos o sus compañeros, para tomar decisiones sobre los próximos pasos en la instrucción. Próximos pasos que probablemente sean mejores, o mejor fundamentados, que las decisiones que se tomarían se han tomado en ausencia de la evidencia que de esa forma se ha obtenido.”

Resumiendo, podríamos decir que la evaluación formativa o de proceso se exige para entender no sólo si un alumno ha conseguido aprendizaje o no, sino por qué. Comprender las razones para el éxito o para el fracaso depende de la profundidad del conocimiento que existe de lo que se ha hecho o se está haciendo, y también de la relación apropiada entre el uso de la tecnología, las actividades que se han hecho con ella y el área de conocimiento. Entendiendo como tal la metodología docente para el área (las ideas pedagógicas) y los conocimientos propios de la materia.

Otra línea de contribuciones sería pues analizar y desarrollar las aportaciones de estas construcciones, fundamentalmente de la evaluación formativa, en el contexto creado por los LLM y el ChatGPT.

Con todo lo dicho se abre un espacio pues a posibles trabajos que esencialmente incluyan investigaciones empíricas y/o el desarrollo y prueba de una o más tecnologías en relación con los LLM generativos, estudios de casos o desarrollos teóricos sobre aprendizaje con IA, ChatGPT y sistemas transformadores LLM y Educación. Y también a desarrollos y experiencias sobre aprendizaje inteligente y evaluación formativa en contextos ChatGPT.

Autoreferencia
Zapata-Ros, M. (2023, June 27). Inteligencia artificial generativa y aprendizaje inteligente. https://doi.org/10.35542/osf.io/86ykm

 

Referencias

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.

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

Grover, S. (2018, March 13). The 5th ‘C’ of 21st century skills? Try computational thinking (not coding. Retrieved from EdSurge News: https://edtechbooks.org/-Pz

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

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.

Wing, J.M. (2006) Computational thinking. it represents a universally applicable attitude and skill set everyone, not just computer scientists, would be eager to learn and use. Commun. ACM 49(3).  https://doi.org/10.1109/vlhcc.2011.6070404

Wing, J.M. (July 2008) Computational thinking and thinking about computing.  The Royal Society Publishinghttps://doi.org/10.1098/rsta.2008.0118 https://royalsocietypublishing.org/doi/10.1098/rsta.2008.0118 https://royalsocietypublishing.org/doi/pdf/10.1098/rsta.2008.0118

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. Revista de Educación a Distancia (RED), (46). https://revistas.um.es/red/article/view/240321/183001

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. (2022) El pensamiento computacional, la competencia clave en una nueva alfabetización. New York: Create Space Independent Publishing.

 

[1] The human mind is not, like ChatGPT and its ilk, a lumbering statistical engine for pattern matching, gorging on hundreds of terabytes of data and extrapolating the most likely conversational response or most probable answer to a scientific question. On the contrary, the human mind is a surprisingly efficient and even elegant system that operates with small amounts of information; it seeks not to infer brute correlations among data points but to create explanations.For instance, a young child acquiring a language is developing — unconsciously, automatically and speedily from minuscule data — a grammar, a stupendously sophisticated system of logical principles and parameters.

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159). Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria. Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York. Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

La universidad inteligente (IV): El marco teórico y la pedagogía de un entorno de aprendizaje inteligente. 2) Un caso.

Miguel Zapata-Ros, Universidad de Alcalá

Éste es el quinto de una serie de posts que sobre este tema, y con este título, constituirán un artículo en el número 57 de RED, especial dedicado a la “Web social y sistemas inteligentes de gestión del aprendizaje en Educación Superior”. En la entradas anteriores se introdujo el tema, se hizo una sucinta revisión de la literatura, e habló de qué es el aprendizaje inteligente y qué son los entornos inteligentes de aprendizaje, y por último de por qué la universidad necesita la AI.

Título completo:

La universidad  inteligente. La transición de los LMS a los Sistemas Inteligentes de Aprendizaje en Educación Superior

 The smart university. The transition from Learning Management Systems (LMS) to Smart Learning Systems (SLS) in Higher Education

 

 

En la entrada anterior hablamos de la aplicación de principios universales del aprendizaje como los de Merrill, Gagné o Reigeluth a los nuevos procesos y a las nuevas potencialidades que los entornos inteligentes proporcionan y de un espacio nuevo que necesita nuevas pedagogías.

Ahora vamos a ver que  hay un espacio pedagógico que no es la aplicación de los principios universales del aprendizaje a los entornos inteligentes ni algo tan distinto e innovador como la pedagogía para las píldoras de aprendizaje. Y vamos a presentar un caso en el que eso puede suceder.

Con ello nos referimos a ámbitos nuevos propios de los entornos tecnológicos pero donde hasta ahora la intervención había sido exclusivamente humana.

Vamos a aportar, para ilustrar ese tercer nivel de ámbitos pedagógicos donde puede intervenir el proceso inteligente en alguna medida, un caso desarrollado en la Universidad de Alcalá, en  el que ha participado el autor. Se trata de una experiencia de curso abierto online que, en su cuarta edición desde 2014, se está desarrollando en dicha universidad, apoyado por el Departamento de Computación y el Servicio de Extensión Universitaria. En él ha participado unos 1500 inscritos en los cuatro años y en las tres capas (de que consta.

La Universidad de Alcalá es una de las más antiguas de Europa, sin embargo ello no impide que apueste por las modalidades docentes más innovadoras y disruptivas, como son la educación abierta, y dentro de ella los cursos dual layer (Siemens, 2014 May)(Crosslin, 2014 May), con metodología de Mastery Learning (Bloom, 1984) y el diseño instruccional de los cursos abiertos online. Se hace en la plataforma para MOOC de BlackBoard: Open Edition.

“El diseño instruccional de los cursos abiertos on-line”[1] está destinado a profesores y diseñadores de estudios abiertos online Se trata de un curso abierto, personalizado, y de acceso escalable en la metodología docente y en la ayuda pedagógica. Es decir no es un MOOC al uso, tiene unos rasgos propios, los de un nuevo tipo de cursos. Toda la información se difunde en un blog[2]

Hasta ahora son nueve las universidades e instituciones que han incorporado, en la organización y en la práctica de la docencia, las habilidades sobre Diseño Instruccional obtenidas por profesores y gestores de dichas universidades e instituciones en este curso[3]: Universidad Técnica Particular de Loja (Ecuador), Universidad de Valladolid (España), Universidad de Quilmes (Argentina), Universidad de Guadalajara (México), Universidad de Alcalá (Máster de Ciberseguridad y Análisis de datos),Universidad Autónoma Intercultural de Sinaloa (México), CRESUR Chiapas (México), Natanael SL y Hewlett Packard (Estas dos en el Máster de Ciberseguridad y Análisis de datos de la Universidad de Alcalá).

En el desarrollo del curso, al principio, la analítica nos dio los siguientes datos:

 

Fig. 4

Había muchos accesos a los foros, casi dos mil insights, pero la actividad era escasa 36 intervenciones de 19 intervinientes. Nada sabíamos a partir de la analítica de la relevancia de las intervenciones. Eso lo sabían los Teaching Assistants (TA). Tomamos la decisión de pautar y analizar la relevancia de las intervenciones, adjudicándoles valor para el logro. El resultado fue un significativo aumento de las intervenciones, en número y también de accesos:

Fig. 5

Del 28 de marzo al 18 de abril pasaron de 36 a 320.

Este tipo de evaluación formativa es fácilmente implementable en un algoritmo. Casi sólo son un par de instrucciones condicionales.

Un aspecto más interesante es el de la relevancia en las intervenciones. En un aprendizaje de tipo conceptual, como era el de este módulo eso adquiere una importancia clave en nuestra metodología, de mastery learning. En el curso lo resolvíamos, en este punto, si el participante contribuía con dos intervenciones relevantes en el foro. La cuestión era qué es la “relevancia”.  Porque el sistema adjudicaba automáticamente el logro cuando detectaba dos intervenciones valoradas por los TA como relevantes.

A los participantes en la guía didáctica del módulo se le daban instrucciones precisas (volcado de pantalla de la plataforma Open Education):

Fig. 6

Ese análisis era efectuado mediante lectura, evaluación, notas al participante y retroali-mentación por el TA, que finalmente acreditaba que el alumno había obtenido el logro:

Fig. 7

El criterio para que el TA adjudicara la relevancia era una reelaboración de lo analizado en el trabajo de Gagné “Las condiciones del aprendizaje” (Gagné, 1965 y 1985) (Driscoll, 1994 y 2013), a partir las condiciones que establece para que el aprendizaje sea efectivo, en particular de lo que establece para los nueve niveles de aprendizaje (Gagne’s Nine Levels of Learning)[4]:

Fig. 8

Y una reelaboración, cuya justificación teórica expondremos en un próximo trabajo, de tal forma que interpretándolos con la ayuda de lo elaborado por Bloom (1984) para el problema de dos sigmas, y la metodología docente de Mastery Learning, el dominio del aprendizaje supone al menos las siguientes características de lo aprendido:

  1. Comprensión
  2. Adquisición y atribución de sentido
  3. Ejecución autónoma
  4. Transferencia

En el caso que nos ocupa todo esto se concretaba en el siguiente procedimiento para utilizar por los TA y que era conocido por los participantes, en la determinación del grado de relevancia de las contribuciones al foro en este caso:

Fig. 9

La cuestión en este punto es trasladar los criterios señalados, que utilizaban los TA, a procedimientos inteligentes a aplicar en un sistema inteligente. Cómo se implementa por ejemplo, “escribir sobre el tema nombrando un término o un concepto”, se supone que en un contexto con sentido lógico y con relación al dominio disciplinar, o si “nombra un concepto y lo relaciona con una affordance”, también en un contexto textual con sentido. Etc. para que el sistema lo detecte en una contribución al foro que evalúe con un grado de relevancia.

Aquí dejamos la cuestión, en esta modalidad de líneas de desarrollo, a la espera de propuestas interesantes o de experiencias ya desarrolladas en esta dirección.

Referencias

Clark, R. C. (2003). Building Expertise: Cognitive Methods for Training and Performance Improvement. Washington D.C., International Society for Performance Improvement.

Clark, R. C. and R. E. Mayer (2003). E-Learning and the Science of Instruction. San Francisco, Jossey-Bass Pfeiffer.

Crosslin, M (2014 May).  Designing a Dual Layer cMOOC/xMOOC. http://www.edugeekjournal.com/2014/05/04/designing-a-dual-layer-cmoocxmooc/

Dabbagh, N., & Kitsantas, A. (2012). Personal Learning environments, social media, and self-regulated learning: A natural formula for connecting formal and informal learning. The Internet and Higher Education, 15(1), 3–8.

Driscoll, M. (1994). Gagne’s theory of instruction. Psychology of Learning for Instruction. Boston, MA, Allyn and Bacon, 329-358. http://ocw.metu.edu.tr/pluginfile.php/9013/mod_resource/content/1/driscoll-ch10%20(1).pdf

Driscoll, M. P. (2013). Psychology of Learning for Instruction: Pearson New International Edition. Pearson Higher Ed.

Fink, L.D. (2003), A Self-Directed Guide to Designing Courses for Significant Learning.http://www.deefinkandassociates.com/GuidetoCourseDesignAug05.pdf

Gagné, R. M. (1965). The conditions of learning and theory of instruction ( 1st ed.). New York, NY: Holt, Rinehart & Winston.

Gagné, R. M., & Briggs, L. J. (1974). The principles of instructional design ( 1st ed.). New York, NY: Holt.

Gagné, R. M. (1985). The conditions of learning and theory of instruction ( 4th ed.). New York, NY: Holt, Rinehart & Winston.

Kinshuk (2014). Roadmap for adaptive and personalized learning in Ubiquitous environments. In Ubiquitous Learning Environments and Technologies (pp. 1–13). Heidelberg: Springer.

Merrill, M. D. (2002). First principles of instruction. Educational Technology Research and Development, 50(3), 43-59. (Click for copy from Dr. Merrill’s personal website).  Instructional-Design Theories and Models, Volume III: Building a Common Knowledge Base (link to book site)

Merrill, M. D. (September 2002). First principles of instruction. Educational Technology Research and Development. Volume 50, Issue 3, pp 43–59. https://link.springer.com/article/10.1007/BF02505024

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. (Click for copy)

Reigeluth, C. M., Ed. (1999). Instructional-Design Theories and Models: A New Paradigm of Instructional Theory. Mahwah, NJ, Lawrence Erlbaum Associates Publishers.

Siemens, G. (2014, May). Multiple pathways: Blending xMOOCs & cMOOCs. http://www.elearnspace.org/blog/2014/05/06/multiple-pathways-blending-xmoocscmoocs/

[1] El diseño instruccional de los cursos abiertos on-line https://openeducation.blackboard.com/mooc-catalog/courseDetails/view?course_id=_1684_1

[2] http://cursosabiertos.blogspot.com.es/

[3] Para figurar en esta lista ha sido necesario que esas habilidades hayan redundado en un cambio relevante en enseñanzas de grado, de postgrado o en estudios propios en línea.

[4] Sintesis de Gagné’s Conditions of Learning para  habilidades intelectuales y estrategias cognitivas.

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159).
Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria.
Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York.
Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus

La universidad  inteligente

Miguel Zapata-Ros, Universidad de Alcalá

Éste es el primero de una serie de posts que sobre este tema, y con este título, constituirán un artículo en el número 57 de RED, especial dedicado a la “Web social y sistemas inteligentes de gestión del aprendizaje en Educación Superior”

La transición de los LMS a los Sistemas inteligentes de gestión del aprendizaje (Smart Learning Environment SLE) en Educación Superior.

(Ensayo y revisión de la literatura)

“Durante treinta años he asistido a conferencias donde oradores han hablado con diapositivas que comparan las imágenes de un aula de principios del siglo 20 con otra de hoy, y deliberadamente han preguntado: ‘¿por qué hay tan pocos cambios’ La variante moderna de esa pregunta es algo así como esto: las tecnologías inteligentes ya han transformado muchas partes de nuestras vidas – desde la forma en que hoy reservamos un taxi. Podría parecer razonable que la IA también influyera significativamente en lo que enseñamos y en lo que aprendemos, así como la forma en que lo hacemos. Y sin embargo …”

Sir Michael Barber

1. Introducción

Hace falta una respuesta ante un hecho indiscutible: El uso de la IA como un potente medio de adaptabilidad y de inclusión del apoyo de la entrega de ayuda y de recursos de forma relevante y pertinente a la situación personal  y grupal de aprendizaje y a la demanda de conocimientos y de habilidades de los estudiantes.

Hay una necesidad de un marco de modelo pedagógico y de diseño instruccional que  integre a los alumnos y oriente esa ayuda a unos resultados de aprendizaje comunes y deseables. Planteamos igualmente la necesidad de un análisis de las condiciones necesarias para su validación. Por último, proponemos, a través de análisis basados en experiencias, respuestas concretas ante la insuficiencia de políticas instituciones que contemplen modalidades de integración y sus repercusiones.

A partir de investigaciones sobre el tema, vemos necesarias propuestas de indicadores sobre calidad en entornos sociales de aprendizaje, como resultados procesados y conclusiones obtenidas de investigaciones y experiencias.

Estamos acostumbrados a una literatura que enfatiza las posibilidades de la educación inteligente, y de los big data combinados con los algoritmos de respuesta para crear oportunidades únicas y sin precedentes a las organizaciones académicas para un capacitación en términos de estándares más altos y de enfoques innovadores. Sin embargo se carece de propuestas pedagógicas sistematizadas

En definitiva se trata de ver, a este propósito, qué hay en presencia y disponible en cuanto a enfoques teóricos, prácticas y experiencias sobre

(1) estrategias de aprendizaje y enseñanza: pedagogía inteligente,

(2) servicios altamente tecnológicos y singulares basados en entornos de este tipo, tanto para estudiantes locales, en el campus, como para estudiantes remotos, en línea,

(3) configuraciones de aulas inteligentes innovadoras con fácil interacción local/remota de alumno con profesores y centros y para la colaboración local/remota entre alumnos,

(4) diseño y desarrollo de contenidos multimedia-enriquecidos basado en la Web, con presentaciones interactivas, videoconferencias, cuestionarios y pruebas interactivas basadas en la web, que admitan evaluación instantánea e inteligente del conocimiento

(5) otras affordances y entornos gestionados con tecnología y software de respuesta inteligente.

Queremos pues plantear una visión sobre la evolución de los LMS hacia los SLE y dar cabida al debate sobre las perspectivas y las tendencias en presencia, con una mirada a algunos resultados de proyectos de investigación y de experiencias en curso. También daremos cabida a trabajos que tengan como objetivos crear una taxonomía de educación universitaria inteligente e identificar sus principales características y componentes.

Los avances en la tecnología en los últimos años han cambiado los comportamientos de aprendizaje de los alumnos y los métodos de enseñanza con nuevas metodologías ambientes y recursos. Esta situación ha dado lugar a nuevos retos: Una mayor presencia y posibilidad del aprendizaje informal, los recursos ubicuos con la posibilidad no solo de que el alumno acceda desde cualquier sitio a las fuentes y recursos de aprendizaje y en general de conocimiento, sino también de que sea accedido, ayudado en el aprendizaje con conocimiento de su situación de aprendizaje merced a ingentes datos que sobre sus hábitos, estilos y formas de aprender se tienen. o ha dado lugar a varios retos que enfrentan los sistemas educativos actuales, tales como un mayor enfoque en el aprendizaje informal, una brecha cada vez mayor de los conocimientos previos de los estudiantes a su acceso a las aulas y una falta de correspondencia entre las opciones de carreras que se ofrecen a los individuos y las que demanda el desarrollo de la fuerza de trabajo.

En este trabajo queremos echar una mirada a esa situación para ver qué nos ofrecen los llamados entornos inteligentes de aprendizaje y la nueva forma de aprender, el aprendizaje inteligente en ese contexto de desafíos y para aprovechar mejor lo que conocemos sobre cómo aprenden los individuos.

No se quiere dar un salto en el vacío, plantemos un punto de vista realista que permita enlazar los actuales entornos de aprendizaje con lo que los recursos inteligentes nos proporcionan.

Eso posiblemente se logre mediante una reingenierización de las estructura tecnológicas y los cambios necesarios de los sistemas universitarios actuales para mejorar la integración de estas nuevas tecnologías con un con el cambio pedagógico adecuado.

La base del desarrollo de los entornos inteligentes es posible merced a dos factores (Hwang, 2014):

  1. El rápido progreso de las tecnologías móviles, de comunicación inalámbrica y
  2. Las procedimientos/affordances/tecnologías de detección que ha permitido el desarrollo de entornos de aprendizaje ubicuo (u-learning) que, sensibles al contexto, son capaces de detectar el estado de aprendizaje en el mundo real de los estudiantes y las características de los contextos ambientales.

En consecuencia, y ateniéndose a los principios del aprendizaje y de intervención educativa en cuanto a pertinencia y relevancia de la ayuda, y en cuanto a la forma de diseñar la entrega de recursos y contenidos,  la información apropiada en cada caso se puede proporcionar a estudiantes individuales en el lugar correcto y en el momento adecuado para ello. Recordemos que los procesos instruccionales son procesos eminentemente situacionales (Merrill, 1991) (Reigeluth, 2016)

Sin embargo, los investigadores han indicado que, para ayudar a los estudiantes a aprender en contextos del mundo real de manera inteligente, se deben tener en cuenta más factores al diseñar y desarrollar sistemas de aprendizaje.

En este sentido , en este trabajo se tratará de adecuar la ayuda inteligente, partiendo de lo que es, la definición, y de los criterios de los entornos de aprendizaje inteligentes (con énfasis en la ubicuidad y en la detección) a lo que dicen las teorías y principios clásicos del aprendizaje.

Así trataremos

  1. El estado del arte de la cuestión y una sucinta revisión de la literatura
  2. Qué es el aprendizaje inteligente. Diferencias entre aprendizaje inteligente, aprendizaje contextualizado y aprendizaje inclusivo.
  3. Qué son los entornos inteligentes de aprendizaje. Grandes datos, analíticas y detección, sistemas de recomendación tutorial. Innovaciones pedagógicas en EIA. Innovaciones tecnológicas favorables al aprendizaje inteligente. Y cómo organizar la enseñanza en EIA.
  4. Por qué la universidad tiene que ser sensible y adoptar estas innovaciones
  5. Los entornos inteligentes en el contexto de la evolución de la enseñanza abierta universitaria.
  6. Riesgos
  7. Discusión. Cuestiones de investigación del aprendizaje inteligente
  8. Conclusiones

 

2. El estado del arte de la cuestión y una sucinta revisión de la literatura

La tecnología ha ofrecido una línea de avance a la atención y a la entrega de contenidos a los alumnos. De manera que como después justificaremos más detenidamente, entenderemos que la línea de progreso en el aprendizaje inteligente y en la creación y uso eficiente de entornos inteligentes de aprendizaje la marca la línea de de adaptabilidad, es decir algo que va más allá de la tutoría, es una tutoría contextualizada y después una tutoría inteligente que da respuestas al alumno detectando sus necesidades, en todo lugar y en todo momento, con el auxiliar de la tecnología ubicua, con sistemas de detección y de respuesta, con sistemas de recomendación. Por tanto veremos cómo progresa la elaboración de una teoría pedagógica en esta línea

Sistemas adaptativos y tutorías inteligentes

Desde este punto de vista, de lo que es inteligente, han proliferado en el contexto internacional de una forma ciertamente notable, no así en nuestro país, los trabajos de investigadores tanto en el campo de la computación, de la ingeniería educativa, como en el de la educación, no así las prácticas consolidadas y mucho menos las institucionales, si hacemos excepción de la Universidad de Arizona y algunas pocas más.

Hacer que los sistemas de aprendizaje tradicionales, apoyados por los LSM, sean inteligentes ha sido pues el objetivo de numerosos investigadores en los campos de la informática y la educación.

Empezaremos por los sistemas inteligentes de tutoría (SIT o en inglés intelligent tutoring systems ITSs o ITS) que incorporan técnicas de inteligencia artificial en aplicaciones educativas. Con estos criterios de evolución de la adaptatividad y de la contextualización, y con este nombre, son tratados por Martens y Uhrmacher (2002) y por van Seters y otros (van Seters et al, 2012).

Basándose en que el objetivo de desarrollar los STI es ayudar a los alumnos a aprender. Y que lo hacen con elementos que guían la adaptación de las interfaces de aprendizaje y de los recursos, a los STI también se les llama “sistemas de aprendizaje adaptativo”  (Graf et al., 2010; Kinshuk y Lin, 2003), o “adaptive learning systems” (ALS), en función de estas funciones de ayuda contextualizada.

Estos sistemas llevan, con el auge de las redes y de la World Wide Web, que implementan y extienden los mecanismos de ayuda, haciéndolos colaborativos y de mucha más confluencia de recursos, a la implementación y al estudio de sistemas de aprendizaje tutorizado en la web. Y entonces se llaman sistemas de aprendizaje basados ​​en la web (Karampiperis y Sampson, 2005).

Aprendizaje ubicuo y aprendizaje inteligente

Otro pilar de la asistencia, de respuesta inteligente, es la tecnología ubicua utilizada con este fin. El rápido avance de las redes de comunicación wifi, 4G,… y la el uso de los smartphones han permitido a los alumnos también acceder a recursos digitales e interactuar con sistemas informáticos sin estar limitados ni por ubicación ni por tiempo. Esto ha sido estudiado en esta perspectiva por Hwang y Chang ( 2011) y con criterios de calidad basada en el aprendizaje por Zapata-Ros (2012 y 2015). Los autores llaman a este enfoque de aprendizaje, que utiliza tecnologías de comunicación móviles e inalámbricas, “aprendizaje móvil” (Sharples et al.  2009) o “aprendizaje ubicuo” (Zapata-Ros, 2012 y 2015). El otro pilar son las tecnologías de detección: GPS (Sistema de Posicionamiento Global), RFID (Identificación de Radio Frecuencia), QR (Respuesta Rápida),… Ellas ha permitido que “los sistemas de aprendizaje detecten las ubicaciones y contextos del mundo real de los estudiantes” (Hwang, Tsai y Yang, 2008) y los sistemas de recomendación (Pazzani & Billsus, 2007; Chen, Cheng & Chuang, 2008) puedan hacer propuestas basándose en ellas.

Si estas posibilidades son utilizadas para organizar la enseñanza, la ayuda pedagógica y la tutoría se llama “aprendizaje contextualizado” (Hwang, Tsai y Yang, 2008) Es un  enfoque de aprendizaje que emplea tecnologías móviles, inalámbricas, de comunicación y detección para permitir a los estudiantes interactuar con el mundo real y los objetos del mundo digital, se consigue un “conocimiento ubicuo consciente del contexto” (Hwang, Tsai y Yang, 2008).

Hay numerosos estudios que han evidenciado acerca de los beneficios de estos enfoques y han enfatizado la relevancia de que los estudiantes aprendan del mundo real con acceso a recursos digitales que utilizan en sus actividades y son asistidos por sus profesores en el aprendizaje (Bomsdorf, 2005; Chu et al, 2010). Ha cambiado pues desde el enfoque del aprendizaje ayudado por la tecnología en general y el del aprendizaje basado en la web, hacia el del aprendizaje móvil y sobre todo hacia el del “aprendizaje ubicuo consciente del contexto”, como lo indica Liu y Hwang (2010).

Tutoría inteligente y aprendizaje adaptativo

Sobre el desarrollo de tutorías inteligentes en el contexto de aprendizaje adaptativo para apoyar a los estudiantes en función de su estado de aprendizaje y otros factores personales, como son su forma de progresar en el aprendizaje, los niveles de conocimientos previos, los estilos de aprendizaje, estilos cognitivos y preferencias, han escrito Mampadi, Chen, Ghinea, y Chen (2011); Papanikolaou, Grigoriadou, Magoulas y Kornilakis (2002) y Yang et al. (2013a, b).

Sobre la estructura y los elementos de que consta  sistema clásico de tutoría inteligente, ha escrito Clancey ( 1984).

Sobre sistemas de aprendizaje adaptativo basados ​​en la web, también llamados sistemas hipermedia adaptativos de educación o hipermedia adaptativo, han escrito Kinshuk et al. (2012), y  Specht et al. ( 1997). Y sobre sistemas basados ​​en la web que tienen potencial de proporcionar apoyo de aprendizaje personalizado y  orientación a los estudiantes en función de sus características personales o rendimiento de aprendizaje han escrito Chiou et al. (2010) y  Hwang (1998). Sobre persobnalización con rutas de aprendizaje mediante la adaptación del contenido de aprendizaje con la estructura de enlace han escrito Tseng et al. (2008a, b),  Brusilovsky ( 2001), Kinshuk et al. (2012) y Yang et al. (2013a, b).

Y por último, han investigado sobre sistemas adaptativos e inteligentes basados en la web y difundido los resultados de sus trabajos Tseng et al. (2008a, b), González e Ingraham ( 1994), Papanikolaou et al. (2002),  Karampiperis y Sampson (2005) y Martens (2006).

 

Sobre el “aprendizaje ubicuo sensible al contexto”

Han justificado este planteamiento y esta perspectiva, la importancia y la necesidad de situar a los estudiantes en escenarios de aprendizaje del mundo real, como una variante específica del conocido y estudiado como aprendizaje situado (Merrill, 1991) (Reigeluth, 2016), y lo han identificado como tal Lave (1991), Hung et al. (2013 y 2014) y Brown et al. (1989).

Entre los investigadores que han intentado desarrollar entornos de aprendizaje que combinan contextos del mundo real y recursos del mundo digital para proporcionar a los estudiantes experiencias directas del mundo real, con apoyo en las teorías del aprendizaje podemos citar a  (Minami et al. (2004),  Hung et al. (2014), Wu y otros (2013a,  b).

Sobre el aprendizaje ubicuo consciente del contexto y sobre su naturaleza como  enfoque que permite a los estudiantes aprender del mundo real con el apoyo de tecnologías móviles, de comunicación inalámbrica, y de tecnologías de detección han escrito Hwang et al. (2008), Tsai et al. (2012) y además con la concurrencia de herramientas de recomendación podemos citar a Chen, Cheng & Chuang (2008).

Sobre apoyo pedagógico en función de sistemas de detección en un entorno de aprendizaje ubicuo consciente del contexto, han investigado y han escrito Chu et al. (2010), Joiner et al. (2006), Rogers et al. (2005).

En este capítulo se pueden citar ejemplos concretos:

Ogata y Yano (2004) desarrollaron  un sistema de aprendizaje ubicuo consciente del contexto con GPS para la enseñanza y la práctica de japonés

Hwang y otros (2012) desarrollaron un sistema de aprendizaje con RFID para enseñar a utilizar instrumentos científicos, en un parque científico, a través de la asignación de varias tareas “operativas” y de la evaluación de sus resultados operativos.

Sobre la importancia de proporcionar estrategias de aprendizaje efectivas, herramientas y apoyo de aprendizaje personalizado en sistemas de aprendizaje ubicuo conscientes del contexto, es decir, sobre incorporar tutoría inteligente o técnicas de aprendizaje adaptativo, han escrito Hung et al. (2014), Wu et al. (2013a, b).

Citamos, aunque después se ha cuestionado todo lo concerniente a los estilos de apredizaje como criterio orientador del diseño instruccional y de la organización de las actividades y procesos educativos, el trabajo  de Hsieh et al. (2011) que presentaron un sistema de aprendizaje adaptativo para guiar a los estudiantes a realizar observaciones en un jardín de mariposas en función de sus estilos de aprendizaje. Sí tiene interés como ejemplo de tutoría inteligente o de técnicas de aprendizaje adaptativo a escenarios de aprendizaje del mundo real.

De forma general todo lo tratado en esta recesión  está desarrollado y muy bien organizado, con detalles, en los trabajos de Hwang (2014) y de Chen, Cheng y Chew(2016).

Hasta ahora hemos hecho una revisión de la literatura basada en conceptos, a partir de ahora se revisan con relación a temas y a prácticas, es decir  se revisan varios temas de investigación relacionados con el desarrollo de sistemas de aprendizaje inteligente que pueden ayudar a los estudiantes a aprender de forma eficiente y efectiva.

Ya nos hemos acercado al “aprendizaje ubicuo consciente del contexto”. Los sistemas inteligentes de tutoría y adaptación y los sistemas de aprendizaje ubicuo conscientes del contexto son sistemas que pretenden proporcionar un soporte de aprendizaje personalizado basado en las preferencias de los estudiantes, el estado de aprendizaje, los factores personales y las características de los contenidos de aprendizaje y entornos de aprendizaje.

Mindtools

Los Mindtools son affordances que implican a los estudiantes en actividades cognitivas de orden superior y en el pensamiento significativo durante el proceso de aprendizaje según Jonassen, Carr y Yueh (1998). Sirven para ayudar a los estudiantes a comprender y organizar el conocimiento, para resolver problemas y para hacer inferencias basadas en lo que han aprendido. En los entornos conscientes de contexto es importante suministrar estas herramientas de forma oportuna y relevante para que se puedan abordar diferentes tareas de aprendizaje o resolver diferentes tipos de problemas en el momento adecuado y en el correcto contexto. Sobre estas herramientas en este contexto han escrito  Chu, Hwang y Tsai  (2010) y  Hwang, Hung, Chen y Liu (2014).

Referencias

Bloom, B. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as effective as One-to-One Tutoring, Educational Researcher, 13:6 (4-16).

Brandman,  R. (2013) 5 Tips: Learn more effectively in class with Mastery Learning. Course Operations MOOC Pedagogy Specialist, Accesible el 09/06/13 en http://blog.coursera.org/post/50352075945/5-tips-learn-more-effectively-in-class-with-mastery

Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning. Educational researcher18(1), 32-42.

Bomsdorf, B. (2005). Adaptation of learning spaces: Supporting ubiquitous learning in higher distance education. In Dagstuhl Seminar Proceedings. Schloss Dagstuhl-Leibniz-Zentrum fr Informatik.

Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User modeling and user-adapted interaction6(2-3), 87-129.

Chen, N. S., Cheng, I. L., & Chew, S. W. (2016). Evolution is not enough: Revolutionizing current learning environments to smart learning environments. International Journal of Artificial

Chen, Y. L., Cheng, L. C., & Chuang, C. N. (2008). A group recommendation system with consideration of interactions among group members. Expert systems with applications34(3), 2082-2090.

Chu, H. C., Hwang, G. J., & Tsai, C. C. (2010). A knowledge engineering approach to developing mindtools for context-aware ubiquitous learning. Computers & Education54(1), 289-297.

Chiou, C. K., Tseng, J. C., Hwang, G. J., & Heller, S. (2010). An adaptive navigation support system for conducting context-aware ubiquitous learning in museums. Computers & Education55(2), 834-845.

Clancey, W. J. (1984). Methodology for building an intelligent tutoring system. Methods and tactics in cognitive science, 51-84.

Gagné, R. M. (1965). The conditions of learning and theory of instruction ( 1st ed.). New York, NY: Holt, Rinehart & Winston.

Gagné, R. M., & Briggs, L. J. (1974). The principles of instructional design ( 1st ed.). New York, NY: Holt.

Gagné, R. M. (1985). The conditions of learning and theory of instruction ( 4th ed.). New York, NY: Holt, Rinehart & Winston.

Gonzalez, A. J., & Ingraham, L. R. (1994). Automated exercise progression in simulation-based training. IEEE transactions on systems, man, and cybernetics24(6), 863-874.

Graf, S., & Ives, C. (2010, July). A flexible mechanism for providing adaptivity based on learning styles in learning management systems. In Advanced Learning Technologies (ICALT), 2010 IEEE 10th International Conference on (pp. 30-34). IEEE.

Hsieh, S. W., Jang, Y. R., Hwang, G. J., & Chen, N. S. (2011). Effects of teaching and learning styles on students’ reflection levels for ubiquitous learning. Computers & Education57(1), 1194-1201.

Hung, P. H., Hwang, G. J., Lin, Y. F., Wu, T. H., & Su, I. H. (2013). Seamless Connection between Learning and Assessment-Applying Progressive Learning Tasks in Mobile Ecology Inquiry. Educational Technology & Society16(1), 194-205.

Hung, I. C., Yang, X. J., Fang, W. C., Hwang, G. J., & Chen, N. S. (2014). A context-aware video prompt approach to improving students’ in-field reflection levels. Computers & Education70, 80-91.

Hwang, G. J. (1998). A tutoring strategy supporting system for distance learning on computer networks. IEEE TRANSACTIONS ON EDUCATION E41, 343-343.

Hwang, G. J., & Chang, H. F. (2011). A formative assessment-based mobile learning approach to improving the learning attitudes and achievements of students. Computers & Education56(4), 1023-1031.

Hwang, G. J., Tsai, C. C., Chu, H. C., Kinshuk, K., & Chen, C. Y. (2012). A context-aware ubiquitous learning approach to conducting scientific inquiry activities in a science park. Australasian Journal of Educational Technology28(5).

Hwang, G. J. (2014). Definition, framework and research issues of smart learning environments-a context-aware ubiquitous learning perspective. Smart Learning Environments1(1), 4. https://slejournal.springeropen.com/articles/10.1186/s40561-014-0004-5

Hwang, G. J., Chin-Chung, T., & Yang, S. J. (2008). Criteria, strategies and research issues of context-aware ubiquitous learning. Journal of Educational Technology & Society11(2).

Hwang, G. J., Hung, P. H., Chen, N. S., & Liu, G. Z. (2014). Mindtool-assisted in-field learning (MAIL): An advanced ubiquitous learning project in Taiwan. Journal of Educational Technology & Society17(2).

Joiner, R., Nethercott, J., Hull, R., & Reid, J. (2006). Designing Educational Experiences Using Ubiquitous Technology. Computers in Human Behavior, 22 (1), 67-76.

Jonassen, D. H., Carr, C., & Yueh, H. P. (1998). Computers as mindtools for engaging learners in critical thinking. TechTrends43(2), 24-32.

Karampiperis, P., & Sampson, D. (2005). Adaptive learning resources sequencing in educational hypermedia systems. Journal of Educational Technology & Society8(4).

Kinshuk, T. L., & Patel, A. (2003). User exploration based adaptation in adaptive learning systems. International Journal of Information Systems in Education1(1), 22-31.

Kinshuk, K., Hwang, G. J., Tsai, C. C., Chu, H. C. & Chen, C. Y. (2012). A context-aware ubiquitous learning approach to conducting scientific inquiry activities in a science park. Australasian Journal of Educational Technology28(5).

Lave, J. (1991). Situating learning in communities of practice. Perspectives on socially shared cognition2, 63-82.

Liu, G. Z., & Hwang, G. J. (2010). A key step to understanding paradigm shifts in e‐learning: towards context‐aware ubiquitous learning. British Journal of Educational Technology41(2).

Mampadi, F., Chen, S. Y., Ghinea, G., & Chen, M. P. (2011). Design of adaptive hypermedia learning systems: A cognitive style approach. Computers & Education56(4), 1003-1011.

Martens, A., & Uhrmacher, A. M. (2002, June). Adaptive tutoring processes and mental plans. In International Conference on Intelligent Tutoring Systems (pp. 71-80). Springer, Berlin, Heidelberg.

Martens, A. (2006). Modeling of adaptive tutoring processes. Web-based intelligent e-learning systems: Technologies and applications, 193-215.

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

Minami, M., Morikawa, H., & Aoyama, T. (2004, January). The design of naming-based service composition system for ubiquitous computing applications. In Applications and the Internet Workshops, 2004. SAINT 2004 Workshops. 2004 International Symposium on (pp. 304-312). IEEE.

Ogata, H., & Yano, Y. (2004). Context-aware support for computer-supported ubiquitous learning. In Wireless and Mobile Technologies in Education, 2004. Proceedings. The 2nd IEEE International Workshop on (pp. 27-34). IEEE.

Papanikolaou, K. A., Grigoriadou, M., Magoulas, G. D., & Kornilakis, H. (2002). Towards new forms of knowledge communication: the adaptive dimension of a web-based learning environment. Computers & Education39(4), 333-360.

Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive web (pp. 325-341). Springer, Berlin, Heidelberg.

Reigeluth, C. M. (2016). Teoría instruccional y tecnología para el nuevo paradigma de la educación. Revista de Educación a Distancia, (50).

Rogers, Y., Price, S., Randell, C., Fraser, D. S., Weal, M., & Fitzpatrick, G. (2005). Ubi-learning integrates indoor and outdoor experiences. Communications of the ACM48(1), 55-59.

Sharples, M., Sánchez, I. A., Milrad, M., & Vavoula, G. (2009). Mobile Learning: Small devices, Big issues. In and SBS Balacheff, S. Ludvigsen, T. de Long, A. Lazonder (Ed.), Technology enhanced learning: Principles and products (pp. 233–49).

Specht, M., Weber, G., Heitmeyer, S., & Schöch, V. (1997, June). AST: adaptive WWW-courseware for statistics. In Proceedings of Workshop” Adaptive Systems and User Modeling on the World Wide Web” at 6th International Conference on User Modeling, UM97, Chia Laguna, Sardinia, Italy (pp. 91-95).

Tsai, P. S., Tsai, C. C., & Hwang, G. J. (2012). Developing a survey for assessing preferences in constructivist context‐aware ubiquitous learning environments. Journal of computer assisted learning28(3), 250-264.

Tseng, J. C., Chu, H. C., Hwang, G. J., & Tsai, C. C. (2008a). Development of an adaptive learning system with two sources of personalization information. Computers & Education51(2), 776-786.

Tseng, S. S., Jun-Ming, S., Hwang, G. J., Hwang, G. H., Chin-Chung, T., & Tsai, C. J. (2008b). An object-oriented course framework for developing adaptive learning systems. Journal of Educational Technology & Society11(2).

Van Seters, J. R., Ossevoort, M. A., Tramper, J., & Goedhart, M. J. (2012). The influence of student characteristics on the use of adaptive e-learning material. Computers & Education58(3), 942-952.

Wu, H. K., Lee, S. W. Y., Chang, H. Y., & Liang, J. C. (2013a). Current status, opportunities and challenges of augmented reality in education. Computers & education62, 41-49.

Wu, P. H., Hwang, G. J., & Tsai, W. H. (2013b). An expert system-based context-aware ubiquitous learning approach for conducting science learning activities. Journal of Educational Technology & Society16(4).

Yang, C. C., Hwang, G. J., Hung, C. M., & Tseng, S. S. (2013a). An evaluation of the learning effectiveness of concept map-based science book reading via mobile devices. Journal of Educational Technology & Society16(3).

Yang, T. C., Hwang, G. J., & Yang, S. J. H. (2013b). Development of an adaptive learning system with multiple perspectives based on students’ learning styles and cognitive styles. Journal of Educational Technology & Society16(4), 185.

ZAPATA-ROS, M. (1990) Técnicas de programación declarativa en el aula. Seco Olea Ediciones, SL Madrid.

Zapata-Ros, M. (2012). Calidad en entornos ubicuos de aprendizaje. RED: Revista de Educación a Distancia, (31), 1-12.

Zapata-Ros, M. (2015). Teorías y modelos sobre el aprendizaje en entornos conectados y ubicuos. Bases para un nuevo modelo teórico a partir de una visión crítica del “conectivismo”. Teoría de la Educación. Educación y Cultura en la Sociedad de la Información16(1).

Zapata-Ros, M. (2015b). El diseño instruccional de los MOOC y el de los nuevos cursos abiertos personalizados. Revista de Educación a Distancia, (45).

 

Miguel Zapata Ros

Profesor Honorario en el Centro de Formación y Desarrollo Profesional de la Universidad de Murcia. Investigador en el Instituto Interuniversitario de Economía Internacional. Profesor Externo en la Universidad de Alcalá de Henares, miembro del programas de doctorado en Ingeniería de la Información y del Conocimiento, distinguido con Mención hacia la Excelencia por el Ministerio de Educación (Referencia: MEE2011-0159).
Editor de RED, Revista de Educación a Distancia y de Docencia Universitaria.
Miembro de INTCODE, agencia consultiva de ONU sobre educación a distancia, y representante en la sede de New York.
Doctor en Ingeniería Informática.

More Posts - Website

Follow Me:
TwitterFacebookLinkedInGoogle Plus