Archivo de la etiqueta: higher education

La universidad inteligente (III): Por qué la universidad necesita la IA

Miguel Zapata-Ros, Universidad de Alcalá

Éste es el tercero 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 primera entrada se introdujo el tema y se hizo una sucinta revisión de la literatura. En la anterior se habló de qué es el aprendizaje inteligente y qué son los entornos inteligentes de aprendizaje.

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

 

Por qué la universidad necesita la IA

1 La evolución de la enseñanza abierta universitaria

No se puede excluir la universidad inteligente, la que incorpora los sistemas inteligentes de gestión del aprendizaje, de la evolución de la universidad abierta, desde la lógica de su propia concepción original.

En 1997 ya el Further Education Funding Council (FEFC, 1997 p.25; Zapata-Ros, , 2001 p.1) de Gran Bretaña define la educación a distancia como:

” those on which students study with specially prepared learning materials for their private study and are provided with a marking and comment service for their written work which may be     accompanied by some counselling or tutorial support This definition is intended to cover situations where study is essentially home based and there is only occasional contact with the institution”

La educación abierta universitaria tiene tradicionalmente como fin el que se superen las dificultades de condiciones y organización para el aprendizaje (Zapata-Ros, 2001 p.1). Y esto se ha constituido en un objetivo para los sistemas educativos universitarios en las sociedades desarrolladas.  Las instituciones, las experiencias que se desarrollan en ellas  y centros de investigación se esmeran en indagar qué modalidades de organización, con los usos más adecuados de aplicaciones —affordances— son más eficaces para obtener los resultados de aprendizaje propuestos para cada modalidad de estudio, o de rendimiento profesional. Se trata de ofrecer a los profesores y gestores docentes de la enseñanza superior modalidades de diseño instruccional que consigan estos objetivos, que faciliten en definitiva la itinerancia de las situaciones actuales a una enseñanza universitaria abierta.

La evolución de la enseñanza abierta universitaria ha sido objeto de estudio  en varios trabajos anteriores. En un artículo (Zapata-Ros, 2017, October 11 y Zapata-Ros, 2017, December) y en varios posts (Zapata-Ros, 2017)

Tras lo aparecido en ese artículo, los herederos de los MOOC finalmente han evolucionado hacia un nuevo modelo de enseñanza formal universitaria. De forma que tras pasar por varias fases, han llegado a una situación completamente distinta a la inicial: Se han convertido en formas de enseñanza universitaria que otorga títulos oficiales de grado y postgrado,  como sucede en los tradicionales. En nada se diferencian de ellos, si pensamos en todos los efectos que aquellos conllevaban.

Lo han hecho  la Universidad de Londres y el Imperial College de Londres (a través de Coursera, con su plataforma y su metodología, y The Open University a través de Future Learn. En el primer caso son grados formales y en el segundo son postgrados (másteres) también formales. La universidad disruptiva es un hecho. Cualquier alumno en Alcalá o en Murcia, o en Buenos Aires, o México capital puede obtener un grado (licenciatura ) en el Imperial College de Londres como si fuera un MOOC.

Este post está escrito a partir de la noticia de Times Higher Education  el   07/03/2018 (Bothwell, March 6, 2018) titulado Coursera ofrecerá títulos de universidades del Reino Unido.

En él se informa (Bothwell, March 6, 2018) de nuevos cursos de la Universidad de Londres y del Imperial College de Londres  que incluyen el primer programa de licenciatura de la plataforma y de másteres oficiales también con el soporte y la metodología de Coursera

En particular la plataforma de aprendizaje en línea Coursera se nos dice está lista para ofrecer sus primeros títulos de universidades del Reino Unido, incluido su primer programa de licenciatura: Un grado en Ciencias de la Computación de la Universidad de Londres (Goldsmiths) y un nuevo máster de salud pública en el Imperial College de Londres. Además de cuatro nuevos títulos de máster de instituciones estadounidenses, incluidos programas de informática de la Universidad Estatal de Arizona y la Universidad de Illinois en Urbana-Champaign , y títulos de ciencias de la información y salud pública de la Universidad de Michigan. Coursera igualmente anuncia que el número de grados disponibles a través de su plataforma se elevará a diez, a lo largo de este año y en 2019.

Con respecto a esta plataforma, esto significa la culminación de un proceso que se inició con los MOOC, continuó con los MOOC con diseño instruccional de Fink (2003) y clásico, y por último con Credentials, College Credits y Microdegrees. Reflejan pues la evolución de las plataformas de aprendizaje en línea desde sus raíces, ofreciendo cursos gratuitos masivos abiertos en línea, hasta ahora que ofrecen programas acreditados y pagados de títulos oficiales universitarios completos.

Este punto, en el que Coursera lanza un grado, significa un hito, marca la culminación de una fase clave en un proceso. Después vendrán otros grados que ya se han iniciado. Pero antes ya existían títulos oficiales universitarios sobre marcos y con metodologías de plataformas de estudios abiertos online. Antes que los grados del Reino Unido puestos en marcha por Coursera, la gran plataforma con sede en el Reino Unido Future Learn, propiedad de The Open University, lanzó una  serie de postgrados en su plataforma y con su estilo, en la Universidad de Coventry  el año pasado. Future Learn también ofrece títulos oficiales de másteres en las universidades Deakin y Murdoch en Australia.

Así el esquema de la evolución de la enseñanza abierta universitaria, ahora quedaría pues completo, en este ciclo, con la inclusión de estudios formales de grado y postgrado, en esta línea del tiempo:

Fig. 2

Con lo visto en el apartado anterior el esquema de la evolución de los entornos inteligentes de aprendizaje quedaría:

Fig. 3

2 Cómo la inteligencia artificial puede beneficiar a las universidades

La IA en general, y los sistemas inteligentes de gestión del aprendizaje, como caso particular de los sistemas de aprendizaje adaptativo, en particular, se espera que tengan un enorme efecto a largo plazo en tres campos de la educación universitaria: En la docencia, en el rendimiento de los  alumno y en el abandono escolar.

Como veremos en el apartado de experiencias, estas expectativas ha sido confirmado por los resultados de los cursos realizados en la Universidad Estatal de Arizona en otoño de 2015, y por el correspondiente informe (Clark,  February  19, 2016) donde el curso  Biology 100 (BIO100), realizado como aprendizaje mixto en la plataforma CogBooks, se estudió en detalle.

Las evidencias obtenidas fueron sobre los objetivos siguientes, que por otro lado constituyen la preocupación principal de las autoridades y gestores universitarios:

  • aumentar el logro individual
  • reducir las tasas de deserción escolar
  • mantener la motivación del estudiante
  • aumentar la efectividad del docente

A esto habría que añadir obviamente lo que se supone objetivo implícito de las universidades: Aumentar la eficiencia de los aprendizajes obtenidos por los alumnos más allá del límite actual, superando barreras y dificultades que de otra forma no desaparecerían.

Pero no solamente están los beneficios que se derivan del uso de los entornos inteligentes para la mejora del rendimiento educativo que directamente proporciona la ayuda pedagógica. Hay otros beneficios que podríamos resumir en los cuatro ítems siguientes

La Educación Superior (ES) en nuestro entorno está en una posición ideal para preparar a los estudiantes para el mundo de la Inteligencia Artificial

Hay muchos nichos profesionales emergentes bajo el paraguas de la IA. Tradicionalmente la Universidad ha provisto de capacitación para los nuevos roles profesionales, máxime estos tan cercanos a ciencias y desarrollos teóricos básicos. En primer lugar, hay un nuevo rol para que HE equipe a los graduados para que trabajen efectivamente junto con sistemas artificialmente inteligentes.

Por lo tanto, los profesores universitarios deben garantizar, no solo para las titulaciones nuevas, sino también para las que tienen dominios de actuación tradicionales,  que los estudiantes ingresen al lugar de trabajo con una comprensión de las competencias y de las limitaciones de AI, y la capacidad de continuar aprendiendo a medida que AI desarrolla y continúa cambiando los roles y las expectativas del lugar de trabajo.

La universidad no puede quedar al margen de esta oportunidad. Conlleva un riesgo similar al que las ingenierías no hubiesen adoptado los temas concernientes a los nuevos medios de transporte o los nuevos materiales como objetivos de capacitación y de investigación.

La IA puede ayudar a resolver grandes desafíos que la ES tiene en la Sociedad del Conocimiento, particularmente los que plantean las innovaciones disruptivas

En el terreno estratégico de la política universitaria, la Inteligencia Artificial puede proporcionar parte de la solución a los grandes desafíos con los que habitualmente se enfrenta la toma de decisiones de las universidades. Por ejemplo, el proceso de la enorme en la cantidad de datos educativos, cada vez mayor, sobre estudiantes. Datos que tienen disponibles las universidades.

Numerosos trabajos (Parr, February 28, 2013) han investigado los patrones sobre la actividad de los estudiantes, sobre datos que rutinariamente son registrados y analizados por las universidades usando “análisis de patrones de aprendizaje”. Hasta ahora, estos análisis se usan principalmente para predecir qué estudiantes podrían fallar o abandonar. Pero, como hemos visto, el potencial principal es en el apoyo a la tutoría, que a partir del análisis de los procesos de aprendizaje de los alumnos individualmente, proporcione intervenciones oportunas en tiempo real para ayudarles.

La investigación que se realice en la universidad sobre IA, puede ser una parte clave y estratégica de la revolución de la IA en España, o en el país y en la sociedad, en particular, donde se desarrolle. En particular en el ámbito de la Educación

Los investigadores y los educadores de la universidad  son las personas y poseen los recursos de conocimiento clave para ayudar al país donde se ubiquen y a su economía a desarrollar el tipo correcto de sistemas de inteligencia artificial en los distintos ámbitos y servicios pero también en particular para su uso en educación, y debe hacerse sin demora.

Las universidades están ubicadas en el contexto correcto para investigar la IA

El contexto es una variable clave para la adquisición del conocimiento y es por tanto un factor básico en la efectividad de la educación. Los partidarios del aprendizaje situado señalan que es el factor más importante y algunas universidades de excelencia como Cambridge u Oxford así lo estiman.

El contexto, en este sentido, se puede definir como la combinación de personas, entornos, conocimiento, tecnología y recursos que constituyen una  parte esencial de las interacciones de cada estudiante con el resto y con el mundo real. Son variables relevantes que intervienen en el éxito educativo de cada estudiante. Los desarrolladores de la IA deben conocer y trabajar por tanto el modelado contextual que permita a las herramientas  de IA determinar cómo y por qué lo que funciona en una universidad no funciona en otra. Y no trasplantar esquemas y patrones de forma mecánica

La educación superior debe enfrentarse pues al desafío de la investigación de modelado contextual.

Resumiendo, la Inteligencia Artificial tiene el potencial de aportar grandes beneficios a la universidad. Sin embargo, solo cosecharemos estos beneficios si desarrollamos y usamos la IA como una innovación, es decir de una forma eficiente (Linden & Fenn, 2003).

 

 

Referencias

Bothwell, E. (March 6, 2018). Coursera to offer degrees from UK universities. Times Higher Education https://www.timeshighereducation.com/news/coursera-offer-degrees-uk-universities.

Clark, D. (February  19, 2016) 10 powerful results from Adaptive (AI) learning trial at ASU. Plan B. http://donaldclarkplanb.blogspot.com.es/2016/02/10-powerful-results-from-adaptive-ai.html

FEFC (1997). How to Apply for Funding. Bristol: Further Education Funding Council.

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

Linden, A., & Fenn, J. (2003). Understanding Gartner’s hype cycles. Strategic Analysis Report Nº R-20-1971. Gartner, Inc.

Parr, C. (February 28, 2013). Universities mine institutional data in search of gold Analysis of information on staff and students can help to improve recruitment and retention. Times Higher Education. https://www.timeshighereducation.com/news/universities-mine-institutional-data-in-search-of-gold/2002053.article.

Zapata-Ros, M. (2001). Formación abierta ya distancia a través de redes digitales: Modelos de redes de aprendizaje. RED: Revista de Educación a Distancia, (1).

Zapata-Ros, M. (2017, October 11). Latinoamérica y la educación superior en la encrucijada de la Sociedad del Conocimiento. Desafíos y disrupciones. Retrieved from https://osf.io/f8e39.

Zapata-Ros, M. (2017, December). Latinoamérica y la educación superior en la encrucijada de la sociedad del conocimiento. Desafíos y disrupciones. Virtualidad, Educación y Ciencia8(15), 193-199.

Zapata-Ros, M. (2017). Latinoamérica y la educación superior en la encrucijada de la Sociedad del Conocimiento. Desafíos y disrupciones. RED de Hypotheses. Retrieved from  https://red.hypotheses.org/1011

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 (II)

Miguel Zapata-Ros, Universidad de Alcalá

Éste es el segundo 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 entrada anterior se introduce el tema y se hace una sucinta revisión de la literatura.

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)

 

Aprendizaje inteligente

Los sistemas de aprendizaje inteligente, desde el punto de vista que vamos a desarrollar, constituyen una evolución de los sistemas adaptativos de aprendizaje y de los sistemas de aprendizaje sensibles y conscientes del contexto, a los que se han añadido las posibilidades de ayuda pedagógica que posibilitan las herramientas de detección y de recomendación que presta la Inteligencia artificial. De manera que no podremos entender el constructo aprendizaje inteligente sin hacer referencia a estos entornos.

Así entenderemos que “aprendizaje inteligente” es aquél aprendizaje que pueden desencadenar y producir los sistemas de aprendizaje inteligente, y que se puede entender de forma diferenciado por las funciones y efectos que no se pueden realizar en ambientes de aprendizaje adaptativo y de aprendizaje contextualizado [el aprendizaje social y el aprendizaje colaborativo de esta forma se puede entender como una subcategoría del aprendizaje contextualizado] sin excluirlas. De esta forma se puede decir que el aprendizaje inteligente es el aprendizaje adaptativo y contextualizado con mecanismos de detección, de respuesta y de recomendación.

Así, como veremos en el apartado siguiente, los “entornos de aprendizaje inteligentes” pueden considerarse, a partir de la definición de Hwang et al (2008), como 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) en los lugares adecuados y en el momento oportuno, según las necesidades individuales de cada alumnos, 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.

Diferencias entre aprendizaje en entornos inteligentes, aprendizaje por contexto y aprendizaje inclusivo

Hemos dicho que el aprendizaje inteligente como apoyo a los alumnos en la tutoría y en la entrega de materiales se considera una evolución del aprendizaje adaptativo y del aprendizaje contextualizado, o sensible al contexto.

Por tanto ninguno de los dos puede considerarse como estado óptimo de aprendizaje apoyado por la tecnología, al que llamaremos aprendizaje inteligente en lo sucesivo.

Como veremos igualmente en el apartado siguiente, y consecuentemente con la distinción anterior, un entorno de aprendizaje inteligente no sólo es el que permite a los estudiantes acceder a recursos digitales e interactuar mediante un sistema adecuado de aprendizaje en cualquier lugar y en cualquier momento, sino que también proporciona activamente y dinámicamente una guía de aprendizaje, orientaciones, affordances de apoyo o propuestas de actividades de aprendizaje necesarias y adecuadas a los objetivos y a su situación de aprendizajes, en el lugar adecuado, en el momento oportuno y en la forma correcta.

Hay varias características que hacen que una noción tan innovadora de aprendizaje, como es la de aprendizaje inteligente, vaya más allá de la combinación de las dos de donde procede. En lo que sigue se proporcionan elementos de discusión en profundidad para definir claramente el “entorno de aprendizaje inteligente” y su marco teniendo como referencia lo que hace o cómo se produce en relación a sus predecesores, es decir haciendo una comparación entre entornos de aprendizaje adaptativos, entornos de aprendizaje ubicuos conscientes del contexto y sistemas de tutoría inteligentes.

Sobre la base de esos criterios y en ese marco, en la Tabla 1, obtenida a partir del trabajo anterior de  Hwang (2014) se presenta una comparación de un entorno de aprendizaje inteligente, un entorno de aprendizaje basado en el contexto y un entorno de aprendizaje adaptativo convencional. Se puede ver que un entorno de aprendizaje inteligente es más que una combinación de u-learning consciente del contexto y aprendizaje adaptativo. En particular, guía a los estudiantes a hacer lo correcto (es decir, las tareas que son más factibles e importantes para el alumno en este momento) de la manera correcta (es decir, con herramientas o estrategias de aprendizaje efectivas) en el momento adecuado y en el derecho lugar basado en el estado de aprendizaje en línea y del mundo real de los estudiantes individuales, así como sus factores personales.

Tabla 1.- Comparación del aprendizaje inteligente con los sistemas de aprendizaje por contexto y con el aprendizaje adaptativo

  Aprendizaje inteligente Aprendizaje contextualizado Aprendizaje adaptativo
Detecta y tiene en cuenta los contextos del mundo real del alumno No
Sitúa a los alumnos en escenarios del mundo real,  para que completen su aprendizaje en condiciones que puedan aplicar lo aprendido con autonomía y transfiriéndolo a situaciones diferentes[1] No
Adapta contenidos y situaciones de aprendizaje para alumnos individuales No
Adapta la interfaz y las affordances de aprendizaje para alumnos individuales No
Adapta tareas u objetivos de aprendizaje para alumnos individuales, y los criterios de evaluación, cómo alcanza los logros No No
Proporciona comentarios personalizados y orientaciones
Proporciona comentarios personalizados y orientaciones como resultado de sistemas de recomendación No No
Proporciona orientación de aprendizaje, apoyo y regulación en la entrega de materiales en todas las disciplinas No No
Proporciona orientación de aprendizaje o apoyo en todos los contextos (por ejemplo, en los salones de clase, en los campus de las escuelas, en la biblioteca, en casa y en la calle) No
Recomienda herramientas o estrategias de aprendizaje específicas para cada situación No No
Tiene en cuenta la situación y las condiciones de aprendizaje en línea de los estudiantes No
Tiene en cuenta la situación de aprendizaje en el mundo real de los estudiantes No
Facilita tanto el aprendizaje formal como el informal No
Tiene en cuenta los múltiples y diversos factores personales y ambientales del alumno (en relación con aspectos relacionados con el aprendizaje. Por ejemplo, necesidades de aprendizaje, preferencias, hábitos, horarios y contexto del mundo real) No No
Utiliza sistemas de recomendación a partir de lo detectado, y que se describe en los apartados anteriores No No
Interactúa con los usuarios a través de múltiples canales (por ejemplo teléfonos inteligentes, affordances sociales u otros medios informáticos ubicuos) No
Brinda apoyo a los alumnos con “adaptación anticipada” al desarrollo o la ejecución de actividades  en contextos reales y virtuales No No
Brinda apoyo a los alumnos con “adaptaciones en progreso” en contextos reales y virtuales No No

 

Los entornos inteligentes de aprendizaje

Qué son los entornos inteligentes de aprendizaje. Definición, criterios y marco de un entorno de aprendizaje inteligente.

Así, a partir de lo dicho para los entornos inteligentes de gestión del aprendizaje, y desde la posibilidad de que el aprendizaje sea ubicuo y sensible al contexto, es decir de que pueda crear y detectar y procesar las interacciones entre los estudiantes y de ellos con el ambiente, proporcionando recomendaciones podemos hablar de entornos inteligentes de aprendizaje.

Por tanto, siguiendo lo dicho por Hwang et al (2008) y añadiendo la consideración de las posibilidades de recomendación que permite la tecnología inteligente, podemos decir que

Los “entornos de aprendizaje inteligentes” pueden considerarse como aquellos entornos de aprendizaje apoyados por la tecnología que realizan recomendaciones, adaptaciones de la ayuda al individuo (por ejemplo, orientación, retroalimentación, consejos o affordances),  y que proporcionan el soporte adecuado para ello en el   lugar en que se produce la necesidad de la ayuda, en el momento oportuno según las necesidades individuales de los alumnos, y en la forma más eficiente. Coordenadas que podrían determinarse mediante el análisis de los comportamientos de aprendizaje, el rendimiento anterior y en proceso y los contextos del estudiante, tanto en línea como del mundo real.

Obviamente una consideración nueva que aparece es la de la distribución del  tiempo del alumno, la diferenciación entre ocio y trabajo.  En un entorno de aprendizaje no existe una cantidad de tiempo fijo y libre. No porque se le quite el ocio, que ahora lo tendrá igualmente y posiblemente más sino que recibirá consejos y aportaciones incluso en su tiempo libre, es como un sabio amigo. Este sistema tiene como objetivo ayudar a los alumnos a aprender incluso cuando tiene otras relaciones o realizan otras actividades. Es el amigo aventajado, o el profesor amigo, que busca oportunidades para asesorar al estudiante en su vida diaria teniendo en cuenta sus necesidades y preferencias. Obviamente esto es una ventaja pero igualmente puede ser considerado como algo intrusivo, en cualquier caso los conceptos de disposición y de distribución del tiempo cambian, como cambian en otros órdenes estos conceptos con relación al trabajo en la sociedad del conocimiento. Y esto tendrá repercusiones evidentes para la configuración de espacios universitarios, espacios de aprendizaje y espacios vitales.

Por tanto podemos visto lo anterior podemos definir un entorno inteligente de aprendizaje como aquél que cumple los criterios potenciales siguientes:

  1. Es sensible y consciente del contexto y puede elaborar recomendaciones en función de él. Es decir detecta la situación del alumno en su contexto en el mundo real, y puede proporcionar ayuda al alumno en función de ella.

 

  1. Es adaptativo. Puede ofrecer apoyo instantáneo y adaptado a los alumnos mediante el análisis inmediato de las necesidades, en términos de organizar la instrucción en el nivel más pequeño e inmediato, y hacerlo desde diferentes perspectivas (por ejemplo desde la perspectiva del rendimiento del aprendizaje, conociendo las estrategias de aprendizaje del alumno, su perfil para el trabajo y el estudio, otros factores personales), así como su contexto en línea y el del mundo real (familia, amigos, hábitos,…). Este carácter supone además que puede proporcionar ayuda pedagógica de diverso tipo y activamente, incluidas guías específicas de aprendizaje, comentarios, sugerencias y affordances educativas en función de sus necesidades.

 

  1. Puede modificar en proceso la interfaz de usuario (es decir, las formas de presentación de la información) y los contenidos de la asignatura. Adaptándolos a los factores personales (por ejemplo, a la forma de leer y reconocer la información que es más eficiente para él y su forma de aprender y a sus preferencias para leer e interpretar información) y al estado de aprendizaje (por ejemplo, presentando la información en la forma y en el momento que es mayor el rendimiento de aprendizaje) de los alumnos individuales. La interfaz de usuario no es necesariamente una computadora convencional, puede ser un teléfono móvil, o un tablet. Los alumnos pueden interactuar con el sistema de aprendizaje a través de dispositivos actuales, por ejemplo, teléfonos inteligentes o tablets, dispositivos que vayan apareciendo, por ejemplo visores de realidad virtual, relojes digitales o incluso, en un futuro no muy lejano sistemas informáticos integrados en objetos cotidianos (Internet of Things, IoT).  Es un reto pues para la investigación adaptar la interfaz de usuario para satisfacer las necesidades educativas en un entorno de aprendizaje inteligente.

 

Es la idea de quien esto escribe que los requerimientos pedagógicos de los sistemas se pueden establecer desde un conocimiento sucinto de las funcionalidades de los sistemas inteligentes en otros entornos,  de lo que los algoritmos de recomendación son capaces de hacer  en otros ámbitos Y que su papel culmina ahí. Cualquier otra pretensión quedaría necesariamente inadecuada al poco de producirse y además se produciría de forma pretenciosa al conocer del conocimiento suficiente y en profundidad para saber cuales son las posibilidades ce los sistemas computacionales.

Por tanto no recomendamos ninguna configuración de sistemas. Sin embargo dentro del objetivo de poner a disposición de los investigadores lo que hay en la literatura sobre el tema no podemos evitar incluir la propuesta de Para que se cumplan estas funciones, según Hwang et al (2008) el marco de un entorno de aprendizaje inteligente debe contemplar al menos los siguientes módulos:

  1. Un módulo de detección de estado de aprendizaje, que detecte el estado del mundo real de los estudiantes (por ejemplo, ubicaciones y comportamientos, hábitos de aprendizaje) y contextos ambientales (por ejemplo horarios, temperatura y humedad) mediante la conexión a algunos dispositivos de detección y de recomendación, y con algoritmos que busquen regularidades.
  2. Un módulo de evaluación formativa del rendimiento de aprendizaje que registra todo lo que está sucediendo y los resultados de aprendizaje valorando cómo inciden los cambios de organización y de carácter instruccional en el total del curso. Por ejemplo análisis e atención y de abandono, accesos a los elementos de entrega de contenidos de aprendizaje y resultados, efecto de las medidas que se toman, por ejemplo en la evaluación en el rendimiento global del curso o de los grupos de alumnos etc.
  3. Un módulo de tareas de aprendizaje adaptativo. Este módulo, ayudado por una base de datos, asigna tareas de aprendizaje a cada alumno en función de su progreso de aprendizaje (recomendamos en este sentido la metodología docente y de evaluación Mastery Learning, que hemos tratado en otros trabajos (Zapata-Ros, 2015), Brandman (2013) y que se debe originalmente a Bloom (1984) ), pero también a otros datos que hay en el sistema sobre rendimiento de aprendizaje, expectativas, intereses, percepciones, aspectos léxicos y, sobre todo, a sus objetivos de aprendizaje en todas las disciplinas. Sobre el carácter adaptativo de las tareas en línea o en el mundo real hay bastante escrito (Hwang et al, 2014). Con la ayuda de este módulo se consigue que los alumnos además trabajen de forma adecuada y adaptada al medio donde están, no es igual el repaso de un PDF cuando viaja en el transporte colectivo, que una labor que necesita un ambiente cómodo para consultar escribir, o una actividad de laboratorio o de campo. Los alumnos de esta forma siempre tendrán la oportunidad de hacer las tareas de aprendizaje más factibles e importantes en relación con el contexto, al considerar su estado de aprendizaje y sus factores personales cuando se le recomiendan en el lugar correcto y en el momento adecuado.
  4. Un módulo de contenidos de aprendizaje adaptativos. Este módulo proporciona materiales de aprendizaje para los estudiantes basándose para ello en el progreso del aprendizaje y el rendimiento del aprendizaje efectivo. Aquí otra vez recomendamos Mastery Learning (Zapata-Ros, 2015; Bloom, 1984) y en los factores personales de aprendizaje del alumno. Para esto, en la línea de utilizar los resultados de la investigación y de las teorías del aprendizaje recomendamos lo que hay estudiado y elaborado sobre técnicas y teoría de la secuenciación de contenidos, en el contexto de Diseño Instruccional. Todo para recomendar contenidos en función de las actividades que el alumno necesita realizar para conseguir un resultado específico de aprendizaje. Es fundamental pues adaptar las técnicas y algoritmos de recomendación a este tema. El sistema de aprendizaje debe recomendar y organizar materiales de aprendizaje, que propone a través de la interfaz del usuario al alumno, para satisfacer la demanda individual de contenidos de cara a un objetivo específico.
  5. El módulo de apoyo de aprendizaje personal es el núcleo del sistema En él deben estar centradas las funciones de asistencia y recomendación al alumno en función de sus necesidades de aprendizaje que detectan el resto de herramientas de detección y procesando las informaciones que sobre él y sobre su contexto disponen las bases de datos del sistema. Como ejemplos, el apoyo al aprendizaje puede consistir en una guía de la tareas de aprendizaje o con documentos, textos, PDF,… con contenidos, una ayuda particular para una tarea, feedback sobre lo que está haciendo la herramienta adecuada para ayudar a su trabajo, retroalimentación sobre su trabajo, o una Mindtools para ayudar a organizar sus ideas.

  6. El módulo anterior puede contener otro o estar diferenciado del que gestiona las bases de datos para organizar la ayuda al estudiante. Sería en todo caso el módulo soporte de la ayuda al estudiante. Y lo realmente importante sería el conjunto de bases de datos para mantener y gestionar los perfiles del alumno, los porfolios (carteras de aprendizaje), las guías de aprendizaje (es decir, las fichas que presentan las tareas de aprendizaje para cada unidad temática o para cada tema de aprendizaje), y en general los materiales de aprendizaje, los ejercicios a proponer y las evidencias de logros (elementos que sirven para probar los aprendizajes conseguidos). A través del análisis de los registros en los porfolios, el sistema tiene constancia y permite analizar los conceptos y las habilidades individuales que los estudiantes han desarrollado y cuáles han de ser mejoradas.

  1. Un módulo de evaluación del rendimiento de aprendizaje. Este módulo debe estar basado en los criterios del diseño instruccional y debe relacionar el rendimiento en el aprendizaje con las otras componentes del diseño instruccional: Resultados esperados y deseados de aprendizaje, actividades, tareas, competencias que se desea que el alumno desarrolle, grado de logro y de desempeño progresivos, en conexión con el módulo de evaluación adaptativa,… Este módulo evalúa y registra el desempeño de los estudiantes a través de pruebas en línea o en el mundo real.
  2. Y por último, un módulo constituido por un motor de inferencia y por una base de conocimientos (Zapata-Ros, 1990) en el sentido clásico de la programación declarativa. Mediante el motor de inferencia se determinaría (Hwang, 2014) el “valor” de las tareas, estrategias y herramientas de aprendizaje del candidato, así como sus posibles combinaciones. Y la  base de conocimientos estaría constituida por la recopilación del conocimiento y de experiencias de tutoría de proveída por los docentes, tutores y evaluadores. El motor de inferencia también podría  contener las reglas para toma de decisiones generadas por el análisis de casos anteriores. El motor de inferencia es un sistema de software de bajo nivel en los sistemas declarativos que toma decisiones mediante reglas (zapata-Ros, 1990), obtenidas en este caso de las experiencia, aplicadas al caso actual (es decir, el estado del estudiante y los contextos ambientales) en base a las reglas en la base de conocimiento (Wu et al. (2013a, b).

Figura 1 

[1] Según lo que establecen los desarrollos clásicos sobre condiciones de aprendizaje, como son por ejemplo “Las condiciones del aprendizaje” y los “Principios del diseño instruccional” de Gagné (1965, 1975)

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