El aprendizaje adaptativo , también conocido como enseñanza adaptativa , es un método educativo que utiliza algoritmos informáticos e inteligencia artificial para orquestar la interacción con el alumno y ofrecer recursos y actividades de aprendizaje personalizados para abordar las necesidades únicas de cada alumno. [1] En contextos de aprendizaje profesional, las personas pueden "probar" alguna capacitación para asegurarse de que se involucran con una instrucción novedosa. Las computadoras adaptan la presentación del material educativo de acuerdo con las necesidades de aprendizaje de los estudiantes, como lo indican sus respuestas a preguntas, tareas y experiencias. [2] La tecnología abarca aspectos derivados de varios campos de estudio, incluidos la informática, la inteligencia artificial, la psicometría , la educación, la psicología y la neurociencia.
Las investigaciones realizadas, en particular en entornos educativos de los Estados Unidos, han demostrado la eficacia de los sistemas de aprendizaje adaptativo para promover el aprendizaje de los estudiantes. Entre 37 estudios recientes que examinaron los efectos del aprendizaje adaptativo en los resultados de aprendizaje, una abrumadora mayoría del 86 % (32 estudios) informó efectos positivos. [3]
El aprendizaje adaptativo ha sido impulsado en parte por la constatación de que no se puede lograr un aprendizaje personalizado a gran escala utilizando enfoques tradicionales no adaptativos. Los sistemas de aprendizaje adaptativo intentan transformar al alumno de receptor pasivo de información a colaborador en el proceso educativo. La aplicación principal de los sistemas de aprendizaje adaptativo es en la educación, pero otra aplicación popular es la capacitación empresarial. Se han diseñado como aplicaciones para computadoras de escritorio, aplicaciones web y ahora se están introduciendo en los planes de estudio generales. [4]
El aprendizaje adaptativo o tutoría inteligente tiene su origen en el movimiento de la inteligencia artificial y comenzó a ganar popularidad en la década de 1970. En ese momento, se aceptaba comúnmente que las computadoras eventualmente alcanzarían la capacidad humana de adaptabilidad. En el aprendizaje adaptativo, la premisa básica es que la herramienta o sistema será capaz de ajustarse al método de aprendizaje del estudiante/usuario, lo que da como resultado una experiencia de aprendizaje mejor y más efectiva para el usuario. En la década de 1970, la principal barrera era el costo y el tamaño de las computadoras, lo que hacía que la aplicación generalizada fuera poco práctica. Otro obstáculo en la adopción de los primeros sistemas inteligentes fue que las interfaces de usuario no favorecían el proceso de aprendizaje. El inicio del trabajo sobre sistemas de aprendizaje adaptativo e inteligente generalmente se remonta al sistema SCHOLAR que ofrecía aprendizaje adaptativo para el tema de geografía de Sudamérica. [5] Una serie de otros sistemas innovadores aparecieron en cinco años. Se puede encontrar un buen relato de los primeros trabajos sobre aprendizaje adaptativo y sistemas de tutoría inteligente en el libro clásico "Intelligent Tutoring Systems". [6]
Los sistemas de aprendizaje adaptativo se han dividido tradicionalmente en componentes o "modelos" separados. Si bien se han presentado diferentes grupos de modelos, la mayoría de los sistemas incluyen algunos o todos los siguientes modelos (a veces con diferentes nombres): [7] [8]
El modelo experto almacena información sobre el material que se está enseñando. Puede ser tan simple como las soluciones de las preguntas, pero también puede incluir lecciones y tutoriales y, en sistemas más sofisticados, incluso metodologías expertas para ilustrar los enfoques de las preguntas.
Los sistemas de aprendizaje adaptativo que no incluyen un modelo experto normalmente incorporarán estas funciones en el modelo de instrucción.
El método más sencillo para determinar el nivel de habilidad de un estudiante es el que se emplea en la CAT ( prueba adaptativa computarizada ). En la CAT, se le presentan al sujeto preguntas que se seleccionan en función de su nivel de dificultad en relación con el nivel de habilidad presunto del sujeto. A medida que avanza la prueba, la computadora ajusta la puntuación del sujeto en función de sus respuestas, afinando continuamente la puntuación seleccionando preguntas de un rango de dificultad más estrecho.
Un algoritmo para una evaluación de estilo CAT es fácil de implementar. Se reúne un gran conjunto de preguntas y se califica según su dificultad, mediante análisis de expertos, experimentación o una combinación de ambas. Luego, la computadora realiza lo que es esencialmente una búsqueda binaria, dando siempre al sujeto una pregunta que está a medio camino entre lo que la computadora ya ha determinado como los niveles máximo y mínimo de habilidad posibles del sujeto. Luego, estos niveles se ajustan al nivel de dificultad de la pregunta, reasignando el mínimo si el sujeto respondió correctamente y el máximo si respondió incorrectamente. Obviamente, se debe crear un cierto margen de error para permitir escenarios en los que la respuesta del sujeto no sea indicativa de su verdadero nivel de habilidad, sino simplemente una coincidencia. Hacer múltiples preguntas de un nivel de dificultad reduce en gran medida la probabilidad de una respuesta engañosa, y permitir que el rango crezca más allá del nivel de habilidad supuesto puede compensar posibles evaluaciones erróneas.
Otra forma de identificar las debilidades en términos de conceptos es programar el modelo del estudiante para que analice las respuestas incorrectas. Esto es especialmente aplicable a las preguntas de opción múltiple. Considere el siguiente ejemplo:
Claramente, un estudiante que responde (b) está sumando los exponentes y no comprende el concepto de términos iguales. En este caso, la respuesta incorrecta proporciona información adicional más allá del simple hecho de que es incorrecta.
El modelo de enseñanza generalmente busca incorporar las mejores herramientas educativas que la tecnología tiene para ofrecer (como presentaciones multimedia) con el asesoramiento de profesores expertos sobre métodos de presentación. El nivel de sofisticación del modelo de enseñanza depende en gran medida del nivel de sofisticación del modelo del estudiante. En un modelo de estudiante de estilo CAT, el modelo de enseñanza simplemente clasificará las lecciones en correspondencia con las clasificaciones del grupo de preguntas. Cuando se haya determinado satisfactoriamente el nivel del estudiante, el modelo de enseñanza proporciona la lección apropiada. Los modelos de estudiante más avanzados que evalúan en función de conceptos necesitan un modelo de enseñanza que también organice sus lecciones por concepto. El modelo de enseñanza puede diseñarse para analizar el conjunto de debilidades y adaptar un plan de lección en consecuencia.
Cuando el modelo del estudiante evalúa las respuestas incorrectas, algunos sistemas intentan proporcionar retroalimentación a las preguntas reales en forma de "pistas". A medida que el estudiante comete errores, aparecen sugerencias útiles como "observe atentamente el signo del número". Esto también puede caer en el ámbito del modelo instructivo, con sugerencias genéricas basadas en conceptos que se ofrecen en función de las debilidades conceptuales, o las sugerencias pueden ser específicas de la pregunta, en cuyo caso los modelos del estudiante, instructivo y experto se superponen.
Muchos sistemas de gestión del aprendizaje han incorporado diversas funciones de aprendizaje adaptativo. Un sistema de gestión del aprendizaje (LMS) es una aplicación de software para la administración, documentación, seguimiento, elaboración de informes y entrega de cursos educativos, programas de formación o programas de aprendizaje y desarrollo. Los sistemas de aprendizaje adaptativo se han utilizado anteriormente, por ejemplo, para ayudar a los estudiantes a desarrollar su capacidad de escritura argumentativa ( Argument Mining). [9]
Los sistemas de aprendizaje adaptativo [10] se pueden implementar en Internet para su uso en el aprendizaje a distancia y la colaboración grupal. [11]
El campo de la educación a distancia está incorporando ahora aspectos del aprendizaje adaptativo. Los sistemas iniciales sin aprendizaje adaptativo podían proporcionar retroalimentación automatizada a los estudiantes a quienes se les presentaban preguntas de un banco de preguntas preseleccionadas. Sin embargo, ese enfoque carece de la orientación que los maestros pueden proporcionar en el aula. Las tendencias actuales en el aprendizaje a distancia exigen el uso del aprendizaje adaptativo para implementar un comportamiento dinámico inteligente en el entorno de aprendizaje.
Durante el tiempo que un estudiante pasa aprendiendo un nuevo concepto, se ponen a prueba sus habilidades y las bases de datos registran su progreso utilizando uno de los modelos. La última generación de sistemas de aprendizaje a distancia tiene en cuenta las respuestas de los estudiantes y se adapta a las capacidades cognitivas del estudiante utilizando un concepto llamado "andamiaje cognitivo". El andamiaje cognitivo es la capacidad de un sistema de aprendizaje automatizado para crear una ruta cognitiva de evaluación desde el nivel más bajo hasta el más alto en función de las capacidades cognitivas demostradas. [12]
Una implementación exitosa actual del aprendizaje adaptativo en el aprendizaje a distancia basado en la web es el motor Maple de WebLearn de la Universidad RMIT. [13] WebLearn es lo suficientemente avanzado como para proporcionar una evaluación de las preguntas planteadas a los estudiantes incluso si esas preguntas no tienen una respuesta única como las del campo de las matemáticas.
El aprendizaje adaptativo se puede incorporar para facilitar la colaboración grupal dentro de entornos de aprendizaje a distancia, como foros o servicios de intercambio de recursos. [14] Algunos ejemplos de cómo el aprendizaje adaptativo puede ayudar con la colaboración incluyen la agrupación automatizada de usuarios con los mismos intereses y la personalización de enlaces a fuentes de información en función de los intereses declarados del usuario o sus hábitos de navegación.
En 2014, un investigador educativo concluyó un estudio de varios años sobre aprendizaje adaptativo para el diseño de juegos educativos. La investigación desarrolló y validó el modelo ALGAE (Adaptive Learning GAme dEsign), un modelo integral de aprendizaje adaptativo basado en teorías y prácticas de diseño de juegos, estrategias de enseñanza y modelos adaptativos. La investigación amplió las investigaciones previas sobre diseño de juegos, estrategias de enseñanza y aprendizaje adaptativo, combinando esos tres componentes en un único modelo complejo.
El estudio dio como resultado el desarrollo de un modelo de diseño de juegos educativos adaptativos que sirve como guía para diseñadores de juegos, diseñadores instruccionales y educadores con el objetivo de aumentar los resultados de aprendizaje. Los participantes de la encuesta validaron el valor del modelo ALGAE y brindaron información específica sobre la construcción, el uso, los beneficios y los desafíos del modelo. El modelo ALGAE actual se basa en estos conocimientos. El modelo ahora sirve como guía para el diseño y desarrollo de juegos de computadora educativos.
Se evalúa la aplicabilidad del modelo en distintos sectores, incluidos organismos y unidades gubernamentales y militares, la industria de los videojuegos y el mundo académico. El valor real del modelo y el enfoque de implementación adecuado (concentrado o no) se materializarán plenamente a medida que la adopción del modelo ALGAE se generalice. [15]
Si bien las funciones de aprendizaje adaptativo a menudo se mencionan en los materiales de marketing de las herramientas, el rango de adaptabilidad puede ser dramáticamente diferente.
Las herramientas de nivel básico tienden a centrarse en determinar el camino del alumno basándose en criterios simplistas, como la respuesta del alumno a una pregunta de opción múltiple. Una respuesta correcta puede llevar al alumno al camino A, mientras que una respuesta incorrecta puede llevarlo al camino B. Si bien estas herramientas proporcionan un método adecuado para la ramificación básica, a menudo se basan en un modelo lineal subyacente mediante el cual el alumno simplemente es redirigido a un punto en algún lugar a lo largo de una línea predefinida. Debido a esto, sus capacidades no alcanzan la verdadera adaptabilidad.
En el otro extremo del espectro, existen herramientas avanzadas que permiten la creación de adaptaciones muy complejas basadas en cualquier cantidad de condiciones complejas. Estas condiciones pueden estar relacionadas con lo que el alumno está haciendo actualmente, decisiones anteriores, seguimiento del comportamiento, actividades interactivas y externas, por nombrar algunas. Estas herramientas de gama alta generalmente no tienen navegación subyacente, ya que tienden a utilizar métodos de IA, como un motor de inferencia . Debido a la diferencia de diseño fundamental, las herramientas avanzadas pueden proporcionar capacidades de evaluación enriquecidas. En lugar de responder a una simple pregunta de opción múltiple, se le puede presentar al alumno una simulación compleja en la que se consideran varios factores para determinar cómo debe adaptarse el alumno.
Este artículo incorpora material del artículo de Citizendium "Aprendizaje adaptativo", que se encuentra bajo la licencia Creative Commons Attribution-ShareAlike 3.0 Unported pero no bajo la GFDL .
{{citation}}: CS1 maint: url-status (link)