Un sistema de tutoría inteligente ( ITS ) es un sistema informático que imita a los tutores humanos y tiene como objetivo proporcionar instrucción o retroalimentación inmediata y personalizada a los estudiantes , [1] generalmente sin requerir la intervención de un maestro humano . [2] Los ITS tienen el objetivo común de permitir el aprendizaje de una manera significativa y efectiva mediante el uso de una variedad de tecnologías informáticas. Hay muchos ejemplos de ITS que se utilizan tanto en la educación formal como en entornos profesionales en los que han demostrado sus capacidades y limitaciones. Existe una estrecha relación entre la tutoría inteligente, las teorías del aprendizaje cognitivo y el diseño; y hay investigaciones en curso para mejorar la eficacia de los ITS. Un ITS generalmente tiene como objetivo replicar los beneficios demostrados de la tutoría personalizada uno a uno, en contextos en los que los estudiantes de otro modo tendrían acceso a una instrucción de uno a muchos de un solo maestro (por ejemplo, conferencias en el aula), o ningún maestro en absoluto (por ejemplo, tarea en línea). [3] Los ITS a menudo se diseñan con el objetivo de brindar acceso a una educación de alta calidad a todos y cada uno de los estudiantes.
La posibilidad de que existan máquinas inteligentes ha sido objeto de debate durante siglos. Blaise Pascal creó la primera máquina calculadora capaz de realizar funciones matemáticas en el siglo XVII, llamada simplemente Calculadora de Pascal . En esa época, el matemático y filósofo Gottfried Wilhelm Leibniz imaginó máquinas capaces de razonar y aplicar reglas de lógica para resolver disputas. [4] Estos primeros trabajos inspiraron desarrollos posteriores.
El concepto de máquinas inteligentes para uso educativo se remonta a 1924, cuando Sidney Pressey, de la Universidad Estatal de Ohio, creó una máquina de enseñanza mecánica para instruir a los estudiantes sin un profesor humano. [5] [6] Su máquina se parecía mucho a una máquina de escribir con varias teclas y una ventana que proporcionaba preguntas al alumno. La máquina Pressey permitía la entrada de datos por parte del usuario y proporcionaba retroalimentación inmediata registrando su puntuación en un contador. [7]
Pressey fue influenciado por Edward L. Thorndike , un teórico del aprendizaje y psicólogo educativo del Teachers' College de la Universidad de Columbia de finales del siglo XIX y principios del XX. Thorndike postuló leyes para maximizar el aprendizaje. Las leyes de Thorndike incluían la ley del efecto , la ley del ejercicio y la ley de la actualidad . Según estándares posteriores, la máquina de enseñanza y prueba de Pressey no se consideraría inteligente, ya que funcionaba mecánicamente y se basaba en una pregunta y una respuesta a la vez, [7] pero sentó un precedente temprano para proyectos futuros.
En los años 1950 y 1960, surgieron nuevas perspectivas sobre el aprendizaje. Burrhus Frederic "BF" Skinner, de la Universidad de Harvard, no estaba de acuerdo con la teoría del aprendizaje del conexionismo de Thorndike ni con la máquina de enseñanza de Pressey. Skinner era, más bien, un conductista que creía que los estudiantes debían construir sus respuestas y no depender del reconocimiento. [6] Él también construyó una máquina de enseñanza con un sistema mecánico incremental que recompensaría a los estudiantes por las respuestas correctas a las preguntas. [6]
En el período posterior a la Segunda Guerra Mundial, los sistemas binarios mecánicos dieron paso a las máquinas electrónicas basadas en el sistema binario. Estas máquinas se consideraban inteligentes en comparación con sus contrapartes mecánicas, ya que tenían la capacidad de tomar decisiones lógicas. Sin embargo, el estudio de la definición y el reconocimiento de la inteligencia de una máquina todavía estaba en sus inicios.
Alan Turing , matemático, lógico y científico informático, relacionó los sistemas informáticos con el pensamiento. Uno de sus artículos más notables esbozó una prueba hipotética para evaluar la inteligencia de una máquina que llegó a conocerse como la prueba de Turing . Esencialmente, la prueba haría que una persona se comunicara con otros dos agentes, un humano y una computadora, haciendo preguntas a ambos destinatarios. La computadora pasa la prueba si puede responder de tal manera que el humano que plantea las preguntas no pueda diferenciar entre el otro humano y la computadora. La prueba de Turing se ha utilizado en su esencia durante más de dos décadas como modelo para el desarrollo actual de ITS. El ideal principal para los sistemas ITS es comunicarse de manera efectiva. [7] Ya en la década de 1950 surgieron programas que mostraban características inteligentes. El trabajo de Turing, así como proyectos posteriores de investigadores como Allen Newell, Clifford Shaw y Herb Simon, mostraron programas capaces de crear pruebas lógicas y teoremas. Su programa, The Logic Theorist, exhibió una manipulación compleja de símbolos e incluso la generación de nueva información sin control humano directo y algunos lo consideran el primer programa de IA. Tales avances inspirarían el nuevo campo de la Inteligencia Artificial , oficialmente bautizado en 1956 por John McCarthy en la Conferencia de Dartmouth . [4] Esta conferencia fue la primera de su tipo dedicada a científicos e investigadores en el campo de la IA.
En la última parte de los años 1960 y 1970 se vieron muchos nuevos proyectos de CAI (instrucción asistida por computadora) que se basaron en los avances en la ciencia de la computación. La creación del lenguaje de programación ALGOL en 1958 permitió que muchas escuelas y universidades comenzaran a desarrollar programas de instrucción asistida por computadora (CAI). Los principales proveedores de computadoras y agencias federales en los EE. UU., como IBM, HP y la Fundación Nacional de Ciencias, financiaron el desarrollo de estos proyectos. [8] Las primeras implementaciones en educación se centraron en la instrucción programada (PI), una estructura basada en un sistema de entrada-salida computarizado. Aunque muchos apoyaron esta forma de instrucción, hubo evidencia limitada que respalde su efectividad. [7] El lenguaje de programación LOGO fue creado en 1967 por Wally Feurzeig , Cynthia Solomon y Seymour Papert como un lenguaje optimizado para la educación. PLATO, una terminal educativa con pantallas, animaciones y controles táctiles que podía almacenar y entregar grandes cantidades de material didáctico, fue desarrollada por Donald Bitzer en la Universidad de Illinois a principios de los años 1970. Junto con estos, se iniciaron muchos otros proyectos de CAI en muchos países, incluidos los EE. UU., el Reino Unido y Canadá. [8]
Al mismo tiempo que la CAI ganaba interés, Jaime Carbonell sugirió que las computadoras podrían actuar como un maestro en lugar de solo una herramienta (Carbonell, 1970). [9] Surgiría una nueva perspectiva que se centró en el uso de computadoras para entrenar inteligentemente a los estudiantes llamada Instrucción Inteligente Asistida por Computadora o Sistemas de Tutoría Inteligente (ITS). Donde la CAI utilizó una perspectiva conductista sobre el aprendizaje basada en las teorías de Skinner (Dede y Swigger, 1988), [10] ITS se basó en el trabajo en psicología cognitiva, informática y especialmente inteligencia artificial. [10] Hubo un cambio en la investigación de IA en este momento a medida que los sistemas pasaron del enfoque lógico de la década anterior a sistemas basados en el conocimiento: los sistemas podían tomar decisiones inteligentes basadas en el conocimiento previo (Buchanan, 2006). [4] Un programa de este tipo fue creado por Seymour Papert e Ira Goldstein, quienes crearon Dendral , un sistema que predijo posibles estructuras químicas a partir de datos existentes. Más trabajos comenzaron a mostrar el razonamiento analógico y el procesamiento del lenguaje. Estos cambios centrados en el conocimiento tuvieron grandes implicaciones para la forma en que se podían utilizar las computadoras en la enseñanza. Sin embargo, los requisitos técnicos de los sistemas de información de sistemas (ITS) resultaron ser más altos y complejos que los de los sistemas de CAI, por lo que los sistemas de ITS tuvieron un éxito limitado en ese momento. [8]
Hacia finales de la década de 1970, el interés en las tecnologías CAI comenzó a disminuir. [8] [11] Las computadoras todavía eran caras y no estaban tan disponibles como se esperaba. Los desarrolladores e instructores estaban reaccionando negativamente al alto costo de desarrollar programas CAI, la provisión inadecuada de capacitación para instructores y la falta de recursos. [11]
La revolución de las microcomputadoras a finales de los años 1970 y principios de los años 1980 ayudó a revivir el desarrollo de la CAI y a impulsar el desarrollo de los sistemas ITS. Las computadoras personales como la Apple II , la Commodore PET y la TRS-80 redujeron los recursos necesarios para poseer computadoras y, en 1981, el 50% de las escuelas de los EE. UU. usaban computadoras (Chambers y Sprecher, 1983). [8] Varios proyectos de CAI utilizaron la Apple 2 como sistema para impartir programas de CAI en escuelas secundarias y universidades, incluido el Proyecto de Columbia Británica y el Proyecto de la Universidad Estatal de California en 1981. [8]
A principios de los años 1980, los objetivos de la Instrucción Inteligente Asistida por Computadora (ICAI) y de la ITS se separaron de sus raíces en la CAI. A medida que la CAI se centraba cada vez más en interacciones más profundas con contenido creado para un área de interés específica, la ITS buscó crear sistemas que se centraran en el conocimiento de la tarea y la capacidad de generalizar ese conocimiento de formas no específicas (Larkin y Chabay, 1992). [10] Los objetivos clave establecidos para la ITS eran poder enseñar una tarea y realizarla, adaptándose dinámicamente a su situación. En la transición de los sistemas CAI a los ICAI, la computadora tendría que distinguir no solo entre la respuesta correcta e incorrecta, sino también el tipo de respuesta incorrecta para ajustar el tipo de instrucción. La investigación en inteligencia artificial y psicología cognitiva alimentó los nuevos principios de la ITS. Los psicólogos consideraron cómo una computadora podría resolver problemas y realizar actividades "inteligentes". Un programa ITS debería ser capaz de representar, almacenar y recuperar conocimientos e incluso buscar en su propia base de datos para derivar su propio conocimiento nuevo y responder a las preguntas de los estudiantes. Básicamente, las primeras especificaciones para ITS o (ICAI) requieren que "diagnostique errores y adapte la solución en función del diagnóstico" (Shute y Psotka, 1994, p. 9). [7] La idea de diagnóstico y solución todavía se utiliza hoy en día en la programación de ITS.
Un avance clave en la investigación de ITS fue la creación de The LISP Tutor, un programa que implementó los principios de ITS de una manera práctica y mostró efectos prometedores en el aumento del rendimiento de los estudiantes. The LISP Tutor fue desarrollado e investigado en 1983 como un sistema ITS para enseñar a los estudiantes el lenguaje de programación LISP (Corbett y Anderson, 1992). [12] The LISP Tutor podía identificar errores y proporcionar retroalimentación constructiva a los estudiantes mientras realizaban el ejercicio. Se descubrió que el sistema reducía el tiempo necesario para completar los ejercicios al tiempo que mejoraba las calificaciones de los estudiantes en las pruebas (Corbett y Anderson, 1992). [12] Otros sistemas ITS que comenzaron a desarrollarse en esta época incluyen TUTOR creado por Logica en 1984 como una herramienta de instrucción general [13] y PARNASSUS creado en la Universidad Carnegie Mellon en 1989 para la enseñanza de idiomas. [14]
Después de la implementación de los primeros ITS, más investigadores crearon una serie de ITS para diferentes estudiantes. A finales del siglo XX, el proyecto Byzantium, en el que participaron seis universidades, desarrolló las herramientas de tutoría inteligente (ITT, por sus siglas en inglés). Las ITT eran constructores de sistemas de tutoría de propósito general y muchas instituciones tuvieron comentarios positivos al utilizarlas (Kinshuk, 1996). [15] Este constructor, ITT, produciría un subprograma de tutoría inteligente (ITA, por sus siglas en inglés) para diferentes áreas temáticas. Diferentes profesores crearon los ITA y crearon un gran inventario de conocimientos al que otros podían acceder a través de Internet. Una vez que se creaba un ITS, los profesores podían copiarlo y modificarlo para su uso futuro. Este sistema era eficiente y flexible. Sin embargo, Kinshuk y Patel creían que el ITS no estaba diseñado desde un punto de vista educativo y no se desarrolló en función de las necesidades reales de los estudiantes y profesores (Kinshuk y Patel, 1997). [16] Trabajos recientes han empleado métodos de investigación etnográfica y de diseño [17] para examinar las formas en que los estudiantes [18] y los profesores [19] realmente utilizan los ITS en una variedad de contextos, revelando a menudo necesidades imprevistas que satisfacen, no satisfacen o, en algunos casos, incluso crean.
Los sistemas de aprendizaje interactivo (ITS) modernos suelen intentar replicar el papel de un profesor o un asistente de enseñanza y automatizar cada vez más las funciones pedagógicas, como la generación de problemas, la selección de problemas y la generación de retroalimentación. Sin embargo, dado el cambio actual hacia modelos de aprendizaje combinado, los trabajos recientes sobre los ITS han comenzado a centrarse en las formas en que estos sistemas pueden aprovechar de manera efectiva las fortalezas complementarias de la instrucción dirigida por humanos por un profesor [20] o un compañero [21] , cuando se utilizan en aulas ubicadas en el mismo lugar u otros contextos sociales. [22]
Hubo tres proyectos de ITS que funcionaron basados en el diálogo conversacional: AutoTutor , Atlas (Freedman, 1999), [23] y Why2. La idea detrás de estos proyectos era que, dado que los estudiantes aprenden mejor al construir conocimiento por sí mismos, los programas comenzarían con preguntas orientadoras para los estudiantes y darían respuestas como último recurso. Los estudiantes de AutoTutor se enfocaron en responder preguntas sobre tecnología informática, los estudiantes de Atlas se enfocaron en resolver problemas cuantitativos y los estudiantes de Why2 se enfocaron en explicar sistemas físicos cualitativamente. (Graesser, VanLehn y otros, 2001) [24] Otros sistemas de tutoría similares como Andes (Gertner, Conati y VanLehn, 1998) [25] tienden a proporcionar pistas y retroalimentación inmediata para los estudiantes cuando los estudiantes tienen problemas para responder las preguntas. Podrían adivinar sus respuestas y tener respuestas correctas sin una comprensión profunda de los conceptos. La investigación se realizó con un pequeño grupo de estudiantes que usaban Atlas y Andes respectivamente. Los resultados mostraron que los estudiantes que usaban Atlas lograron mejoras significativas en comparación con los estudiantes que usaban Andes. [26] Sin embargo, dado que los sistemas mencionados requieren el análisis de los diálogos de los estudiantes, aún queda por realizar mejoras para poder gestionar diálogos más complicados.
Los sistemas de tutoría inteligente (ITS) constan de cuatro componentes básicos basados en un consenso general entre los investigadores (Nwana, 1990; [27] Freedman, 2000; [28] Nkambou et al., 2010 [29] ):
El modelo de dominio (también conocido como modelo cognitivo o modelo de conocimiento experto) se basa en una teoría del aprendizaje, como la teoría ACT-R , que intenta tener en cuenta todos los pasos posibles necesarios para resolver un problema. Más concretamente, este modelo "contiene los conceptos, reglas y estrategias de resolución de problemas del dominio que se desea aprender. Puede cumplir varias funciones: como fuente de conocimiento experto, como estándar para evaluar el rendimiento del estudiante o para detectar errores, etc." (Nkambou et al., 2010, p. 4). [29] Otro enfoque para desarrollar modelos de dominio se basa en la teoría del aprendizaje a partir de errores de rendimiento de Stellan Ohlsson, [30] conocida como modelado basado en restricciones (CBM). [31] En este caso, el modelo de dominio se presenta como un conjunto de restricciones sobre las soluciones correctas. [32] [33]
El modelo del estudiante puede considerarse como una superposición sobre el modelo de dominio. Se considera como el componente central de un ITS prestando especial atención a los estados cognitivos y afectivos del estudiante y su evolución a medida que avanza el proceso de aprendizaje. A medida que el estudiante trabaja paso a paso a través de su proceso de resolución de problemas, un ITS se involucra en un proceso llamado seguimiento del modelo . Cada vez que el modelo del estudiante se desvía del modelo de dominio, el sistema identifica, o señala , que se ha producido un error. Por otro lado, en los tutores basados en restricciones, el modelo del estudiante se representa como una superposición sobre el conjunto de restricciones. [34] Los tutores basados en restricciones [35] evalúan la solución del estudiante frente al conjunto de restricciones e identifican las restricciones satisfechas y violadas. Si hay alguna restricción violada, la solución del estudiante es incorrecta y el ITS proporciona retroalimentación sobre esas restricciones. [36] [37] Los tutores basados en restricciones proporcionan retroalimentación negativa (es decir, retroalimentación sobre errores) y también retroalimentación positiva. [38]
El modelo de tutor acepta información de los modelos de dominio y de estudiante y toma decisiones sobre estrategias y acciones de tutoría. En cualquier punto del proceso de resolución de problemas, el estudiante puede solicitar orientación sobre qué hacer a continuación, en relación con su ubicación actual en el modelo. Además, el sistema reconoce cuando el estudiante se ha desviado de las reglas de producción del modelo y proporciona retroalimentación oportuna para el estudiante, lo que resulta en un período de tiempo más corto para alcanzar la competencia con las habilidades objetivo. [39] El modelo de tutor puede contener varios cientos de reglas de producción que se puede decir que existen en uno de dos estados, aprendidas o no aprendidas . Cada vez que un estudiante aplica con éxito una regla a un problema, el sistema actualiza una estimación de probabilidad de que el estudiante haya aprendido la regla. El sistema continúa instruyendo a los estudiantes en ejercicios que requieren la aplicación efectiva de una regla hasta que la probabilidad de que la regla se haya aprendido alcanza al menos el 95 % de probabilidad. [40]
El seguimiento de conocimientos rastrea el progreso del alumno de un problema a otro y crea un perfil de fortalezas y debilidades en relación con las reglas de producción. El sistema de tutoría cognitiva desarrollado por John Anderson en la Universidad Carnegie Mellon presenta la información del seguimiento de conocimientos como un medidor de habilidades , un gráfico visual del éxito del alumno en cada una de las habilidades monitoreadas relacionadas con la resolución de problemas de álgebra. Cuando un alumno solicita una pista o se señala un error, los datos del seguimiento de conocimientos y el medidor de habilidades se actualizan en tiempo real.
El componente de interfaz de usuario “integra tres tipos de información que se necesitan para llevar a cabo un diálogo: conocimiento sobre patrones de interpretación (para comprender a un hablante) y acción (para generar enunciados) dentro de los diálogos; conocimiento del dominio necesario para comunicar contenido; y conocimiento necesario para comunicar intenciones” (Padayachee, 2002, p. 3). [41]
Nkambou et al. (2010) mencionan la revisión de Nwana (1990) [27] de diferentes arquitecturas, que subraya un fuerte vínculo entre arquitectura y paradigma (o filosofía). Nwana (1990) declara: "[E]s casi una rareza encontrar dos ITS basados en la misma arquitectura [que] resulta de la naturaleza experimental del trabajo en el área" (p. 258). Explica además que las diferentes filosofías de tutoría enfatizan diferentes componentes del proceso de aprendizaje (es decir, dominio, estudiante o tutor). El diseño arquitectónico de un ITS refleja este énfasis, y esto conduce a una variedad de arquitecturas, ninguna de las cuales, individualmente, puede soportar todas las estrategias de tutoría (Nwana, 1990, citado en Nkambou et al., 2010). Además, los proyectos de ITS pueden variar según el nivel relativo de inteligencia de los componentes. Por ejemplo, un proyecto que destaque la inteligencia en el modelo de dominio puede generar soluciones a problemas complejos y novedosos de modo que los estudiantes siempre puedan tener nuevos problemas en los que trabajar, pero podría tener solo métodos simples para enseñar esos problemas, mientras que un sistema que se concentra en formas múltiples o novedosas de enseñar un tema en particular podría encontrar suficiente una representación menos sofisticada de ese contenido. [28]
Aparte de la discrepancia entre las arquitecturas de sistemas de información de aprendizaje (SIT), que enfatizan cada una de ellas diferentes elementos, el desarrollo de un SIT es muy similar a cualquier proceso de diseño instruccional . Corbett et al. (1997) resumieron el diseño y desarrollo de un SIT como una serie de cuatro etapas iterativas: (1) evaluación de necesidades, (2) análisis de tareas cognitivas, (3) implementación inicial del tutor y (4) evaluación. [42]
La primera etapa, conocida como evaluación de necesidades, es común a cualquier proceso de diseño instruccional, especialmente al desarrollo de software. Esto implica un análisis del alumno , la consulta con expertos en la materia y/o el instructor(es). Este primer paso es parte del desarrollo del dominio del experto/conocimiento y del alumno. El objetivo es especificar los objetivos de aprendizaje y esbozar un plan general para el currículo; es imperativo no informatizar los conceptos tradicionales sino desarrollar una nueva estructura curricular definiendo la tarea en general y entendiendo los posibles comportamientos de los alumnos al lidiar con la tarea y, en menor grado, el comportamiento del tutor. Al hacerlo, se deben abordar tres dimensiones cruciales: (1) la probabilidad de que un estudiante sea capaz de resolver problemas; (2) el tiempo que lleva alcanzar este nivel de desempeño y (3) la probabilidad de que el estudiante use activamente este conocimiento en el futuro. Otro aspecto importante que requiere análisis es la relación costo-beneficio de la interfaz. Además, se deben evaluar las características de ingreso de los maestros y los estudiantes, como el conocimiento previo, ya que ambos grupos van a ser usuarios del sistema. [42]
La segunda etapa, el análisis de tareas cognitivas, es un enfoque detallado de la programación de sistemas expertos con el objetivo de desarrollar un modelo computacional válido del conocimiento requerido para la resolución de problemas. Los principales métodos para desarrollar un modelo de dominio incluyen: (1) entrevistar a expertos en el dominio, (2) realizar estudios de protocolo de "pensar en voz alta" con expertos en el dominio, (3) realizar estudios de "pensar en voz alta" con novatos y (4) observar el comportamiento de enseñanza y aprendizaje. Aunque el primer método es el más utilizado, los expertos suelen ser incapaces de informar sobre los componentes cognitivos. Los métodos de "pensar en voz alta", en los que se pide a los expertos que informen en voz alta lo que están pensando al resolver problemas típicos, pueden evitar este problema. [42] La observación de interacciones reales en línea entre tutores y estudiantes proporciona información relacionada con los procesos utilizados en la resolución de problemas, lo que es útil para incorporar el diálogo o la interactividad en los sistemas de tutoría. [43]
La tercera etapa, la implementación inicial del tutor, implica la creación de un entorno de resolución de problemas que permita y respalde un proceso de aprendizaje auténtico. A esta etapa le sigue una serie de actividades de evaluación como etapa final, que nuevamente es similar a cualquier proyecto de desarrollo de software. [42]
La cuarta etapa, la evaluación incluye (1) estudios piloto para confirmar la usabilidad básica y el impacto educativo; (2) evaluaciones formativas del sistema en desarrollo, incluyendo (3) estudios paramétricos que examinan la efectividad de las características del sistema y finalmente, (4) evaluaciones sumativas del efecto del tutor final: tasa de aprendizaje y niveles de logro asintóticos. [42]
Se han desarrollado diversas herramientas de creación para apoyar este proceso y crear tutores inteligentes, entre ellas ASPIRE, [44] Cognitive Tutor Authoring Tools (CTAT), [45] GIFT, [46] ASSISTments Builder [47] y las herramientas AutoTutor. [48] El objetivo de la mayoría de estas herramientas de creación es simplificar el proceso de desarrollo de tutores, haciendo posible que personas con menos experiencia que los programadores profesionales de IA desarrollen sistemas de tutoría inteligentes.
Ocho principios del diseño y desarrollo de ITS
Anderson et al. (1987) [49] describieron ocho principios para el diseño de tutores inteligentes y Corbett et al. (1997) [42] luego profundizaron en esos principios destacando un principio general que creían que gobernaba el diseño de tutores inteligentes; se refirieron a este principio como:
Principio 0: Un sistema de tutoría inteligente debe permitir al estudiante trabajar hasta la conclusión exitosa de la resolución de problemas.
Todo esto es una cantidad sustancial de trabajo, incluso si se han puesto a disposición herramientas de creación para facilitar la tarea. [50] Esto significa que construir un ITS es una opción solo en situaciones en las que, a pesar de sus costos de desarrollo relativamente altos, aún reducen los costos generales al reducir la necesidad de instructores humanos o impulsan suficientemente la productividad general. Tales situaciones ocurren cuando se necesita tutorizar a grandes grupos simultáneamente o se necesitan muchos esfuerzos de tutoría replicados. Algunos ejemplos son las situaciones de capacitación técnica, como la capacitación de reclutas militares y las matemáticas de la escuela secundaria. Un tipo específico de sistema de tutoría inteligente, el Cognitive Tutor , se ha incorporado a los planes de estudio de matemáticas en un número sustancial de escuelas secundarias de los Estados Unidos, lo que produce mejores resultados de aprendizaje de los estudiantes en los exámenes finales y las pruebas estandarizadas. [51] Se han construido sistemas de tutoría inteligentes para ayudar a los estudiantes a aprender geografía, circuitos, diagnóstico médico, programación informática, matemáticas, física, genética, química, etc. Los sistemas de tutoría inteligente de idiomas (ILTS), por ejemplo este [52] , enseñan lenguaje natural a estudiantes de primera o segunda lengua. ILTS requiere herramientas especializadas de procesamiento del lenguaje natural, como diccionarios grandes y analizadores morfológicos y gramaticales con una cobertura aceptable.
Durante la rápida expansión del auge de la web, los nuevos paradigmas de instrucción asistida por computadora, como el aprendizaje electrónico y el aprendizaje distribuido, proporcionaron una excelente plataforma para las ideas de ITS. Las áreas que han utilizado ITS incluyen el procesamiento del lenguaje natural , el aprendizaje automático , la planificación, los sistemas multiagente , las ontologías , la Web semántica y la computación social y emocional. Además, otras tecnologías como multimedia, sistemas orientados a objetos , modelado, simulación y estadísticas también se han conectado o combinado con ITS. Históricamente, áreas no tecnológicas como las ciencias de la educación y la psicología también se han visto influenciadas por el éxito de ITS. [53]
En los últimos años [ ¿cuándo? ] , los sistemas de información de las empresas (ITS) han comenzado a alejarse de la búsqueda para incluir una gama de aplicaciones prácticas. [54] Los ITS se han expandido a muchos dominios cognitivos críticos y complejos, y los resultados han sido de largo alcance. Los sistemas ITS han consolidado un lugar dentro de la educación formal y estos sistemas han encontrado hogares en la esfera de la capacitación corporativa y el aprendizaje organizacional. Los ITS ofrecen a los estudiantes varias posibilidades, como el aprendizaje individualizado, la retroalimentación en el momento justo y la flexibilidad en el tiempo y el espacio.
Si bien los sistemas de tutoría inteligente evolucionaron a partir de investigaciones en psicología cognitiva e inteligencia artificial, ahora existen muchas aplicaciones en la educación y en las organizaciones. Los sistemas de tutoría inteligente se pueden encontrar en entornos en línea o en un laboratorio de computación de aula tradicional, y se utilizan en aulas de educación primaria y secundaria, así como en universidades. Hay una serie de programas que se enfocan en las matemáticas, pero se pueden encontrar aplicaciones en ciencias de la salud, adquisición de lenguaje y otras áreas de aprendizaje formalizado.
Los informes sobre mejoras en la comprensión, el compromiso, la actitud, la motivación y los resultados académicos de los estudiantes han contribuido a que siga habiendo interés en la inversión y la investigación en estos sistemas. La naturaleza personalizada de los sistemas de tutoría inteligente ofrece a los educadores la oportunidad de crear programas individualizados. En el ámbito educativo, hay una gran cantidad de sistemas de tutoría inteligente; no existe una lista exhaustiva, pero a continuación se enumeran algunos de los programas más influyentes.
A partir de mayo de 2024, los tutores de IA representan cinco de las 20 principales aplicaciones educativas en la App Store de Apple , y dos de los líderes son de desarrolladores chinos. [55]
Generalized Intelligent Framework for Tutoring (GIFT) es un software educativo diseñado para la creación de sistemas de tutoría basados en computadora. Desarrollado por el Laboratorio de Investigación del Ejército de los EE. UU. entre 2009 y 2011, GIFT se lanzó para uso comercial en mayo de 2012. [82] GIFT es de código abierto e independiente del dominio, y se puede descargar en línea de forma gratuita. El software permite a un instructor diseñar un programa de tutoría que pueda cubrir varias disciplinas mediante ajustes a los cursos existentes. Incluye herramientas de trabajo de curso destinadas a ser utilizadas por investigadores, diseñadores instruccionales, instructores y estudiantes. [83] GIFT es compatible con otros materiales de enseñanza, como presentaciones de PowerPoint, que se pueden integrar en el programa. [83]
SHERLOCK "SHERLOCK" se utiliza para entrenar a los técnicos de la Fuerza Aérea para diagnosticar problemas en los sistemas eléctricos de los aviones F-15. El ITS crea diagramas esquemáticos de sistemas defectuosos para que el alumno los localice y diagnostique. El ITS proporciona lecturas de diagnóstico que permiten al alumno decidir si la falla se encuentra en el circuito que se está probando o si se encuentra en otra parte del sistema. El sistema proporciona retroalimentación y orientación y hay ayuda disponible si se solicita. [84]
Cardiac Tutor El objetivo de Cardiac Tutor es apoyar las técnicas avanzadas de asistencia cardíaca al personal médico. El tutor presenta problemas cardíacos y, mediante una variedad de pasos, los estudiantes deben seleccionar varias intervenciones. Cardiac Tutor proporciona pistas, consejos verbales y retroalimentación para personalizar y optimizar el aprendizaje. Cada simulación, independientemente de si los estudiantes pudieron ayudar con éxito a sus pacientes, da como resultado un informe detallado que los estudiantes luego revisan. [85]
CODES Cooperative Music Prototype Design es un entorno basado en la Web para la creación cooperativa de prototipos musicales. Fue diseñado para ayudar a los usuarios, especialmente a aquellos que no son especialistas en música, a crear piezas musicales mediante prototipos. Los ejemplos musicales (prototipos) pueden probarse, reproducirse y modificarse repetidamente. Uno de los aspectos principales de CODES es la interacción y la cooperación entre los creadores musicales y sus socios. [86]
Evaluar la eficacia de los programas de ITS es problemático. Los ITS varían enormemente en cuanto a diseño, implementación y enfoque educativo. Cuando se utilizan en un aula, el sistema no solo lo utilizan los estudiantes, sino también los profesores. Este uso puede crear barreras para una evaluación eficaz por diversas razones; la más notable es la intervención del profesor en el aprendizaje de los estudiantes.
Los profesores suelen tener la capacidad de introducir nuevos problemas en el sistema o de ajustar el plan de estudios. Además, los profesores y los compañeros suelen interactuar con los estudiantes mientras aprenden con los ITS (por ejemplo, durante una sesión individual de laboratorio de informática o durante las clases magistrales que se dan entre las sesiones de laboratorio) de maneras que pueden influir en su aprendizaje con el software. [20] Trabajos anteriores sugieren que la gran mayoría de la conducta de búsqueda de ayuda de los estudiantes en las aulas que utilizan ITS puede ocurrir totalmente fuera del software, lo que significa que la naturaleza y la calidad de la retroalimentación de los compañeros y los profesores en una clase determinada puede ser un mediador importante del aprendizaje de los estudiantes en estos contextos. [18] Además, aspectos del clima del aula, como el nivel general de comodidad de los estudiantes al pedir ayuda en público, [17] o el grado en el que un profesor es físicamente activo al supervisar a estudiantes individuales [87] pueden añadir fuentes adicionales de variación en los contextos de evaluación. Todas estas variables hacen que la evaluación de un ITS sea compleja, [88] y pueden ayudar a explicar la variación en los resultados en los estudios de evaluación. [89]
A pesar de las complejidades inherentes, numerosos estudios han intentado medir la efectividad general de los ITS, a menudo mediante comparaciones de los ITS con tutores humanos. [90] [91] [92] [3] Las revisiones de los primeros sistemas ITS (1995) mostraron un tamaño del efecto de d = 1,0 en comparación con la ausencia de tutoría, mientras que a los tutores humanos se les dio un tamaño del efecto de d = 2,0. [90] La revisión mucho más reciente de Kurt VanLehn (2011) de los ITS modernos encontró que no había diferencia estadística en el tamaño del efecto entre los tutores humanos expertos uno a uno y los ITS basados en pasos. [3] Algunos ITS individuales han sido evaluados más positivamente que otros. Los estudios del Algebra Cognitive Tutor encontraron que los estudiantes de ITS superaron a los estudiantes enseñados por un maestro de aula en problemas de pruebas estandarizadas y tareas de resolución de problemas del mundo real. [93] Estudios posteriores encontraron que estos resultados fueron particularmente pronunciados en estudiantes de educación especial, inglés no nativo y entornos de bajos ingresos. [94]
Un metaanálisis más reciente sugiere que los ITS pueden superar la efectividad tanto de los CAI como de los tutores humanos, especialmente cuando se miden mediante pruebas locales (específicas) en lugar de pruebas estandarizadas. "Los estudiantes que recibieron tutoría inteligente superaron a los estudiantes de clases convencionales en 46 (o 92%) de las 50 evaluaciones controladas, y la mejora en el rendimiento fue lo suficientemente grande como para ser considerada de importancia sustancial en 39 (o 78%) de los 50 estudios. El ES medio en los 50 estudios fue de 0,66, lo que se considera un efecto de moderado a grande para los estudios en las ciencias sociales. Es aproximadamente equivalente a una mejora en el rendimiento de la prueba del percentil 50 al 75. Esto es más fuerte que los efectos típicos de otras formas de tutoría. El meta-análisis de C.-LC Kulik y Kulik (1991), por ejemplo, encontró un ES promedio de 0,31 en 165 estudios de tutoría CAI. Las ganancias de ITS son aproximadamente el doble. El efecto ITS también es mayor que los efectos típicos de la tutoría humana. Como hemos visto, los programas de tutoría humana generalmente aumentan las puntuaciones de las pruebas de los estudiantes alrededor de 0,4 desviaciones estándar sobre los niveles de control. Desarrolladores "Hace mucho tiempo que los desarrolladores de ITS se propusieron mejorar el éxito de la tutoría CAI y equipararlo con el éxito de la tutoría humana. Nuestros resultados sugieren que los desarrolladores de ITS ya han cumplido ambos objetivos... Aunque los efectos fueron moderados a fuertes en las evaluaciones que midieron los resultados en pruebas desarrolladas localmente, fueron mucho menores en las evaluaciones que midieron los resultados en pruebas estandarizadas. El ES promedio en los estudios con pruebas locales fue de 0,73; el ES promedio en los estudios con pruebas estandarizadas fue de 0,13. Esta discrepancia no es inusual en los metanálisis que incluyen pruebas locales y estandarizadas... es probable que las pruebas locales se alineen bien con los objetivos de programas instructivos específicos. Las pruebas estandarizadas estándar brindan un ajuste más flexible... Nuestra propia creencia es que tanto las pruebas locales como las estandarizadas brindan información importante sobre la efectividad instructiva y, cuando sea posible, ambos tipos de pruebas deberían incluirse en los estudios de evaluación". [95]
Algunas de las fortalezas reconocidas de los ITS son su capacidad para proporcionar retroalimentación inmediata de sí/no, selección de tareas individuales, sugerencias a pedido y apoyo para dominar el aprendizaje. [3] [96]
Los sistemas de tutoría inteligente son costosos tanto de desarrollar como de implementar. La fase de investigación allana el camino para el desarrollo de sistemas que sean comercialmente viables. Sin embargo, la fase de investigación suele ser costosa; requiere la cooperación y la aportación de expertos en la materia, la cooperación y el apoyo de personas de todas las organizaciones y niveles organizativos. Otra limitación en la fase de desarrollo es la conceptualización y el desarrollo del software dentro de las limitaciones de presupuesto y tiempo. También hay factores que limitan la incorporación de tutores inteligentes al mundo real, incluido el largo plazo necesario para el desarrollo y el alto coste de la creación de los componentes del sistema. Una gran parte de ese coste es resultado de la creación de componentes de contenido. [29] Por ejemplo, las encuestas revelaron que codificar una hora de tiempo de instrucción en línea requirió 300 horas de tiempo de desarrollo para el contenido de tutoría. [97] De manera similar, la creación del Tutor Cognitivo requirió una relación de tiempo de desarrollo a tiempo de instrucción de al menos 200:1 horas. [90] El alto coste del desarrollo a menudo eclipsa la replicación de los esfuerzos para la aplicación en el mundo real. [98] Los sistemas de tutoría inteligente no son, en general, comercialmente viables para aplicaciones del mundo real. [98]
Una crítica a los sistemas de tutoría inteligente que se utilizan actualmente es la pedagogía de la retroalimentación inmediata y las secuencias de pistas que se incorporan para que el sistema sea "inteligente". Esta pedagogía se critica por su fracaso en el desarrollo del aprendizaje profundo en los estudiantes. Cuando se les da a los estudiantes el control sobre la capacidad de recibir pistas, la respuesta de aprendizaje creada es negativa. Algunos estudiantes recurren inmediatamente a las pistas antes de intentar resolver el problema o completar la tarea. Cuando es posible hacerlo, algunos estudiantes aprovechan las pistas al máximo (reciben tantas pistas como sea posible lo más rápido posible) para completar la tarea más rápido. Si los estudiantes no reflexionan sobre la retroalimentación o las pistas del sistema de tutoría y, en cambio, aumentan las conjeturas hasta obtener una retroalimentación positiva, el estudiante está, en efecto, aprendiendo a hacer lo correcto por las razones equivocadas. La mayoría de los sistemas de tutoría actualmente no pueden detectar el aprendizaje superficial ni distinguir entre la lucha productiva y la improductiva (aunque véase, por ejemplo, [99] [100] ). Por estas y muchas otras razones (por ejemplo, el sobreajuste de los modelos subyacentes a poblaciones de usuarios particulares [101] ), la eficacia de estos sistemas puede diferir significativamente entre usuarios. [102]
Otra crítica a los sistemas de tutoría inteligente es que no hacen preguntas a los estudiantes para explicar sus acciones. Si el estudiante no está aprendiendo el lenguaje del dominio, se vuelve más difícil obtener una comprensión más profunda, trabajar en colaboración en grupos y transferir el lenguaje del dominio a la escritura. Por ejemplo, si el estudiante no está "hablando de ciencia", se argumenta que no está inmerso en la cultura de la ciencia, lo que dificulta la realización de trabajos científicos o la participación en esfuerzos de equipo colaborativos. Los sistemas de tutoría inteligente han sido criticados por ser demasiado "instructivistas" y eliminar la motivación intrínseca, los contextos de aprendizaje social y el realismo del contexto del aprendizaje. [103]
Se deben tener en cuenta las preocupaciones prácticas, en términos de la inclinación de los patrocinadores/autoridades y los usuarios a adaptar sistemas de tutoría inteligente. [98] En primer lugar, alguien debe tener la voluntad de implementar el STI. [98] Además, una autoridad debe reconocer la necesidad de integrar un software de tutoría inteligente en el plan de estudios actual y, finalmente, el patrocinador o la autoridad deben ofrecer el apoyo necesario a través de las etapas de desarrollo del sistema hasta que se complete e implemente. [98]
La evaluación de un sistema de tutoría inteligente es una fase importante; sin embargo, a menudo es difícil, costosa y requiere mucho tiempo. [98] Aunque existen varias técnicas de evaluación presentadas en la literatura, no hay principios rectores para la selección de los métodos de evaluación apropiados para ser utilizados en un contexto particular. [104] [105] Se debe realizar una inspección cuidadosa para garantizar que un sistema complejo hace lo que dice hacer. Esta evaluación puede ocurrir durante el diseño y el desarrollo inicial del sistema para identificar problemas y guiar modificaciones (es decir, evaluación formativa). [106] Por el contrario, la evaluación puede ocurrir después de la finalización del sistema para respaldar afirmaciones formales sobre la construcción, el comportamiento o los resultados asociados con un sistema completado (es decir, evaluación sumativa). [106] El gran desafío introducido por la falta de estándares de evaluación resultó en descuidar la etapa de evaluación en varios STI existentes. [104] [105] [106]
Los sistemas de tutoría inteligentes son menos capaces que los tutores humanos en las áreas de diálogo y retroalimentación. Por ejemplo, los tutores humanos pueden interpretar el estado afectivo del estudiante y potencialmente adaptar la instrucción en respuesta a estas percepciones. Un trabajo reciente está explorando posibles estrategias para superar estas limitaciones de los STI y hacerlos más efectivos.
Diálogo
Los tutores humanos tienen la capacidad de comprender el tono y la inflexión de una persona dentro de un diálogo e interpretar esto para proporcionar una retroalimentación continua a través de un diálogo en curso. Ahora se están desarrollando sistemas de tutoría inteligentes para intentar simular conversaciones naturales. Para obtener la experiencia completa del diálogo, hay muchas áreas diferentes en las que se debe programar una computadora; incluida la capacidad de comprender el tono, la inflexión, el lenguaje corporal y la expresión facial y luego responder a ellos. El diálogo en un ITS se puede utilizar para hacer preguntas específicas para ayudar a guiar a los estudiantes y obtener información al mismo tiempo que permite que los estudiantes construyan su propio conocimiento. [107] El desarrollo de un diálogo más sofisticado dentro de un ITS ha sido un foco en algunas investigaciones actuales en parte para abordar las limitaciones y crear un enfoque más constructivista para los ITS. [108] Además, algunas investigaciones actuales se han centrado en modelar la naturaleza y los efectos de varias señales sociales comúnmente empleadas dentro de un diálogo por tutores y alumnos humanos, con el fin de generar confianza y empatía (que han demostrado tener impactos positivos en el aprendizaje de los estudiantes). [109] [110]
Afecto emocional
Un creciente cuerpo de trabajo está considerando el papel del afecto en el aprendizaje, con el objetivo de desarrollar sistemas tutores inteligentes que puedan interpretar y adaptarse a los diferentes estados emocionales. [111] [112] Los humanos no solo utilizan procesos cognitivos en el aprendizaje, sino que los procesos afectivos por los que pasan también juegan un papel importante. Por ejemplo, los estudiantes aprenden mejor cuando tienen un cierto nivel de desequilibrio (frustración), pero no lo suficiente como para que el estudiante se sienta completamente abrumado. [111] Esto ha motivado la computación afectiva para comenzar a producir e investigar la creación de sistemas tutores inteligentes que puedan interpretar el proceso afectivo de un individuo. [111] Un ITS se puede desarrollar para leer las expresiones de un individuo y otros signos de afecto en un intento de encontrar y tutorizar el estado afectivo óptimo para el aprendizaje. Hay muchas complicaciones en hacer esto ya que el afecto no se expresa de una sola manera sino de múltiples maneras, por lo que para que un ITS sea efectivo en la interpretación de los estados afectivos puede requerir un enfoque multimodal (tono, expresión facial, etc.). [111] Estas ideas han creado un nuevo campo dentro de los sistemas de tutoría afectiva (STA), el de los sistemas de tutoría afectiva (STA). [112] Un ejemplo de un STA que aborda el afecto es Gaze Tutor, que se desarrolló para rastrear los movimientos oculares de los estudiantes y determinar si están aburridos o distraídos, y luego el sistema intenta volver a involucrar al estudiante. [113]
Construyendo relaciones
Hasta la fecha, la mayoría de los sistemas de tutoría se han centrado puramente en los aspectos cognitivos de la tutoría y no en la relación social entre el sistema de tutoría y el estudiante. Como lo demuestra el paradigma Las computadoras son actores sociales, los humanos a menudo proyectan heurísticas sociales en las computadoras. Por ejemplo, en observaciones de niños pequeños que interactuaban con Sam the CastleMate, un agente narrador colaborativo, los niños interactuaron con este niño simulado de la misma manera que lo harían con un niño humano. [114] Se ha sugerido que para diseñar de manera efectiva un sistema de tutoría que genere una relación con los estudiantes, el sistema de tutoría debe imitar estrategias de inmediatez instructiva, comportamientos que superen la aparente distancia social entre estudiantes y maestros, como sonreír y dirigirse a los estudiantes por su nombre. [115] Con respecto a los adolescentes, Ogan et al. Se basan en observaciones de amigos cercanos que se dan clases particulares entre sí para argumentar que para que un ITS establezca una relación como par con un estudiante, es probable que sea necesario un proceso más complejo de construcción de confianza que, en última instancia, puede requerir que el sistema de tutoría tenga la capacidad de responder de manera efectiva e incluso producir un comportamiento aparentemente grosero para mediar los factores motivacionales y afectivos de los estudiantes a través de bromas y burlas divertidas. [116]
Agentes enseñables
Tradicionalmente, los ITS asumen el papel de tutores autónomos, sin embargo, también pueden asumir el papel de tutelados con el propósito de aprender mediante ejercicios de enseñanza. La evidencia sugiere que aprender mediante la enseñanza puede ser una estrategia eficaz para mediar la autoexplicación, mejorar los sentimientos de autoeficacia e impulsar los resultados educativos y la retención. [117] Para replicar este efecto, se pueden intercambiar los roles del estudiante y del ITS. Esto se puede lograr diseñando el ITS para que parezca que se le está enseñando, como es el caso del juego aritmético del agente enseñable [118] y el cerebro de Betty. [119] Otro enfoque es que los estudiantes enseñen a un agente de aprendizaje automático que puede aprender a resolver problemas mediante demostración y retroalimentación de corrección, como es el caso del sistema APLUS construido con SimStudent. [120] Para replicar los efectos educativos del aprendizaje mediante la enseñanza, los agentes enseñables generalmente tienen un agente social construido sobre ellos que plantea preguntas o transmite confusión. Por ejemplo, Betty de Betty's Brain solicitará al estudiante que haga preguntas para asegurarse de que comprende el material, y Stacy de APLUS solicitará al usuario que explique los comentarios proporcionados por el estudiante.