¿La Inteligencia Artificial puede hacer posible el sueño de tener un buen maestro para cada alumno?
Por: Xiomara Patricia Blanco Valencia
Quisiera empezar este artículo haciendo referencia a la frase que inspira este escrito. Es de Francesco Tonucci pensador, psicopedagogo y dibujante italiano: «Única reforma necesaria y urgente: un buen maestro para cada niña y niño» (Consuelo, 2016).
Francesco en sus charlas es muy crítico al referirse a la escuela de hoy en día, que sigue siendo la misma que él conoció hace 70 años. Afirmación que comparten otros autores como Lee, uno de los expertos en Inteligencia Artificial más respetados en China, quien trabajó en Apple, Microsoft y Google. Lee piensa que la escuela actual es un “modelo de fábrica” de educación del siglo XIX: los estudiantes se ven obligados a aprender a la misma velocidad, misma manera, mismo lugar y al mismo tiempo. Los niños pasan de un curso a otro independientemente de lo que han asimilado. El modelo tenía sentido dadas las circunstancias de hace 100 años donde los recursos docentes, tiempo y atención de alguien para enseñar, supervisar y evaluar a los estudiantes era escaso (Lee, 2020).
Para Francesco los exámenes se hacen para medir a todos los niños a la misma altura y es injusto, la escuela debería ser una propuesta para seres distintos, valorando sus diferencias. Además, se hace urgente debido a que hoy en día existe inclusión en la educación en todos sus niveles. La evaluación debería ser una lectura del avance de cada niño de forma independiente. Una buena escuela no puede hacerse con base en los programas, o en los libros de texto de las editoriales, hay que abrirla hacia todos los alumnos, debería ser un espacio que permita la diversidad (Tonucci, 2019).
Pero la Inteligencia Artificial (IA) puede ayudarnos a superar esas limitaciones. La IA puede adaptar el programa de aprendizaje a cada estudiante y liberar a los profesores para que dediquen más atención individualizada a sus alumnos. Se pueden desarrollar herramientas para actuar en cuatro escenarios: enseñanza en clase, tareas y ejercicios, exámenes y calificaciones y tutorías personalizadas. El punto de partida sería el perfil del estudiante donde se analizarían conceptos ya comprendidos, conceptos que todavía no se han asimilado, reacción a diferentes métodos de enseñanza, atención a clase, rapidez de respuesta e incentivos (Lee, 2020). Lee propone actuar en las siguientes áreas:
1 . Cámaras para reconocimiento facial y análisis de postura para pasar lista, comprobar la atención de los estudiantes, evaluar el nivel de comprensión en función de gestos y saber con qué necesitan ayuda extra.
2. Combinar el perfil del estudiante con algoritmos generadores de preguntas para crear deberes configurados según sus habilidades. De esta forma quienes ya han aprendido ciertos conceptos pueden pasar al siguiente nivel y quienes no han terminado de entender un tema lo pueden reforzar.
3. Reconocimiento de voz impulsado por IA para enseñar idiomas, algoritmos entrenados para evaluar pronunciación ayudando a mejorar entonación y acento.
4. Aliviar la carga docente en tareas rutinarias como la calificación, tareas de redacción, revisión de faltas de ortografía y gramática, permitiendo así al profesor tener más tiempo para realizar tareas más complejas.
Tras realizar una rápida revisión de literatura para ver los avances que existen y reflexionar sobre qué tan lejos podemos estar de alcanzar el sueño de la educación personalizada y del buen maestro para cada alumno con el apoyo de la IA, encontré lo siguiente:
Estudios donde se entrenan algoritmos para clasificar el rendimiento académico de los estudiantes y pronosticar aspectos como aprobar o no una asignatura o predecir futuros programas universitarios. Analizan rendimiento académico en matemáticas, inglés, física, química, biología e historia, deporte y arte o en factores educacionales, familiares, socioeconómicos, entre otros. Castrillón et al. (2020) y Fok et al. (2018)
El trabajo de Muriel et al. (2019) realiza una revisión de literatura sobre el análisis de aprendizaje en aulas invertidas (Flipped Classroom FC), método donde se invierten las sesiones de enseñanza a aprendizaje. Se entrega el material a los alumnos, ellos deben leerlos y en clase se aplican los conocimientos. Existe una marcada tendencia al uso de Learning Analytics para apoyar el proceso y el aprendizaje reflexivo. Se utiliza como medio para predecir el resultado del aprendizaje de los estudiantes y algo de apoyo al aprendizaje adaptativo, pero aún faltan estudios que fomenten el aprendizaje autodirigido pensando en una población de estudiantes más diversa.
Además, se encuentran trabajos que analizan reconocimiento facial y de postura en streaming para predecir sentimientos, reconocimiento biométrico y posición de la persona, pero no estaban dirigidos al aula.
Por otro lado, trabajos que estudian el impacto de la gamificación en el aula, sus logros y sus retos, en este aspecto se puede ver algo de personalización del aprendizaje, pero falta trabajar aún más.
También hay investigaciones que intentan simular personalización de contenidos y de recursos en plataformas de enseñanza, pero esto se hace en realidad a través de operadores de condicionalidad, sin embargo, se puede evidenciar la respuesta positiva de los estudiantes ante esta simulada personalización.
En el reconocimiento de voz para corregir pronunciación se han hecho adelantos considerables y estás técnicas ya están siendo aplicadas en Apps como FluentU, Mondly, Babbel, AudioNote, Busuu, entre otras.
Por último, respecto al tema de aliviar la carga docente en tareas rutinarias como la calificación, se encuentran trabajos e incluso aplicaciones que ya se están utilizando en cursos y evalúan si la respuesta del estudiante es correcta o no, especialmente en áreas como la programación, la matemática o la estadística. Sin embargo, no existe ningún tipo de retroalimentación al respecto, la respuesta del algoritmo es simple: la respuesta es correcta o no es correcta.
En la UNIR se están trabajando tesis y TFM enfocadas al análisis de comportamientos de los alumnos en clase, personalización de materiales y evaluación semiautomática de textos asistida por Inteligencia Artificial (L de-la-Fuente-Valentín, 2020).
Sin lugar a duda se está trabajando en utilizar la IA como apoyo a la educación y seguramente en pocos años veremos aplicaciones muy interesantes, aplicables a los escenarios descritos por el profesor Lee. Esperemos que la transferencia del conocimiento y de las herramientas al aula puedan llegar lo más pronto posible a todos los niveles y que la educación sea como dice Tonucci en su caricatura, una escuela alternativa, pero pronto.
Referencias
• Consuelo (29 de abril de 2016). FRANCESCO TONUCCI (FRATO). Conferencia en Valencia. «Única reforma necesaria y urgente: Un buen maestro para cada niño». http://creciendofelicescampanar.blogspot.com/2016/04/francesco-tonucci-frato-conferencia-en.html
• Tonucci, F. (5 de noviembre de 2014). Una escuela alternativa [Ilustración]. https://commons.wikimedia.org/wiki/File:Frato_3.jpg
• Lee, K (febrero de 2020). Superpotencias de la inteligencia artificial (Spanish Edition) (p. 1). Grupo Planeta. Edición de Kindle.
• Tonucci, F. (14 de noviembre 2019). Por qué la infancia: Sobre la necesidad de que nuestras sociedades apuesten definitivamente por las niñas y los niños. Editorial: Grupo Planeta. ISBN: 8423356582, 9788423356584.
• Castrillón, Omar D., Sarache, William, Ruiz-Herrera Santiago (febrero 2020). Predicción del rendimiento académico por medio de técnicas de inteligencia artificial. Univ. Vol. 13 no. 1 La Serena feb 2020.
• W. T. Fok et al., (2018) «Prediction model for students’ future development by deep learning and tensorflow artificial intelligence engine,» 2018 4th International Conference on Information Management (ICIM), 2018, pp. 103-106, doi: 10.1109/INFOMAN.2018.8392818.
• Algayres, Muriel et al. (noviembre 2019). Learning Analytics in Flipped Classrooms: a Scoping Review. 18th European conference on e-Learning.
• L de-la-Fuente-Valentín (marzo 2021). Evaluación semiautomática de textos asistida por Inteligencia Artificial. http://gruposinvestigacion.unir.net/dds/2021/03/01/evaluacion-semiautomatica-de-textos-asistida-por-inteligencia-artificial/