¿Qué Pasó Con Los Sistemas De Tutoría Inteligentes?
El uso más peatonal de la computadora como proveedor de contenido y evaluación es la forma dominante en que las computadoras sirven a la educación hoy en día. En el mejor de los casos, la mayoría de los sistemas simplemente alertan a los alumnos de las respuestas erróneas y hacen poco para ayudar a guiar el proceso de aprendizaje. Los investigadores comenzaron a buscar un método «más sensible» para diagnosticar no solo si las respuestas estaban equivocadas, sino por qué estaban equivocadas. Este concepto de diagnóstico preciso de errores es fundamental para todas las tutorías exitosas, y los desarrolladores comenzaron a incorporar la comprensión de la naturaleza de los errores en una nueva generación de herramientas de enseñanza inteligentes. Si bien la definición de herramienta inteligente es objeto de mucho debate, hubo cierto consenso, al menos en el contexto de la educación, de que «un sistema debe comportarse de manera inteligente, no ser realmente inteligente, como un ser humano», según la psicóloga Valerie Shute.
Sistemas de Tutoría Inteligentes
Los diseños de Sistemas de Tutoría inteligentes difieren significativamente de sus predecesores históricos impulsados por computadora. En lugar de la estrategia única de entregar contenido a un alumno pasivo en esos diseños, sus diseños pueden personalizar la experiencia de aprendizaje que recibe el estudiante en función de factores como el conocimiento preexistente, el estilo de aprendizaje y el progreso del estudiante a través del material de contenido.
Un STI típico contendrá una serie de componentes conceptuales, o modelos, que interactúan entre sí. El modelo de contenido contiene un mapeo de tipo web del contenido a aprender, definiendo los requisitos previos y las dependencias entre los elementos de contenido. El modelo de estudiante es único para cada alumno y funciona en paralelo con el modelo de contenido para registrar lo que el estudiante hace y aún no entiende. Por último, existe un método para impartir la instrucción al alumno, conocido como modelo pedagógico.
La mayoría de SUS sistemas comienzan el proceso de instrucción determinando qué conocimiento ya conoce el estudiante, típicamente a través de una evaluación, y luego actualizando el estado del modelo del estudiante a medida que ocurre la instrucción. El sistema compara lo que se necesita saber con lo que se conoce (es decir, comparar el modelo del estudiante con el modelo de contenido) y entrega la unidad de instrucción pedagógicamente apropiada al estudiante (ver diagrama).
La instrucción a menudo está integrada con capacidades de evaluación y / o resolución de problemas altamente interactivas para que el modelo del estudiante se actualice dinámicamente para reflejar siempre el nivel de conocimiento actual del estudiante. El STI aprovecha el hecho de que la granularidad del contenido es tan fina y se adapta bien al modelo del estudiante, que se ofrece la cantidad justa de remediación, lo que teóricamente produce tiempos de aprendizaje más cortos.
Uno de los esfuerzos más exitosos, al menos en términos de longevidad, es la serie de tutores de matemáticas de la Universidad Carnegie Mellon para estudiantes de secundaria. El profesor de psicología y ciencias de la computación John Anderson fue capaz de combinar su ingeniería con una teoría de la ciencia cognitiva para simular y comprender la cognición humana. Su teoría del aprendizaje ACT * se utilizó para sustentar una serie de exitosos programas ITS a principios de la década de 1980 para enseñar programación de computadoras Lisp, llamado el Tutor Lisp, y en última instancia los exitosos Tutores de Geometría y Álgebra, que se venden hoy en día por Carnegie Learning Corporation.
La psicóloga educativa Valerie Shute desarrolló una popular serie de módulos informáticos en 1994 que usaban una alusión a la «Dama de la Iglesia» del popular sketch de Dana Carvey en el programa de televisión Saturday Night Live de la NBC para enseñar estadísticas introductorias. Partes del diseño de modelos de estudiantes de Stat Lady fueron influenciadas por la teoría ACT* de Anderson. Stat Lady fue innovadora más allá de su anfitrión animado digitalmente humorístico, en el sentido de que el modelo de estudiante estaba muy alineado con el modelo de contenido y se codificó en elementos procesales, simbólicos y conceptuales, y se rastreó con un nivel de granularidad muy fino para ofrecer una secuenciación adecuada del currículo y la corrección al estudiante precisamente en el momento más valioso.
¿Pueden Enseñar los Sistemas Inteligentes de Tutoría?
A pesar de la falta de visibilidad de sus sistemas en el mundo real fuera del aire rarificado de los laboratorios de investigación universitarios, hay una cantidad modesta de investigación que sugiere que los sistemas de tutoría inteligentes pueden lograr aumentos notables en el aprendizaje de los estudiantes sobre la instrucción tradicional en el aula.
Por ejemplo, el rendimiento de Stat Lady en comparación con el mismo material de estadísticas introductorias que se enseña en un aula tradicional y encontró la muy buscada mejora de dos sigma con el ITS. Sherlock, un STI diseñado para enseñar procedimientos de mantenimiento de campo a los mecánicos de la tripulación de tierra de la Fuerza Aérea en cazas F-16, fue capaz de rendir el mismo nivel de competencia después de 20-25 horas de instrucción que aquellos que tomaron el entrenamiento tradicional en un lapso de cuatro años. Carnegie Learning Corporation informó que los estudiantes que tomaron su Tutor de Álgebra I se desempeñaron un 85% mejor en las evaluaciones de habilidades para resolver problemas complejos, un 14% mejor en las habilidades matemáticas básicas y un 30% mejor en las evaluaciones de TIMSS.
Por qué los Sistemas Inteligentes de Tutoría No han Florecido
Los Sistemas Inteligentes de Tutoría claramente no han estado a la altura de su potencial, al menos cuando se los juzga por su adopción por la comunidad educativa, a pesar de que parecen tener la combinación adecuada de características. Pero sería injusto descartar unos 30 años de investigación por lo que parecen ser cuestiones de ejecución. Los resultados de los estudios sobre la eficacia de sus sistemas sugieren que pueden ser eficaces para lograr el aprendizaje de los estudiantes, pero una serie de factores se han alineado para entregar «la derrota de las fauces de la victoria».»
Quizás el obstáculo más importante a superar es la dificultad en la creación de material didáctico utilizado por SUS programas. Históricamente, la mayoría de los sistemas tenían su contenido «codificado» en el software de ITS, que tenía que ser hecho por programadores expertos a un gran costo. Esto también significaba que los instructores y otros expertos en la Materia no podían participar directamente en el desarrollo de las partes de contenido de los sistemas. El problema de diagnosticar respuestas incorrectas resulta ser un problema extremadamente difícil, costoso y que consume mucho tiempo; requiere tediosamente conectar a mano un gran número de posibles respuestas incorrectas con instrucciones de recuperación específicas.
Una Mejor Trampa Para Ratones?
Al pensar en ITS, es difícil imaginar un sistema potencialmente más efectivo para la instrucción. Dichos sistemas contienen una conceptualización semánticamente conectada del contenido a enseñar, una forma de saber lo que el alumno entiende y lo que no, y un método de entrega que adapta esa instrucción en consecuencia. Al parecer, los primeros sistemas no se ejecutaron lo suficientemente bien como para convertirse en la corriente principal; pero, sin embargo, deberían proporcionar una base rica para que las futuras máquinas de enseñanza puedan extraer lecciones, ya que estos sistemas comienzan a usar la potencia de la computadora para algo más que simplemente impartir instrucción.
