Aprendizaje adaptativo
El aprendizaje adaptativo, también conocido como enseñanza adaptativa, es un método educativo que utiliza algoritmos informáticos para orquestar la interacción con el alumno y ofrecer recursos personalizados y actividades de aprendizaje para abordar las necesidades únicas de cada alumno. En contextos de aprendizaje profesional, los individuos pueden «probar» algo de capacitación para asegurarse de que se involucren con 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. La tecnología abarca aspectos derivados de diversos campos de estudio, que incluyen ciencias de la computación, IA, psicometría, educación, psicología y ciencias del cerebro.
El aprendizaje adaptativo ha sido parcialmente impulsado por la comprensión de que el aprendizaje personalizado no se puede lograr a gran escala utilizando enfoques tradicionales y no adaptativos. Los sistemas de aprendizaje adaptativo se esfuerzan por 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 educación, pero otra aplicación popular es la capacitación empresarial. Se han diseñado como aplicaciones de computadora de escritorio, aplicaciones web, y ahora se están introduciendo en los planes de estudio generales.
Historia
El aprendizaje adaptativo o la tutoría inteligente tiene su origen en el movimiento de 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 el sistema podrán adaptarse al método de aprendizaje del estudiante / usuario, lo que resulta en una experiencia de aprendizaje mejor y más efectiva para el usuario.
En los años 70, la principal barrera era el costo y el tamaño de las computadoras, lo que hacía que la aplicación generalizada no fuera práctica. Otro obstáculo en la adopción de los primeros sistemas inteligentes fue que las interfaces de usuario no eran propicias para el proceso de aprendizaje. Varios otros sistemas innovadores aparecieron en cinco años.
En el clásico libro «Sistemas inteligentes de tutoría» se puede encontrar una buena descripción de los primeros trabajos sobre aprendizaje adaptativo y sistemas de tutoría inteligente.
Tecnología y metodología
Los sistemas de aprendizaje adaptativo se han dividido tradicionalmente en componentes separados o ‘modelos’. Si bien se han presentado diferentes grupos de modelos, la mayoría de los sistemas incluyen algunos o todos los siguientes modelos (ocasionalmente con diferentes nombres):
Modelo experto: el modelo con la información que se debe enseñar
Modelo de estudiante: el modelo que rastrea y aprende sobre el estudiante
Modelo de instrucción: el modelo que realmente transmite la información
Entorno instructivo: la interfaz de usuario para interactuar con el sistema
Modelo experto
El modelo experto almacena información sobre el material que se está enseñando. Esto puede ser tan simple como las soluciones para el conjunto de 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 generalmente incorporarán estas funciones en el modelo de instrucción.
Modelo de estudiante
El medio más simple para determinar el nivel de habilidad de un estudiante es el método empleado en CAT ( prueba adaptativa computarizada ). En CAT, el sujeto se presenta con 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 el puntaje del sujeto en función de sus respuestas, ajustando continuamente el puntaje seleccionando preguntas de un rango de dificultad más estrecho.
Un algoritmo para una evaluación de estilo CAT es simple de implementar. Se acumula un gran grupo de preguntas y se clasifica según la dificultad, a través del análisis experto, la experimentación o una combinación de ambas. Luego, la computadora realiza lo que es esencialmente una búsqueda binaria, siempre dando al sujeto una pregunta que está a medio camino entre lo que la computadora ya ha determinado que son los niveles de habilidad máximos y mínimos posibles del sujeto.
Estos niveles se ajustan al nivel de dificultad de la pregunta, reasignando el mínimo si el sujeto respondió correctamente y el máximo si el sujeto respondió incorrectamente. Obviamente, se debe incorporar 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.
Una extensión adicional para identificar las debilidades en términos de conceptos es programar el modelo del estudiante para analizar respuestas incorrectas. Esto es especialmente aplicable para preguntas de opción múltiple. Considere el siguiente ejemplo:
P. Simplifique: {\ displaystyle 2x ^ {2} x ^ {3}}x ^ {2} x ^ {3}
A) No se puede simplificar
Si) {\ displaystyle 3x ^ {5}}x ^ {5}
C)…
D)…
Claramente, un estudiante que responde (b) está sumando los exponentes y no comprende el concepto de términos similares. En este caso, la respuesta incorrecta proporciona información adicional más allá del simple hecho de que es incorrecta.
Modelo instructivo
El modelo de instrucción generalmente busca incorporar las mejores herramientas educativas que la tecnología tiene para ofrecer (como presentaciones multimedia) con el asesoramiento de maestros expertos para los métodos de presentación. El nivel de sofisticación del modelo de instrucción depende en gran medida del nivel de sofisticación del modelo del estudiante.
En un modelo de estudiante de estilo CAT, el modelo de instrucción simplemente clasificará las lecciones en correspondencia con los rangos del grupo de preguntas. Cuando el nivel del alumno se ha determinado satisfactoriamente, el modelo de instrucción proporciona la lección apropiada. Los modelos de estudiantes más avanzados que evalúan en base a conceptos necesitan un modelo de instrucción que también organice sus lecciones por concepto.
El modelo de instrucción puede diseñarse para analizar la colección de debilidades y adaptar un plan de lección en consecuencia.
Cuando el modelo del alumno evalúa las respuestas incorrectas, algunos sistemas buscan proporcionar retroalimentación a las preguntas reales en forma de «pistas». A medida que el alumno comete errores, aparecen sugerencias útiles como «mirar cuidadosamente el signo del número». Esto también puede caer en el dominio del modelo de instrucción, con sugerencias genéricas basadas en conceptos que se ofrecen en función de las debilidades del concepto, o las sugerencias pueden ser específicas de preguntas en cuyo caso los modelos de estudiante, instrucción y expertos se superponen.
Implementaciones
Sistema de gestión de aprendizaje
Muchos sistemas de gestión de aprendizaje han incorporado varias características de aprendizaje adaptativo. Un sistema de gestión de aprendizaje (LMS) es una aplicación de software para la administración, documentación, seguimiento, informes y entrega de cursos educativos, programas de capacitación o programas de aprendizaje y desarrollo.
Aprendizaje a distancia
Los sistemas de aprendizaje adaptativo se pueden implementar en Internet para su uso en el aprendizaje a distancia y la colaboración grupal.
El campo del aprendizaje a distancia ahora está incorporando aspectos del aprendizaje adaptativo. Los sistemas iniciales sin aprendizaje adaptativo pudieron proporcionar retroalimentación automatizada a los estudiantes a quienes se les presentaron preguntas de un banco de preguntas preseleccionado. Sin embargo, ese enfoque carece de la orientación que los maestros en el aula pueden proporcionar.
Las tendencias actuales en el aprendizaje a distancia requieren 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 evalúa su capacidad y las bases de datos siguen su progreso utilizando uno de los modelos. La última generación de sistemas de aprendizaje a distancia toma en cuenta las respuestas de los estudiantes y se adapta a las habilidades 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 de menor a mayor en función de las capacidades cognitivas demostradas.
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. WebLearn es lo suficientemente avanzado como para proporcionar una evaluación de las preguntas formuladas 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. 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 los hábitos de navegación del usuario.
Diseño de juegos educativos
En 2014, un investigador educativo concluyó un estudio de varios años sobre el 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 instrucción y modelos adaptativos.
La investigación extendió la investigación previa en diseño de juegos, estrategias de instrucción y aprendizaje adaptativo, combinando esos tres componentes en un solo modelo complejo.
El estudio resultó en el desarrollo de un modelo de diseño de juego educativo adaptativo para servir como guía para diseñadores de juegos, diseñadores de instrucción y educadores con el objetivo de aumentar los resultados de aprendizaje. Los participantes de la encuesta validaron el valor del modelo ALGAE y proporcionaron información específica sobre la construcción, uso, beneficios y desafíos del modelo.
El modelo ALGAE actual se basa en estas ideas. El modelo ahora sirve como guía para el diseño y desarrollo de juegos educativos de computadora.
La aplicabilidad del modelo se evalúa como una industria cruzada que incluye agencias / unidades gubernamentales y militares, industria del juego y academia. El valor real del modelo y el enfoque de implementación apropiado (enfocado o desenfocado) se realizarán plenamente a medida que la adopción del modelo ALGAE se generalice.
Herramientas de desarrollo
Si bien las características 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 de entrada tienden a centrarse en determinar la ruta del alumno en función de criterios simplistas, como la respuesta del alumno a una pregunta de opción múltiple. Una respuesta correcta puede llevar al alumno a la ruta A, mientras que una respuesta incorrecta puede llevarlos a la ruta B.
Si bien estas herramientas proporcionan un método adecuado para la ramificación básica, a menudo se basan en un modelo lineal subyacente por el cual el alumno simplemente está siendo 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, hay 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 previas, 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 fundamental de diseño, las herramientas avanzadas pueden proporcionar capacidades de evaluación enriquecidas. En lugar de responder 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.
Herramientas populares
Adobe Captivate
Qualtrics
Referencias
Este artículo incorpora material del artículo de Citizendium » Aprendizaje adaptativo «, que está licenciado bajo la Licencia Creative Commons Reconocimiento-CompartirIgual 3.0 Unported pero no bajo el GFDL.
Peter Brusilovsky (2003). «Sistemas educativos adaptables e inteligentes basados en la web». Revista Internacional de Inteligencia Artificial en Educación. 13 (2–4): 159–172.
JR Carbonell (1970). «AI en CAI: un enfoque de inteligencia artificial para la instrucción asistida por computadora». Transacciones IEEE en sistemas hombre-máquina. MMS- (4): 190-202. doi : 10.1109 / TMMS..299942.
Derek H. Sleeman; John Seely Brown, eds. (mil novecientos ochenta y dos). Sistemas inteligentes de tutoría. Prensa Académica ISBN 9780126486803.
Charles P. Bloom, R. Bowen Loftin facilitando el desarrollo y uso de entornos de aprendizaje interactivo, Lawrence Erlbaum Associates (1998).
Fuentes
- Fuente: www.w3.org
- Fuente: content.iospress.com
- Fuente: doi.org
- Fuente: books.google.com
Autor
