Figura 8.7c.1 Imagen: Applift
8.7c.1 Centrándose en las posibilidades de la IA para la enseñanza y el aprendizaje
La inteligencia artificial (IA) es un tema desalentador ya que hay tantos temas con respecto a su uso en la educación. La IA también está pasando actualmente por otro período de exageración extrema como panacea para la educación, actualmente se encuentra en la cima del pico de expectativas infladas, pero este bombo es impulsado principalmente por aplicaciones exitosas fuera del campo de la educación, como en finanzas y marketing. Además, el término 'IA' se utiliza cada vez más (incorrectamente) como término general para cualquier actividad computacional.
Incluso en la educación, hay muy diferentes áreas posibles de aplicación de la IA. Zeide (2019) hace una distinción muy útil entre aplicaciones institucionales, de apoyo estudiantil y de instrucción (Figura 8.7.c.2 a continuación).
Figura 8.7c.2 Aplicaciones de IA en educación Imagen: © Zeide, 2019
Si bien las aplicaciones de IA para fines institucionales o de apoyo estudiantil son muy importantes, este capítulo se centra en las posibilidades pedagógicas de diferentes medios y tecnologías (lo que Zeide llama aplicaciones 'instruccionales'). En particular, el foco en esta sección se centrará en el papel de la IA como forma de medio o tecnología para la enseñanza y el aprendizaje, sus posibilidades pedagógicas, y sus fortalezas y debilidades en esta área.
Además, la IA es realmente un subconjunto de computación. De esta manera, todas las prestaciones generales de la computación en la educación establecidas en la Sección 5 de este capítulo serán aplicables a la IA. Esta sección tiene como objetivo desatar el potencial extra que la IA puede ofrecer en la enseñanza y el aprendizaje. Esto significará enfocarse particularmente en su papel como medio más que en una tecnología general en la enseñanza, lo que significa mirar un contexto más amplio que solo los aspectos computacionales de la IA, en particular su papel pedagógico.
8.7c.2 ¿Qué es la inteligencia artificial?
La definición original de inteligencia artificial de McCarthy (1956, citada en Russell & Norvig, 2010) es:
cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede en principio ser descrito con tanta precisión que se puede hacer una máquina para simularlo. Se intentará encontrar cómo hacer que las máquinas usen el lenguaje, formen abstracciones y conceptos, resuelvan tipos de problemas ahora reservados para los humanos, y mejorarse.
Zawacki-Richter et al. (2019), en una revisión de la literatura sobre IA en educación superior, reportan que aquellos autores que definieron la inteligencia artificial tendieron a describirla como:
sistemas informáticos inteligentes o agentes inteligentes con características humanas, como la capacidad de memorizar el conocimiento, percibir y manipular su entorno de manera similar a los humanos, y comprender el lenguaje natural humano.
Klutka y col. (2018) también definen la IA en términos de lo que puede hacer en la educación superior (Figura 8.7.c.3 a continuación):
Figura 8.7.c. 3 Qué puede hacer la IA en la educación Imagen: Klutka et al. (2018)
Hay tres requisitos básicos de computación que distinguen a la IA 'moderna' de otras aplicaciones informáticas:
-
acceso a cantidades masivas de datos;
-
potencia computacional a gran escala para administrar y analizar los datos;
-
potentes y relevantes algoritmos para el análisis de datos.
8.7c.3 ¿Por qué utilizar la inteligencia artificial para la enseñanza y el aprendizaje?
Hay dos objetivos algo diferentes para el uso general de la inteligencia artificial. El primero es aumentar la eficiencia de un sistema u organización, principalmente reduciendo los altos costos de mano de obra, es decir, reemplazando trabajadores humanos relativamente caros por máquinas relativamente menos costosas (automatización). En la educación en particular, el costo principal es el de los maestros e instructores. Políticos, empresarios y formuladores de políticas ven cada vez más el paso a la automatización como una forma de reducir los costos de la educación.
El segundo es incrementar la efectividad de la enseñanza y el aprendizaje, en términos económicos para incrementar los resultados: mejores resultados de aprendizaje y mayores beneficios por el mismo o más costo. Con este objetivo, la IA se utilizaría junto o apoyando a maestros e instructores.
Klutka y col. (2018) proporcionan una declaración general del potencial de la IA en la 'instrucción' de educación superior a través de la Figura 8.7c.4:
Figura 8.7c.4 Objetivos para la IA en la instrucción de educación superior Imagen: Klutka et al. (2018)
Se trata de metas comprensibles, pero veremos más adelante en esta sección que tales metas a la fecha son principalmente aspiracionales y no reales.
En términos de este libro, un enfoque clave está en desarrollar los conocimientos y habilidades que requieren los alumnos en una era digital. La prueba clave entonces para la inteligencia artificial es hasta qué punto puede ayudar en el desarrollo de estas habilidades de nivel superior.
8.7c.4 Prestaciones y ejemplos de uso de la IA en la enseñanza y el aprendizaje
Zawacki-Richter et al. (2019) en una revisión de la literatura sobre IA en educación inicialmente identificaron 2.656 trabajos de investigación en inglés o español, luego redujo la lista eliminando duplicados, limitando la publicación a artículos en revistas revisadas por pares publicadas entre 2007 y 2018, y eliminando artículos que resultaron al final no ser sobre el uso de la IA en la educación. Esto dio como resultado 145 artículos finales que luego fueron analizados. Zawacki-Richter et al. luego clasificaron estos 145 artículos en diferentes usos de la IA en educación. Esta sección se basa en gran medida en esta clasificación. (Cabe señalar que dentro de los 145 artículos, sólo 92 se centraron en la instrucción/apoyo estudiantil. El resto fueron en usos institucionales como identificar a estudiantes en riesgo antes del ingreso).
El estudio Zawacki-Richter ofrece una idea de las principales formas en que la IA se ha utilizado en la educación para la enseñanza y el aprendizaje durante los diez años entre 2007 y 2018, lo más cerca que podemos llegar a los 'asequibles'. Primero, a continuación se proporcionan tres categorías principales 'instructivas' generales (con considerable superposición) del estudio, seguidas de algunos ejemplos específicos. (He omitido la categoría de perfiles y predicción de Zawacki-Richter et al., relacionado con temas administrativos como admisiones, programación de cursos y sistemas de alerta temprana para estudiantes en riesgo).
8.7c.4.1 Sistemas inteligentes de tutoría (29 de 92 artículos revisados por Zawacki-Richter et al.)
Sistemas inteligentes de tutoría:
-
proporcionar contenido didáctico a los estudiantes y, al mismo tiempo, apoyarlos dando retroalimentación
adaptativa y sugerencias para resolver preguntas relacionadas con el contenido, así como detectar las
dificultades/errores de los estudiantes cuando trabajar con el contenido o los ejercicios;
-
curar materiales de aprendizaje basados en las necesidades de los estudiantes, por ejemplo, proporcionando recomendaciones específicas sobre el tipo de material de lectura y ejercicios realizados, así como cursos de acción personalizados;
-
facilitar la colaboración entre los alumnos, por ejemplo, proporcionando retroalimentación automatizada, generando preguntas automáticas para la discusión y el análisis del proceso.
8.7c.4.2 Evaluación y evaluación (36 de 92)
La IA apoya la evaluación y evaluación a través de:
-
clasificación automatizada;
-
retroalimentación, incluyendo una variedad de herramientas orientadas a los estudiantes, como agentes inteligentes que brindan a los estudiantes indicaciones u orientación cuando están confundidos o estancados en su trabajo;
-
evaluación de la comprensión, compromiso e integridad académica de los estudiantes.
8.7c.4.3 Sistemas adaptativos y personalización (27 de 92)
La IA permite sistemas adaptativos y la personalización del aprendizaje mediante:
-
enseñar el contenido del curso y luego diagnosticar fortalezas o brechas en el conocimiento de los estudiantes y proporcionar retroalimentación automatizada;
-
recomendar contenido personalizado;
-
apoyar a los maestros en el diseño de aprendizaje recomendando estrategias de enseñanza adecuadas basadas en el desempeño de los estudiantes;
-
apoyando la representación del conocimiento en mapas conceptuales.
Klutka y col. (2018) identificó varios usos de la IA para la enseñanza y el aprendizaje en universidades de Estados Unidos. EcoACH, desarrollado en la Universidad de Michigan, proporciona retroalimentación formativa para una variedad de clases principalmente grandes en el campo STEM. Realiza un seguimiento del progreso de los estudiantes a través de un curso y los dirige a acciones y actividades apropiadas de forma personalizada. Otras aplicaciones enumeradas en el informe incluyen el análisis de sentimientos (usando las expresiones faciales de los estudiantes para medir su nivel de participación en el estudio), una aplicación para monitorear la participación de los estudiantes en foros de discusión y organizar errores comúnmente compartidos en los exámenes en grupos para que el instructor responda una vez al grupo en lugar de individualmente.
8.7c.4.4 Chatbots
Un chatbot es una programación que simula la conversación o 'charla' de un ser humano a través de interacciones de texto o voz (Rouse, 2018). Los chatbots en particular son una herramienta utilizada para automatizar las comunicaciones con los estudiantes. Bayne (2014) describe una de esas aplicaciones en un MOOC con 90.000 suscriptores. Gran parte de la actividad estudiantil se realizó fuera de la plataforma Coursera dentro de las redes sociales. Los cinco académicos que enseñaban el MOOC estaban todos activos en Twitter, cada uno con grandes redes, y la actividad de Twitter alrededor del hashtag MOOC (#edcmooc) fue alta en todas las instancias del curso (por ejemplo, se intercambiaron alrededor de 180 mil tuits en la primera oferta del MOOC). Un 'Teacherbot' fue diseñado para vagar por los tweets usando el hashtag de Twitter del curso, usando palabras clave para identificar 'temas' y luego elegir respuestas prediseñadas a estos temas, lo que a menudo implicaba dirigir a los estudiantes a investigaciones más específicas sobre un tema. Para una revisión de la investigación sobre chatbots en educación, ver Winkler y Söllner (2018).
8.7c.4.5 Calificación automatizada de ensayos
Los sistemas de inteligencia artificial de procesamiento del lenguaje natural (PNL), a menudo llamados motores automatizados de puntuación de ensayos, ahora son el alumno de primaria o secundaria en pruebas estandarizadas en al menos 21 estados de Estados Unidos (Feathers, 2019). Según Feathers:
Los motores de puntuación de ensayos en realidad no analizan la calidad de la escritura. Están capacitados en conjuntos de cientos de ensayos de ejemplo para reconocer patrones que se correlacionan con calificaciones superiores o inferiores asignadas por humanos. Luego predicen qué puntaje asignaría un humano a un ensayo, basándose en esos patrones.
Sin embargo, Feathers afirma que investigaciones de psicométricos y expertos en IA muestran que estas herramientas son susceptibles a un defecto común en la IA: sesgo contra ciertos grupos demográficos (ver Ongweso, 2019).
Lazendic et al. (2018) ofrecen una descripción detallada del plan para la clasificación de máquinas en las escuelas secundarias australianas. Ellos
declaran:
Es... de vital importancia reconocer que los modelos de puntuación humana, que se desarrollan para cada aviso de escritura NAPLAN, y su aplicación consistente, aseguran y mantienen la validez de las evaluaciones de escritura NAPLAN. En consecuencia, la confiabilidad estadística de los resultados de la puntuación humana está fundamentalmente relacionada y es la evidencia clave para la validez del marcado de escritura NAPLAN.
Es decir, el marcado debe basarse en criterios humanos consistentes. No obstante, se anunció más tarde (Hendry, 2018) que los ministros de educación australianos acordaron no introducir el marcado automático de ensayos para las pruebas de escritura de NAPLAN, atendiendo las llamadas de los grupos de maestros para rechazar la propuesta.
Perelman (2013) desarrolló un programa de computadora llamado el generador BABEL que parcheaba cadenas de palabras y oraciones sofisticadas en ensayos galimatías sin sentido. Los ensayos sin sentido recibieron consistentemente puntuaciones altas, a veces perfectas, cuando se ejecutan a través de varios motores de puntuación diferentes. Véase también Mayfield, 2013, y Parachuri, 2013, para análisis reflexivos de los problemas en el marcado automatizado de la escritura.
Al momento de escribir este artículo, a pesar de la considerable presión para utilizar la calificación automatizada de ensayos para los exámenes estandarizados, la tecnología todavía tiene muchas preguntas que persisten sobre ella.
8.7c.5 Fortalezas y debilidades
Existen varias formas de evaluar el valor de las posibilidades de enseñanza y aprendizaje de aplicaciones particulares de la IA en la enseñanza y el aprendizaje:
-
¿la aplicación se basa en las tres características principales de la IA 'moderna': conjuntos de datos masivos, potencia informática masiva; algoritmos potentes y relevantes?
-
¿la aplicación tiene claros beneficios en términos de posibilidades sobre otros medios, y particularmente las aplicaciones informáticas generales?
-
¿facilita la aplicación el desarrollo de las habilidades y conocimientos necesarios en una era digital?
-
¿Hay sesgo involuntario integrado en los algoritmos? ¿Pareciera discriminar a ciertas categorías de personas?
-
¿la aplicación es ética en términos de privacidad de estudiantes y profesores/instructores y sus derechos en una sociedad abierta y democrática?
-
¿son los resultados de la aplicación 'explicables'? Por ejemplo, ¿puede un profesor o instructor o los responsables de la aplicación entender y explicar a los alumnos cómo se alcanzaron los resultados o decisiones tomadas por la aplicación de IA?
Estos temas se abordan a continuación.
8.7c.5.1 ¿Es realmente una aplicación de IA 'moderna' en la enseñanza y el aprendizaje?
Al observar el estudio de Zawacki-Richter et al. y muchos otros trabajos de investigación publicados en revistas revisadas por pares, muy pocas las llamadas aplicaciones de IA en la enseñanza y el aprendizaje cumplen con los criterios de datos masivos, poder de computación masiva y algoritmos potentes y relevantes. Gran parte de la tutoría inteligente dentro de la educación convencional es lo que podría llamarse IA 'vieja': no se está procesando mucho y los puntos de datos son relativamente pequeños. Muchos de los llamados documentos de IA centrados en la tutoría inteligente y el aprendizaje adaptativo son en realidad solo aplicaciones informáticas generales.
De hecho, los llamados sistemas inteligentes de tutoría, el marcado automatizado de pruebas de opción múltiple y la retroalimentación automatizada sobre tales pruebas han existido desde principios de la década de 1980. Lo más cercano a las aplicaciones modernas de IA parece ser la calificación automatizada de ensayos de pruebas estandarizadas administradas en todo un sistema educativo. Sin embargo, existen grandes problemas con este último. Claramente se necesita más desarrollo para que la calificación automatizada de ensayos sea un ejercicio válido.
La principal ventaja que Klutka et al. (2018) identificar para la IA es que abre la posibilidad de que los servicios de educación superior se vuelvan escalables a un ritmo sin precedentes, tanto dentro como fuera del aula. Sin embargo, es difícil ver cómo podría usarse la IA 'moderna' dentro del sistema educativo actual, donde el tamaño de las clases o incluso departamentos académicos enteros, y por lo tanto los puntos de datos, son relativamente pequeños, en términos de los números necesarios para la IA 'moderna'. No se puede decir hasta la fecha que la IA moderna haya sido probada, y fracasada, en la enseñanza y el aprendizaje; en realidad ni siquiera se ha intentado.
Las aplicaciones fuera del sistema formal actual son más realistas, para MOOC, por ejemplo, o para la formación corporativa a escala internacional, o para universidades de enseñanza a distancia con un gran número de estudiantes. El requisito de datos masivos sugiere que todo el sistema educativo podría verse alterado masivamente si se pudiera alcanzar la escala necesaria ofreciendo educación moderna basada en IA fuera de los sistemas educativos existentes, por ejemplo, por grandes corporaciones de Internet que podrían aprovechar sus mercados masivos de consumidores.
Sin embargo, aún queda un largo camino por recorrer antes de que la IA lo haga factible. Esto no quiere decir que no pueda haber tales aplicaciones de la IA moderna en el futuro, pero de momento, en palabras del viejo bobby inglés, 'Muévete, ahora, no hay nada que ver aquí'.
No obstante, en aras de la argumentación, supongamos que la definición de IA que se ofrece aquí es demasiado estricta y que la mayoría de las aplicaciones discutidas en esta sección son ejemplos de IA. ¿Cómo cumplen estas aplicaciones de IA los demás criterios anteriores?
8.7c.5.2 ¿Las aplicaciones facilitan el desarrollo de las habilidades y conocimientos necesarios en una era digital?
Este no parece ser el caso en la mayoría de las llamadas aplicaciones de IA para la enseñanza y el aprendizaje en la actualidad. Están fuertemente enfocados en la presentación de contenido y pruebas para su comprensión y comprensión. En particular, Zawacki-Richter et al. señalan que la mayoría de los desarrollos de IA para la enseñanza y el aprendizaje —o al menos los trabajos de investigación— son realizados por científicos informáticos, no educadores. Dado que la IA tiende a ser desarrollada por los informáticos, tienden a utilizar modelos de aprendizaje basados en cómo funcionan las computadoras o las redes informáticas (ya que por supuesto será una computadora la que tiene que operar la IA). Como resultado, tales aplicaciones de IA tienden a adoptar un modelo de aprendizaje muy conductista: presente/prueba/retroalimentación. Lynch (2017) argumenta que:
Si la IA va a beneficiar a la educación, requerirá fortalecer la conexión entre los desarrolladores de IA y los expertos en las ciencias del aprendizaje. De lo contrario, la IA simplemente 'descubrirá' nuevas formas de enseñar mal y perpetuará ideas erróneas sobre la enseñanza y el aprendizaje.
La comprensión y la comprensión son, de hecho, habilidades fundamentales importantes, pero la IA hasta ahora no está ayudando con el desarrollo de habilidades de orden superior en los aprendices del pensamiento crítico, la resolución de problemas, la creatividad y la gestión del conocimiento. En efecto, Klutka et al. (2018) afirman que esa IA puede manejar muchas de las funciones rutinarias que actualmente realizan los instructores y administradores, liberándolos para resolver problemas más complejos y conectarse con los estudiantes en niveles más profundos. Esto refuerza la visión de que el rol del instructor o maestro necesita alejarse de la presentación de contenido, la gestión de contenidos y la prueba de comprensión de contenido —todo lo cual se puede hacer mediante la computación— hacia el desarrollo de habilidades. La buena noticia es que la IA utilizada de esta manera apoya a profesores e instructores, pero no los reemplaza. La mala noticia es que muchos maestros e instructores necesitarán cambiar la forma en que enseñan o se volverán redundantes.
8.7c.5.3 ¿Hay sesgo involuntario en los algoritmos?
Se podría argumentar que todo lo que hace la IA es encapsular los sesgos existentes en el sistema. Sin embargo, el problema es que este sesgo suele ser difícil de detectar en cualquier algoritmo específico, y que la IA tiende a escalar o magnificar dichos sesgos. Estos son temas más para los usos institucionales de la IA, pero el sesgo basado en máquinas puede discriminar a los estudiantes también en un contexto de enseñanza y aprendizaje, y especialmente en la evaluación automatizada.
8.7c.5.4 ¿La aplicación es ética?
Existen muchos problemas éticos potenciales derivados del uso de la IA en la enseñanza y el aprendizaje, principalmente debido a la falta de transparencia en el software de IA, y particularmente a los supuestos incrustados en los algoritmos. La revisión de la literatura realizada por Zawacki-Richter et al. (2019) concluyó:
... un resultado sorprendente de esta revisión es la dramática falta de reflexión crítica sobre las implicaciones pedagógicas y éticas, así como los riesgos de implementar aplicaciones de IA en la educación superior.
¿Qué datos se están recopilando, quién los posee o controla, cómo se interpreta, cómo se utilizará? Deberán implementarse políticas para proteger a los estudiantes y a los profesores/instructores (ver por ejemplo las políticas de datos estudiantiles del Departamento de Educación de los Estados Unidos para las escuelas), y los estudiantes y maestros/instructores deben participar en dicho desarrollo de políticas.
8.7c.5.5 ¿Los resultados son explicables?
El mayor problema con la IA en general, y en la enseñanza y el aprendizaje en particular, es la falta de transparencia. ¿Cómo me dio esta calificación? ¿Por qué me dirigen a esta lectura más que a esa? ¿Por qué no es aceptable mi respuesta? Lynch (2017) sostiene que la mayoría de los datos recopilados sobre el aprendizaje de los estudiantes son indirectos, poco auténticos, carecen de confiabilidad o validez demostrable y reflejan horizontes temporales poco realistas para demostrar el aprendizaje.
'los ejemplos actuales de AIED a menudo se basan en... apoderados pobres para el aprendizaje, utilizando datos que son fácilmente coleccionables en lugar de educacionalmente significativos.'
8.7c.6 Conclusiones
8.7c.6.1. Sueña con, entusiastas de la IA
En términos de lo que realmente está haciendo la IA ahora para enseñar y aprender, el sueño está mucho más allá de la realidad. Lo que funciona bien en finanzas o mercadotecnia o astronomía no necesariamente se traduce en contextos de enseñanza y aprendizaje. Al hacer la investigación para esta sección, resultó muy difícil encontrar ejemplos convincentes de IA para la enseñanza y el aprendizaje, en comparación con los juegos serios o la realidad virtual. Siempre es difícil demostrar un negativo, pero los resultados hasta la fecha de aplicar la IA a la enseñanza y el aprendizaje son extremadamente limitados y decepcionantes.
Esto se debe principalmente a la dificultad de aplicar la IA 'moderna' a escala en un sistema muy fragmentado que depende en gran medida de clases, programas e instituciones relativamente pequeños. Probablemente para que la IA moderna 'funcione', se necesitaría una estructura organizativa totalmente diferente para la enseñanza y el aprendizaje. Pero ten cuidado con lo que deseas.
Hay una fuerte influencia afectiva o emocional en el aprendizaje. Los alumnos suelen aprender mejor cuando sienten que al instructor o al maestro le importa. En particular, los estudiantes quieren ser tratados como individuos, con sus propios intereses, formas de aprendizaje y algún sentido de control sobre su aprendizaje. Si bien a nivel masivo el comportamiento humano es predecible y hasta cierto punto controlable, cada estudiante es un individuo y responderá de manera ligeramente diferente a otros estudiantes en un mismo contexto. Debido a estos aspectos emocionales y personales del aprendizaje, los estudiantes necesitan relacionarse de alguna manera con su maestro o instructor. El aprendizaje es una actividad compleja donde solo una parte relativamente menor del proceso puede automatizarse de manera efectiva. El aprendizaje es una actividad intensamente humana, que se beneficia enormemente de las relaciones personales y de la interacción social. Este aspecto relacional del aprendizaje se puede manejar igualmente bien en línea como presencial, pero significa usar la computación para apoyar la comunicación, así como entregar y probar la adquisición de contenido.
8.7c.6.2 No apto para su propósito
Sobre todo, la IA aún no ha progresado hasta el punto en que pueda soportar los niveles superiores de aprendizaje requeridos en una era digital o los métodos de enseñanza necesarios para ello, aunque otras formas de computación o tecnología, como las simulaciones, los juegos y la realidad virtual, sí lo pueden.
En particular, los desarrolladores de IA han ignorado en gran medida que el aprendizaje es evolutivo y construido, y en su lugar han impuesto un método de enseñanza antiguo y menos apropiado basado en el conductismo y una epistemología objetivista. Sin embargo, para desarrollar las habilidades y conocimientos necesarios en una era digital, se necesita un enfoque más constructivista del aprendizaje. Hasta la fecha no ha habido evidencia de que la IA pueda apoyar tal enfoque de la enseñanza, aunque puede ser posible.
8.7c.6.3 La verdadera agenda de la IA
Los defensores de la IA suelen argumentar que no están tratando de reemplazar a los maestros sino de hacerles la vida más fácil o más eficiente. Esto debe tomarse con una pizca de sal. El motor clave de las aplicaciones de IA es la reducción de costos, lo que significa reducir el número de maestros, ya que este es el principal costo en educación. En contraste, la lección clave de todos los desarrollos de IA es que tendremos que prestar mayor atención a los aspectos afectivos y emocionales de la vida en una sociedad robótica pesada, por lo que los maestros serán aún más importantes.
Otro problema con la inteligencia artificial es que el mismo bombo de siempre sigue dando vueltas y vueltas. Los mismos argumentos para el uso de la inteligencia artificial en la educación se remontan a la década de 1980. Millones de dólares se destinaron a la investigación de IA en ese momento, incluso a aplicaciones educativas, sin absolutamente ningún beneficio.
Desde entonces ha habido algunos desarrollos significativos en la IA, en particular el reconocimiento de patrones, el acceso y el análisis de conjuntos de big data, algoritmos potentes, que conducen a la toma de decisiones formalizada dentro de límites limitados. Sin embargo, el truco es reconocer exactamente para qué tipo de aplicaciones sirven estos nuevos desarrollos de IA y qué no pueden hacer bien. Es decir, el contexto en el que se utiliza la IA importa, y hay que tener en cuenta. La enseñanza y el aprendizaje son un entorno particularmente difícil entonces para las aplicaciones de IA.
8.7c.6.4 Definición del papel de la IA en la enseñanza y el aprendizaje
Sin embargo, hay muchas posibilidades para aplicaciones útiles de la IA en la educación, pero solo si hay un diálogo continuo entre desarrolladores de IA y educadores a medida que los nuevos desarrollos en IA estén disponibles. Pero eso requerirá ser muy claro sobre el propósito de las aplicaciones de IA en la educación y estar completamente despierto ante las consecuencias no deseadas.
En educación, la IA sigue siendo un gigante dormido. Las aplicaciones 'de vanguardia' de la IA para la enseñanza y el aprendizaje probablemente no van a provenir de las principales universidades y colegios, sino de fuera del sistema formal postsecundario, a través de organizaciones como LinkedIn, lynda.com, Amazon o Coursera, que tienen acceso a grandes conjuntos de datos que hacen aplicaciones de IA escalables y que valen la pena (para ellas). Sin embargo, esto representaría una amenaza existencial para las escuelas públicas, colegios y universidades. El problema entonces se convierte en: ¿qué sistema es mejor para proteger y sostener al individuo en una era digital: las corporaciones multinacionales que utilizan la IA para la enseñanza y el aprendizaje; o un sistema de educación pública con profesores humanos que utilizan la IA como apoyo para los alumnos?
La pregunta clave entonces es si la tecnología debe apuntar a reemplazar a los maestros e instructores a través de la automatización, o si la tecnología debe usarse para empoderar no solo a los maestros sino también a los alumnos. Sobre todo, ¿quién debería controlar la IA en la educación: educadores, estudiantes, informáticos o grandes corporaciones? Estas son, de hecho, preguntas existenciales si la IA se vuelve inmensamente exitosa en la reducción de los costos de la enseñanza y el aprendizaje: pero ¿a qué costo para nosotros como humanos? Afortunadamente, la IA aún no está en condiciones de proporcionar tal amenaza; pero bien puede que lo haga pronto.
Referencias
Bayne, S. (2014) Teacherbot: intervenciones en la enseñanza automatizada La enseñanza en la Educación Superior, Vol. 20. No.4
Feathers, T. (2019) Algoritmos defectuosos califican millones de ensayos de estudiantes, placa base: Tech by Vice, 20 de agosto
Hendry, J. (2018) Gobierno volcan NAPLAN robo marcando planes itnews, 30 enero
Klutka, J. et al. (2018) Inteligencia artificial en la educación superior: usos actuales y aplicaciones futuras Louisville Ky: Casa de aprendizaje
Lazandic, G., Justus, J.-A., y Rabinowitz, S. (2018) Programa de investigación de puntuación automatizada en línea NAPLAN: Informe de investigación, Canberra, Australia: Autoridad australiana de currículo, evaluación y presentación de informes
Lynch, J. (2017) Cómo la IA destruirá la educación, BuzzRobot, 13 de noviembre
Mayfield, E. (2013) Seis formas en que el anuncio de EdX obtiene incorrecta la calificación automatizada de ensayos, alfabetizado electrónico, 8 de abril
Ongweso E. (2019) El sesgo racial en la IA no está mejorando y tampoco las excusas de los investigadores Placa base: Tech by Vice, 29 de julio
Parachuri, V. (2013) Sobre la puntuación automatizada de ensayos y las lecciones aprendidas en el camino, vicparachuri.com, 31 de julio
Perelman. L. (2013) Crítica de Mark D. Shermis & Ben Hamner, Contrastando puntajes automatizados de última generación de ensayos: análisis, Evaluación de Journal of Writing, Vol. 6, No.1
Rouse, M. (2019) ¿Qué es el chatbot? Techtarget Network Experiencia del cliente, 5 de enero
Russell, S. y Norvig, P. (2010) Inteligencia artificial — Un enfoque moderno Nueva Jersey: Pearson Education
Winkler, R. & Söllner, M. (2018): Desatando el potencial de los chatbots en la educación: un análisis de vanguardia. Reunión Anual de la Academia de Administración (AOM) Chicago: Illinois
Zawacki-Richter, O. er al. (2019) Revisión sistemática de la investigación sobre aplicaciones de inteligencia artificial en la educación superior — ¿dónde están los educadores? Revista Internacional de Tecnología en Educación Superior (en prensa — detalles a agregar)
Zeide, E. (2019) La inteligencia artificial en la educación superior: aplicaciones, promesas y peligros, y cuestiones éticas Revisión de EDUCAUSE, Vol. 54, núm. 3, 26 de agosto
- ¿Qué opinas de la IA para enseñar y aprender? ¿Es tan esotérico que con seguridad no te puedes preocupar por ello? ¿O sientes que necesitas estar mejor informado de que puede y no puede hacer?
- ¿está de acuerdo con los tres requisitos mínimos para la IA moderna: grandes conjuntos de datos, poderosa capacidad informática y potentes algoritmos? ¿Hay otras posibles aplicaciones de la IA que no necesitan cumplir con estos tres criterios?
- ¿se te ocurre áreas de enseñanza y aprendizaje que podrían generar grandes conjuntos de datos incluso en una clase de 30?
- ¿Qué otras habilidades además de la comprensión podría facilitar la IA? ¿Cómo haría esto?
Haga clic en el podcast a continuación para obtener algunos comentarios sobre estas preguntas, además de algunos de mis pensamientos personales sobre la IA y la enseñanza y el aprendizaje:
Un elemento de audio ha sido excluido de esta versión del texto. Puedes escucharlo en línea aquí: https://pressbooks.bccampus.ca/teachinginadigitalagev2/?p=1597
