2.2: Capítulo 5: Sistemas de Aprendizaje Adaptativo en Aulas Modernas
- Page ID
- 140003
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
Introducción
En los sistemas educativos modernos actuales, es muy común tener de dos a tres docenas de alumnos en un aula pero sólo un maestro. En las instituciones postsecundarias, esto puede convertirse fácilmente en 200 a 300 estudiantes por cada profesor. El tamaño de las clases se agrava en las aulas actuales, que están llenas de alumnos diversos con una multitud de necesidades junto con fortalezas y debilidades únicas. La complejidad y el rango de necesidades de los estudiantes pueden resultar en un maestro con exceso de trabajo que da a la enseñanza su mejor esfuerzo y aún encuentra que algunos estudiantes no logran alcanzar un nivel aceptable de dominio conceptual. En pocas palabras, no hay suficientes maestros para satisfacer la multitud de necesidades de los estudiantes para que cada estudiante pueda tener éxito en cada aula individual. En los últimos años, la inteligencia artificial (IA) ha comenzado a echar raíces cada vez más fuertes en la educación, dando lugar a los Sistemas de Aprendizaje Adaptativo (ALS). Los ALS, creados a través de la fusión de software de IA con computadoras portátiles conectadas a la red, tienen como objetivo ofrecer un aprendizaje personalizado. Estos sistemas pueden “ayudar a los maestros a reasignar del 20 al 30 por ciento de su tiempo para que puedan enfocarse más en actividades centradas en el estudiante, como construir relaciones individuales más profundas, refinar planes de lecciones individuales o proporcionar comentarios personalizados en tiempo real a los estudiantes” (Microsoft [Nueva pestaña], 2018, p. 5). Estas tecnologías educativas ALS son sinónimo de sistemas inteligentes de tutoría, aprendizaje centrado en el estudiante, diseño instruccional inteligente y aplicaciones de aprendizaje personalizadas. El artículo de Marr [Nueva Pestaña] (2018) define dichos sistemas como “plataformas digitales que utilizan la IA para proporcionar aprendizaje, pruebas y retroalimentación a los estudiantes desde el nivel preescolar hasta el nivel universitario que les brinde los desafíos para los que están listos, identifica brechas en el conocimiento y redirige a nuevos temas cuando sea apropiado” (para . 3). En la era actual de mayores llamamientos a una mayor personalización y mejores resultados en educación, “las aplicaciones de aprendizaje personalizado se encuentran actualmente entre las aplicaciones de edtech más comercializadas, emocionantes y controvertidas” (Regan & Jesse [New Tab], 2018, p. 168).
Etica Educativa
En este capítulo se discutirán las consideraciones éticas de los Sistemas de Aprendizaje Adaptativo (ELA) y su impacto en los estudiantes, maestros y comerciantes que los proveen. La siguiente pregunta será examinada a través de perspectivas consecuencialistas, deontológicas y éticas de virtud (Farrow, 2016), así como mi propia perspectiva: ¿deberían implementarse los Sistemas de Aprendizaje Adaptativo (ELA) en las aulas modernas?
Convocatorias elevadas para el aprendizaje personalizado
El aprendizaje personalizado, donde los estudiantes controlan el ritmo, el contenido y la evaluación, fue uno de los dos hallazgos emergentes en el informe de Microsoft (2018) The Class of 2030 y Life-Ready Learning: The Technology Imperative [Nueva pestaña] de Microsoft (2018). El informe encontró que “casi el 70 por ciento de [2,000 encuestados] maestros citaron las limitaciones de tiempo como su mayor obstáculo para proporcionar contenido más personalizado a sus alumnos” (Holzapfel [Nueva Pestaña], 2018b, párrafo 14). La calificación automatizada y la retroalimentación personalizada son características comunes de la ELA, por lo que este enfoque doble promete proporcionar más tiempo de instrucción a los maestros para ayudar a los estudiantes en lugares donde sus tutores digitales excepcionalmente inteligentes no pueden. Los llamados a la personalización no se detienen ahí; las compañías tecnológicas o 'filántrocapitalistas' como la Fundación Bill y Melinda Gates, la Iniciativa Chan Zuckerberg, Dell, Hewlett y Google.org enfatizan las diferencias en las formas en que los estudiantes aprenden y la importancia de las oportunidades de aprendizaje flexibles. Estas cinco empresas utilizan declaraciones cautivadoras como “una experiencia de aprendizaje verdaderamente transformadora y personalizada (Chan Zuckerberg) y evaluaciones en tiempo real para medir el aprendizaje de los estudiantes (Gates)” (Regan & Steeves [Nueva pestaña], 2019, párrafo 33), para describir los ALS.
| Sistema de aprendizaje adaptativo (empresa matriz) | Breve descripción comercializada de ALS |
|---|---|
| iReady (Curriculum Associates) | Ofrece lecciones en línea que brindan instrucción y práctica a medida para que cada estudiante acelere el crecimiento, al tiempo que apoya a los maestros con recursos en el momento para remediación y re-enseñanza (Curriculum Associates [New Tab], n.d., párr. 4). |
| Mathia (Aprendizaje Carnegie) | Utilizando sofisticada tecnología de IA para adaptarse a un nivel muy detallado, habilidad por habilidad, MathIA personaliza el aprendizaje y mantiene a los estudiantes comprometidos con comentarios personalizados justo a tiempo y sugerencias contextuales, al tiempo que le proporciona todos los comentarios y evaluaciones en tiempo real que necesita para comprender dónde está los alumnos están en y hacia dónde se dirigen (Carnegie Learning [New Tab], n.d.a, párr. 3). |
| Trayectoria exacta (Edmentum) | Combina evaluaciones de diagnóstico adaptativo con vías de aprendizaje individualizadas para promover el crecimiento de los estudiantes de K-12 grados en matemáticas, lectura y artes del lenguaje, ya que los estudiantes reciben una experiencia de prueba única que identifica con precisión su nivel de instrucción, fortalezas y necesidades (Edmentum [Nueva pestaña], 2020, párr. 2). |
| “Jill” Watson (IBM) | Ayudante docente a nivel de posgrado que puede tener horario de oficina 24/7/365, donde “ella” pasa sus días ayudando a los alumnos del curso en línea de Inteligencia Artificial Basada en el Conocimiento del programa M.S. en Ciencias de la Computación (Georgia Institute of Technology College of Computing [New Tab], n.d., párr. 1). |
| Sala Cognitiva Inmersiva (IBM) | Un ambiente de aula inmersivo, donde los estudiantes se sienten como si estuvieran en un restaurante en China, un jardín o una clase de Tai Chi, donde pueden practicar hablar mandarín con un agente de chat de IA a través de tecnologías inmersivas (IBM [New Tab], 2019, párr. 1). |
Política de IA en Educación
Ningún distrito educativo quiere quedarse atrás; los líderes están en constante búsqueda de traer nueva literatura e informes, que probablemente den forma a la directiva de aprendizaje de su junta directiva para los próximos años. El Estándar de Calidad de Liderazgo de Alberta Education (2018) espera que los líderes de K-12 encarnen un liderazgo visionario y lideren una comunidad de aprendizaje. De igual manera, las juntas de gobierno de la Universidad de Calgary y de la Universidad de Alberta apoyan programas y colaboraciones con visión de futuro para satisfacer las necesidades de aprendizaje de IA en la sociedad (Pascoe [New Tab], 2019). Además, en 2017, el gobierno federal de Canadá creó una Estrategia Pancanadiense de Inteligencia Artificial [Nueva Pestaña], la primera estrategia nacional de IA del mundo. Esto condujo a conferencias donde, hasta el momento, más de 150 investigadores, líderes de opinión y formuladores de políticas examinaron las implicaciones sociales, económicas, éticas y legales de la IA (Barron et al. [Nueva Pestaña], 2019). Una observación crucial de estas reuniones es que muchos formuladores de políticas carecen de conciencia de las capacidades y aplicaciones actuales de IA, y sus implicaciones políticas asociadas. A pesar de las deficiencias políticas con respecto a la IA, los participantes propusieron un marco general para orientar el desarrollo de políticas para la educación pública y la innovación responsable, incluyendo:
- Promover el conocimiento de los derechos y regulaciones de protección de datos entre el público en general;
- aumentar la alfabetización digital del público, especialmente entre las poblaciones tradicionalmente marginadas y vulnerables;
- proporcionar financiamiento gubernamental para incentivar a las empresas a incorporar transparencia en el diseño de sus aplicaciones; y
- fomentar algoritmos de código abierto para mitigar la desigualdad (Villeneuve et al. [Nueva pestaña], 2019, pg. 7).
Perspectiva consecuencialista
Fácilmente interpretados, los datos visuales son parte de cada ELA, y estos conjuntos de datos están diseñados para ayudar a los maestros a reconocer las brechas de aprendizaje. Se supone que esta conciencia recién descubierta conducirá a una mayor eficiencia cuando se trata del tiempo empleado durante una interacción entre un maestro y su alumno. La ELA también se puede conectar a dispositivos móviles personales que llevan los estudiantes; la IA puede aumentar el mundo físico, superponiendo el entorno real con información virtual (Luckin et al. [Nueva Pestaña], 2016). Esta realidad aumentada está diseñada para involucrar a los estudiantes a medida que mueve las lecciones de escenarios hipotéticos a la vida real, y diverge de la entrega de contenido única para todos a una experiencia de aprendizaje personalizada y dinámica.
Perspectiva Deontológica
Los profesores experimentados pueden identificar rápidamente las habilidades y conocimientos curriculares que sus alumnos poseen y carecen. Desde una perspectiva de equidad, los maestros quieren reducir las brechas tanto como sea posible antes de pasar al siguiente resultado secuencial, y la ELA ciertamente puede ayudar con eso. Además, “los docentes podrán registrar sus observaciones de los alumnos —y beneficiarse de las observaciones de otros docentes” (CoSN [Nueva Pestaña], 2018, p. 34) en su labor para asegurar el uso más eficiente de los recursos, tanto humanos como artificiales.
Perspectiva ética de la virtud
La narrativa compartida entre personas, instituciones escolares y agencias gubernamentales parece ser que las personas “que no están familiarizadas con el uso de la tecnología impulsada por la IA, no recibirán los mismos beneficios que quienes han adoptado estas herramientas” (Villeneuve et al. [Nueva pestaña], 2019, p. 9). Tiene sentido emplear ELA, que puede automatizar la calificación y, por lo tanto, liberar a los maestros para forjar vínculos socioemocionales más profundos con sus alumnos. La flexibilidad instruccional que ofrece la ELA puede proporcionar acceso para que los estudiantes progresen a su propio ritmo; no solo para ponerse al día, sino también para acelerar el aprendizaje. Un white paper patrocinado por la industria llamado The Equity Equation [New Tab] de McGraw-Hill muestra “instituciones como Columbus State, Arizona State University y Triton Community College en Illinois, entre otras, que están mejorando la equidad educativa mediante la aplicación de nuevos métodos y herramientas de aprendizaje que adaptarse a las necesidades individuales de los estudiantes” (Neelakantan [Nueva Pestaña], 2019, párr. 4).
Mi Propia Perspectiva
A medida que los maestros, estudiantes y padres de familia tomen conciencia de la ELA, es probable que aumente la presión para comprar, y el retraso en la implementación puede resultar en frustración. Me sorprende que los equipos de marketing de diversos ALS no se hayan anunciado tan fuertemente en Canadá, donde podrían dejar al público impresionable sintiéndose en desventaja si sus juntas escolares no adquieren 'lo último y grande' para sus alumnos. Esto será una reminiscencia de las compras de computadoras que ocurrieron justo antes del cambio de milenio, con escuelas comprando apresuradamente tanto PC como Macs para dar cabida a sus poblaciones estudiantiles. El liderazgo de los distritos escolares modernos debe demostrar que son conscientes de las intenciones ocultas potenciales de las corporaciones poderosas e influyentes, y honrar la expectativa de revelar y justificar su elección de un proveedor de ELA sobre otros. En las últimas dos décadas que he pasado en las aulas como estudiante y como maestra, he notado cantidades significativas de tecnología traída, con una justificación limitada proporcionada sobre las decisiones de compra. Me he encontrado con escritorios voluminosos, luego portátiles delgados y, más recientemente, Smart Boards en las aulas, con poco tiempo asignado para aprender sobre los fundamentos de la compra, recursos insuficientes invertidos en la preparación de los usuarios y discusión inadecuada de las preocupaciones detrás de las mejoras propuestas. A medida que la ELA llegue a las aulas, muchos maestros necesitarán ser capacitados para incorporarlos de manera efectiva en las rutinas de enseñanza para obtener “nuevas formas de entender e interactuar con sus alumnos” (Microsoft [Nueva Pestaña], 2018, p. 5). De lo contrario, estos costosos sistemas permanecerán en cajas en la parte trasera de las aulas, ya que los maestros no capacitados continúan enseñando, sin interrupciones y sin utilizar los gadgets de última tecnología.
Beneficios y desafíos de la implementación de la protección de la privacidad, la seguridad de datos y el consentimiento informado en sistemas de aprendizaje adaptativo
Predecir el futuro es un trabajo desafiante, y esto se aplica especialmente a las lecciones predictivas personalizadas generadas en ELA inmediatamente después de que los estudiantes ingresen sus respuestas únicas. El concepto de diagnóstico preciso de errores es fundamental para todas las tutorías exitosas, y la ELA solo será tan buena como el tamaño de una base de datos a la que esté conectada (Ferster [New Tab], 2017). Esto “implica la recolección de información más, y más granular, sobre estudiantes, maestros y familias, así como detalles administrativos respecto al funcionamiento de las instituciones educativas” (Regan & Jesse [Nueva Pestaña], 2018, p. 168). A medida que la ELA recopila y analiza múltiples flujos de datos en tiempo real, “existe una posibilidad real de mejora continua a través de múltiples bucles de retroalimentación que operan en diferentes escalas de tiempo —inmediatas al alumno para el siguiente problema, [y] al maestro para la enseñanza del día siguiente” (Bienkowski et al. [Nueva Pestaña], 2012, p. viii). Los recientes sistemas agregadores de big data como InBloom tenían “unos 400 'campos optativos' que las escuelas podían elegir llenar y que incluían información sensible como estado de discapacidad, números de seguro social, relaciones familiares, razones de cambios en la matrícula y acciones disciplinarias” (Regan & Jesse [Nueva pestaña], 2018, p. 169). Las bases de datos ALS necesitan lograr un equilibrio entre no pedir demasiados datos y desaparecer —como en el caso de InBloom—, al tiempo que solicitan la mayor cantidad de datos posible para personalizar mejor la siguiente tarea de aprendizaje generada por ALS.
Impulsado por poblaciones estudiantiles renovables, solo se proyecta que el mercado de datos estudiantiles aumente; “analistas pronostican que el Mercado de Inteligencia Artificial en el Sector Educativo de Estados Unidos crezca a una CAGR (Tasa de Crecimiento Anual Compuesto) de 47.77% durante el periodo 2018-2022″ (Investigación y Mercados [Nueva Pestaña] , 2018, párr. 2). Esto equivale a un crecimiento incremental [cuatrienal] de 253.79 millones de dólares, siendo uno de los principales impulsores del mercado “una mayor adopción de ITS [Sistemas Inteligentes de Tutoría]. en el sector educativo” (TechNavio [New Tab], 2018, párr. 2). A medida que los datos de los estudiantes privados se transfiran de escuelas a servidores remotos, “debemos tener especial cuidado con las tecnologías educativas que almacenan y/o acceden a la información fuera de Canadá; estas tecnologías educativas no siempre están obligadas por la ley canadiense” (University of Victoria [New Tab], 2019, párr. 2). Esto podría llevar a que corporaciones extranjeras vendan los datos a otros comerciantes o incluso a gobiernos extranjeros a apuntar nefariamente a las personas al indagar profundamente en sus datos personales.
Datos de investigación de diversos sistemas de aprendizaje adaptativo y cómo impactan la instrucción y el aprendizaje
Obtener datos sin procesar de ALS es un desafío. No existen datos revisados por pares, solo datos patrocinados por la industria. Adicionalmente, “no hay estándares establecidos para describir o evaluar el grado en que se personaliza una experiencia de aprendizaje, y muchas veces la diferencia entre la capacidad de respuesta y la adaptabilidad no se tiene en cuenta en las descripciones de los productos” (Bulger [Nueva Pestaña], 2016, p. 4). Las empresas de ELA como iReady afirman que el análisis riguroso y científico es su prioridad, pero esto ha sido lento, porque el proceso requiere “un amplio intercambio de datos, salvaguardas de privacidad, financiamiento significativo y relaciones de larga data con distritos y escuelas” (McKinnon [Nueva Pestaña], 2018, párr. 16).
| Sistema de aprendizaje adaptativo (empresa matriz) | Extractos de datos autoreportados |
|---|---|
| iReady (Curriculum Associates) | Los estudiantes que usaron Instrucción Personalizada iReady durante un promedio de 45 minutos o más por materia por semana durante al menos 18 semanas mostraron un crecimiento estadísticamente significativamente mayor que el estudiante promedio que no recibió Instrucción Personalizada iReady durante el ciclo escolar 2017—2018 (Currículum Asociados [Nueva Pestaña], 2020, p. 2). |
| Mathia (Aprendizaje Carnegie) | Un estudio independiente de la Corporación RAND y el Departamento de Educación de Estados Unidos encontró que el enfoque combinado de MathIA casi duplicó el crecimiento en el rendimiento en pruebas estandarizadas en el segundo año de implementación (Carnegie Learning [New Tab], n.d.b, párr. 1) |
| Trayectoria exacta (Edmentum) | Los resultados indicaron que el uso de Edmentum Exact Path se asocia positivamente con los resultados de rendimiento de los estudiantes en matemáticas, lectura y artes del lenguaje. Se encontraron efectos estadísticamente significativos vinculando la cantidad de tiempo empleado en Exact Path y las puntuaciones diagnósticas de fin de año (Edmentum [New Tab], 2017, p. 2). |
| “Jill” Watson (IBM) | Jill fue una asistente de enseñanza altamente efectiva para los estudiantes, respondiendo preguntas con una tasa de éxito del 97%. De 10 mil consultas que requieren poco pensamiento, el objetivo de Jill era responder al 40% de todas estas preguntas (Maderer [Nueva Pestaña], 2016). |
| Sala Cognitiva Inmersiva (IBM) | Adquirir un nuevo idioma de forma natural, a través de la inmersión cultural, puede ser más efectivo que las prácticas no inmersivas. Uno de los mayores obstáculos para aprender una lengua extranjera a través de la inmersión son los temores de los estudiantes a ser juzgados por hablantes nativos (IBM [New Tab], 2019, párr. 2). |
Perspectiva consecuencialista
Según Neelakantan [Nueva Pestaña] (2019), “impulsadas por algoritmos avanzados, las tecnologías de aprendizaje adaptativo impulsan las tasas de finalización y dan confianza a los estudiantes” (párr. 1). Además, extraer y analizar los datos recopilados por una ELA “puede analizar patrones subyacentes para predecir los resultados de los estudiantes como el abandono escolar, la necesidad de ayuda adicional o ser capaz de realizar tareas más exigentes” (West [New Tab], 2012, p. 2). A pesar de los mejores esfuerzos de un maestro para proporcionar retroalimentación formativa en conferencias, y retroalimentación sumativa sobre una tarea o cuestionario ocasional, el uso de la ELA permite una retroalimentación más frecuente y en tiempo real a los estudiantes sobre las tareas e interacciones en el sistema. Si bien sería poco realista esperar que un maestro de dos a tres docenas de estudiantes ajuste una lección en función de las necesidades de cada estudiante, la ELA hace posible este tipo de capacidad de respuesta utilizando los datos que se recopilan de los estudiantes.
Perspectiva Deontológica
Los datos, en los que se basa la ELA, pueden ser insuficientes, lo que significa que las amenazas no vistas están pendientes para todos los que se pasan por alto. Los estudiantes también pueden ser ignorados y desatendidos por maestros que dependen en gran medida de pensar que la IA sabe mejor, sin usar su propia inteligencia para pensar, sondear y enseñar. Lerman [New Tab] (2013) sugiere que la “revolución del big data puede crear nuevas formas de desigualdad y subordinación, y así plantear amplias preocupaciones democráticas” (p. 60). Además, las continuas diferencias en las decisiones sobre la mejor manera de responsabilizar a los proveedores de ELA siguen siendo inciertas, especialmente cuando se trata de cuestiones críticas de seguridad de datos y protección de la privacidad. Como señalan Regan & Jesse [New Tab] (2018), “uno de los temas más problemáticos implica si las empresas edtech deberían poder utilizar los datos generados por el uso de los estudiantes de sus programas de software para mejorar esos programas” (p. 173). Esta supuesta práctica de beneficio mutuo difumina las líneas sobre si los perfiles de aprendizaje de los estudiantes se utilizan para el propio bien del estudiante o para el beneficio corporativo.
Perspectiva ética de la virtud
El uso del Big Data de algoritmos matemáticos e inteligencia artificial para hacer predicciones sobre individuos basados en su información y la de otros plantea preguntas sobre tratar a los individuos como individuos de manera justa, precisa y de maneras que puedan entender (Citron & Pasquale [Nueva pestaña], 2014). Más aún, a los críticos de big data les preocupa que “la creciente 'dataficación' del mundo ignore o incluso sofoque las partes inconmensurables, inconmensurables e inefables de la experiencia humana”. (Lerman [Nueva Pestaña], 2013, p. 56). Cualquier maestro puede dar fe de que se necesita un intelecto emocional atento y las relaciones con los estudiantes para leer las señales que los estudiantes emiten, y que el aprendizaje de los estudiantes se ve afectado cuando se encuentran en un estado mental escalado. En consecuencia, recientemente ha habido un interés en apoyar a los maestros para que se familiaricen mejor con la Práctica Informada sobre Trauma (TIP) y el bienestar mental de
Mi Propia Perspectiva
Regan & Jesse [New Tab] (2018) explican que “una preocupación ética crítica planteada con el aprendizaje personalizado es si dichos programas constituyen un seguimiento y clasificación de estudiantes que podrían considerarse discriminatorios” (p. 168), como en la década de 1950, cuando los niños estaban divididos por raza, etnia, género , y clase. Algunos de estos factores divisivos podrían reaparecer o incluso ser alentados, especialmente en países menos progresistas socialmente. Aunque tales divisiones se oponen en las sociedades occidentales, la brecha de riqueza parece estar aumentando (Litwin [New Tab], 2019). Los datos recopilados por una ELA podrían servir como base para que los padres o tutores de estudiantes muy ricos abogen por la redirección del presupuesto limitado de la escuela para financiar clases de élite y excluyentes para sus hijos. La ELA a menudo se comercializa como que tiene el potencial de acelerar los cerebros, por lo que padres influyentes dentro de cualquier escuela en particular podrían exigir una clase de entornos especiales donde “a medida que se acelera el ritmo del cambio, los alumnos exigirán más formas de convertir el aprendizaje en ganancias” (Consortium for School Networking Tab], 2018, p. 8).
Beneficios y desafíos de la implementación del respeto a las preocupaciones de autonomía e independencia de los participantes al usar sistemas de aprendizaje adaptativo
Mediante el uso de big data y algoritmos inteligentes, la ELA se puede utilizar para ayudar a los maestros a encontrar sus propios puntos ciegos e incluso revelar estrategias de pensamiento y enseñanza poco ortodoxas para los estudiantes. Los estudiantes pueden vincular los perfiles de ELA a sus propios dispositivos celulares, que luego pueden recordarles los plazos y ofrecer oportunidades para continuar con la tutoría y el aprendizaje en casa. Los estudiantes, los maestros, las máquinas inteligentes y el software interactúan cada vez más de formas nuevas y profundas, y pueden estar remodelando nuestros cerebros de manera intencionada y no intencionada. KnowledgeWorks [Nueva pestaña] (2018) explica que “se ha demostrado que el uso repetido de la Búsqueda de Google estimula el uso de la memoria a corto y largo plazo de formas que pueden socavar el pensamiento crítico” (p. 12). Además, una conexión continua a dispositivos inteligentes puede llevar al agotamiento mental debido a la falta de tiempo de inactividad: estamos cableados y cansados todo el tiempo (Brody, 2017). Tanto los padres de familia como la administración escolar necesitan asegurarse de que los estudiantes y maestros se hayan asignado tiempo para sí mismos respetando su derecho a desconectarse del ámbito digital sin parar. Además, todas las partes necesitan encontrar un equilibrio cuando se trata de la riqueza de datos disponibles para rastrear varias etapas del desarrollo estudiantil; es fácil perder de vista el panorama general en las métricas de rendimiento diarias proporcionadas por ALS. También es importante señalar que los más jóvenes, los alumnos de pre-kindergarten tienden a aprender mejor viendo eventos reales, presenciales, ya que tienen problemas para transferir información de una pantalla al mundo real (Troseth & Strouse [Nueva pestaña], 2017).
Evitar daños y minimizar el riesgo para la integridad educativa al usar sistemas de aprendizaje adaptativo
Con tanta atención prestada a mejorar las métricas estándar de éxito en la escuela, se puede prestar menos atención al bienestar psicológico y la salud social de los estudiantes. Sin embargo, los educadores deberían de hecho mantener el bienestar de los estudiantes en un enfoque nítido, ya que “la señal más fuerte del estudio [de Microsoft] fue la necesidad de que maestros, escuelas y líderes escolares ayuden a los estudiantes a desarrollar habilidades socioemocionales más fuertes” (Microsoft [Nueva Pestaña], 2018, p. 10). Estas habilidades ayudan a establecer colaboraciones exitosas en equipo y permiten el discurso y la discusión, no solo en línea sino en persona. Necesitamos que nuestros alumnos sean resistentes a las muchas bolas curvas de la vida, que tengan la capacidad de recibir críticas constructivas y que vuelvan más fuertes después de un fracaso. Además, el mismo informe estimó que 30-40% de futuros trabajos requerirán habilidades sociales explícitas y alfabetización emocional (Microsoft [New Tab], 2018). Según Holzapfel (2018), “las habilidades socioemocionales brindan a los estudiantes la perspectiva y flexibilidad necesarias para funcionar a un nivel alto incluso ante la incertidumbre, el cambio, la presión, el estrés y otros desafíos laborales y de la vida” (p. 11). La capacidad socioemocional mejorada será útil dentro de la tumultuosa economía de los gig, ya que las personas pasarán de tener un solo trabajo a tener contratos a corto plazo con múltiples empleadores. Las habilidades social-emocionales y otras habilidades relacionales y de bienestar no serán evaluadas por ELA, pero aún necesitan ser practicadas y construidas, para que los estudiantes puedan tener vidas felices, saludables y completas.
Perspectiva consecuencialista
La educación avanza hacia el aprendizaje basado en resultados y competencias, lo que significa que los estudiantes no necesitan sentarse durante horas escuchando el contenido que se presenta, sino que pueden optimizar su tiempo enfocándose en dominar las habilidades cognitivas y los conocimientos socioemocionales y de contenido que carecen. Cuando un estudiante se enferma, conectarse a su cuenta de ELA desde casa puede permitirle participar con los resultados curriculares que se perdieron en la escuela. Los estudiantes más maduros y de medio tiempo pueden usar su tiempo para aprender otras habilidades, que fluctúan constantemente a medida que cambian las demandas del lugar de trabajo y las habilidades de empleabilidad. En su informe sobre el futuro del trabajo y el aprendizaje, D2L (2018) escribe que el “mercado de habilidades constantemente fluctuante significa que las habilidades de los empleados se están volviendo obsoletas más rápidamente y requieren capacitación y desarrollo continuos” (p. 11)
Perspectiva Deontológica
Eventos traumáticos como conflictos bélicos, pobreza, inestabilidad familiar, falta de vivienda y falta de oportunidades frecuentemente resultan en interrupciones educativas. La ELA puede ayudar a reparar las brechas en el aprendizaje, por lo que las escuelas deben presupuestar fondos para cerrar esas brechas para los estudiantes necesitados. La parte académica del bienestar estudiantil es rápidamente capturada y reportada, resultando en esperanza instantánea y júbilo en esos estudiantes. KnowledgeWorks [Nueva Pestaña] (2018) explica que “a medida que los estudiantes obtienen los derechos de poseer sus propios datos, los asesores de activos de datos ayudan a los estudiantes y sus familias a administrar, presentar e intercambiar datos relacionados con el aprendizaje de los estudiantes, las ubicaciones y el uso de dispositivos y plataformas” (p. 20).
Perspectiva ética de la virtud
La autonomía personal se ocupa del alcance de la libertad de tomar decisiones, y puede verse afectada por los algoritmos y la inteligencia que existen dentro de la ELA. Cuando los estudiantes pasan una docena de años de escolaridad con ELA, estas computadoras pueden convertirse en una muleta duradera en la que apoyarse. A medida que los estudiantes pasan a la fuerza laboral, las validaciones que les proporcionó ALS se han ido, y pueden sentirse perdidos sin los dispositivos con los que crecieron. Al mismo tiempo, los maestros no pueden confiar demasiado en la ELA, ya que estos programas y algoritmos carecen de capacidades empáticas, y por lo tanto provocan sentimientos de deshumanización que ponen en peligro la autonomía personal (Royakkers et al. [Nueva Pestaña], 2018).
Mi Propia Perspectiva
La reciente pandemia de COVID-19 ha interrumpido esencialmente a todas las escuelas del mundo durante meses. Los primeros días y semanas se pasaron en la incertidumbre, con muchos líderes educativos redactando directivas correctivas para habilitar la educación desde abril hasta el final del ciclo escolar 2019-2020. A través de la comunicación con colegas de diferentes países, las discrepancias en la entrega educativa fueron increíbles. Algunas juntas escolares se apresuraron a obtener un número exponencial de plataformas de aprendizaje en línea solo como punto de partida, mientras que otras tenían programas de ELA como iReady y Mathia cargados en las tabletas de sus estudiantes, minimizando la interrupción educativa. Por un lado, algunos padres de familia y alumnos estaban estresados y ansiosos ya que muchos aspectos de su mundo de repente dejaron de operar, entre ellos las escuelas. Por otro lado, los estudiantes continuaron ingresando diariamente a sus cuentas de ELA, listos para la curación oportuna y dirigida del contenido de aprendizaje del día. Dependiendo del nivel de grado, el Gobierno de Alberta [Nueva Pestaña] (2020) obligó a los estudiantes a pasar entre cinco y 12 horas semanales aprendiendo en línea. Con algunos padres ya preocupados por demasiado tiempo frente a la pantalla, las juntas escolares necesitaban asegurarse de que las horas que los estudiantes pasaban en línea se comprometieran a través de una pedagogía receptiva, adaptativa y centrada en el alumno.
Conclusión
La experiencia de aprendizaje rentable, escalable, pero agradable e impactante que la ELA puede proporcionar significa que la difusión de estas tecnologías en K-12 puede ser imparable. “Estos sistemas evalúan continuamente los niveles de habilidad y confianza y proporcionan una dirección precisa para llenar las brechas de conocimiento, acelerar el dominio y adaptarse a los estilos de aprendizaje individuales de cada estudiante y a las circunstancias únicas” (McGraw-Hill, 2019, p. 11). Las juntas escolares generalmente establecen metas para aumentar el rendimiento, mientras que los estudiantes enfrentan presiones multidireccionales para reforzar sus propios puntajes en las pruebas. Es importante no quedar atrapado en la novedad percibida de ninguna nueva tecnología, de tal manera que “estamos tan esperanzados con las actualizaciones que rara vez miramos las prácticas que la tecnología no cambia, [y] aquellas que cambia para peor”. (Watters [Nueva Pestaña], 2015, párr. 9). Antes de que los líderes de distrito y otros agentes de cambio lleven la ELA a las escuelas, necesitan hacer preguntas sobre big data, perfiles de aprendices y análisis algorítmicos, y evaluar la información comercializada a través de múltiples consideraciones éticas.
Ni los maestros ni los padres deben agonizar acerca de que los maestros sean reemplazados por máquinas, ya que “la mayoría de los expertos creen que los maestros seguirán siendo insustituibles, pero habrá muchos cambios en el trabajo de un maestro y en las mejores prácticas educativas” (Marr [New Tab], 2019). De hecho, “los hallazgos reales del estudio indican que los sistemas de aprendizaje personalizados se implementan mejor como suplementos para los maestros, en lugar de sus reemplazos” (Bulger [New Tab], 2016, p. 12). El papel de los maestros seguirá cambiando, y es probable que tarde o temprano incorporen tabletas informáticas que contengan ELA y datos asociados a sus rutinas diarias. El cambio a la ELA puede permitir que los maestros respondan directamente a preguntas no respondidas por la ELA, liberando tiempo para un mayor énfasis en las conexiones humanas socioemocionales que empoderan a los maestros para nutrir otras inteligencias humanas en sus alumnos. Debido a muchos problemas sociales complejos, las escuelas se han convertido en centros comunales cruciales que ofrecen apoyos para servicios esenciales y conexiones humanas. Con una población cada vez mayor y una brecha de riqueza cada vez mayor, la necesidad de tales servicios en la escuela probablemente aumentará en el futuro. Aunque las escuelas seguirán teniendo exámenes estandarizados, no existe un estudiante estandarizado, y aquí es donde la hiperpersonalización que ofrece la ELA puede ser una adición útil a los apoyos de enseñanza y aprendizaje. No podemos dejar que el miedo retenga la innovación en el campo de la tecnología educativa. Tenemos que abrazar nuevos modelos pedagógicos para el siglo XXI —hacer lo contrario sería poco ético.
Preguntas a Considerar
- ¿Qué otros cambios sociales importantes, comparables a la pandemia de COVID-19, afectarán el futuro del aprendizaje?
- ¿Cuáles podrían ser las implicaciones éticas y educativas para la salud y a largo plazo del uso de tecnologías de mejora neuronal?
- ¿Qué políticas, procesos y protocolos evitarán que los perfiles de aprendizaje de los estudiantes registrados se vendan a posibles empleadores, instituciones financieras y proveedores de seguros médicos de esos estudiantes?
- ¿De qué manera cambiarán las aulas para los alumnos actuales y para preparar mejor a los egresados para su futuro?
Referencias
Educación Alberta. (2018). Estándar de calidad de liderazgo. Gobierno de Alberta. https://education.alberta.ca/media/3739621/standardsdoc-lqs-_fa-web-2018-01-17.pdf
Barron, B., Chowdhury, N., Davidson, K., & Kleiner, K. (2019). Informe anual de la estrategia pancanadiense de IA del CIFAR. CIFAR. https://www.amii.ca/wp-content/uploads/2019/04/ai_annualreport2019_web.pdf
Bienkowski, M., Feng, M., & Means, B. (2012). Mejorar la enseñanza y el aprendizaje a través de la analítica educativa y la minería de datos Departamento de Educación de Estados Unidos. https://tech.ed.gov/wp-content/uploads/2014/03/edm-la-brief.pdf
Brody, J. E. (2017, 9 de enero). Enganchado a nuestros smartphones. The New York Times. https://www.nytimes.com/2017/01/09/well/live/hooked-on-our-smartphones.html
Bulger, M. (2016). Aprendizaje personalizado: Las conversaciones que no estamos teniendo. Instituto de Investigación de Datos y Sociedad. https://datasociety.net/pubs/ecl/PersonalizedLearning_primer_2016.pdf
Aprendizaje Carnegie. (n.d.a) Mathia. Recuperado el 27 de febrero de 2020, de https://www.carnegielearning.com/products/software-platform/mathia-learning-software/
Aprendizaje Carnegie. (n.d.b). ¡Bienvenido al nuevo Centro de Muestras de Aprendizaje Carnegie! Recuperado el 28 de marzo del 2020, de https://www.carnegielearning.com/sample-center/?redirected=/sample-center/why-cl/the-cl-story#our-research
Citron, D. K., & Pasquale, F. (2014). La sociedad anotada: Debido proceso para predicciones automatizadas. Washington Law Review, 89 (1), 101—133. https://digitalcommons.law.uw.edu/cgi/viewcontent.cgi?article=4796&context=wlr
Consorcio para Redes Escolares (2018, marzo). El futuro del trabajo y el aprendizaje: 2030. https://imgsvr.eventrebels.com/ERImg/02/08/06/WorkandLearning2030ToolkitFINAL.pdf
Currículum Asociados. (2020). iReady Diagnostic: Estudio de vinculación con el sistema de evaluación integral de Massachusetts (MCAS). https://www.curriculumassociates.com/-/media/mainsite/files/i-ready/iready-diagnostic-assessments-linking-study-overview-massachusetts-2020.pdf?la=en&hash=CAE0B4E43A145D8513CE3198005D8990
Currículum Asociados. (n.d.). iReady: Instrucción personalizada y recursos docentes. Recuperado el 26 de febrero de 2020, de https://www.curriculumassociates.com/products/i-ready/i-ready-learning
Desire2Learn. (2018, 6 de noviembre). El futuro del trabajo y el aprendizaje en la era de la 4ta revolución industrial. https://www.d2l.com/future-of-work/
Edmentum. (n.d.). Trayectoria exacta. Recuperado el 29 de febrero de 2020, de https://www.edmentum.com/products/exact-path
Ferster, B. (2017, 29 de enero). Sistemas Inteligentes de Tutoría: ¿Qué pasó? Bill Ferster. http://www.stagetools.com/bill/intelligent-tutoring-systems-what-happened/
Instituto de Tecnología de Georgia Colegio de Computación. (n.d.). Jill Watson. Recuperado el 22 de febrero de 2020, de https://www.cc.gatech.edu/holiday/jill-watson
Gobierno de Alberta. (2020). Aprendizaje estudiantil durante el COVID-19. Recuperado el 8 de abril del 2020, de https://www.alberta.ca/student-learning-during-covid-19.aspx
Holzapfel, B. (2018, 24 de mayo). ¿Cómo puede la tecnología empoderar a la clase 2030? Blog de educación de Microsoft. https://educationblog.microsoft.com/en-us/2018/05/technology-empower-class-of-2030/
IBM. (2018, 23 de agosto). Los estudiantes de mandarín obtienen un impulso de la IA. Blog de investigación de IBM. https://www.ibm.com/blogs/research/2018/08/mandarin-language-ai/
KnowledgeWorks. (2018, 27 de noviembre). Navegando por el futuro del aprendizaje: KnowledgeWorks Future Forecast 5.0. https://knowledgeworks.org/resources/forecast-5/
Lerman, J. (2013, septiembre). Big data y sus exclusiones. Revisión de la ley de Stanford en línea, 66, 55—63. https://www.stanfordlawreview.org/online/privacy-and-big-data-big-data-and-its-exclusions/
Litwin, K. (2019, 21 de enero). Brecha obscena entre ricos y pobres, dice Oxfam. Observador Nacional. https://www.nationalobserver.com/2019/01/21/news/obscene-gap-between-rich-and-poor-says-oxfam
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L.B. (2016). Inteligencia desatada: Un argumento a favor de la IA en la educación. Pearson. https://www.pearson.com/content/dam/one-dot-com/one-dot-com/global/Files/about-pearson/innovation/open-ideas/Intelligence-Unleashed-v15-Web.pdf
Maderer, J. (2016, 9 de mayo). Curso de inteligencia artificial crea asistente de enseñanza de IA. Centro de Noticias de Georgia Tech. https://www.news.gatech.edu/2016/05/09/artificial-intelligence-course-creates-ai-teaching-assistant
Marr, B. (2018, 25 de julio). Cómo se usa la IA en la educación: ejemplos del mundo real de hoy y un vistazo al futuro. Forbes. https://www.forbes.com/sites/bernardmarr/2018/07/25/how-is-ai-used-in-education-real-world-examples-of-today-and-a-peek-into-the-future/#d1d407d586e8
Marr, B. (2019). Cómo se usa la IA en la educación: ejemplos del mundo real de hoy y un vistazo al futuro. Bernard Marr & Co. https://bernardmarr.com/default.asp?contentID=1541
McGraw-Hill. (2019). La ecuación de equidad. https://s3.amazonaws.com/ecommerce-prod.mheducation.com/unitas/highered/explore/equity/equity-equation-digital.pdf
McKinnon, R. (2018, 25 de septiembre). Más maestros, menos tecnología, dicen que los padres desconfían de I-ready. Sol de Gainesville. https://www.gainesville.com/news/20180921/more-teachers-less-tech-say-parents-wary-of-i-ready?template=ampart
McLeod, J. (2017). Resumen de investigación de ruta exacta: Estudio de efectividad. Edmentum. https://www.edmentum.com/sites/edmentum.com/files/resource/media/Exact Papel de Efectividad de Ruta FINAL_0.pdf
Microsoft. (2018). La clase de 2030 y el aprendizaje listo para la vida: El imperativo tecnológico. https://education.minecraft.net/wp-content/uploads/13679_EDU_Thought_Leadership_Summary_revisions_5.10.18.pdf
Neelakantan, S. (2019, 25 de noviembre). Las universidades ven el éxito de la equidad con sistemas de aprendizaje adaptativo Revista EdTech. https://edtechmagazine.com/higher/article/2019/11/colleges-see-equity-success-adaptive-learning-systems
Pascoe, J. (2019, 25 de julio). Satisfacer las necesidades de aprendizaje de IA de la Universidad de Alberta. https://www.ualberta.ca/science/news/2019/july/reinforcement-learning-online-course
Regan, P.M., & Jesse, J. (2018). Desafíos éticos de edtech, big data y aprendizaje personalizado: clasificación y seguimiento de estudiantes del siglo XXI. Ética y Tecnología de la Información, 21 (3), 167-179. https://doi.org/10.1007/s10676-018-9492-2
Regan, P., & Steeves, V. (2019). Educación, privacidad y algoritmos de big data: Sacar a las personas del aprendizaje personalizado. Primer lunes, 24 (11). https://doi.org/10.5210/fm.v24i11.10094
Investigación y Mercados. (2018, agosto). Mercado de inteligencia artificial en el sector educativo estadounidense
2018-2022. https://www.researchandmarkets.com/reports/4613290/artificial-intelligence-market-in - ¿
el-nosotros? utm_code=5lshzz&utm_medium=BW
Royakkers, L., Timmer, J., Kool, L., & van Est, R. (2018). Cuestiones sociales y éticas de la digitalización. Ética y Tecnología de la Información, 20 (2), 127-142. https://doi.org/10.1007/s10676-018-9452-x
TechNavio. (2018a, agosto). Mercado de inteligencia artificial en el sector educativo estadounidense 2018-2022. https://www.technavio.com/report/global-artificial-intelligence-market-in-education-sector-analysis-share-2018
TechNavio. (2018b, agosto). Mercado global de inteligencia artificial en el sector educativo 2018-2022. https://www.technavio.com/report/global-artificial-intelligence-market-in-education-sector-analysis-share-2018
Troseth, G. L., & Strouse, G. A. (2017). Diseñar y utilizar libros digitales para el aprendizaje: El caso informativo de niños pequeños y video. Revista Internacional de Interacción Child-Computer, 12, 3—7. https://doi.org/10.1016/j.ijcci.2016.12.002
Universidad de Victoria. (n.d.). Privacidad de los estudiantes. Recuperado el 22 de marzo del 2020 de https://www.uvic.ca/library/featured/copyright/faculty/studentprivacy/index.php
Villeneuve, S., Barron, B., & Boskovic, G. (2019, mayo). Reiniciando la regulación: Explorando el futuro de la política de IA en Canadá. CIFAR & Brookfield Institute. https://www.cifar.ca/docs/default-source/ai-futures-policy-labs/rebooting-regulation-exploring-the-future-of-ai-policy-in-canada.pdf?sfvrsn=1b627b74_14
Watters, A. (2015, 10 de agosto). Máquinas de enseñanza y máquinas de Turing: La historia del futuro del trabajo y el aprendizaje. Hackear Educación. http://hackeducation.com/2015/08/10/digpedlab
Oeste, D. M. (2012, septiembre). Big data para la educación: minería de datos, análisis de datos y paneles web. Estudios de Gobernanza en Brookings. https://www.brookings.edu/wp-content/uploads/2016/06/04-education-technology-west.pdf
Apéndice A
| Principio | Teoría Consecuencialista | Teoría Deontológica | Teoría de la Ética de |
|---|---|---|---|
| Divulgación completa |
|
|
|
| Privacidad, seguridad de datos y consentimiento informado |
|
|
|
| Respeto a la autonomía e independencia evitando daños y minimizando el riesgo |
|
|
|