Usted está aquí

Una mirada crítica al aprendizaje y evolución adaptativos

Una de las promesas de la instrucción asistida por computadora es que cada estudiante recibe lo que necesita porque la computadora puede averiguar rápidamente lo que este sabe y lo que no.

Enero 18, 2019

Existen dos desafíos clave en la implementación del aprendizaje adaptativo. El primero es conseguir conjuntos de datos estadísticamente válidos que permitan proporcionar consejos de aprendizaje personalizado para los estudiantes, considerando en ello la preparación que implica para los profesores o expertos que desarrollarán contenidos, además del diseño instruccional correspondiente. Por otro lado, el segundo desafío es que cada vez surgen en escena más y más proveedores lo cual puede provocar cierta confusión que impacta negativamente en los estudiantes al momento de transitar entre las distintas plataformas de aprendizaje adaptativo.

Es muy importante poner sobre la mesa el tema de la estandarización de metadatos para la recolección de grandes conjuntos de datos que se requieren para proporcionar una transición transparente entre las plataformas que existen y las que surgirán. También es necesario considerar en qué grado la regulación legal de privacidad del estudiante y el rechazo estudiantil al seguimiento de sus interacciones impactarán en la recolección de información. Finalmente, aún hace falta demostrar que las plataformas de aprendizaje adaptativo funcionan con cualquier tema, no únicamente en aquellos que son relativamente estructurados como sucede en el área de la Matemática (Gartner, 2013).

Figura 1. Principales desafíos que enfrenta el aprendizaje adaptativo.

 

Aprendizaje 1:1 vs. Aprendizaje colaborativo

Dan Meyer, doctorando en educación por la Universidad de Stanford y conferencista renombrado en temas relacionados, lanzó en mayo de 2014 una provocadora pero interesante crítica sobre el aprendizaje adaptativo: Adaptive Learning Is An Infinite iPod That Only Plays Neil Diamond. Para Meyer, un modelo de aprendizaje adaptativo computarizado deja de lado los procesos sociales de aprendizaje que surgen de la interacción entre estudiantes, interacciones que no pueden ser individualizadas o de tipo autogestionado. Las lecciones y la fluidez del procedimiento son aspectos importantes de la educación en el campo de las matemáticas, pero son solo unas de las piezas del universo de experiencias en Matemática.

“La presencia en el aula debe aprovecharse para hacer algo que la tecnología no provee... diferentes enfoques o acercamientos, actividades retadoras, colaboración... en fin, buscar que el estudiante se apasione por el conocimiento científico”. -Patricia Salinas, Profesora Investigadora del Departamento de Matemáticas y Escuela Nacional de Posgrado en Educación. Tecnológico de Monterrey, MTY.

A esta crítica enfocada principalmente a la tecnología, Tim Hudson, director de diseño curricular en DreamBox Learning, comentó que la adaptabilidad es algo que ya existe y siempre ha estado presente en los salones de clase. Sin elementos de adaptabilidad, las aulas, aplicaciones y software no podrían ser realmente eficaces para aprender o recibir retroalimentación. Sin embargo, la adaptabilidad (por personas o computadoras) no significará mucho si las tareas de los estudiantes son estrechas y poco profundas o si los problemas no invitan a los estudiantes a usar sus propias ideas de manera que surjan equivocaciones que provoquen la profundización en la comprensión conceptual. El software no puede y no debe intentar hacer todo, los estudiantes deben colaborar entre sí con tareas enriquecedoras. Aun así, un software bien diseñado, puede apoyar al aprendizaje de los estudiantes y complementar sus experiencias en el aula de una manera que no era posible sin la tecnología digital.

¿Qué pueden evaluar las computadoras?

Una de las promesas de la instrucción asistida por computadora es que cada estudiante recibe lo que necesita porque la computadora puede averiguar rápidamente lo que este sabe y lo que no. La computadora puede evaluarlo de manera instantánea, constante y, con base en esto, puede suministrarle contenido adecuado de manera más ágil; un maestro definitivamente no cuenta con el tiempo suficiente para lograr esto.

Justin Reich (2014), en su artículo Computers Can Assess What Computers Do Best, realizó un análisis sobre la evaluación por computadora y hacia dónde se dirige esta tendencia. Establece que en general, las computadoras –sin entrenamiento humano– son capaces de evaluar aspectos cuantitativos, computacionales, cosas que las computadoras hacen bien. Es decir, las computadoras destacan en evaluaciones que los humanos ya no necesitamos hacer, funcionando como apoyo y no como competencia.

Las computadoras pueden evaluar eficientemente lo siguiente:

  • Preguntas de opción múltiple
  • Respuestas cuantitativas con respuesta única
  • Código computacional
  • Ensayos estandarizados de unas 400 palabras (con ayuda humana)

El cuestionamiento sobre la evaluación por computadora es sumamente relevante para los modelos de aprendizaje combinado y para aquellos modelos impulsados por la evaluación que dependen de un software para medir el progreso y enseñar a los estudiantes. Reich concluye que mientras estemos limitados por la capacidad de evaluación de las computadoras, vamos a enfrentarnos a serias limitaciones en los ámbitos en donde las computadoras pueden complementar o sustituir a los profesores. Es decir, los lugares en donde la evaluación por computadora se quede corta, podrían ser los más importantes para el aprendizaje de los estudiantes.

Diseño con base en perfiles de comportamiento

Audrey Watters (2012) describe que cualquier empresa que ofrece software de aprendizaje adaptativo está influenciada fuertemente –si no es que totalmente– por el conductista B. F. Skinner. El enfoque de Skinner es en efecto utilizado por muchos desarrolladores de plataformas adaptativas puesto que la recolección e interpretación de datos se realiza con base en el comportamiento del estudiante (o consumidor). Sin embargo, sabemos que las ideas de Skinner no coinciden con la investigación acerca de cómo los seres humanos se desarrollan cognitivamente.

Por otro lado, Tim Hudson (2012) explica que a pesar de que los desarrolladores de aprendizaje adaptativo tienen objetivos nobles, el diseño de cada plataforma revela los enfoques y suposiciones pedagógicas importantes hechas por los mismos desarrolladores. Es decir, si analizamos el diseño de una plataforma adaptativa podríamos determinar la pedagogía utilizada para involucrar a los estudiantes con el aprendizaje.

“Si bien este diseño de plataformas con base en un “perfil de comportamiento” es eficaz para la formulación de recomendaciones de entretenimient (Netflix), tiene otras debilidades y limitaciones cuando se implementa directamente al aprendizaje”. -Tim Hudson, Director de diseño curricular en DreamBox Learning.

Hudson (2012), en su artículo “Adaptive” Learning Technologies: Pedagogy Should Drive Platform resume las debilidades que tiene una plataforma adaptativa diseñada únicamente basándose en perfiles de comportamiento:

Se replican muchos de los errores de la Instrucción Individualmente Prescrita (IPI, abreviación en inglés), más notablemente el supuesto de que “el aprendizaje se produce por la acumulación de pequeños trozos” (Shepard en Hudson, 2012).

Estas plataformas dependen de un modelo en el que el profesor (o sistema) “transmite” contenido y los estudiantes se convierten en “receptores” de la información. Las lecciones y la enseñanza se vuelven estáticas y nunca se involucra a los estudiantes en un auténtico pensamiento independiente.

Los datos recolectados (aunque en enorme cantidad) no son acerca de la comprensión de los estudiantes y el desarrollo cognitivo, sino sobre los comportamientos y la capacidad de replicar procedimientos en temas con evaluación de poca profundidad.

La “adaptabilidad” para los estudiantes que no progresan es esencialmente una recomendación de abordar el mismo contenido estático o similar una y otra vez.

Fuente original: Reportes Edu Trends del Observatorio de Innovación Educativa.

 

Referencia:

Tecnológico de Monterrey. Observatorio de Innovación Educativa. (2014). Una mirada crítica. Edu Trends | Aprendizaje y Evaluación Adaptativos, 24 - 26. Recuperado de: observatorio.itesm.mx/edutrendsaprendizajeadaptativo

Escrito por
Análisis a profundidad de las tendencias educativas con mayor potencial de impacto en educación superior dirigido por el Observatorio de Innovación Educativa del Tecnológico de Monterrey, México.
No hay votos aun
Estadísticas: .
Diego Fernando Barragán Giraldo
Gran Maestro Premio Compartir 2004
Invitó a sus estudiantes a armar pieza por pieza un rompecabezas mental cuya imagen final dejaba ver la realidad del país.