La actual ola de inteligencia artificial en la educación se centra en una idea: la IA que ayuda a los estudiantes: tutores de IA; asistentes de IA para las tareas; sistemas de IA que explican conceptos o generan preguntas de práctica.
Esas herramientas pueden ser útiles. Pero no tienen en cuenta el lugar donde realmente se toman las decisiones más importantes en materia de educación.
La decisión más importante en un aula no es lo que un estudiante le pregunta a un sistema de IA, sino lo que el profesor decide hacer a continuación.
Cada día, los profesores toman cientos de decisiones difíciles. ¿Debo repasar este concepto o pasar al siguiente? ¿Mis alumnos se desconectan porque la tarea es demasiado difícil o porque no le ven el sentido? ¿Cuál de las docenas de cosas que podría intentar mañana tiene más probabilidades de funcionar?
La mayoría de las veces, los profesores responden a esas preguntas de la misma manera que siempre: recurriendo a sus propias experiencias, instintos y a los consejos que les puedan ofrecer colegas o mentores. Si bien esto no es insignificante, implica que cada profesor parte prácticamente de cero, aprendiendo lecciones que otros docentes en otras aulas ya han aprendido.
¿Y si eso no tuviera que ser cierto?
La decisión más importante en un aula no es lo que un estudiante le pregunta a un sistema de IA, sino lo que el profesor decide hacer a continuación.
En Navigator Schools , una red de escuelas públicas autónomas que atiende a más de 1800 estudiantes en California, hemos estado probando un uso diferente de la inteligencia artificial. En lugar de centrarnos en la IA que proporciona contenido a los estudiantes, estamos aprovechando esta tecnología para ayudarnos a analizar los cientos de decisiones aparentemente insignificantes que los maestros deben tomar cada día.
Tras años de asesoramiento pedagógico, nuestras escuelas han acumulado un extenso archivo: miles de observaciones en el aula, las medidas concretas que los docentes implementaron en respuesta y registros de la evolución del rendimiento estudiantil. Nos planteamos si la IA podría identificar patrones en ese historial y utilizarlos para ayudar a los docentes a tomar mejores decisiones con mayor rapidez.
Consideremos cómo fue eso para Patrick Carr, un profesor de octavo grado en Watsonville Prep .
Durante semanas, Carr luchó por lograr que sus alumnos se involucraran con una habilidad fundamental de lectura. Intentó modificar el inicio de la clase —la actividad de calentamiento que realizan al entrar—, añadir incentivos y reorganizar el trabajo en grupo. Algunas cosas ayudaron un poco, pero nada funcionó a largo plazo.
Cuando nuestro sistema analizó los datos de su clase, detectó un patrón que ya había observado y ofreció una recomendación específica: probar una rutina de entrada estructurada en la que los alumnos sepan exactamente qué hacer en el momento en que se sienten, combinarla con sesiones de práctica cortas y cronometradas (cinco o seis minutos de lectura concentrada con un objetivo claro) y asignar roles definidos a alumnos específicos para que tengan un motivo para mantenerse concentrados en lugar de distraerse.
Ninguna de esas ideas era mágica por sí sola. Lo importante era ponerlas en práctica juntas, de forma constante y en una secuencia específica. El sistema ya había visto funcionar esa combinación en aulas similares; Carr no, porque esas aulas no eran las suyas.
Lo intentó. En pocas semanas, algo cambió. Los alumnos volvieron y se pusieron a trabajar. Las rutinas se mantuvieron y, a finales del invierno, tanto la participación como el rendimiento lector habían mejorado. No hubo un momento decisivo, pero sí un punto de partida más claro, basado en la experiencia de cientos de aulas que habían afrontado una situación similar.
Ese es el cambio del que estamos hablando. No se trata de reemplazar el criterio del profesor —Carr seguía decidiendo cómo adaptar y aplicar cada sugerencia—, sino de proporcionar a los profesores una base mejor para tomar esas decisiones.
Este tipo de apoyo predictivo ya es habitual en otros campos. Los médicos utilizan sistemas que analizan patrones en miles de pacientes para recomendar tratamientos. Los equipos deportivos utilizan datos históricos para determinar las jugadas con mayor probabilidad de éxito en una situación determinada. La educación, en gran medida, ha funcionado sin nada equivalente, exigiendo a los docentes que tomen decisiones trascendentales con escasa visibilidad sobre lo que ha funcionado en otras aulas.
La buena noticia es que la mayoría de las escuelas ya cuentan con los datos necesarios para empezar: observaciones en el aula, notas de tutoría y resultados de evaluaciones. Lo que la IA permite, por primera vez a gran escala, es conectar esa información con una recomendación clara para el siguiente paso, y luego aprender de lo que sucede cuando los docentes la ponen en práctica.
Este año, en toda nuestra red, ese ciclo generó más de 1700 observaciones y 2000 medidas concretas, lo que contribuyó a una mejora de aproximadamente el 19 % en la práctica docente.
Durante décadas, los educadores han hablado de utilizar datos para mejorar la enseñanza. Ahora, las herramientas para hacerlo realidad ya están aquí.
La próxima generación de IA en la educación no se definirá por chatbots que ayuden a los estudiantes con sus tareas. Se definirá por sistemas que ayuden a los profesores a responder la pregunta que se hacen a diario: ¿Qué debo intentar ahora?
Fuente: Daniel Whitlock / edsource.org
