Usted está aquí

Aprendizaje y evaluación adaptativos: aprendizaje adaptativo

Conozca más sobre este método de instrucción que utiliza un sistema computacional para crear una experiencia personalizada de aprendizaje.

Enero 17, 2019

El aprendizaje adaptativo ganó popularidad con el surgimiento del área de la Inteligencia Artificial (IA) en la década de 1970. Su premisa básica fue adaptar el proceso educativo a las fortalezas y debilidades de cada estudiante, sin embargo, en esa época su aplicación no se extendió debido al alto costo y tamaño de los equipos de cómputo necesarios para su adecuada implementación.

En cierta forma, el aprendizaje adaptativo es la personalización educativa de técnicas de aprendizaje, tras un proceso de diferenciación que identifica las necesidades específicas del estudiante y ofrece diferentes posibilidades. Lo anterior ha llegado a generar confusión conceptual entre aprendizaje adaptativo y personalización o aprendizaje personalizado, un error común es utilizarlos como sinónimos. Por lo tanto, es importante aclarar que la personalización del aprendizaje es más bien un “paraguas” que cubre diversos acercamientos y modelos, entre ellos aprendizaje basado en competencias, instrucción diferenciada, modelos tutoriales y también aprendizaje adaptativo.

Desde un nivel básico, la personalización va más allá del enfoque one size fits all y en un nivel más sofisticado están las tutorías guiadas por computadora, sin embargo, la personalización por sí sola no depende de un factor de adaptabilidad. Los investigadores de la firma de asesoría y consultoría estratégica Education Growth Advisors (EGA) definen el aprendizaje adaptativo como un enfoque para la creación de una experiencia de aprendizaje personalizada para los estudiantes que emplea un sofisticado sistema computacional basado en datos. Este aprendizaje tiene una aproximación no-lineal [1] a la instrucción, retroalimentación y corrección, pues se ajusta de acuerdo a las interacciones del estudiante y al nivel de desempeño demostrado. Consecuentemente, se adapta y anticipa el tipo de contenidos y recursos que este necesitará en un momento específico para progresar en el curso.

La figura 1 muestra las diferencias y convergencias entre aprendizaje diferenciado, personalizado y adaptativo. Al aprendizaje diferenciado se le considera como una personalización, este implica el desarrollo de diferentes caminos de los cuales el estudiante adquirirá conocimiento; mientras que el aprendizaje personalizado incluye diagnósticos para determinar las necesidades del estudiante y así ofrecerle una solución a la medida; por su parte, el aprendizaje adaptativo requiere incorporar

Figura 1. Diferencias y convergencias entre aprendizaje personalizado, diferenciado y adaptativo. Adaptación de Nepom, 2013.

Evaluación adaptativa

Un elemento muy importante de un modelo adaptativo es la medición del progreso, es decir, la evaluación que por sus características es adaptativa. Como antecedente, la evaluación adaptativa computarizada (CAT por sus siglas en inglés) fue sucesora de una serie de aplicaciones exitosas que surgieron a partir de 1905 con el desarrollo del primer examen adaptativo de Alfred Binet: Binet IQ Test. Las pruebas adaptativas se componen de ítems o elementos seleccionados de una colección (banco de ítems). Los elementos son seleccionados para que coincidan con el nivel estimado de capacidad (o aptitud) de la persona: si tiene éxito en un elemento, el siguiente será un poco más difícil; si fracasa, el siguiente será un poco más fácil. La prueba termina cuando la capacidad o aptitud del sujeto llega al objetivo establecido (Linacre, 2000) o cuando se hayan suministrado determinada cantidad de elementos.

Este tipo de evaluación es posible debido a la incorporación de la teoría de respuesta al ítem (IRT)[2] que es un marco de medición utilizado en el diseño y análisis de las evaluaciones educativas y psicológicas. La IRT presenta ventajas sobre la teoría clásica de los tests ya que ofrece un marco que permite realizar evaluaciones con diferentes elementos en una escala común. Esto es un beneficio sustancial cuando es necesario vincular resultados de múltiples formas de evaluación a fin de que los puntajes tengan el mismo significado a través de las diferentes evaluaciones (OAERS, s.f.).

Con el objetivo de hacer más clara la distinción entre aprendizaje adaptativo y evaluación adaptativa, presentamos a continuación un gráfico en el que se ilustran los principales elementos de ambas tendencias:Figura 2. Principales elementos del aprendizaje y evaluación adaptativos.

 

Adopción de la tendencia

El aprendizaje adaptativo no es algo nuevo. Su origen generalmente se relaciona a la máquina de enseñanza de B. F. Skinner y a la Teoría del Aprendizaje Programado[3] que surgieron en la década de 1950 y continuó con el movimiento de la Inteligencia Artificial en la década de 1970.

Con la evolución de las Tecnologías de la Información y de la Comunicación (TIC) y gracias a que las computadoras se han vuelto más pequeñas, potentes y menos costosas, el aprendizaje adaptativo es ahora aplicable a la enseñanza en el aula, a distancia y en los escenarios de tutoría. Hoy en día los sistemas de aprendizaje adaptativo ya se están utilizando en una gran variedad de entornos para enseñar y entrenar de manera más eficaz, por ejemplo: la NASA y diversas áreas militares de Estados Unidos los están utilizando en sus programas (DreamBox, 2014); Amazon y Netflix, también han adoptado esta tecnología para anticipar las preferencias de sus clientes.

“La tecnología no es un componente necesario para la personalización, pero es imprescindible para poder realizarla a grandes escalas”. -Adam Newman, Socio fundador de Education Growth Advisors (EGA).

En años recientes, el aprendizaje adaptativo se ha asociado con la recolección a gran escala de datos. Se observa como un aprendizaje personalizado que incluye enfoques de computación afectiva [4], pero es hasta ahora cuando finalmente llegamos a un punto en donde la adaptabilidad del aprendizaje es alcanzable. Este avance se ha dado específicamente en el sector educativo en el que empresas como Sherton Software, Carnegie Learning y Knewton han trabajado durante años en el desarrollo de aplicaciones de aprendizaje adaptativo. Knewton en particular ha podido capitalizar el concepto en una plataforma que cualquier institución puede comprar y con su reciente asociación con Pearson (una de las casas editoriales y compañía educativa más importante del mundo) está almacenando conjuntos de datos y recursos educativos suficientemente grandes que le permitirán masificar el uso de esta tecnología.

De acuerdo al reporte de adopción de tendencias de 2012 del grupo consultor Gartner el aprendizaje adaptativo se encontraba cerca del punto más alto del pico de expectativas sobredimensionadas. Para el 2013, el grupo ubicó a la tendencia justo atravesando la etapa del abismo de desilusión. Esto significa, por un lado, que hay un alto potencial de crecimiento durante los siguientes años, y por otro, que comenzaremos a observar cada vez más implementaciones en el ámbito educativo.

Las tendencias MOOC, Big Data y el aprendizaje adaptativo en la educación superior se valoran como transformacionales por su capacidad para llevar educación de manera diferente a nuevos estudiantes, lo que permitirá la recolección de grandes cantidades de datos que pueden ayudar a mejorar el ecosistema de la educación (Gartner, 2013).

Figura 3. Curva de adopción de tecnologías (Hype Cycle for Education). Adaptación de Gartner, 2012, 2013.

Actualmente nos encontramos ante la esperada oportunidad: por primera vez; los educadores tienen acceso a la tecnología necesaria; sofisticada analítica de datos y aprendizaje; así como, a la investigación emergente sobre cómo aprenden las personas. La convergencia de estos tres elementos hará posible construir sistemas inteligentes de aprendizaje adaptativo (Lemke, 2013, p. 6).

Figura 4. Fenómenos convergentes de apoyo al aprendizaje adaptativo. Adaptación de Lemke, 2014.

Modelos de aprendizaje adaptativo

Los proveedores que ofrecen soluciones de aprendizaje adaptativo, suelen trabajar bajo distintas áreas de investigación académica que incluyen sistemas inteligentes de tutoría, aprendizaje automatizado, teorías de la memoria y de carga cognitiva, entre otras. Aunado a esto, los sistemas de aprendizaje adaptativo de forma general se han dividido en categorías o modelos nombrados de diversas maneras. Sin embargo, podemos establecer que, sin importar estas variaciones, existen dos modelos generales aunque no mutuamente excluyentes. Esta idea es también soportada por los investigadores de EGA (2013b, pp. 5-6):

Impulsado por el contenido. Este modelo se basa en el monitoreo del desempeño, las interacciones y los metadatos que se generan de la interacción entre los estudiantes con el contenido. Esta información y su relación con los objetivos de aprendizaje se concentra en un tablero o dashboard que el profesor consulta para identificar qué es necesario ajustar, cambiar o modificar en la instrucción; contenidos o caminos (paths) de aprendizaje.

Impulsado por la evaluación. Generalmente es el modelo con el que comúnmente se asocia al aprendizaje adaptativo. En este enfoque, el sistema realiza, casi en tiempo real y de manera dinámica, los ajustes en la instrucción, recursos de aprendizaje y vías o caminos del curso, basándose en la evaluación continua del desempeño y dominio del estudiante. Aquí no es necesaria la intervención del profesor.

Para ilustrar el primer modelo podemos destacar el caso de Cheryl Lemke (2013), Presidenta del Grupo Metiri, quien desarrolló un modelo impulsado por el contenido al que denominó aprendizaje adaptativo inteligente. Lo define como un aprendizaje digital que envuelve a los estudiantes en un entorno modular de aprendizaje en el que cada una de sus decisiones es capturada y luego utilizada para orientar sus experiencias de aprendizaje y ajustar el camino y ritmo de (y entre) las lecciones. Esto provee información formativa y sumativa a los profesores (p. 2). Este modelo adapta la instrucción a las necesidades únicas de cada alumno, sus conocimientos actuales e intereses.

Figura 5. Modelo de aprendizaje adaptativo inteligente. Adaptación de Lemke, 2014.

Los modelos impulsados por la evaluación están basados en sistemas adaptativos computarizados, de acuerdo a Kingsbury, Freeman y Nesterak (2013), estos se caracterizan por tener una estructura y procedimientos elementales: un banco de preguntas desde donde puedan ser extraídas, una calibración en una escala de medición común, un mecanismo de selección de preguntas con base en las respuestas de los estudiantes, un proceso de evaluación de respuestas, un proceso para finalizar la prueba y un reporte de relación entre puntuaciones obtenidas y las necesidades de los estudiantes.

Las pruebas o exámenes adaptativas son una parte fundamental en estos modelos. Estas se componen básicamente de dos etapas: la selección de preguntas y la estimación de puntuación (Davey, 2011). La primera, determina la pregunta o conjunto de preguntas más apropiadas a aplicarse con base en el nivel de desempeño del estudiante. La segunda, utiliza la respuestas que previamente dio el estudiante para estimar su rendimiento; así, las preguntas posteriores serán más adecuadas.

Figura 6. El ciclo de la evaluación adaptativa. Adaptación de Davey, 2011.

La selección de preguntas puede realizarse en varios niveles Multistage Testing (MST), la cual empieza con una evaluación de dificultad moderada llamada “examen de redireccionamiento” y, en función del desempeño de los estudiantes, se les asignan preguntas que pueden variar el nivel de dificultad durante su evaluación.

Figura 7. Multievaluación de dos etapas. Adaptación de Davey, 2011.

Las figuras 6 y 7 muestran el flujo de procesos que un modelo de aprendizaje adaptativo impulsado por la evaluación. Este se desarrolla a manera de ciclo, el cual termina cuando se alcanza cierto grado de precisión en la puntuación obtenida o cuando se han aplicado un cierto número de reactivos.

Sistemas adaptativos de aprendizaje y evaluación

Existen diversas aplicaciones de aprendizaje adaptativo que van desde un nivel básico, como los sistemas de respuesta de audiencia (clickers) –que permiten a un expositor ajustar su presentación en tiempo real a partir de la retroalimentación que recibe de su público–, hasta sistemas más sofisticados que ajustan el tipo de preguntas que se hacen al estudiante dependiendo de sus respuestas previas, como en el caso del TOEFL por computadora.

Actualmente los sistemas más relevantes en educación son los siguientes:

Exámenes adaptativos (computarizados):

Basadas en las pruebas computarizadas adaptativas (CAT)[5] son un tipo de evaluación que se construye empleando complejos algoritmos que le permite adaptar, y producir pruebas óptimas para cada estudiante (FastTest, 2013). La prueba se enfoca en proporcionar los elementos que son más apropiados para el nivel de la persona. FastTest establece que estos exámenes ofrecen los siguientes beneficios:

Pruebas mucho más cortas (reducción entre 50 y 90 por ciento del tiempo)
Calificaciones más precisas
Mayor motivación en la persona
Mayor fiabilidad de la prueba

Tutoriales adaptativos:

Son Sistemas Tutoriales Inteligentes (ITS)[6] con los que los estudiantes suelen interactuar por medio de una simulación enfocada en una tarea-objetivo mientras van siendo guiados y remediados. Los tutoriales adaptativos pueden presentar diferentes tipos de retroalimentación para el estudiante y el profesor. Los primeros reciben orientación basada en su interacción, mientras que los segundos obtienen retroalimentación sobre sus propias opciones de edición para impulsar la reflexión y adaptación de contenidos (Marcus, Ben-Naim y Bain, 2011, p. 626).

Los tutoriales adaptativos están diseñados para que los profesores puedan monitorear las respuestas globales de grandes grupos de estudiantes, para adaptar la enseñanza y retroalimentación dada por los propios tutoriales y resolver los puntos deficientes más comunes. Mediante el análisis de las respuestas y el desempeño general de los estudiantes se puede observar cómo se involucran para trabajar en dificultades conceptuales (Prusty, Russel, Ford, Ben-Naim, Ho, Vrcelj y Marcus, 2011, p. 2). En estos sistemas, la adaptación se da en tres niveles:

  • Retroalimentación: a partir de actividades, respuestas, resultados en exámenes y fallas en los mismos.
  • Secuencia de actividades: dinámicamente con base en el desempeño del estudiante.
  • Reflexión (de parte de los profesores): conforme a las necesidades y rendimiento de sus estudiantes.

 

 



[1] Se refiere a un aprendizaje que no implica una secuencialidad preestablecida y por ende, existen diversos caminos para lograr el dominio del aprendizaje esperado.


[2] Por su abreviación en inglés: Item Response Theory.


[3] La máquina de enseñar se compone principalmente de un programa, que es un sistema que combina elementos de enseñanza y evaluación que conducen al estudiante gradualmente a través del material que aprenderá por medio de un mecanismo de respuesta/recompensa. Skinner observó que el proceso de aprendizaje debe ser dividido en un gran número de pasos muy pequeños y el reforzamiento debe depender de la realización de cada paso. Skinner sugirió que la máquina por sí misma no debe enseñar, sino mantener en contacto al estudiante con la persona que creó el material presentado. Creía que era el mejor camino para el aprendizaje, ya que toma en cuenta el ritmo de aprendizaje de cada estudiante en particula (Wleklinski, 2011).


[4] La emoción es fundamental para la experiencia humana, la influencia en la cognición, la percepción y las tareas diarias tales como el aprendizaje, la comunicación y la toma de decisiones, incluso en lo racional (MIT Media Lab, s.f.).


[5] Por su abreviación en inglés: Computerized Adaptive Testing.


[6] Por su abreviación en inglés: Intelligent Tutoring System. El primer ITS se le atribuye a Jaime Carbonell, quien en 1969 desarrolló SCHOLAR para la enseñanza de la geografía latinoamericana (Junghyun, s.f.).

 

Boletín de noticias
Registre su correo electrónico para recibir nuestras noticias.
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: .
Laura María Pineda
Gran Maestra Premio Compartir 1999
Dar alas a las palabras para que se desplieguen por la oración y vuelen a través de los textos para que los estudiantes comprendan la libertad del lenguaje.