Aplicación de herramientas de inteligencia artificial en la enseñanza universitaria

‒ 67 ‒ CAPÍTULO 3 APLICACIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN LA ENSEÑANZA UNIVERSITARIA ALBERTO PICARDO Universidad de Sevilla, Departamento de Ingeniería del Diseño AMANDA MARTÍN-MARISCAL Universidad de Sevilla, Departamento de Ingeniería del Diseño ESTELA PERALTA Universidad de Sevilla, Departamento de Ingeniería del Diseño 1. INTRODUCCIÓN La aplicación de inteligencia artificial (IA) en los contextos de enseñanza de educación superior está adquiriendo alta relevancia. La transformación digital e inteligente experimentada por las actividades industriales a través de los modelos de Industria 4.0 y 5.0 está siendo adaptada a otros sectores, como es el caso de las enseñanzas técnicas. La implementación de recursos basados en inteligencia artificial en las universidades puede suponer la transformación de los procesos de gestión y docencia, mejorando los resultados en eficiencia, personalización y calidad. En cuanto a la gestión, la inteligencia artificial puede agilizar los procesos administrativos (como matriculaciones, planificación de horarios, administración de recursos, elaboración y tramitación de documentos, etc.), automatizando tareas rutinarias y repetitivas, liberando tiempo y recursos que podrían ser destinados a actividades estratégicas. En el ámbito de la docencia, las herramientas de inteligencia artificial pueden transformar la metodología de enseñanza con estrategias de personalización según las necesidades de cada estudiante, facilitar la elaboración de material didáctico, la generación de contenidos educativos interactivos y herramientas de apoyo (como bibliotecas virtuales, simuladores y plataformas de colaboración), que enriquecen la experiencia educativa y promueven el aprendizaje activo y autónomo (Phobun & ‒ 68 ‒ Vicheanpanya, 2010). Así mismo, agilizar tareas administrativas y de gestión del profesorado. Una de las principales ventajas es el enriquecimiento de la experiencia de aprendizaje. Gracias a un análisis de resultados de evaluación en tiempo real que genera una retroalimentación personalizada, las herramientas de IA identifican áreas de mejora y ofrecen recursos adicionales según perfil (estilo de aprendizaje) y progreso, sugiriendo materiales y actividades de refuerzo, de ampliación, y otras relevantes según las necesidades de cada estudiante (Long & Aleven, 2013); o incluso, actividades diseñadas según sus preferencias ante la contextualización del contenido, estrategia útil para potenciar la motivación intrínseca del grupo, aumentando el compromiso de los estudiantes con la materia. Otro de los beneficios a resaltar es la mejora de la calidad de la evaluación. Mediante algoritmos de aprendizaje automático (Mousavinasab et al., 2018) es posible analizar grandes cantidades de datos para identificar patrones y tendencias en el rendimiento del grupo. Esto permite una evaluación más objetiva, brindando retroalimentación detallada y personalizada sobre el progreso individual de cada estudiante. En los últimos años, nuevos procedimientos y herramientas de aprendizaje interactivo y adaptativo basados en inteligencia artificial están siendo integrados en los medios digitales convencionales (como plataformas de aprendizaje integrales donde se comparten contenidos, planificación y diferentes entornos colaborativos para las actividades de enseñanza-aprendizaje) (Zhai et al., 2021). Es posible disponer de diferentes herramientas basadas en inteligencia artificial y adaptadas a la educación, como son los asistentes virtuales, los sistemas de retroalimentación automática, las plataformas de análisis de datos o los sistemas de tutoría. Estas herramientas pueden, además de útiles para los estudiantes, facilitan las actividades de profesores y gestores universitarios. Concretamente, para la optimización de las actividades no lectivas, se están desarrollando sistemas de tutorización inteligentes o STI (Intelligent Tutoring System - ITS). Los STI son la evolución de los predecesores modelos de enseñanza asistida por computadora (Computer Assisted Instruction - CAI). El uso de los STI se ha extendido rápidamente en las universidades a nivel internacional. Ejemplos como ALEKS de la Universidad de Illinois ‒ 69 ‒ (College of Liberal Arts and Sciences & Department of Mathematics, 2023), Smart Sparrow de la Universidad de Nueva Gales del Sur en Sydney (Dror Ben-Naim & University of New South Wales in Sydney, 2023), Open Learning Initiative de la Universidad de Carnegie Mellon (Carnegie Mellon University, 2022) y Open EdX de la Universidad de Hardvard y el MIT (Universidad de Hardvard & MIT, 2023) son algunos ejemplos. Existe un incremento en la aceptación por parte de los estudiantes desde el año 2019, periodo en el cual la educación superior ha experimentado transformaciones significativas debido a la pandemia de la COVID-19 (Cao et al., 2021). Es importante destacar que hay regiones donde el uso de estas tecnologías es una práctica frecuente, como Estados Unidos, donde el uso de estas herramientas ha experimentado un crecimiento del 47,5% entre los años 2017 y 2021 (Kuleto et al., 2021). La principal diferencia entre estos sistemas y otras herramientas de IA, es que ofrecen una experiencia de aprendizaje personalizada y adaptativa para los estudiantes que les permite progresar a su propio ritmo, tanto en horas lectivas o como no lectivas, y obtener un mejor rendimiento académico. Mousavinasab et al. (Mousavinasab et al., 2018) analizan el uso de los STI en educación. Los campos más frecuentes son las ciencias de la computación (37%), ciencias de la salud (15%), matemáticas (15%), física (6%), inteligencia artificial (4%) y otras aplicaciones interdisciplinares (23%). Aunque actualmente es una línea de investigación activa, existen diferentes ejemplos de STI en la literatura científica aplicados al aprendizaje de idiomas (Alhabbash et al., 2016; Aljameel et al., 2017; I. et al., 2016; Sh Bakeer & Abu-Naser, 2018), matemáticas (Abueloun & Naser, 2017; Lu et al., 2021), ingeniería (Albatish et al., 2018; Anderson et al., 2018; Butz et al., 2006; Hoppe et al., 2021; Marouf et al., 2018), ciencias de la salud (Bernard et al., 2021) o para el apoyo de estudiantes en diferentes competencias o con necesidades especiales (Ahuja et al., 2022; Dutt et al., 2022; Fang et al., 2022; Laine et al., 2022; Long & Aleven, 2013; Xu et al., 2019). ‒ 70 ‒ 2. OBJETIVOS Este trabajo analiza el objetivo de los Sistemas de Tutorización Inteligente, las estructuras de diseño más comunes, así como aplicaciones implementadas con éxito en diferentes contextos universitarios. Con los resultados del análisis, se propone un conjunto de estrategias necesarias para su óptimo aprovechamiento en las enseñanzas técnicas de educación superior, así como el análisis de las oportunidades y retos futuros para su correcta implementación. 3. LA INTELIGENCIA ARTIFICIAL EN EDUCACIÓN SUPERIOR La inteligencia artificial, como la rama de la ingeniería encargada del desarrollar sistemas que imiten los procesos cognitivos del sistema humano en la realización de tareas, tiene actualmente múltiples aplicaciones en el ámbito educativo, desde la automatización de tareas administrativas hasta la personalización del aprendizaje y la evaluación. Desde los primeros desarrollos en la segunda década del siglo XX (Ahmad et al., 2021) llevados a cabo por Alan Turing, John McCarthy o el desarrollo de sistemas expertos, se destacan cinco periodos significativos donde la IA ha transformado los procesos de enseñanza-aprendizaje: década de 1970, con las investigaciones sobre sistemas de tutorización inteligente que comenzaron a adaptar los contenidos de las materias según las necesidades de los estudiantes (como por ejemplo, el ritmo de aprendizaje); década de 1980, donde se crean los primeros entornos de aprendizaje inteligentes con disponibilidad de recursos para facilitar el aprendizaje autónomo y cooperativo; década de 1990, con el desarrollo de las tecnologías aprendizaje automático y la minería de datos destinados a analizar grandes cantidades de datos educativos y extraer patrones útiles para mejorar el proceso de evaluación de los estudiantes; década 20002012, caracterizada por el auge de los entornos educativos interactivos y personalizados gracias a la web semántica y agentes inteligentes; y finalmente desde 2010 hasta la actualidad, donde el esfuerzo de investigación y desarrollo está siendo enfocado a la optimización de las tecnologías de procesamiento de lenguaje natural, reconocimiento de voz, la ‒ 71 ‒ independencia de la tecnología ante la actuación del sistema humano o el desarrollo de inteligencia emocional artificial. Concretamente, los sistemas de tutorización inteligentes han experimentado un notable desarrollo y evolución (Guo et al., 2021). Su origen se establece en la década de 1960, con los primeros intentos de utilizar la tecnología para dar apoyo educativo personalizado. En sus inicios, estos sistemas se basaban en reglas predefinidas y no contaban con capacidades de aprendizaje automático. Con el desarrollo de la inteligencia artificial en términos de razonamiento y gracias al desarrollo del procesamiento del lenguaje natural, en la década de 1980 se potencian las capacidades de interactuación de los STI. En la última década, se han explorado nuevas tecnologías y enfoques a través de la incorporación del reconocimiento de voz, realidad o métodos de gamificación. Los siguientes apartados analizan el diseño, el funcionamiento, así como las ventajas y retos futuros de estos sistemas. 3.1. DISEÑO DE UN SISTEMA DE TUTORIZACIÓN INTELIGENTE El diseño de un STI se realiza a través de una arquitectura de cuatro módulos (Ma et al., 2014), aunque existen otras tipologías de tres módulos o multiatente, con una implementación menos frecuente (Erümit & Çetin, 2020; Kintsch et al., 2014; Mousavinasab et al., 2018). La figura 1 representa la arquitectura de cuatro módulos, recogiendo las propiedades y la interacción de elementos que componen cada uno. El módulo de dominio (también denominado cognitivo o de experto) incluye los contenidos de la asignatura (conceptos, procedimientos, estrategias de resolución de problemas o actitudes), estrategias de aprendizaje, casos y ejercicios resueltos. La base de datos de este módulo contiene estándares, reglas de diseño y restricciones ligadas a la adquisición de las competencias y el alcance de objetivos de la materia. Puede incluir la extracción de conocimiento de bases de datos, libros, revistas, artículos, e incluso la retroalimentación de los usuarios (Padayachee, 2002). Las posibles teorías más utilizadas para su desarrollo son ACT-R (Control Adaptativo del Pensamiento—Racional) y CBD (Constraint-Based Modelling). ‒ 72 ‒ FIGURA 1. Estructura de un sistema de tutorización inteligente Fuente: Elaboración propia El módulo de estudiante, también denominado de diagnóstico, es el espacio personal donde se incluyen datos de reconocimiento del estudiante (identificación) y los materiales adaptados, así como la recopilación de los accesos al sistema y la información sobre el desempeño o progreso (es decir, la evaluación del aprendizaje). De forma específica, incluye el nivel de conocimiento, actividades y respuestas realizadas, comportamiento, estilos de aprendizaje, carencias y otra información importante del proceso de aprendizaje. El módulo de tutorización, también denominado instructor o pedagógico colecciona información a través del módulo de estudiante y la contrasta con la de dominio, con el objetivo de evaluar el proceso de aprendizaje. Así mismo, establece el avance en las lecciones según el nivel adquirido por el estudiante. Detecta problemas y resultados no adecuados y desarrolla estrategias y métodos de enseñanza para solucionar sus dificultades; con esta información se indican recomendaciones y presentan contenidos adaptados. ‒ 73 ‒ Por último, el módulo de interfaz permite llevar a cabo la comunicación entre los usuarios y el propio STI. Integra la interfaz del entrenador, donde el administrador (es decir, el profesorado) agrega recursos didácticos (como lecciones, ejemplos, ejercicios, modificación y eliminación de material docente), gestiona cuentas de usuarios (estudiantes) y configura el sistema; y la interfaz del estudiante, donde estos realizan las tareas asignadas (estudio y revisión de las lecciones, análisis de ejemplos y resolución de los ejercicios propuestos). 3.2. SECUENCIA DE ACTIVIDADES DE UN SISTEMA DE TUTORIZACIÓN INTELIGENTE Los STI utilizan algoritmos para personalizar el proceso de enseñanzaaprendizaje. Las etapas de funcionamiento quedan representadas en la figura 2. De forma iterativa el flujo de procesos del sistema puede resumirse en: 1. El sistema recopila información sobre el estudiante, como su historial académico, habilidades y preferencias de aprendizaje, para diseñar un plan de estudios personalizado y recomendaciones de estudio. 2. Para presentar este plan de estudios, utiliza diferentes métodos de enseñanza, como juegos interactivos, simulaciones, videos, cuestionarios y retroalimentación en tiempo real. Esto permite involucrar al estudiante y mejorar su aprendizaje. 3. El estudiante interacciona con el sistema y realiza el estudio y práctica de los contenidos. En este proceso, el STI puede ofrecer ayuda en línea o fuera de línea para apoyar en las necesidades, dificultades y dudas. 4. Finalizadas las actividades relativas al estudio, los resultados del estudiante son comparados con las soluciones almacenadas en el STI. A través del análisis masivo de datos y uso de aprendizaje automático, el sistema evalúa el progreso del estudiante y ajusta el plan de estudios y las recomendaciones de estudio. ‒ 74 ‒ FIGURA 2. Procesos de actividad de un sistema de tutorización inteligente Fuente: Elaboración propia Con este proceso, el sistema de tutorización inteligente puede proporcionar un enfoque de enseñanza y aprendizaje personalizado y adaptativo para cada estudiante, estrategia ligada a la mejora significativa de los resultados. 3.3. OPORTUNIDADES Y DESAFÍOS DE LA INTEGRACIÓN DE UN SISTEMA DE TUTORIZACIÓN INTELIGENTE Es importante resaltar la importancia de la inteligencia artificial en los entornos universitarios. Estas herramientas aportan una experiencia educativa personalizada y adaptativa para los estudiantes, pudiendo ser más independientes en sus actividades (Guo et al., 2021; Mousavinasab et al., 2018; Selwyn, 2019). Así mismo, proporcionan asistencia a los profesores, facilitando las tareas de elaboración de material y tutorización. Los beneficios más importantes se resumen a continuación: 1. La personalización del aprendizaje para cada estudiante en función de sus fortalezas, debilidades y estilo de aprendizaje. Esto repercute en un aprendizaje más efectivo y puede mejorar la retención de conocimientos. ‒ 75 ‒ 2. Una retroalimentación inmediata, lo que permite a los estudiantes identificar y corregir errores, mejorando la comprensión del material de estudio. 3. Flexibilidad para adaptarse a niveles de conocimiento y ofrecer diferentes rutas de aprendizaje o planes de estudio en función de los objetivos y necesidades del estudiante. 4. Escalabilidad o adaptación sencilla a grandes grupos de estudiantes, ventaja para su uso en cursos en línea y en aulas con ratios elevados. estudiantes. 5. En cuanto al profesorado, reducción de la dedicación de tiempo, al automatizar tareas como la evaluación y la tutorización. Además, con el STI obtienen información de desempeño de los estudiantes más completa, al generarse numerosas valoraciones continuas del rendimiento de todo el grupo. Disponer de este tipo de datos durante todo el periodo lectivo mejora la calidad del seguimiento, en comparación en los enfoques tradicionales donde los resultados del progreso del grupo se obtienen exclusivamente en pruebas objetivas (como exámenes, resultados de proyectos o actividades). 4. RESULTADOS A pesar de los diferentes beneficios que la IA puede proporcionar en la educación universitaria, es esencial tener en cuenta que también existen riesgos potenciales y consideraciones éticas que deben tenerse en cuenta. Es importante abordar los retos futuros de la IA para solventar dos grupos de riesgos: (1) los derivados del diseño y desarrollo de la propia tecnología, y (2) los derivados del proceso didáctico. En primer lugar, derivados del diseño tecnológico, un sistema de tutorización inteligente presenta limitaciones en la personalización. Aunque tienen cierta capacidad de personalización del aprendizaje para cada estudiante, a menudo tienen limitaciones en cuanto a la disponibilidad de un número suficiente de datos y en cuanto a la complejidad del análisis que pueden abordar. Esta circunstancia puede condicionar la correcta ‒ 82 ‒ Butz, B. P., Duarte, M., & Miller, S. M. (2006). An intelligent tutoring system for circuit analysis. IEEE Transactions on Education, 49(2), 216–223. https://doi.org/10.1109/TE.2006.872407 Cao, J., Yang, T., Lai, I. K. W., & Wu, J. (2021). Student acceptance of intelligent tutoring systems during COVID-19: The effect of political influence. International Journal of Electrical Engineering Education. https://doi.org/10.1177/00207209211003270 Carnegie Mellon University. (2022). OLI – Transforming higher education through the science of learning. https://oli.cmu.edu/ College of Liberal Arts and Sciences, & Department of Mathematics. (2023). ALEKS PPL . ALEKS PPL Mathematics Assessment Exam. https://math.illinois.edu/academics/undergraduate-program/aleks-pplmathematics-assessment-exam Dermeval, D., Paiva, R., Bittencourt, I. I., Vassileva, J., & Borges, D. (2018). Authoring Tools for Designing Intelligent Tutoring Systems: a Systematic Review of the Literature. International Journal of Artificial Intelligence in Education, 28(3), 336–384. DOI: 0.1007/S40593-017-01579 Dror Ben-Naim, & University of New South Wales in Sydney. (2023). Smart Sparrow. Smart Sparrow. https://www.smartsparrow.com/about/ Dutt, S., Ahuja, N. J., & Kumar, M. (2022). An intelligent tutoring system architecture based on fuzzy neural network (FNN) for special education of learning disabled learners. Education and Information Technologies, 27(2), 2613–2633. https://doi.org/10.1007/S10639-021-10713 Erümit, A. K., & Çetin, İ. (2020). Design framework of adaptive intelligent tutoring systems. Education and Information Technologies, 25(5), 4477– 4500. https://doi.org/10.1007/S10639-020-10182-8 Fang, Y., Lippert, A., Cai, Z., Chen, S., Frijters, J. C., Greenberg, D., & Graesser, A. C. (2022). Patterns of Adults with Low Literacy Skills Interacting with an Intelligent Tutoring System. International Journal of Artificial Intelligence in Education, 32(2), 297–322. https://doi.org/10.1007/S40593021-00266-Y Guo, L., Wang, D., Gu, F., Li, Y., Wang, Y., & Zhou, R. (2021). Evolution and trends in intelligent tutoring systems research: a multidisciplinary and scientometric view. Asia Pacific Education Review, 22(3), 441–461. https://doi.org/10.1007/S12564-021-09697-7 Hoppe, L. V., Gembarski, P. C., & Lachmayer, R. (2021). Intelligent tutoring system as a tool of formative assessment in design education. DS 110: Proceedings of the 23rd International Conference on Engineering and Product Design Education (E&PDE 2021), VIA Design, VIA University in Herning, Denmark. 9th -10th September 2021. https://doi.org/10.35199/EPDE.2021.40 ‒ 83 ‒ I., Alhabbash. M., MAHDI, A. O., & Abu-Naser, S. S. (2016). An Intelligent Tutoring System for Teaching Grammar English Tenses. http://dspace.alazhar.edu.ps/xmlui/handle/123456789/410 Kintsch, W., Miller, J. R., & Polson, P. G. (2014). Method and tactics in cognitive science. Psychology Press. Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Martins, O. M. D., Păun, D., & Mihoreanu, L. (2021). Exploring Opportunities and Challenges of Artificial Intelligence and Machine Learning in Higher Education Institutions. Sustainability 2021, Vol. 13, Page 10424, 13(18), 10424. https://doi.org/10.3390/SU131810424 Laine, J., Lindqvist, T., Korhonen, T., & Hakkarainen, K. (2022). Systematic Review of Intelligent Tutoring Systems for Hard Skills Training in Virtual Reality Environments. International Journal of Technology in Education and Science, 6(2), 178–203. https://doi.org/10.46328/IJTES.348 Long, Y., & Aleven, V. (2013). Active learners: Redesigning an intelligent tutoring system to support self-regulated learning. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8095 LNCS, 490–495. https://doi.org/10.1007/978-3-642-40814-4_44 Lu, Y., Pian, Y., Chen, P., Meng, Q., & Cao, Y. (2021). RadarMath: An Intelligent Tutoring System for Math Education. Proceedings of the AAAI Conference on Artificial Intelligence, 35(18), 16087–16090. https://doi.org/10.1609/AAAI.V35I18.18020 Ma, W., Olusola O, Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918. https://doi.org/10.1037/A0037123 Marouf, A., Yousef, M. K. A., Mukhaimer, M. N., & Abu-Naser, S. S. (2018). An Intelligent Tutoring System for Learning Introduction to Computer Science. International Journal of Academic Multidisciplinary Research, 2(2), 1–8 Mousavinasab, E., Zarifsanaiey, N., R. Niakan Kalhori, S., Rakhshan, M., Keikha, L., & Ghazi Saeedi, M. (2018). Intelligent tutoring systems: a systematic review of characteristics, applications, and evaluation methods, Interactive Learning Environments, 29(1), 142–163. https://doi.org/10.1080/10494820.2018.1558257 Padayachee, I. (2002). Intelligent Tutoring Systems: Architecture and Characteristics. Roceedings of the 32nd Annual SACLA Conference, 1–8. Phobun, P., & Vicheanpanya, J. (2010). Adaptive intelligent tutoring systems for e-learning systems. Procedia - Social and Behavioral Sciences, 2(2), 4064–4069. https://doi.org/10.1016/J.SBSPRO.2010.03.641 Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. John Wiley & Sons. ‒ 84 ‒ Sh Bakeer, H. M., & Abu-Naser, S. S. (2018). An Intelligent Tutoring System for Learning TOEFL. International Journal of Academic Pedagogical Research, 2, 9–15. Taub, M., Azevedo, R., Rajendran, R., Cloude, E. B., Biswas, G., & Price, M. J. (2021). How are students’ emotions related to the accuracy of cognitive and metacognitive processes during learning with an intelligent tutoring system? Learning and Instruction, 72, 101200. https://doi.org/10.1016/J.LEARNINSTRUC.2019.04.001 Universidad de Hardvard, & MIT. (2023). Open edX. https://openedx.org/es/ Xu, Z., Wijekumar, K., Ramirez, G., Hu, X., & Irey, R. (2019). The effectiveness of intelligent tutoring systems on K-12 students’ reading comprehension: A meta-analysis. British Journal of Educational Technology, 50(6), 3119– 3137. https://doi.org/10.1111/BJET.12758 Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y., Istenic, A., Spector, M., Liu, J. B., Yuan, J., & Li, Y. (2021). A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity, 2021. https://doi.org/10.1155/2021/8812542