Disseny de programari d’intel·ligència artificial per millorar l’aprenentatge dels estudiants
Es pot utilitzar la IA per millorar l’aprenentatge dels estudiants, mantenint les seves dades privades i sent justes i efectives per als estudiants de tots els orígens demogràfics? Nigel Bosch i Dong Wang pretenen esbrinar-ho.
Alguna vegada has fet una prova bastant segur que l’aniries a superar, només per sortir amb un C+? Si és així, no estàs sol.
“A partir d’una sèrie d’estudis, el patró general és que gairebé tothom sobreestima els seus coneixements”, diu Nigel Bosch, professor ajudat a la School of Information Sciences (iSchool) amb una cita conjunta al Departament de Psicologia de l’Educació del College of Education.
Aquesta sobreestimació, per descomptat, pot provocar un xoc, consternació i notes inferiors a les esperades.
Estudi d’IA de tres anys
Bosch i Dong Wang, professor associat de l’iSchool, han dut a terme un estudi de tres anys, finançat per la National Science Foundation en el marc del seu programa Research on Emerging Technologies for Teaching and Learning, per ajudar els estudiants a estimar amb més precisió els seus coneixements mitjançant la intel·ligència artificial (IA). El seu estudi es titula “A Metacognitive Calibration Intervention Powered by Fai rand Private Machine Learning”.
“A mesura que aprens més, aprens que sempre hi ha més per aprendre i t’adones del molt que no en saps”, diu Bosch. “Hi ha molta investigació en psicologia de l’educació que demostra com d’important és poder estimar quant saps i què saps per poder planificar i estudiar de manera més eficaç les coses correctes i amb el temps adequat”.
Obtenir retroalimentació abans que sigui massa tard
“El nostre projecte consisteix a dissenyar un programari d’IA que pugui donar comentaris als estudiants abans que sigui massa tard perquè facin canvis en els seus comportaments d’estudi”, diu Wang.
Tot i que el projecte encara es troba en les seves primeres etapes, és possible que el programari pugui oferir suggeriments específics per centrar-se en l’estudi, afegeix Wang.
“La versió més senzilla de la retroalimentació és simplement ‘vau pensar que obtindríeu un 85 a mig termini, però creiem que obtindreu un 75’”, explica Bosch. “Però això no és gaire concret. Estem pensant en com podríem desglossar-ho per tema: com ara, aquí teniu el bé que creieu que coneixeu aquest tema en particular, i fins a quin punt el mètode d’IA creu que el coneixeu”.
A partir d’aquí, diu Bosch, es podrien fer exercicis de reflexió als estudiants, com ara resumir un tema i veure com aquest resum s’ajunta amb el que l’expert del domini pensa sobre el tema.
“Estem intentant abordar el feedback des de múltiples angles, però també oferint als estudiants oportunitats d’aprenentatge més actius per ensenyar-los a millorar el seu calibratge metacognitiu”, diu Bosch.
Estudis múltiples
El seu estudi està en les primeres etapes, però Bosch diu que tenen previst fer dos estudis importants, el primer amb uns 200 estudiants en un entorn controlat. “Al tercer any del projecte, agafarem tot el que hem après i ho provarem en una gran classe d’estadística de grau que sol tenir entre mil tres-cents i mil cinc-cents estudiants”, diu. “Esperem aconseguir que uns cinc-cents estudiants participin i provi el que tenim en un entorn molt real”.
Problemes de privadesa i equitat
Dos factors crítics estaran al davant i al centre al llarg del estudis: protegir la privadesa dels estudiants i abordar els problemes d’equitat. L’iSchool ha desenvolupat recentment un model d’aprenentatge automàtic que aborda ambdues qüestions.
“No volem que les dades dels estudiants es comparteixin amb ningú i, sens dubte, ens importa l’equitat perquè els estudiants són de diferents grups demogràfics”, explica Wang. El model no ha d’estar esbiaixat cap a un grup de població majoritari perquè això podria provocar un rendiment baix per a les poblacions d’estudiants minoritaris, diu.
Quan es treballa amb la qüestió de l’equitat, Wang adverteix que hi ha una compensació. “Si fas tot això per justícia, llavors pots perdre rendiment”, diu. “La vostra precisió podria ser baixa en tots els grups. Per tant, hem de jugar aquest compromís entre el rendiment i l’equitat, i també tenir en compte el problema de la privadesa”.
Per mantenir la privadesa, no es recullen les dades en brut dels estudiants (per exemple, les puntuacions de les proves). Aquestes dades es troben als ordinadors o tauletes dels propis alumnes. Les dades extretes pel model d’intel·ligència artificial no recuperen aquestes dades en brut.
Resultats esperats
Els investigadors esperen diversos bons resultats.
“Tant de bo, veurem un aprenentatge millorat per als estudiants que utilitzen el programari que dissenyem finalment per millorar la seva capacitat d’estimar els seus coneixements”, diu Bosch. “Aquest és un resultat pràctic aplicat. També hi ha alguns resultats teòrics, alguns mètodes tècnics que cal explorar i desenvolupar per poder assolir aquests objectius de privadesa i equitat, així com preguntes teòriques de psicologia educativa que cal respondre o explorar sobre com millorem realment la calibració metacognitiva dels estudiants. Hi ha moltes intervencions possibles que podríem oferir als estudiants: consells o comentaris amb un espai molt obert que hem d’explorar”.
Bosch també espera aprendre el mecanisme que millora l’aprenentatge. “Si els estudiants són més capaços d’estimar com ho fan, quin efecte té això en el seu comportament, per exemple”, diu. “Tant de bo, adquiriran algunes habilitats noves que poden aplicar no només als cursos o temes que estudiarem en aquest projecte, sinó als seus cursos”.
Un altre resultat desitjat, afegeix Wang, és mostrar que la IA pot ser bona, justa i fiable en algunes circumstàncies educatives.
IA per millorar l’aprenentatge – Ajudar els estudiants a aprendre
La conclusió, per descomptat, és ajudar els estudiants a aprendre el que necessiten aprendre.
“En general, els estudiants de millor rendiment són més o menys precisos a l’hora d’estimar els seus coneixements”, diu Bosch. “Fins i tot poden subestimar-ho de vegades”.
Wang està d’acord. “El focus principal es centra en aquells que sobreestimen el seu rendiment. Volem ajudar-los a millorar el seu rendiment abans que sigui massa tard”.
“Però hi ha un petit grup d’estudiants que infravaloren el seu rendiment. Passen molt més temps del necessari i obtenen un A+, però poden aprofitar millor el seu temps. Si el nostre programari els pot ajudar a gestionar millor el seu temps, per què no?”
Llegit a: