La respuesta a la pregunta del título es clara: No, no es la única, ni la más importante cualitativamente ni tan siquiera la más elegante.
Esta pregunta y estas
respuestas me surgen a partir del interesante artículo de Siemens et al A meta systematic
review of artificial intelligence in higher education: a call for increased
ethics, collaboration, and rigour (Bond, M et al, 2023), en nuestra
revista hermana Educational Technology in Higher Education (ETHE).
Inaugura además un interesante género la “revisión meta sistemática” (meta
systematic review). Este análisis intenta encontrar tendencias a partir de
las revisiones y no sólo de las investigaciones empíricas. El hecho de que se
utilice en este momento, y atraiga la atención, pone de relieve como ya hemos
señalado la ausencia de investigaciones directas que evidencien el impacto de
la genAI en el aprendizaje y por extensión en la educación.
Pero eso sólo es un efecto secundario. Lo importante es el análisis de largo recorrido que hace de la Inteligencia artificial en la educación (AIEd) desde 1990, aunque personalmente pienso, como después veremos, que se debería haber remontado a la década de los setenta del siglo pasado, con los trabajos de Alain Colmerauer en procesamiento de lenguajes, como la gramática de la metamorfosis. Desarrolló el lenguaje Prolog a partir de 1972, creando la base de la nueva Programación lógica. Y de ahí surgieron los Sistemas Expertos. Ya lo veremos aquí, más adelante, y también las consecuencias en educación. Otra consecuencia fueron los ordenadores del proyecto japonés para equipos de 5ª Generación, la conocida como 5G, como implementación de la programación lógica.
Como visión de conjunto y para comprender mejor las aplicaciones de la IA en la educación [no sólo] superior y brindar orientación en el campo, Siemens et al nos traen el trabajo de Zawacki-Richter et al (2019) que desarrollaron una tipología (ver Figura 1), clasificando la investigación en cuatro áreas amplias:
- Perfilado y predicción,
- sistemas inteligentes de tutoría,
- valoración y evaluación y
- sistemas adaptativos y personalización.
Esto es lo importante de lo
que se ha hecho hasta ahora y lo que es posible que el huracán de la genAI se
lleve lamentablemente por delante.
Estas cuatro facetas de la IA
estaban presentes en mi trabajo (versión de otro de Hwang (2014)) en el siguiente esquema (Fig. 2) de entorno
inteligente de aprendizaje. En el artículo (Zapata-Ros,
2018) se explica.
Volviendo a trabajo de Siemens et sobre la taxonomía de Zawacki-Richter et al. (2019), tras una prolija exposición de detalles sobre la metodología utilizada y una distinción entre investigaciones primarias, secundarias y terciarias en su revisión metasistemática nos ofrecen sus conclusiones que reproducimos.
1. Aplicaciones de la IA como enfoque principal en las revisiones, según los cuatro tipos de la taxonomía de Zawacki-Richter et al. ( 2019)
En el artículo original desglosa por obras cada uno de los
apartados.
Al revés de como sucede con la generative Artificial Intelligence (genAI) hay abundancia de evidencias y de casos sobre repercusiones docentes, en el aprendizaje y en los elementos del diseño instruccional. El análisis es exhaustivo y detallado.
2. Las conclusiones establecen seis beneficios evidentes
El trabajo llega a estas conclusiones sobre beneficios de la IA en la educación a partir de la revisión metasistemática:
- Personalización del aprendizaje
- Mayor conocimiento de la comprensión de los estudiantes
- Influencia positiva en los resultados del aprendizaje
- Reducción del tiempo de planificación y administración para los profesores
- Mayor equidad en la educación
- Evaluación y comentarios precisos
La literatura para esta época se adelanta a este tiempo de la genAI cuando establece los desafíos éticos en el ámbito educativo “Las aplicaciones de la IA en la educación también plantean consideraciones éticas, que van desde la preparación profesional hasta faltas de rigor, como no seguir procedimientos éticos al recopilar datos (p. ej., Salas-Pilco & Yang, 2022 a través de Bond, M. et al, 2023), y cuestiones éticas y legales relacionadas con el uso prematuro de las herramientas. (Zhang et al., 2023 a través de Bond, M. et al, 2023 ). Chu et al. ( 2022 a través de Bond, M. et al, 2023) exploraron los desafíos éticos al equilibrar el aprendizaje asistido por humanos y por máquinas, sugiriendo que los educadores deben reflexionar conscientemente sobre estas cuestiones al incorporar la IA en sus métodos de enseñanza.
4. Las diez principales lagunas de investigación detectadas entre los estudios de la IA antes de la IA generativa
Reiteramos que estos déficit se detectan en las
investigaciones encontradas en las revisiones y agrupadas según la taxonomía de
Zawacki-Richter et al (2019).
Las diez principales lagunas de investigación que se
detectan entre los casos señalados por las revisiones, entre los estudios (n =
66). No suman n porque hay menciones
múltiples
|
Brechas de investigación |
n |
% |
|
Implicaciones éticas |
27 |
40,9 |
|
Se necesitan más enfoques metodológicos |
24 |
36.4 |
|
Se necesita más investigación en educación |
22 |
33.3 |
|
Más investigación con una gama más amplia de partes
interesadas |
14 |
21.2 |
|
Se requieren enfoques interdisciplinarios |
11 |
16.7 |
|
Investigación limitada a áreas disciplinarias
específicas. |
11 |
16.7 |
|
Más investigación en una gama más amplia de países,
especialmente en desarrollo |
10 |
15.2 |
|
Se necesita un mayor énfasis en los fundamentos
teóricos |
9 |
13.6 |
|
Se recomiendan estudios longitudinales |
8 |
12.1 |
|
Investigación limitada a unos pocos temas. |
8 |
12.1 |
En base a esta relación, tomándola como guía, redactaremos
en parte la última entrega de la serie de posts Inteligencia
Artificial y Educación ¿dónde estamos? Aplicándola a las posibles
brechas y las necesidades de la IA generativa en Educación.
En general, coincidiendo con nuestra percepción en trabajos
posteriores relativos a la GenAI, ya aquí se detectaba una clara necesidad de
investigación, era insuficiente. Nosotros señalamos que es casi nula en GenAI
pese a la colosal campaña de hagiografía y márketing que se está haciendo sobre
ella.
Con referencia a la IA pre-GenAI, además de reconocer que se necesita más investigación empírica, se pidió una presentación de informes más riguroso sobre el diseño del estudio en la investigación primaria, incluyendo garantizar que el número de participantes y el nivel del estudio se informa. Existe una necesidad reconocida de cuasi-experimentos y experimentos, particularmente aquellos que permiten múltiples variaciones del diseño educativo, también se ha hecho una fuerte sugerencia para el uso de métodos más cualitativos, mixtos y enfoques basados en el diseño (investigación formativa), junto con estudios longitudinales y tamaños de muestra más grandes. Otros posibles enfoques y temas incluyen
- El uso de estudios, tipo surveys y course evaluation surveys,sobre registros de acceso a la red, perfiles personales, observaciones, entrevistas;
- Más evaluación de la efectividad de las herramientas en el aprendizaje, la cognición, el afecto, las habilidades, etc. en lugar de centrarse en aspectos técnicos como la precisión;
- Cruzar datos con plataformas externas como datos de redes sociales; y
- Un enfoque en la edad y el género como variables demográficas.
Siguiendo con el análisis de
las conclusiones, vemos una coincidencia con lo que tantas veces hemos dicho
sobre la baja calidad del las revisiones sistemáticas. Dice:
Es una constante de la investigación “la necesidad de hacer una llamada convincente a un mayor rigor y solidez metodológica. Un notable 65% de las revisiones son de calidad críticamente baja a media, lo que indica que es imperativo recalibrar los criterios de aceptación para fortalecer la confiabilidad y la calidad. Los hallazgos más preocupantes fueron que el 31,8% de los estudios solo buscaron en una o dos bases de datos, solo el 24,2% proporcionó su esquema de codificación de extracción de datos exacto, el 45,5% no realizó ningún tipo de evaluación de la calidad y el 34,8% no reflexionó en absoluto sobre las limitaciones de su revisión. Además, más de la mitad de las revisiones (51,5%) no informaron si se utilizó algún tipo de herramienta de síntesis de evidencia digital para realizar la revisión. Dadas las ventajas en eficiencia que el machine learning puede aportar a la síntesis de evidencias, así como la mayor transparencia a través de herramientas de visualización como EPPI Visualiser, es sorprendente que la comunidad AIHEd no los haya utilizado.”
ADDENDA LIGERA
En un blog como éste, ligero,
tiene sentido incluir unas observaciones personales que, aún a riesgo de ser
equivocadas, me permito la licencia de exponer, aceptando el calificativo que
merezcan y la diatriba que generen.
He dicho al principio que la
IA actual, la generativa, no es la única, ni la más importante cualitativamente, ni tan siquiera la
más elegante de las IA. Lo primero y lo segundo queda razonado. Lo último es una
percepción a partir del uso que un servidor hizo de la programación lógica y de la
programación declarativa. Enunciadas a partir de lo creado por Alain Colmerauer, el espíritu es completamente distinto de lo visto hasta entonces: la
programación imperativa o procedimental. Y de lo visto aún hasta ahora.
La IA generativa
sustancialmente se basa en lo mismo que la programación tradicional: en largas, aburridas y abigarradas secuencias de
órdenes, basándose en instrucciones que sustancialmente ya se usaban en Fortran,
Basic o Cobol y después, modificadas, en Pascal, C, C++ , Perl, Java, Java
Script, Python, R, SQL o Swift
Operativamente eran y son
iteraciones, recursividad, bifurcaciones condicionales, bucles,… Ahora la AIgen es lo
mismo. Lo que cambia son las nuevas estructuras de datos y variables, por un lado, y la potencia que
otorgan al sistema y al proceso los masivos soportes de datos, por otro, así como la velocidad con que todo se realiza, por cuestiones de arquitectura y sistemas de transmisión de la información.
Los diseños declarativos, la búsqueda en profundidad el bactracking, las cláusulas de parada, la búsqueda en árbol a partir de declaraciones, casando cláusulas, era algo completamente distinto desde el principio.
Hay un documento de Colmerauer de 1982 muy significativo (Colmerauer,1982). En él se presenta Prolog como un lenguaje para hacer automáticamente demostraciones de teoremas[1] casando clausulas posibles con un barrido sistemático sin preferencias.
Fuente http://www.softwarepreservation.net/projects/prolog/marseille/doc/Colmerauer-InfTree-1982.pdf
El casamiento de clausulas buscando hasta la que es favorable se produce en un
árbol, de arriba abajo y de izquierda a derecha, y cuando se encuentra se
produce el backtraking transfiriendo valores en sentido inverso. Es sumamente
elegante, no se ordena nada al ordenador, no se le grita como un sargento a un
recluta. Racional y humanamente se le declaran cosas, hechos y reglas, para que
él opere. La inteligencia está en declarar las convenientes y adecuadas para
que él lo haga. Era inteligencia artificial humana.
En 1990 quien esto suscribe publico un
libro para educación y aprendizajes relacionados con el pensamiento lógico y la
abstracción, era TÉCNICAS DE PROGRAMACIÓN
DECLARATIVA EN EL AULA. TURBO PROLOG 2.00.
Algo de él hay aquí: El
problema de los puentes de Königsberg.
Podemos ver los diagramas de árbol utilizados para la
resolución del problema de los Puentes de Königsberg:
En 1992 creó un programa educativo con Prolog por el que recibió un Premio V Centenario[2]. Era para hacer ejercicios tipo cloze. Hubo varias versiones y recibieron el nombre Cervantes, Palabras y WordKit.
Ahora no existen muchos vestigios en Internet, solo algunos enlaces perdidos y
algunas reseñas. También artículos en papel (Ver anexo)
Por ejemplo, en la base de
datos de ISBN en España están reseñados
los manuales.
En una propuesta de la Comunidad
de Madrid están reseñados para la PROGRAMACIÓN DE ESPAÑOL COMO
SEGUNDA LENGUA EDUCACIÓN PRIMARIA, también en un documento
del MEC.
Lo más interesante está en una ponencia desaparecida en un congreso de Lisboa (Zapata-Ros, M., 1990).
ANEXO
En papel, CD, diskettes,
discos ópticos:
CERVANTES 1.00 UN PROGRAMA PARA
HACER EJERCICIOS UTILIZANDO TEXTOS EN LENGUA ESPAÑOLA, INFODIDAC
Revista de Informática y Didáctica-INFODIDAC, números 14-15. 1991
INTELIGENCIA ARTIFICIAL Y EDUCACION. UNA EXPERIENCIA EN
QUIMICA DE BUP, INFODIDAC Revista de Informática y Didáctica, número
18. 1992.
Artículo "Cervantes y
Palabras dos programas para hacer ejercicios de Lengua". Comunicación y
Pedagogía-Infodidac, Mayo/Junio 96
CERVANTES (Guía del profesor,
guía del alumno y requerimientos de programación y de instalación del programa
Cervantes 1.00). Serie SOFTWARE EDUCATIVO PARA EL AULA// Ministerio
de Educación y Ciencia. Secretaría de Estado de Educación
Fichas para el uso del programa
Cervantes. Incluidas en la colección de material didáctico de CISS PRAXIS
Educación. Comunicación educativa y nuevas tecnologías. Barcelona, 2001.
PROPUESTA DE APLICACIÓN PRÁCTICA
// Ortografía. Signos de puntuación con Cervantes 1.0. Miguel Zapata. En el
CD-ROM "Comunicación educativa y nuevas tecnologías" CISS-Praxis.
Barcelona, 2001
Programa Cervantes 1.0 (versión
actualizada) Miguel Zapata. En el CD-ROM "Comunicación educativa y nuevas
tecnologías" CISS-Praxis. Barcelona, 2001.
Disco óptico "Centro de
Comunicación y Pedagogía. Grupo Primeras Noticias". Contiene artículos y
guías didácticas para el uso de los programas CERVANTES y PALABRAS para la
enseñanza y aprendizaje de la lengua (versiones nuevas). Es una publicación
anexa a los números 155-156 y 157 de la revista Cuadernos de Comunicación y
Pedagogía.1999.
CENTRO DE COMUNICACIÓN Y
PEDAGOGÍA software educativo 98/99. CD con el programa CERVANTES (Guía del
profesor, guía del alumno y requerimientos de programación y de instalación del
programa Cervantes 1.00). ISSN 1136-7733
…
Referencias.
–
Bond, M., Khosravi, H., De Laat, M., Bergdahl,
N., Negrea, V., Oxley, E., ... & Siemens, G. (2023). A Meta Systematic Review of
Artificial Intelligence in Higher Education: A call for increased ethics,
collaboration, and rigour.
Colmerauer, A. (1982).
Prolog and infinite trees. Logic programming, 16(231-251), 2. http://www.softwarepreservation.net/projects/prolog/marseille/doc/Colmerauer-InfTree-1982.pdf
Hilario Silva, P., López Expósito, A. M.,
Miralles Flores, M. J., Muñoz Redondo, C., Pérez Fuente, J. L., & Rivera
Duque, A. (2002). Programación de español como segunda lengua: Educación
Primaria. https://redined.educacion.gob.es/xmlui/handle/11162/92680
y https://www.madrid.org/bvirtual/BVCM001342.pdf
Hwang, G. J. (2014). Definition, framework
and research issues of smart learning environments-a context-aware ubiquitous
learning perspective. Smart
Learning Environments, 1(1),
1-14.
Zapata-Ros,
M. (1990). Técnicas de la Inteligencia Artificial y aprendizajes de Lengua:
Ejercicios "cloze" con
PROLOG:http://www.c5.cl/ieinvestiga/actas/ribie94/Dem2_24.htm [Consultado el 12
de febrero del 2015].
Zapata-Ros, M. (2018). La universidad
inteligente. RED. Revista de Educación a Distancia, 57(10). Consultado el
(dd/mm/aaaa) en http://www.um.es/ead/red/57/zapata2.pdf DOI: http://dx.doi.org/10.6018/red/57/10
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artifcial intelligence applications in higher education—where are the educators? International Journal of Educational Technology in Higher Education. https://doi.org/10.1186/s41239-019-0171-0
[1] The name "Prolog" was
given by Roussel for "Pro(gramming) in log(ic)".
Originally,
it was a theorem prover based on the resolution principle of Robinson ( 1965),
with strong restrictions to reduce the search space: linear proof, unification
applying only on the first literal of each clause, etc.
[2] Premio Internacional "V
Centenario" concedido por el Centro de Investigación, Documentación y
Evaluación - C.I.D.E.- la Sociedad Estatal "V Centenario" y el
PNTIC-MEC. Concedido al Sistema "Cervantes 1.0" para la enseñanza de
la Lengua Española.
Comentarios
Publicar un comentario