Juan Domingo Farnós

Ya podemos generar de manera automática un «perfil de aprendizaje» utilizando técnicas de inteligencia artificial. Este perfil podría incluir información sobre las preferencias de aprendizaje de un estudiante, como su estilo de aprendizaje, sus fortalezas y debilidades académicas, y su historial de rendimiento.

Para crear un perfil de aprendizaje, el sistema podría recolectar información sobre el estudiante a través de una variedad de métodos, como encuestas, pruebas de habilidades y evaluaciones del rendimiento. Los datos recolectados podrían incluir información sobre la forma en que el estudiante prefiere aprender, como si prefiere el aprendizaje visual o auditivo, o si prefiere trabajar solo o en grupo.

Una vez recolectada la información, el sistema podría utilizar técnicas de aprendizaje automático para analizar los datos y crear un perfil de aprendizaje para el estudiante. Este perfil podría incluir información sobre las habilidades y debilidades académicas del estudiante, así como recomendaciones sobre el contenido y la metodología de enseñanza que podrían ser más efectivas para él.

GENERAR UN PERFIL DE APENDIZAJE UTILIZANDO TÉCNICAS DE INTELIGENCIA ARTIFICIAL

Ya podemos generar de manera automática un «perfil de aprendizaje» utilizando técnicas de inteligencia artificial. Este perfil podría incluir información sobre las preferencias de aprendizaje de un estudiante, como su estilo de aprendizaje, sus fortalezas y debilidades académicas, y su historial de rendimiento.

Para crear un perfil de aprendizaje, el sistema podría recolectar información sobre el estudiante a través de una variedad de métodos, como encuestas, pruebas de habilidades y evaluaciones del rendimiento. Los datos recolectados podrían incluir información sobre la forma en que el estudiante prefiere aprender, como si prefiere el aprendizaje visual o auditivo, o si prefiere trabajar solo o en grupo.

Una vez recolectada la información, el sistema podría utilizar técnicas de aprendizaje automático para analizar los datos y crear un perfil de aprendizaje para el estudiante. Este perfil podría incluir información sobre las habilidades y debilidades académicas del estudiante, así como recomendaciones sobre el contenido y la metodología de enseñanza que podrían ser más efectivas para él.

Todo ello nos conduce a construir un aplicación (algoritmos + IA) que desarrolle un aprendizaje personalizado con un valor añadido por su diversidad que intervendrá directamente en la sociedad creando escenarios sinergéticos y transdisciplinares que harán de la educación el «pegamento» entre todas las demás áreas del saber, el conocimiento, el aprendizaje y el trabajo.

Es cierto, las tecnologías de la información y la comunicación (TIC) y la inteligencia artificial (IA) pueden proporcionar una cantidad masiva de información a los estudiantes en un corto período de tiempo. Sin embargo, el verdadero objetivo de la educación es ayudar a los estudiantes a comprender y dar significado a esa información, y esto es algo que todavía se está desarrollando.

La IA puede ayudar a personalizar el aprendizaje y adaptar el contenido y la metodología de enseñanza a las necesidades individuales de cada estudiante, pero todavía hay un gran desafío en el desarrollo de sistemas que puedan ayudar a los estudiantes a comprender y dar significado a la información.

Los sistemas inteligentes pueden proporcionar retroalimentación y recomendaciones para ayudar a los estudiantes a aprender de manera más efectiva, pero todavía hay un gran desafío en el desarrollo de sistemas que puedan ayudar a los estudiantes a aprender a aprender, es decir, desarrollar habilidades para analizar, sintetizar y aplicar la información que han adquirido.

Realizaremos un análisis y diseño de los objetos de aprendizaje donde se incluye una instrucción personalizada.

La inteligencia artificial (IA) puede ayudar a personalizar el aprendizaje en línea mediante el uso de algoritmos de aprendizaje automático que se ajustan automáticamente a las necesidades individuales de cada estudiante. Esto se conoce como educación disruptiva, ya que la IA permite romper con los modelos tradicionales de enseñanza y adaptarse a las necesidades individuales de cada estudiante. Algunos ejemplos de cómo la IA puede ayudar en la educación en línea incluyen:

  • Sistemas de recomendación de contenido: los algoritmos de recomendación pueden analizar el rendimiento y el historial de aprendizaje de cada estudiante para recomendar contenido que se adapte a su nivel y necesidades específicas.
  • Evaluación automática: la IA puede ayudar a evaluar automáticamente las respuestas de los estudiantes a preguntas de prueba o tareas, lo que permite a los profesores dedicar menos tiempo a la corrección y más tiempo a la enseñanza.
  • Asistentes de aprendizaje personalizados: los asistentes de IA pueden ayudar a los estudiantes a organizar su tiempo, seguir su progreso y proporcionar consejos y recursos adicionales para ayudarles a aprender más eficazmente.

Sí, los sistemas inteligentes de ayuda al aprendizaje cognitivo pueden proporcionar resultados abiertos y flexibles que se adaptan a las necesidades individuales de los usuarios. Esto se logra mediante el uso de algoritmos de aprendizaje automático que analizan el rendimiento y el historial de aprendizaje de cada estudiante, y se adaptan automáticamente para proporcionar contenido y metodologías de enseñanza personalizadas.

Además, los sistemas inteligentes pueden interactuar en tiempo real con los estudiantes, lo que les permite hacer preguntas, recibir respuestas y obtener información adicional sobre el tema que están estudiando. Esto permite una mayor interacción y colaboración entre el sistema y el estudiante, lo que puede ayudar a mejorar la comprensión y la retención del material.

En cuanto a los planteamientos procedimentales, estos sistemas utilizan técnicas de IA para adaptar el contenido y la metodología de enseñanza a las necesidades y habilidades individuales de cada estudiante, lo que puede ayudar a mejorar su comprensión y retención del material. Además, los sistemas inteligentes pueden evaluar automáticamente el rendimiento de los estudiantes en tareas y pruebas, y proporcionar retroalimentación instantánea, lo que permite a los estudiantes identificar sus debilidades y fortalecer sus habilidades. En resumen, los sistemas inteligentes de aprendizaje cognitivo ofrecen un aprendizaje personalizado, adaptativo y en tiempo real, que se ajustan a las necesidades de los usuarios.

Lo anterior basado en la inclusión de las técnicas de inteligencia artificial a través de los sistemas de aprendizaje inteligentes. En este caso el sistema de aprendizaje inteligente queda inmerso como parte del objeto de aprendizaje. Y una de sus clasificaciones implica aprendizaje personalizado. El dominio de aplicación que se ha elegido es el de programación estructurada. Este trabajo es motivado por el avance vertiginoso de las nuevas tecnologías y su inclusión en distintas aplicaciones con el fin de potenciar los desarrollos.

Una de las principales ventajas del e-learning es la facilidad de acceso. La formación puede llegar a más personas, puesto que desaparecen las barreras espacio-temporales.

La Educación a Distancia (ED) se define como la distribución de educación que no obliga a los estudiantes a estar físicamente presentes en el mismo lugar donde se encuentra el instructor. En un nivel básico, la ED se realiza cuando los estudiantes y maestros están separados por la distancia física y la tecnología (voz, video, datos e impresiones) a menudo en combinación con clases cara a cara, es utilizada como puente para reducir esta barrera .

En la actualidad se utilizan una gran variedad de medios electrónicos para enviar o recibir los materiales de apoyo teniendo como objetivo la ED. Es de ahí donde nace la e-learning. Este término se refiere a la utilización de nuevas tecnologías de la información y la comunicación con un propósito de aprendizaje. Una de estas tecnologías es internet, pero también se pueden incluir el concepto de multimedia y los simuladores. Podríamos decir que el e-learning es la modalidad de educación a distancia donde tanto el profesor como el alumno hacen uso de medios electrónicos para llevar a cabo el proceso de enseñanza-aprendizaje.

Desde la irrupción de internet en nuestras vidas, las posibilidades de acceso a la formación académica se ha incrementando en la medida en que la red nos va permitiendo acceder a más personas y ofrecer ambientes de aprendizaje más complejos y elaborados. Una de las principales ventajas del e-learning es la facilidad de acceso. La formación académica puede llegar a más personas, puesto que desaparecen las barreras espacio-temporales.

En los últimos años el uso de las de plataformas de e-learning o LMS (Learning Management System) en las Universidades e Instituciones educativas se ha incrementado, se han propuesto diseñar cursos a distancia con tecnologías educativas propias, cada institución cuenta con materiales en línea de diversas disciplinas, así como materiales en línea de la misma disciplina en un mismo departamento académico.
Estos nuevos medios están siendo utilizados para expresar conocimiento, presentar información y guiar actividades de aprendizaje en los materiales.

El uso de tecnologías inteligentes y la conciencia de la soberanía de los datos han aumentado ligeramente en los últimos doce meses. Los proveedores de la nube fuera de Europa tienen actualmente una ventaja en el mercado: proporcionan alrededor del 28 por ciento de los servicios de TI basados en la nube utilizados por empresas y autoridades en Alemania, Austria y Suiza. En contraste, solo un buen 23 por ciento se compra a proveedores europeos.

Casi el 45 por ciento de los participantes del estudio que usan servicios en la nube de proveedores no europeos quieren aumentar sus capacidades con proveedores europeos en los próximos años. Justifican el cambio principalmente con el cumplimiento de la protección de datos y el deseo de aumentar la soberanía de los datos. La sensibilidad a la soberanía de los datos también ha aumentado ligeramente en relación con los sistemas inteligentes: este año, más participantes en el estudio están a favor de limitar el funcionamiento de los sistemas inteligentes a nubes europeas o propiedad de empresas.

El análisis de datos inteligente abre grandes oportunidades para las empresas y las autoridades: en base a este conocimiento, pueden optimizar procesos, descubrir nuevas oportunidades de venta y mejorar su equilibrio ambiental, por ejemplo, al reducir el consumo de energía y el desperdicio en la producción. Incluso las soluciones pequeñas e inteligentes pueden generar valor añadido».

Al igual que el año pasado, los CIO están priorizando las áreas de aplicación de las tecnologías inteligentes. En la parte superior se encuentran escenarios de aplicación simples, como la automatización del trabajo manual. Al parecer, los usuarios las valoran más positivamente que soluciones complejas como los sistemas de recomendación o la predicción del comportamiento de máquinas, clientes o mercados. Al igual que el año anterior, los CIO consideran que el uso de tecnologías inteligentes en su empresa tiene menos éxito que sus colegas de negocios. Dado que su euforia ha disminuido un poco, sus evaluaciones están más juntas hoy.

“Esperanzas similares y, sobre todo, realistas del lado del negocio y de TI con respecto a las posibilidades y límites de los sistemas inteligentes facilitan la cooperación constructiva. Así es como se pueden crear buenas soluciones para ofrecer valor añadido a los aprendices, empleados y clientes de cualquier organización”

Las tecnologías digitales están cambiando la forma en que aprendemos: la digitalización está creando realidades virtuales y aumentadas que se han vuelto indispensables en la industria de la educación. Los desarrollos como la inteligencia artificial, los grandes datos y el análisis de aprendizaje dan vida al aprendizaje personalizado y lúdico. Las aulas se están convirtiendo en espacios de aprendizaje interactivo equipados con nuevas tecnologías educativas, como pizarras interactivas y dispositivos móviles inteligentes.

Ya sean profesores virtuales, sistemas de tutoría, compañeros autónomos de IA o chatbots, las aplicaciones para la IA son diversas y mejoran constantemente. Con el aprendizaje automático, una IA puede entrenarse regularmente y, por lo tanto, volverse cada vez más inteligente. Esto es posible gracias a la creciente cantidad de datos y las opciones de análisis asociadas. La IA puede incluso desarrollar habilidades ‘humanas’: esto se aplica, p. B. para chatbots que tienen reconocimiento de voz y, por lo tanto, pueden hacer preguntas sobre la tarea. Incluso si no reemplazan al maestro por el momento, al menos pueden relevarlo.

El incremento en la riqueza de los contenidos representa sin duda un cambio en el contexto educativo, pero no deja de ser un cambio menor si no es acompañado de trasformaciones más profundas en la forma de organizar los contenidos educativos, en el modo de acceder a ellos y en su uso en el proceso de enseñanza aprendizaje.

Los sistemas de aprendizaje inteligentes (SAI) están integrados por cuatro componentes:

  1. el módulo experto,
  2. el modelo de estudiante,
  3. la interfaz,
  4. el usuario. A continuación damos una breve descripción. Para mayor información consultar Laureano-Cruces, et al. (2000).

El módulo experto: es el lugar donde se encuentra acumulado el conocimiento que el sistema intenta enseñar al estudiante. La implementación de este componente esta íntimamente ligada al módulo tutor. Debido a que el tutor enseñará el dominio haciendo énfasis en la organización del módulo experto. De aquí que interese que este módulo esté organizado de forma pedagógica.

El modelo de estudiante: es una base de datos que contiene información del estudiante que permite desarrollar las siguientes funciones:

  1. adaptación del sistema con base en la competencia que tenga el estudiante de un determinado material (objeto de la enseñanza),
  2. 2) hacer un reporte del material cubierto de acuerdo al currículo,
  3. 3) seleccionar el nivel adecuado de intervención y explicación,
  4. 4) facilitar la retroalimentación del estudiante.

El módulo tutor: tiene la responsabilidad de decidir que acciones tomar para enseñar o corregir un determinado dominio basándose en la información del currículo (sección 4) y de los objetivos que el planificador tiene; con respecto a uno o varios temas específicos a enseñar. Es él quien selecciona los
problemas a mostrar al estudiante, analiza las respuestas, presenta la solución de ciertos problemas o decide mostrar algunos ejemplos. Gestiona el material didáctico y se encarga de seleccionar el material más adecuado en función de las situaciones reportadas. Estas situaciones son principalmente determinadas por las demandas del planificador y del comportamiento del alumno percibido a través de la interfaz.

La interfaz: puede ser considerada como un entorno de simulación en el sentido de que es el lugar donde tienen representación las salidas y entradas del sistema. Su responsabilidad básica es la comunicación entre el sistema y el estudiante, aunque al ser el medio de salida de las acciones del SAI, también tiene una responsabilidad didáctica.

El Modelo de Objetos de Aprendizaje (OA) ofrecen una nueva forma de organizar de los contenidos en una jerarquía composicional de granularidad que van desde los objetos multimedia, pasando por los objetos informativos y los objetos de aprendizaje, hasta conglomerados de contenido educativo más complejos como secciones, unidades, cursos, programas de estudios, etc. Ofrece una manera de construir contenidos educativos, por composición a partir de piezas de elementos en los niveles inferiores.

Así mismo una forma buscar objetos de contenidos, localizarlos, recuperarlos e integrarlos a través de una colección de especificaciones y estándares para su catalogación, requisición, exportación, transportación e importación. Finalmente ofrece la oportunidad de construir, para cada estudiante y cada momento, una selección personalizada de contenido educativo que le brinde un contexto optimo para su aprendizaje.
Que son los objetos de Aprendizaje, podemos iniciar con el concepto según el grupo de trabajo mexicano dentro de la Corporación Universitaria para el Desarrollo de Internet 2, generó la siguiente definición operativa.

Un objeto de aprendizaje es una entidad informativa digital desarrollada para la generación de conocimiento, habilidades y actitudes requeridas en el desempeño de una tarea, que tiene sentido en función de las necesidades del sujeto que lo usa y que representa y se corresponde con una realidad concreta susceptible de ser intervenida.

Así mismo se definieron como propiedades deseables de los objetos las siguientes:

· Subjetividad. Los objetos son polivalentes, pues la significación de sus potencialidades recae en los sujetos que los usan.

· Realidad. El objeto de aprendizaje es un puente con una realidad concreta.

· Historicidad. La pertinencia histórica de los objetos tiene que ver con su construcción y distribución en función de las condiciones reales de acceso y uso de los educandos a los que se pretende atender.

· Complejidad. Los objetos aunque tienen una delimitación que los convierte en unidades materiales, están ligados en múltiples formas con otros objetos posibles.
· Comunicabilidad. Los objetos de aprendizaje contienen información, y su capacidad de representación supone la integración de múltiples lenguajes.

· Integralidad. Tener unidades que al ser accesadas individualmente tengan ya una estructura y que nos lleven a un objetivo de aprendizaje específico.

· Unidad coherente. Objetos como pequeñas unidades de aprendizaje cuyos elementos tienen relación íntima con el objetivo que persiguen.
· Unidades auto contenibles y versátiles. Cada objeto puede ser tomado independientemente y que tenga elasticidad.

· Reusabilidad. Cada objeto puede ser usado en diferentes contextos y para diferentes objetivos.

· Escalabilidad. Los objetos pueden ser agrupados en una larga colección de contenidos para conformar la estructura de un curso.

· Debe ser clasificable. Cada objeto debe contar con ciertos elementos que permitan clasificarlo en un metadatos (descriptores), que tenga las propiedades de que puede ser encontrado fácilmente.
· Relevante. Que responda a una necesidad, que sea pertinente y que contenga una agenda de utilización.

El diseño educativo basado en objetos de aprendizaje ha tenido un impulso creciente en los últimos años y se ha colocado como una de las principales tendencias en el campo de la educación mediada por tecnologías de la información y de la comunicación.

Este diseño se refiere a la consideración del “currículo”, definido en términos del proyecto global en el que está incluida la actividad concreta. Y en el caso de temas específicos se refiere a lo que todo docente debe conocer sobre su material de enseñanza para propiciar su adquisición.

Así el diseño didáctico se concibe como un cuerpo de conocimientos que se ocupa de:

1) la comprensión, el mejoramiento y la aplicación de métodos de enseñanza, 2) la combinación óptima de métodos, y 3) los contextos o situaciones en los que se espera que dichos métodos de enseñanza produzcan mejores resultados.

Al resultado de un diseño didáctico se le conoce como modelo y es éste la representación final de un conjunto integrado por componentes estratégicos que nos permitirá:

  1. secuenciar el material,

2. utilizar grafos conceptuales,

3. utilizar ejemplos,

4. la incorporación de la práctica en un determinado momento,

5 . el uso de estrategias para motivar a los estudiantes. Otro aspecto importante de este modelo didáctico es que debe mostrar los diferentes aspectos que entran en juego en la enseñanza, con el fin de alcanzar los objetivos deseados del mejor modo posible y bajo las condiciones anticipadas.

En esta sección, se asocia a cada concepto u habilidad el objetivo instrucional (OI). Este último representado por las habilidades y capacidades cognitivas que el tutor desea transmitir al alumno, estos pueden ser clasificados de acuerdo a la siguiente taxonomía (Bloom, 1956):

· Conocimiento.
· Comprensión.
· Aplicación.
· Análisis.
· Síntesis.
· Evaluación.

En el contexto del dominio que nos ocupa y de acuerdo a (Gutiérrez 1994), se utilizarán tres OI, aunque la comprensión es obligada para la aplicación. A continuación se definen y se relacionan con nuestro dominio.

Conocimiento: Este objetivo está relacionado con la adquisición memorística de conocimiento por parte del alumno.

El alumno debe conocer los conceptos teóricos divididos en: definiciones de los diferentes tipos de abstracciones (procedurales y funcionales), tipo de datos, tipos de parámetros (referencia y valor), estructuras de control (secuencia, iteración (condicional, no condicional), selección (simple, múltiple)).

Aplicación: este objetivo está relacionado con la puesta en práctica de los conocimientos aprendidos anteriormente.
De acuerdo a (Laureano et al. 2004), el alumno aplicará correctamente el procedimiento para ser capaz de:
1) Comprender el uso de las distintos tipos de abstracción que nos proporciona el paradigma de la programación estructurada.
a. Paso de parámetros y sus tipos.
b. Tipos de abstracción: funcional y procedural.
2) La clase de estructura de control, ad-hoc al sistema que se pretende modelar.
3) Acotar el uso de los distintos tipos de datos de acuerdo a las características del problema.

Análisis: servirá para enseñar al alumno a analizar estados de los distintos escenarios, analizar los distintos estados en función de razonamientos (Laureano-Cruces et al., 2004) que conlleven:
Predicción: acción o efecto de anunciar lo sucederá a partir de información incompleta en un posible futuro.

Post-dicción: explicación de cómo se ha llegado a una situación actual concreta, equivale a una predicción retroactiva por ello es considerada como un tipo de razonamiento no deductivo también conocido como lógica abductiva.

Este tipo de razonamiento consta de dos fases: la 1ra consiste en un conjunto de explicaciones posibles y la 2da en la construcción de explicaciones y la selección de la mejor.

Interpretación cuantitativa: dada la descripción parcial de las particularidades de una situación y algunas observaciones de su comportamiento, inferir que otras particularidades existen y que más puede suceder.

Razonamiento causal: causa-efecto. Este tipo de razonamiento es una herramienta para dar crédito a una hipótesis que proviene de un comportamiento observado o postulado. Es útil para la generación de: explicaciones, interpretación de medidas, planificación de experimentos y obviamente aprendizaje.

El alumno analizará un determinado estado del escenario y deberá ser capaz de saber qué pasa con base en los valores de los distintos parámetros y sus relaciones, con los demás elementos.

Una vez que se han determinado los objetivos instruccionales, éstos se deben refinar en el plan instruccional en términos de las actividades que deben realizar tanto el profesor como el alumno.

Estas actividades las denominaremos estrategias instruccionales: se encargan de proponer al alumno ejercicios, de motivar al alumno, de hacer llegar al alumno las comunicaciones del sistema (mediante explicaciones, comentarios, una muestra gráfica, etc.), de dar una continuidad a la sesión instruccional. Lo anterior lo logramos a través de las intervenciones del sistema a través de la interfaz.

Diseño de los Objetos de Aprendizaje
Para el diseño de los objetos de aprendizaje adoptaremos la metodología de trabajo propuesta por Muñoz (Muñoz-Artega, et al, 2008).

Metodología del Trabajo
La metodología de trabajo está compuesta de cuatro fases de diseño de los OA, que se describen a continuación:

Análisis y Obtención”
En esta fase se identifican los datos generales del Objeto de Aprendizaje, obtener composición del material didáctico para la construcción del OA. Va íntimamente ligada a los objetivos instruccionales, que a su vez están enlazados con el grafo conceptual.

“Diseño”
En esta fase se identificarán cada uno de los componentes del OA, así como su interrelación, con los elementos de la estructura general del OA. Cabe mencionar que esta fase es una de las más importantes, ya que en ésta se especifica la parte pedagógica del OA.

Dentro de esta fase está el análisis y el diseño de sistema de aprendizaje inteligente (SAI), lo cual consta de la identificación del objetivo, la instrucción personalizada, el contenido, las actividades y la evaluación a través de escenarios y tipos de errores.

Generación de los Metadatos

Para generar el metadato es necesario describir al OA con el fin de facilitar la gestión de catalogación, búsqueda y recuperación. Para generar este metadato nos apoyaremos el estándar SCORM de diseño de OA. El metadato de SCORM se basa en el estándar IEEE1484–12–12–1–2002L de TSC * Learning Object Meta-Data (LOM), especifica las características generales del metadato de un OA.

“Desarrollo”
En esta fase se realiza el armado, empaquetado y almacenamiento del OA en el repositorio. Para armar el OA es necesario integrar cada uno de los componentes en una plantilla en XML que contenga la información general del OA. El empaquetado es necesario generarlos con el estándar SCOR, con el fin de de tener la facilidad de crear y editar el metadato. Es necesario almacenar el OA en un repositorio de OA.
Fase IV “Integración del OA a un Sistema de Administración”
Para poder gestionar los OA en forma eficiente es necesario, contar con un Sistema de Administración que apoye la integración de todas las actividades como: cursos en línea, Chats, ejercicios, exámenes, etc., con la finalidad que nos proporcione un ambiente colaborativo.

….FINALIZAREMOS INDICANDO…

HEMOS PRETENDIDO utilizar de forma conjunta las técnicas de inteligencia artificial, con el uso de las nuevas tecnologías, con el fin de crear sistemas que aporten al usuario además de los conocimientos en un determinado dominio, la capacidad de contar con estrategias auto-regulatorias de aprendizaje. Lo anterior a través del modelo desarrollado para el tutor de didáctica general. El hecho de que los OAs cuenten con estándares de desarrollo y acceso, permitirá un mayor uso de éstos.

En E-LEARNING-INCLUSIVO y su sistema formativo planteamos, entre otras cosas, prioritariamente la investigación en el área de los sistemas de ayuda al aprendizaje de habilidades procedimentales.

Para realizarlo se enlazan dos áreas temáticas: interfaces avanzados y sistemas inteligentes.

Interfaces avanzadas y sistemas inteligentes son una parte importante de la relación entre la inteligencia artificial y el aprendizaje en línea. Algunos ejemplos de cómo se pueden utilizar estas tecnologías en la educación en línea incluyen:

  • Interfaces de conversación: los estudiantes pueden interactuar con un asistente de IA a través de una interfaz de conversación, lo que les permite hacer preguntas, recibir respuestas y obtener información adicional sobre el tema que están estudiando.
  • Sistemas de realidad virtual y aumentada: estas tecnologías pueden ayudar a los estudiantes a visualizar y interactuar con conceptos y objetos de una manera que no es posible en un entorno tradicional de clase.
  • Sistemas de tutoría inteligentes: estos sistemas utilizan técnicas de IA para adaptar el contenido y la metodología de enseñanza a las necesidades y habilidades individuales de cada estudiante, lo que puede ayudar a mejorar su comprensión y retención del material.
  • Sistemas de diagnóstico automático: estos sistemas utilizan IA para analizar el rendimiento de los estudiantes y detectar problemas o áreas de debilidad, lo que permite a los profesores proporcionar un apoyo y refuerzo más efectivo.

En resumen, interfaces avanzadas y sistemas inteligentes son una parte importante de la relación entre la IA y el elearning, ya que estas tecnologías pueden ayudar a mejorar la eficacia del aprendizaje personalizado y adaptarse a las necesidades individuales de cada estudiante.

Los resultados en sistemas inteligentes de ayuda al aprendizaje cognitivo, llevan a obtener resultados abiertos y flexibles que no solo pueden interactuar en todo momento sino que además pueden modificar sus planteamientos procedimentales, teniendo siempre presentes las necesidades de los usuarios.

Los sistemas de aprendizaje virtual y de simulación estarán orientados a adiestrar conductores de diversos tipos de vehículos en entornos de Realidad Virtual multimodal.

Es de destacar que ambos grupos tienen una relación previa de colaboración en este objetivo, obtenida en diferentes proyectos y planteamientos dentro del mismo E-LERNING-INCLUSIVO. y materializada en pruebas y publicaciones conjuntas.

Este proyecto único y con un objetivo común a los dos grupos: transformar un entorno de entrenamiento basado en RV en un entorno inteligente de aprendizaje de habilidades procedimentales, en el caso de nuestro demostrador, un simulador de conducción. Sin embargo, la investigación tiene dos perspectivas distintas y complementarias, una de investigación en herramientas informáticas para el aprendizaje cognitivo, otra de aplicación en entornos virtuales.

investiga dentro del área de ayuda al aprendizaje cognitivo y mantiene un estrecho contacto con las posibilidades que ofrecen las nuevas tecnologías de realidad virtual. Para lograr estos objetivos utiliza las tecnologías y equipos disponibles en E-LEARNING-INCLUSIVO.. Esta investigación trata los problemas de adquisición, validación y diagnóstico del conocimiento en:

los sistemas de ayuda al aprendizaje integrados en entornos de realidad virtual y simuladores para adquisición de habilidades procedimentales, los mapas conceptuales aplicados a la formación colaborativa, las herramientas de autor para adquisición de conocimiento sobre dominios conceptuales y procedimentales.

Con esta investigación, enriquece sus sistemas de realidad virtual con la tecnología de ayuda al aprendizaje . Se trata de superar la simple evaluación de eventos en el simulador de entrenamiento: paso de semáforo, giro prohibido, etc. El sistema inteligente deberá realizar las típicas funciones de la profesora que acompaña a un alumno, la cual no sólo evalúa acciones, sino que evalúa sus habilidades procedimentales y por tanto determina el desarrollo del proceso formativo.

Juan Domingo Farnos

FUENTE: Laureano-Cruces, A., Terán-Gilmore, A., J., de Arriaga, F., 2004. A Learning Model Based on a Didactic Cognitive Approach: The Case Of Single-Degree-Of-Freedom Systems. En la Revista Computer Applications in Engineering Education, pp. 152–164. John Wiley and Sons. Inc. USA. Volume 12, Number 3.
http://prensa.ugr.es/prensa/campus/prensa.php?nota=4676

…seguimos

Anuncio publicitario