La Inteligencia artificial nos proporciona los datos necesarios y los procesos de aprendizaje autónomos, automatizados y personalizados dentro de la Educación Disruptiva

Juan Domingo Farnós

Estamos ya de lleno en una época de creciente algoritmización . Nuestras acciones humanas, la interacción con el mundo y las relaciones con nuestros semejantes están cada vez más dominadas por los datos y sus sistemas de procesamiento, los algoritmos. Las tecnologías digitales y en red están penetrando cada vez más en nuestra vida y trabajo cotidianos. Cambian permanentemente nuestro comportamiento humano. (( Operamos en un mundo real entretejido digitalmente donde la tecnología ya no es solo una herramienta, sino que está inherentemente fusionada con nosotros como parte de nuestra identidad (Floridi 2015).))

Las máquinas, las TIC, la internet… proporcionan información más rápido de lo que nadie podría haber imaginado, pero el aprendizaje es dar sentido a la información y el descubrimiento de su significado, el verdadero objetivo de la educación, y con las máquinas aun no lo hemos conseguido, aunque algunos estemos en ello..

Los aprendices, dentro de la educación formal aprenden de manera sistematizada, y en la informal, de manera generalizada… pueden beneficiarse de la orientación de los algoritmos que apuntan al aprendiz hacia los sistemas de tutoría en línea, por ejemplo, que están demostrando tan eficaz como tutores humanos.

Los alumnos pueden aprender métodos y enfoques de los tutores en línea para luego ayudarles a lo largo de su propio camino de aprendizaje. Sus propios itinerarios de aprendizaje. Ese es el punto: los estudiantes adultos (es decir los estudiantes en edad universitaria) aprenden mejor cuando ellos mismos crean rutas de aprendizaje; el tutor en línea puede proporcionar ayuda, pero no puede ser la totalidad de la experiencia de aprendizaje.. ((Educación Disruptiva de Juan Domingo Farnós y ((ANDRAGOGÍA …Dr Flavio de Jesús Castillo Silva))

Las tecnologías de aprendizaje adaptativas, análisis de aprendizaje en línea que se utilizan para crear rutas de aprendizaje para los alumnos en función de su rendimiento, pueden ayudar a algunos estudiantes, pero no pueden, en muchos casos, proporcionar la oportunidad para el conocimiento profundo y duradero sobre cómo aprender.

Últimamamente nos hemos encontrasdo con El chatbot CHATGPT ( Inteligencia Artificial) se entrenó utilizando dos tipos de  Aprendizaje por refuerzo a partir de la retroalimentación humana ) y PPO ( Optimización de política próxima  ). Para la entrada y salida de texto, utiliza el algoritmo de IA GPT-3.5 (GPT significa Generative Pre-trained Transformer ), una versión mejorada de GPT-3 , que también proviene de OpenAI.

Basándose en su experiencia en el desarrollo de GPT y Codex, ChatGPT ha sido diseñado con medidas de seguridad para evitar respuestas falsas o maliciosas. No obstante, el sitio web señala que la versión actual es una vista previa de investigación disponible públicamente y que el chatbot puede generar ocasionalmente información incorrecta. 

Los datos de entrenamiento de ChatGPT consisten en una gran cantidad de texto creado por humanos y utilizado para entrenar el modelo. Este texto puede provenir de varias fuentes, tales como:

• foros en línea
• Medios de comunicación social
• artículo de noticias
• Libros
• lengua hablada

Al entrenar al modelo con estos datos, aprende cómo funciona el lenguaje humano y cómo responder adecuadamente a preguntas o solicitudes específicas.

El modelo se entrena mediante el uso de algoritmos, tratando de imitar los datos de entrenamiento lo más fielmente posible. ^[7] Por lo tanto, puede proporcionar a los usuarios respuestas significativas a sus preguntas.

El uso de datos de entrenamiento es una parte importante del proceso de aprendizaje de ChatGPT y ayuda al modelo a tener conversaciones similares a las de los humanos.

En el entrenamiento inicial de la IA, los evaluadores preferían respuestas más largas independientemente de la comprensión o el contenido real, lo que resultó en respuestas largas del chatbot. 

Los datos de entrenamiento también pueden estar sesgados algorítmicamente ; por lo tanto, las indicaciones con descripciones vagas de personas como «CEO» pueden evocar respuestas que asumen que esta persona es blanca y masculina. 

Aplicaciones

Como aplicación basada en lenguaje, ChatGPT ofrece la posibilidad de intercambio dialógico. Según el experto en inteligencia artificial Gary Marcus, puede ser «brillante en un momento y asombrosamente estúpido en el siguiente».

 ChatGPT puede escribir planes de negocios y tareas para la escuela , entre otras cosas .  A finales de 2022, los primeros profesores de escuelas y universidades que participen en la prueba del chatbot cuestionarán el sistema anterior de verificación de los logros de aprendizaje mediante tareas y presentaciones. Informática Katharina Zweigexplica que ChatGPT «escribe significativamente mejor que la mayoría de mis estudiantes en los últimos años.» Este problema debe abordarse claramente. La experta en la disciplina de IA de «Procesamiento del lenguaje natural» de la Universidad de Ciencias Aplicadas de Kiel, Doris Weßels, ahora considera obsoletos los deberes convencionales. «Si solo se trata de reproducir el conocimiento y reempaquetarlo bien, los trabajos finales ya no tienen sentido». ChatGPT hace que escribir ese trabajo sea casi insoportablemente fácil. ^[12]

Robert Lepenies  , evalúa los textos generados por ChatGPT como «en las ciencias sociales, cualitativamente indistinguibles del trabajo de los estudiantes». Los Dado que ya se está desarrollando el software GPT-4, aún más potente, se necesita urgentemente un debate público sobre «cómo queremos abordar estas posibilidades técnicas». De lo contrario, los intereses de unas pocas grandes corporaciones decidieron «qué cultura obtenemos y cuál no». 

Comparado con su predecesor InstructGPT, ChatGPT intenta evitar respuestas maliciosas y engañosas. Si bien InstructGPT aún considera que el mensaje » Dime cómo llegó Colón a EEUU. Estados Unidos en 2015. 

ChatGPT puede analizar y escribir código en diferentes lenguajes de programación. Por lo tanto, también se puede usar para depurar  código, que puede mejorar y comentar. 

Además, chatGPT puede explicar problemas complejos en términos simples que muchas personas pueden entender. ^{[14] [15] [16]}

crítica

Suddeutsche Zeitung describió la publicación de ChatGPT como «cuestionable» ya que muchos usuarios de Internet no cuestionaron sus respuestas y, debido a la falta de información de la fuente, tampoco pudieron verificar su corrección.  Además, la investigación indica que ChatGPT representa una ideología política liberal de izquierda orientada hacia el medio ambiente cuando se le pide que comente sobre posiciones políticas.

El columnista alemán Sascha Lobo  cree que ChatGPT es un gran avance y teme que desate una avalancha de «obscenidades de IA» difíciles de detectar en Internet. El ejemplo de demostración de Lobo se basa en una consulta de tres partes debido a una limitación de longitud de la respuesta actualmente existente. Se puso en inglés porque hasta ahora ChatGPT ha funcionado mejor en inglés, y la respuesta se tradujo al alemán, también mediante software de IA. Lobo comenta sobre el resultado: «Cualquiera que lea el texto anterior reconocerá rápidamente el impacto de esta aplicación, que ahora está ampliamente disponible » .no era elegible para otro mandato como presidente de los EE. UU. porque ya había cumplido dos mandatos y que el elefanteera el mamífero que ponía los huevos más grandes. ^[20]

Teresa Kubacka encuestó a ChatGPT sobre el tema de su doctorado en Física y recibió explicaciones y citas que parecían razonables que, tras una inspección más cercana, resultaron ser en gran parte inventadas. Algunas de las referencias de fuentes solicitadas por Kubacka resultaron ser falsificaciones absolutas. Estas llamadas «alucinaciones de datos» son peligrosas porque pueden influir significativamente en el discurso de Internet.  La conclusión de Kubacka, por lo tanto, es nunca pedirle a ChatGPT información científica objetiva, ya que incluso un experto calificado tendrá problemas para descubrir qué es lo que está mal. 

Con la actualización del 15 de diciembre de 2022, OpenAI tomó medidas para evitar que los usuarios eludieran los filtros de ChatGPT. 

…

Literatura

La máquina, en las tecnologías de aprendizaje adaptativo, se ha hecho cargo: el algoritmo es la creación de itinerarios de aprendizaje, y no lo que haga el alumno. Este enfoque podría entenderse como un intento de “aprendizaje semi-pasivo.” Esto no quiere decir que no haya usos de las tecnologías de aprendizaje adaptativo, pero es que decir que este enfoque sólo puede ser un elemento de un camino de aprendizaje humano impulsado .

El aprendizaje por refuerzo es otra parte de Machine Learning que podemos utilizar en la forma en que ayuda a la máquina a aprender de su progreso.

El aprendizaje de refuerzo basado en el concepto de aprendizaje no supervisado otorga una alta esfera de control a los agentes de software y las máquinas para determinar cuál puede ser el comportamiento ideal dentro de un contexto.

La información y la tecnología de las comunicaciones en sí mismo no mejoran el proceso educativo, si el foco está solamente en esto. La atención debe centrarse en lo que las TIC pueden hacer por el proceso educativo.

 Los resultados del aprendizaje son los que una persona entiende, sabe y es capaz de hacer al culminar un proceso de aprendizaje. Los resultados del aprendizaje se expresan en conocimientos, habilidades y competencias adquiridas durante las diferentes experiencias de educación formal, no formal e informal con el objetivo de proporcionar a los jóvenes las habilidades requeridas en sus sus actividades, los estudiantes obtienen los mejores resultados, estar abierto a aprender, para buscar y encontrar la manera que más les convenga.

Con el Aprendizaje supervisado tenemos un controlador externo que tiene suficiente conocimiento del medio ambiente y también comparte el aprendizaje con un supervisor para comprender mejor y completar la tarea, pero ya que tenemos problemas en los que el agente puede realizar tantas tareas.

Podemos tomar el ejemplo de un juego de ajedrez, donde el jugador puede jugar decenas de miles de movimientos para lograr el objetivo final. Crear una base de conocimiento para este propósito puede ser una tarea realmente complicada. Por lo tanto, es imperativo que en tales tareas, la computadora aprenda a manejar los asuntos por sí misma. Por lo tanto, es más factible y pertinente que la máquina aprenda de su propia experiencia. 

Una vez que la máquina ha comenzado a aprender de su propia experiencia, puede obtener conocimiento de estas experiencias para implementarlas en los movimientos futuros. Esta es probablemente la diferencia más grande e imperativa entre los conceptos de refuerzo y aprendizaje supervisado. En estos dos tipos de aprendizaje, hay un cierto tipo de mapeo entre la salida y la entrada. Pero en el concepto de aprendizaje reforzado, existe una función de recompensa ejemplar, a diferencia del aprendizaje supervisado, que le permite al sistema conocer su progreso en el camino correcto.

Poner orden es en la mejora de las competencias en TIC de la enseñanza mediante la adaptación a los requerimientos de cada disciplina dentro de la sociedad de la información con diferentes interfaces de usuario. Es necesario el uso de los conceptos de la responsable de la adquisición de habilidades específicas de la disciplina sector de las TIC, conocimiento fijación, de desarrollo personal.

El aprendizaje de refuerzo básicamente tiene una estructura de mapeo que guía a la máquina desde la entrada hasta la salida. Sin embargo, el aprendizaje no supervisado no tiene tales características presentes en él. En el aprendizaje no supervisado, la máquina se centra en la tarea subyacente de ubicar los patrones en lugar del mapeo para avanzar hacia la meta final, por eso en este paso deberemos obviarlo, en el sentido posterior de su ejecución, es decir, utilizaremos sus patrones durante el proceso, pero después del mismo deberemos derivarlo hacia el aprendizaje SUPERVISADO, ya que es la única manera de llegar al PERSONALIZED LEARNING, por medio de una aplicación.

Por ejemplo, si la tarea de la máquina es sugerir una buena actualización de noticias a un usuario, un algoritmo de aprendizaje de refuerzo buscará recibir retroalimentación regular del usuario en cuestión, y luego a través de la retroalimentación construirá un gráfico de conocimiento confiable de todas las noticias. Artículos relacionados que le gusten a la persona. Por el contrario, un algoritmo de aprendizaje no supervisado intentará ver muchos otros artículos que la persona ha leído, similar a este, y sugerir algo que coincida con las preferencias del usuario.

Los reinos en el aprendizaje automático son infinitos. Puede visitar mi canal de YouTube para conocer más sobre el mundo de la IA y cómo el futuro será dictado por el uso de datos en las máquinas.

La tecnología abre nuevas formas radicales de la educación; romper barreras entre disciplinas impulsa nuevos campos creativos de la investigación y la invención; y poniendo el emprendimiento social en el centro de la misión de una universidad asegura pensadores brillantes jóvenes pueden llegar a ser nuestros más poderosos solucionadores de problemas.

A través de una colaboración continua, el intercambio de ideas y una buena dosis de coraje, estamos en el camino correcto para asegurar un cambio duradero en nuestra sociedad y en nuestra educación. Estoy emocionado de ver las ideas como éstas crecen y se transforman el futuro de la educación..

Para todo ello proponemos preguntas como:

-Cuáles son las dimensiones interculturales clave a considerar en equipos distribuidos?

 -¿Cómo dimensiones culturales y sus diferencias se refieren a las preferencias de los canales de comunicación?

 -¿Cómo afecta el uso de estas herramientas de una cultura a otra y por qué?

 -¿Cuáles son los problemas típicos que surgen cuando los miembros de diferentes culturas tienen que trabajar juntos?

 -¿Qué tipo de herramientas y canales de comunicación deben estar disponibles para colaborar en línea?

Con ello vamos a maximizar el rendimiento de la máquina de una manera que le ayuda a crecer. Aquí se requiere una retroalimentación simple que informe a la máquina sobre su progreso para ayudar a la máquina a conocer su comportamiento.

 El aprendizaje por refuerzo no es simple, y es abordado por una gran cantidad de algoritmos diferentes, de hecho un agente decide la mejor acción en función del estado actual de los resultados.

 El crecimiento en el aprendizaje por refuerzo ha llevado a la producción de una amplia variedad de algoritmos que ayudan a las máquinas a conocer el resultado de lo que están haciendo. Ya que tenemos una comprensión básica del Aprendizaje de Refuerzo a estas alturas, podemos comprender mejor formando un análisis comparativo entre el Aprendizaje de Refuerzo y los conceptos de Aprendizaje Supervisado y No Supervisado.

Las tecnologías de la información digital están transformando la manera en que trabajamos, aprendemos, y nos comunicamos. Dentro de esta revolución digital son los nuevos enfoques de aprendizaje que transforman los modelos jerárquicos, basado en la industria de la enseñanza y el aprendizaje. …

Es importante que la investigación educativa se involucre en cómo algunas de sus preocupaciones centrales -aprendizaje, capacitación, experiencia, comportamiento, selección de currículos, enseñanza, instrucción y pedagogía- se están reelaborando y aplicando dentro del sector tecnológico. De alguna manera, podríamos decir que los ingenieros, los científicos de datos, los programadores y los diseñadores de algoritmos se están convirtiendo en los maestros más poderosos de hoy en día, ya que son máquinas que permiten aprender a hacer cosas que cambian radicalmente nuestras vidas cotidianas.

Lo que hace que la programación ed-tecnología “adaptable” es que la IA evalúa la respuesta de un estudiante (por lo general a una pregunta de opción múltiple), luego sigue con la “segunda mejor” cuestión, cuyo objetivo es el nivel “adecuado” de dificultad. Esto no tiene por qué requerir un algoritmo especialmente complicado, y la idea en realidad basada en “la teoría de respuesta al ítem”, que se remonta a la década de 1950 y el ascenso de la psicometría. A pesar de las décadas siguientes, sinceramente, estos sistemas no se han vuelto terriblemente sofisticados, en gran parte debido a que tienden a basarse en pruebas de opción múltiple

El uso de los miembros del equipo y los compañeros (peer to peer) es una gran manera de articular y hacer comentarios sobre las decisiones de diseño.

Aunque las comprobaciones de calidad por homólogos deben estar bien facilitadas para evitar posturas subjetivas , pueden ser un método ideal para explicar la comprensión de los problemas subyacentes, hechos y datos; el dominio del problema; las necesidades de los usuarios finales; y el razonamiento detrás de las decisiones que ha tomado.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica.

Esto generará automáticamente los ecosistemas de las ideas que serán navegables con todas sus relaciones semánticas. Seremos capaces de comparar diferentes ecosistemas de las ideas de acuerdo a nuestros datos y las diferentes formas de clasificarlos. Seremos capaz de elegir diferentes perspectivas y enfoques…..(personalized learning and Social Learning):

Es el habitus de Pierre Bordieu que nos debe hacer pensar más en la educación personalizada para dejar fuera de una vez la estandarización y el uniformizamos que este habitúa precisamente lo fomenta El seguir, el aprender, el vivir etc con tus amigos, colegas etc hacer lo que hacen todos, estudiar en los centros que enseñan de tal o cual manera para tener una visión fija determinada de las cosas donde no te dan ni opción crítica de las cosas.

Y no creamos que esto es aprendizaje social, porque lo hacen todos, precisamente el social learning es todo lo contrario, recordad que parte del personalized learning o no puede ser social learning, en todo caso se le puede dar el mismo nombre pero nada más lejos de la realidad

Realmente los docentes están encontrando cada vez más dificultades ya no solo por tutorizar a los aprendices, ya que cada vez estos encuentran más información, recursos, otros expertos…en la red y se están convenciendo que esto es mucho mejor que la educación clásica con los “argumentos” de siempre. Por tanto, los aprendices están cuestionando la educación clásica, porque están aprendiendo a decidir que materiales, personas,…son adecuados para que ellos puedan realizar sus aprendizajes.

Por ello los docentes actuales, acompañantes mañana, deberán buscar mecanismos, la mayoría automatizados y online, para ser útiles a los aprendices, de lo contrario poco a poco van a perder “su impronta”. Creo sinceramente que los docentes de hoy van a quedarse como agentes de la retroalimentación de los aprendices, van a perder su papel de instructores, de transferidores en “primera oleada” de la enseñanza/aprendizaje, tal como se entiende hoy.

Se están buscando formas “inteligentes” para que los aprendices por medio de “UN CLIC” puedan encontrar exactamente en la red lo que necesitan, tanto en primera oleada como en la retroalimentación continuada, algo esencial para ell@s.

Aprender con la web nos permite aprender de manera personalizada y mutable, podemos cambiar de registros a cada momento según el proceso de nuestro aprendizaje y el camino que vamos tomando, otra ventaja importante que con el aprendizaje estático en el espacio y en el tiempo (aula), nunca podríamos realizar.

Los mecanismos por lo tanto para muchos investigadores se centran en desarrollar sistemas de e-learning con aprendizaje personalizado para ayudar el aprendizaje en línea basado en la web y de forma adaptativa ofrecer formas de conocimientos con el fin de promover la capacidad de aprendizaje de los alumnos de manera individual, conduciendo al social learning.

No concibo el Social learning sin el personalized learning, así como la educación inclusiva, el cambio de roles y la ayuda de las TIC, Internet, AI…Si abogamos por un aprendizaje donde el responsable sea el aprendiz, que no es lo mismo que se suele afirmas “el aprendizaje es el centro del aprendizaje, ya que estos postulados solo se contempla las fortalezas del mismo y se sigue sin tener en cuenta el cambio de roles” (Juan Domingo Farnós)

La definición de aprendizaje personalizado está evolucionando rápidamente y su diferencia con respecto a otros temas de la próxima generación, como el aprendizaje de la próxima generación y el aprendizaje combinado, puede que no esté claro. El aprendizaje personalizado puede tener lugar en entornos digitalmente mejorados o no.

Vamos a ser capaces de analizar y manipular significado, y allí radica la esencia de las ciencias humanas.

Estas operaciones que se harán de manera automatizada y significativa deberá proporcionarnos la suficiente seguridad, transparencia y confiabilidad,… y lo hará si la sociedad quiere que así sea.

La transformación es el cambio de una o muchas variables en el estudio.

Se transforman variables, por ejemplo, al remplazar los valores originales por Algoritmos (transformación Algorítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas.

La pieza central de cualquier forma de “aprendizaje personalizado” es el algoritmo para la adaptación de los aprendizajes a los estudiantes individuales .Es cierto que cuando se programa un algoritmo se puede hacer más incidencia en unos valores más que con otros, éstas decisiones son subjetivas; que contienen juicios de valor sobre las variables dependientes e independientes y su relación entre sí. Las cifras ocultan la subjetividad dentro de estas ecuaciones….

Con todo ello la personalización por las tecnologías digitales (algoritmos) sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y es aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hará que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

En los últimos tiempos se están dando son corrientes referentes al Big data y a a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendrá vigilados permanentemente ” Un artículo del periodista holandés Dimitri Tokmetzis demostró el año pasado hasta qué punto esto puede ir en los datos de montaje de retratos compuestos de lo que somos. Google sabe lo que busca y puede inferir no sólo qué tipo de noticias que lees en un domingo por la mañana y qué tipo de películas prefieres un viernes, qué tipo de porno que probablemente nos gustaría mirar y dejarnos boquiabiertos en la noche del sábado , lo que ha hecho que los bares y restaurantes cierren”….

Los ingenieros de software crearán diferentes versiones de “aprendizaje personalizado” e insertarán los juicios de valor en las ecuaciones de regresión complicados con el que han escrito para lecciones en línea. Estas ecuaciones estarán ancladas en los datos de los estudiantes prediciendo (no en su totalidad ya que los ingenieros y educadores hacen tweak- “masaje” -las ecuaciones favorecidas) lo que los estudiantes deben estudiar y absorber, clases individualizadas de software en línea , nosotros cambiamos lo de absorber de manera individualizada, por “aprender de manera personalizada-personalized learning, and social learning”.

Tales lecciones “personalizadas” alteran la función del docente para mejor, de acuerdo a los promotores de la tendencia. En lugar de cubrir el contenido y la enseñanza de habilidades directamente, los docentes pueden tener los estudiantes en línea , por medio de ELEARNING, MLEARNING… liberando así el mismo docente para acompañar a los estudiantes que se desplazan por delante de sus compañeros de clase y los que luchan.

El aprendizaje por refuerzo es otra parte de Machine Learning que podemos utilizar en la forma en que ayuda a la máquina a aprender de su progreso.

El aprendizaje de refuerzo basado en el concepto de aprendizaje no supervisado otorga una alta esfera de control a los agentes de software y las máquinas para determinar cuál puede ser el comportamiento ideal dentro de un contexto.

La información y la tecnología de las comunicaciones en sí mismo no mejoran el proceso educativo, si el foco está solamente en esto. La atención debe centrarse en lo que las TIC pueden hacer por el proceso educativo.

Los resultados del aprendizaje son los que una persona entiende, sabe y es capaz de hacer al culminar un proceso de aprendizaje. Los resultados del aprendizaje se expresan en conocimientos, habilidades y competencias adquiridas durante las diferentes experiencias de educación formal, no formal e informal con el objetivo de proporcionar a los jóvenes las habilidades requeridas en sus sus actividades, los estudiantes obtienen los mejores resultados, estar abierto a aprender, para buscar y encontrar la manera que más les convenga.

Con el Aprendizaje supervisado tenemos un supervisor externo que tiene suficiente conocimiento del medio ambiente y también comparte el aprendizaje con un supervisor para comprender mejor y completar la tarea, pero ya que tenemos problemas en los que el agente puede realizar tantas tareas.

Podemos tomar el ejemplo de un juego de ajedrez, donde el jugador puede jugar decenas de miles de movimientos para lograr el objetivo final. Crear una base de conocimiento para este propósito puede ser una tarea realmente complicada. Por lo tanto, es imperativo que en tales tareas, la computadora aprenda a manejar los asuntos por sí misma. Por lo tanto, es más factible y pertinente que la máquina aprenda de su propia experiencia.

Una vez que la máquina ha comenzado a aprender de su propia experiencia, puede obtener conocimiento de estas experiencias para implementarlas en los movimientos futuros. Esta es probablemente la diferencia más grande e imperativa entre los conceptos de refuerzo y aprendizaje supervisado. En estos dos tipos de aprendizaje, hay un cierto tipo de mapeo entre la salida y la entrada. Pero en el concepto de aprendizaje reforzado, existe una función de recompensa ejemplar, a diferencia del aprendizaje supervisado, que le permite al sistema conocer su progreso en el camino correcto.

Poner orden es en la mejora de las competencias en TIC de la enseñanza mediante la adaptación a los requerimientos de cada disciplina dentro de la sociedad de la información con diferentes interfaces de usuario. Es necesario el uso de los conceptos de la responsable de la adquisición de habilidades específicas de la disciplina sector de las TIC, conocimiento fijación, de desarrollo personal.

El aprendizaje de refuerzo básicamente tiene una estructura de mapeo que guía a la máquina desde la entrada hasta la salida. Sin embargo, el aprendizaje no supervisado no tiene tales características presentes en él. En el aprendizaje no supervisado, la máquina se centra en la tarea subyacente de ubicar los patrones en lugar del mapeo para avanzar hacia la meta final, por eso en este paso deberemos obviarlo, en el sentido posterior de su ejecución, es decir, utilizaremos sus patrones durante el proceso, pero después del mismo deberemos derivarlo hacia el aprendizaje SUPERVISADO, ya que es la única manera de llegar al PERSONALIZED LEARNING, por medio de una aplicación.

Por ejemplo, si la tarea de la máquina es sugerir una buena actualización de noticias a un usuario, un algoritmo de aprendizaje de refuerzo buscará recibir retroalimentación regular del usuario en cuestión, y luego a través de la retroalimentación construirá un gráfico de conocimiento confiable de todas las noticias. Artículos relacionados que le gusten a la persona. Por el contrario, un algoritmo de aprendizaje no supervisado intentará ver muchos otros artículos que la persona ha leído, similar a este, y sugerir algo que coincida con las preferencias del usuario.

Los reinos en el aprendizaje automático son infinitos. Puede visitar mi canal de YouTube para conocer más sobre el mundo de la IA y cómo el futuro será dictado por el uso de datos en las máquinas.

La tecnología abre nuevas formas radicales de la educación; romper barreras entre disciplinas impulsa nuevos campos creativos de la investigación y la invención; y poniendo el emprendimiento social en el centro de la misión de una universidad asegura pensadores brillantes jóvenes pueden llegar a ser nuestros más poderosos solucionadores de problemas.

A través de una colaboración continua, el intercambio de ideas y una buena dosis de coraje, estamos en el camino correcto para asegurar un cambio duradero en nuestra sociedad y en nuestra educación. Estoy emocionado de ver las ideas como éstas crecen y se transforman el futuro de la educación..

Para todo ello proponemos preguntas como:

-Cuáles son las dimensiones interculturales clave a considerar en equipos distribuidos?

-¿Cómo dimensiones culturales y sus diferencias se refieren a las preferencias de los canales de comunicación?

-¿Cómo afecta el uso de estas herramientas de una cultura a otra y por qué?

-¿Cuáles son los problemas típicos que surgen cuando los miembros de diferentes culturas tienen que trabajar juntos?

-¿Qué tipo de herramientas y canales de comunicación deben estar disponibles para colaborar en línea?

Con ello vamos a maximizar el rendimiento de la máquina de una manera que le ayuda a crecer. Aquí se requiere una retroalimentación simple que informe a la máquina sobre su progreso para ayudar a la máquina a conocer su comportamiento.

El aprendizaje por refuerzo no es simple, y es abordado por una gran cantidad de algoritmos diferentes, de hecho un agente decide la mejor acción en función del estado actual de los resultados.

El crecimiento en el aprendizaje por refuerzo ha llevado a la producción de una amplia variedad de algoritmos que ayudan a las máquinas a conocer el resultado de lo que están haciendo. Ya que tenemos una comprensión básica del Aprendizaje de Refuerzo a estas alturas, podemos comprender mejor formando un análisis comparativo entre el Aprendizaje de Refuerzo y los conceptos de Aprendizaje Supervisado y No Supervisado.

Las tecnologías de la información digital están transformando la manera en que trabajamos, aprendemos, y nos comunicamos. Dentro de esta revolución digital son los nuevos enfoques de aprendizaje que transforman los modelos jerárquicos, basado en la industria de la enseñanza y el aprendizaje. …

Consejos prácticos, ejemplos de la vida real, estudios de casos, y la oferta de recursos útiles perspectivas en profundidad sobre la estructuración y el fomento del aprendizaje socialmente atractivo en un entorno online….serán los que nos harán cambiar de una vez, que nos permitirán arriesgarnos y saber “estar” y vivir dentro de la incertidumbre, de una manera mucho más creativa que hasta ahora…

Sólo un ser humano realmente puede personalizar todo lo que él o ella lo hace. Es la era de la personalización, pero eso sólo significa ayudar a cada uno de nosotros para pasar menos tiempo en los detalles y más tiempo en las actividades humanas importantes, como la imaginación, la creatividad, el descubrimiento, la integración, la intuición, ..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aqui mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepcion de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

El mismo Pierson dice “Las evaluaciones se incrustan en las actividades de contenido y aprendizaje por lo que la instrucción y el aprendizaje no tiene que ser interrumpidos para determinar las áreas de progreso y desafío continuo. Mientras tanto, los algoritmos y las progresiones de aprendizaje integrados en el sistema van a ajustar en respuesta a las actividades de aprendizaje relacionadas del estudiante para permanecer en sintonía con sus ecosistemas de aprendizaje. Esta información también se proporciona al educador con opciones y recursos adicionales en tiempo real ya que el educador puede utilizarlo para apoyar al estudiante y su aprendizaje”

Como esta nueva tecnología comienza a tomar forma el diseño de otra sociedad ya que SUS MIMBRES son completamente nuevos a no como herramientas, metodologías…(innovaciones), sino un cambio “radical” en la concepción de la misma sociedad.

Algunos pensaran que en parte estamos en el APRENDIZAJE ADAPTATIVO, ya que nos basamos en los DATOS, pues no, lo hacemos así como una IDEA COMPLETAMENTE NUEVA, es decir, utilizamos DATOS, si, pero dentro del proceso personalizado de aprendizaje, por lo tanto se trata de algo completamente diferente.

Estos algoritmos de personalización (Rauch, Andrelczyk y Kusiak, 2007), recopilar información del usuario y analizan los datos para que pueda ser transmitida al usuario en momentos específicos (Venugopal, Srinivasa y Patnaik, 2009). Por ejemplo, cuando estoy terminado de ver un video en YouTube o una película en digital y he aquí que presenté con una lista de recomendaciones sobre los géneros que acabo consumidas. Esta idea funciona de forma similar con algoritmos de personalización que sería capaz de recomendar cursos o avenidas de aprendizaje basado en el conocimiento previo alumnos o cursos completados.

Es nuestra responsabilidad en esta sociedad:….

-Aplicar las técnicas de minería de datos, aprendizaje automático y reconocimiento de patrones para los conjuntos de datos estructurados y no estructurados.

-Diseño, desarrollo y prueba de algoritmos de aprendizaje y modelos de datos sobre el comportamiento humano para construir instrumentos de evaluación cognitiva

-Construir algoritmos personalizados para un motor de recomendación vía de desarrollo

-Los modelos de diseño para el desarrollo de aplicaciones nuevo juego

-Contribuir a la mejora de nuestros algoritmos.

También nos podemos hacer una serie de preguntas que no vamos a obviar….y que nos ayudaran a entender mejor el por qué de las cosas:…

¿El aprendizaje PERSONALIZADO tiene suficiente mejoría en el aprendizaje del aprendiz para justificar los costos de un sistema de aprendizaje más complejo?

¿Cómo podemos aprovechar algoritmos de aprendizaje automático “big data” y otros.. para la construcción de sistemas de aprendizaje personalizadas más eficientes y rentables?

¿Cómo pueden las ideas y resultados de la investigación de las ciencias cognitivas, utilizarlos para mejorar la eficacia de los sistemas de aprendizaje personalizados?.

En los últimos tiempos se están dando corrientes referentes al Big data y a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendra vigilados permanentemente ” Un artículo del periodista holandés Dimitri Tokmetzis demostró el año pasado hasta qué punto esto puede ir en los datos de montaje de retratos compuestos de lo que somos. Google sabe lo que busca y puede inferir no sólo qué tipo de noticias que lees en un domingo por la mañana y qué tipo de películas prefieres un viernes, qué tipo de porno que probablemente nos gustaría mirar y dejarnos boquiabiertos en la noche del sábado , lo que ha hecho que los bares y restaurantes cierren”….

La propuesta de Bentham para una Máquina total de la visibilidad puede ser menos significativa a la tesis de los universos de datos emergentes que sus contribuciones a la moral del utilitarismo y su supuesto de que se puede medir nuestro bienestar.

El panóptico es un tipo de arquitectura carcelaria ideada por el filósofo utilitarista Jeremy Bentham hacia fines del siglo XVIII. El objetivo de la estructura panóptica es permitir a su guardián, guarnecido en una torre central, observar a todos los prisioneros, recluidos en celdas individuales alrededor de la torre, sin que estos puedan saber si son observados”.

El efecto más importante del panóptico es inducir en el detenido un estado consciente y permanente de visibilidad que garantiza el funcionamiento automático del poder, sin que ese poder se esté ejerciendo de manera efectiva en cada momento, puesto que el prisionero no puede saber cuándo se le vigila y cuándo no”….

ste dispositivo debía crear así un «sentimiento de omnisciencia invisible» sobre los detenidos. El filósofo e historiador Michel Foucault, en su obra Vigilar y castigar (1975), estudió el modelo abstracto de una sociedad disciplinaria, inaugurando una larga serie de estudios sobre el dispositivo panóptico. «La moral reformada, la salud preservada, la industria vigorizada, la instrucción difundida, los cargos públicos disminuidos, la economía fortificada, todo gracias una simple idea arquitectónica.» — Jeremy Bentham, Le Panoptique, 1780.

Estamos hoy en la clase difusa del pensamiento calculador y comparaciones cuantitativas insta a que el utilitarismo, tal razonamiento no se basa en el trabajo de visibilidad a hacer. Más bien, eso depende de algoritmos de análisis, qui a su vez depende de la presa de los algoritmos silenciosos –los que convierten en silencio nuestro comportamiento en una avalancha de datos. (son la metáfora de los presos alrededor que se pusieron alrededor de una torre de vigilancia para ser visualizados, hasta que estos alcanzaron la manera de evitarlo( estos eran los algoritmos)….

Este precio informativo se compone de DATOS ESTANDARIZADOS a través del que hemos llegado a definir nosotros mismos: transcripciones escolares, registros de salud, cuentas de crédito, títulos de propiedad, identidades legales. Hoy en día, tesis arraigada tipo de individualidad datos están siendo blanco amplió para abarcar más y más de lo que podemos ser: (En educación seria el PERSONALIZED LEARNING, que nosotros mismos abogamos y además instauramos en algoritmos personalizados, nunca creadores de patrones)..

La transformación es el cambio de una o muchas variables en el estudio.

Se transforman variables, por ejemplo, al remplazar los valores originales por algoritmos (transformación algorítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas

Muchas variables no se comportan de forma lineal o aritmética, por ejemplo las abundancias siguen un patrón exponencial.

En la educación básica se promueve que el sistema decimal es el único “natural”

Nunca vemos los algoritmos que hacen su trabajo, incluso a medida que nos afectan. Ellos producen en sus sistemas de cifrado, todo invisible, enterrado en cajas negras componer silencio sinfonías de ceros y unos….

Pierre Levy, el pensador de TUNEZ, propone una forma de procesar la información «codificándola» en algoritmos. Los humanos tenemos una habilidad muy especial, que es la de manipular símbolos. Y a lo largo de nuestra historia, cada mejora en esa habilidad ha producido cambios muy significativos a nivel económico, social, político, religioso, epistemológico, científico y educativo. Esos cambios, que trazan una evolución cultural, van desde los rituales y narrativas primigenios, la invención de la escritura, la creación de alfabetos y sistemas numéricos consensuados y permanentes, la fabricación de un artefacto tecnológico como la imprenta hasta arribar a la automatización de la reproducción en la difusión de símbolos.

Todos esos pasos aumentaron la posibilidad de almacenamiento de nuestra memoria, la expandieron, incrementaron la inteligencia colectiva y subieron un nivel en la escala evolutiva cultural.

En ese sentido, la propuesta de Lévy se aleja de la inteligencia artificial. La suya es una perspectiva completamente distinta: para él no se trata de crear máquinas inteligentes o más inteligentes que los humanos, sino de hacer a los humanos más inteligentes. Cada nivel de complejidad implica un tipo de conocimiento emergente nuevo y más poderoso, en el que todos los procesos cognitivos están aumentados. El último paso, es decir, aquel hacia el cual tendemos, sería el conocimiento algorítmico.

Y esa propuesta es la que hacemos nosotros (JUAN DOMINGO FARNOS https://juandomingofarnos.wordpress.com/…/algoritmos…/

INCLUSO DENTRO DE UN PROCESO transversal y multidisciplinar, para lograr nos lo eso, sino una autonomía en los aprendizajes y una personalización, como nunca hasta ahora se ha producido (POR TANTO TOTALMENTE ORIGINAL, apoyada en todo lo que les escribo, más las distintas potencialidades que tenemos de aprendizaje que tenemos las personas en nuestro cerebro y que les visualizo.

No podemos confundir la aplicación de los algoritmos en el aprendizaje personalizado (personalized learning), algunos lo llaman educación personalizada, aunque realmente está muy lejos uno de la otra, como realizar clases particulares, tal como hacen algunas escuelas de Nueva York, “utiliza el análisis de aprendizaje para desarrollar en las matemáticas personalizadas programas de aprendizaje. La Escuela con algoritmos de aprendizaje realiza evaluaciones cotidianas de estilos de aprendizaje y matemáticas de los estudiantes, y lo hace para producir un aprendizaje “lista de reproducción” personalizado para cada alumno. Esta lista se compone de clases particulares de matemáticas, que se ponen en el orden en que el algoritmo determina que es óptimo para el desarrollo de las habilidades matemáticas de los estudiantes. Ciertamente, Escuela de uno se apresura a señalar que este está destinado a complementar, no sustituir, la experiencia de un maestro individual”..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformará en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico, pero siempre seremos nosotros quienes elijamos en última instancia el camino que vamos a seguir, frente a las múltiples propuestas en “beta” que nos presentará la tecnología.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA,) por medio de una mezcla de inteligencia artificial y algorítmica.

Consejos prácticos, ejemplos de la vida real, estudios de casos, y la oferta de recursos útiles perspectivas en profundidad sobre la estructuración y el fomento del aprendizaje socialmente atractivo en un entorno online….serán los que nos harán cambiar de una vez, que nos permitirán arriesgarnos y saber “estar” y vivir dentro de la incertidumbre, de una manera mucho más creativa que hasta ahora…

Sólo un ser humano realmente puede personalizar todo lo que él o ella lo hace. Es la era de la personalización, pero eso sólo significa ayudar a cada uno de nosotros para pasar menos tiempo en los detalles y más tiempo en las actividades humanas importantes, como la imaginación, la creatividad, el descubrimiento, la integración, la intuición, ..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aqui mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepcion de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformara en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hara que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico.

El mismo Pierson dice “Las evaluaciones se incrustan en las actividades de contenido y aprendizaje por lo que la instrucción y el aprendizaje no tiene que ser interrumpidos para determinar las áreas de progreso y desafío continuo. Mientras tanto, los algoritmos y las progresiones de aprendizaje integrados en el sistema van a ajustar en respuesta a las actividades de aprendizaje relacionadas del estudiante para permanecer en sintonía con sus ecosistemas de aprendizaje. Esta información también se proporciona al educador con opciones y recursos adicionales en tiempo real ya que el educador puede utilizarlo para apoyar al estudiante y su aprendizaje”

Como esta nueva tecnología comienza a tomar forma el diseño de otra sociedad ya que SUS MIMBRES son completamente nuevos a no como herramientas, metodologías…(innovaciones), sino un cambio “radical” en la concepción de la misma sociedad.

Algunos pensaran que en parte estamos en el APRENDIZAJE ADAPTATIVO, ya que nos basamos en los DATOS, pues no, lo hacemos así como una IDEA COMPLETAMENTE NUEVA, es decir, utilizamos DATOS, si, pero dentro del proceso personalizado de aprendizaje, por lo tanto se trata de algo completamente diferente.

Estos algoritmos de personalización (Rauch, Andrelczyk y Kusiak, 2007), recopilar información del usuario y analizan los datos para que pueda ser transmitida al usuario en momentos específicos (Venugopal, Srinivasa y Patnaik, 2009). Por ejemplo, cuando estoy terminado de ver un video en YouTube o una película en digital y he aquí que presenté con una lista de recomendaciones sobre los géneros que acabo consumidas. Esta idea funciona de forma similar con algoritmos de personalización que sería capaz de recomendar cursos o avenidas de aprendizaje basado en el conocimiento previo alumnos o cursos completados.

Es nuestra responsabilidad en esta sociedad:….

-Aplicar las técnicas de minería de datos, aprendizaje automático y reconocimiento de patrones para los conjuntos de datos estructurados y no estructurados.

 -Diseño, desarrollo y prueba de algoritmos de aprendizaje y modelos de datos sobre el comportamiento humano para construir instrumentos de evaluación cognitiva

 -Construir algoritmos personalizados para un motor de recomendación vía de desarrollo

 -Los modelos de diseño para el desarrollo de aplicaciones nuevo juego

 -Contribuir a la mejora de nuestros algoritmos.

También nos podemos hacer una serie de preguntas que no vamos a obviar….y que nos ayudaran a entender mejor el por qué de las cosas:…

¿El aprendizaje PERSONALIZADO tiene suficiente mejoría en el aprendizaje del aprendiz para justificar los costos de un sistema de aprendizaje más complejo?

 ¿Cómo podemos aprovechar algoritmos de aprendizaje automático “big data” y otros.. para la construcción de sistemas de aprendizaje personalizadas más eficientes y rentables?

 ¿Cómo pueden las ideas y resultados de la investigación de las ciencias cognitivas, utilizarlos para mejorar la eficacia de los sistemas de aprendizaje personalizados?.

En los últimos tiempos se están dando corrientes referentes al Big data y a los Algoritmos (Inteligencia Artificial), los que predicen que significaran la “visualización” de una época con rayos y truenos, que nos tendra vigilados permanentemente ” Un artículo del periodista holandés Dimitri Tokmetzis demostró el año pasado hasta qué punto esto puede ir en los datos de montaje de retratos compuestos de lo que somos. Google sabe lo que busca y puede inferir no sólo qué tipo de noticias que lees en un domingo por la mañana y qué tipo de películas prefieres un viernes, qué tipo de porno que probablemente nos gustaría mirar y dejarnos boquiabiertos en la noche del sábado , lo que ha hecho que los bares y restaurantes cierren”….

La propuesta de Bentham para una Máquina total de la visibilidad puede ser menos significativa a la tesis de los universos de datos emergentes que sus contribuciones a la moral del utilitarismo y su supuesto de que se puede medir nuestro bienestar.

El panóptico es un tipo de arquitectura carcelaria ideada por el filósofo utilitarista Jeremy Bentham hacia fines del siglo XVIII. El objetivo de la estructura panóptica es permitir a su guardián, guarnecido en una torre central, observar a todos los prisioneros, recluidos en celdas individuales alrededor de la torre, sin que estos puedan saber si son observados”.

El efecto más importante del panóptico es inducir en el detenido un estado consciente y permanente de visibilidad que garantiza el funcionamiento automático del poder, sin que ese poder se esté ejerciendo de manera efectiva en cada momento, puesto que el prisionero no puede saber cuándo se le vigila y cuándo no”….

Este dispositivo debía crear así un «sentimiento de omnisciencia invisible» sobre los detenidos. El filósofo e historiador Michel Foucault, en su obra Vigilar y castigar (1975), estudió el modelo abstracto de una sociedad disciplinaria, inaugurando una larga serie de estudios sobre el dispositivo panóptico. «La moral reformada, la salud preservada, la industria vigorizada, la instrucción difundida, los cargos públicos disminuidos, la economía fortificada, todo gracias una simple idea arquitectónica.» — Jeremy Bentham, Le Panoptique, 1780.

Estamos hoy en la clase difusa del pensamiento calculador y comparaciones cuantitativas insta a que el utilitarismo, tal razonamiento no se basa en el trabajo de visibilidad a hacer. Más bien, eso depende de algoritmos de análisis, qui a su vez depende de la presa de los algoritmos silenciosos –los que convierten en silencio nuestro comportamiento en una avalancha de datos. (son la metáfora de los presos alrededor que se pusieron alrededor de una torre de vigilancia para ser visualizados, hasta que estos alcanzaron la manera de evitarlo( estos eran los algoritmos)….

Este precio informativo se compone de DATOS ESTANDARIZADOS a través del que hemos llegado a definir nosotros mismos: transcripciones escolares, registros de salud, cuentas de crédito, títulos de propiedad, identidades legales. Hoy en día, tesis arraigada tipo de individualidad datos están siendo blanco amplió para abarcar más y más de lo que podemos ser: (En educación seria el PERSONALIZED LEARNING, que nosotros mismos abogamos y además instauramos en algoritmos personalizados, nunca creadores de patrones)..

La transformación es el cambio de una o muchas variables en el estudio.

Se transforman variables, por ejemplo, al remplazar los valores originales por logaritmos (transformación logarítmica). Frecuentemente los datos que son obtenidos no se ajustan a una distribución normal, por lo cual es inapropiado el ejecutar pruebas paramétricas

Muchas variables no se comportan de forma lineal o aritmética, por ejemplo las abundancias siguen un patrón exponencial.

En la educación básica se promueve que el sistema decimal es el único “natural”

Nunca vemos los algoritmos que hacen su trabajo, incluso a medida que nos afectan. Ellos producen en sus sistemas de cifrado, todo invisible, enterrado en cajas negras componer silencio sinfonías de ceros y unos….

Pierre Levy, el pensador de TUNEZ, propone una forma de procesar la información «codificándola» en algoritmos. Los humanos tenemos una habilidad muy especial, que es la de manipular símbolos. Y a lo largo de nuestra historia, cada mejora en esa habilidad ha producido cambios muy significativos a nivel económico, social, político, religioso, epistemológico, científico y educativo. Esos cambios, que trazan una evolución cultural, van desde los rituales y narrativas primigenios, la invención de la escritura, la creación de alfabetos y sistemas numéricos consensuados y permanentes, la fabricación de un artefacto tecnológico como la imprenta hasta arribar a la automatización de la reproducción en la difusión de símbolos.

Todos esos pasos aumentaron la posibilidad de almacenamiento de nuestra memoria, la expandieron, incrementaron la inteligencia colectiva y subieron un nivel en la escala evolutiva cultural.

En ese sentido, la propuesta de Lévy se aleja de la inteligencia artificial. La suya es una perspectiva completamente distinta: para él no se trata de crear máquinas inteligentes o más inteligentes que los humanos, sino de hacer a los humanos más inteligentes. Cada nivel de complejidad implica un tipo de conocimiento emergente nuevo y más poderoso, en el que todos los procesos cognitivos están aumentados. El último paso, es decir, aquel hacia el cual tendemos, sería el conocimiento algorítmico.

Y esa propuesta es la que hacemos nosotros (JUAN DOMINGO FARNOS https://juandomingofarnos.wordpress.com/…/algoritmos…/

INCLUSO DENTRO DE UN PROCESO transversal y multidisciplinar, para lograr nos lo eso, sino una autonomía en los aprendizajes y una personalizacion, como nunca hasta ahora se ha producido (POR TANTO TOTALMENTE ORIGINAL, apoyada en todo lo que les escribo, más las distintas potencialidades que tenemos de aprendizaje que tenemos las personas en nuestro cerebro y que les visualizo.

No podemos confundir la aplicación de los algoritmos en el aprendizaje personalizado (personalized learning), algunos lo llaman educación personalizada, aunque realmente está muy lejos uno de la otra, como realizar clases particulares, tal como hacen algunas escuelas de Nueva York, “utiliza el análisis de aprendizaje para desarrollar en las matemáticas personalizadas programas de aprendizaje. La Escuela con algoritmos de aprendizaje realiza evaluaciones cotidianas de estilos de aprendizaje y matemáticas de los estudiantes, y lo hace para producir un aprendizaje “lista de reproducción” personalizado para cada alumno. Esta lista se compone de clases particulares de matemáticas, que se ponen en el orden en que el algoritmo determina que es óptimo para el desarrollo de las habilidades matemáticas de los estudiantes. Ciertamente, Escuela de uno se apresura a señalar que este está destinado a complementar, no sustituir, la experiencia de un maestro individual”..

La personalización por las tecnologías digitales sólo libera los seres humanos para personalizar mejor nuestra vida (es decir, encontrar nuestras propias maneras), lo demás deben hacerlo las tecnologías y e aquí mi insistencia en conseguir un ALGORITMO, el cual pueda facilitar la recepción de DATOS, pasarlos por un proceso de ANALISIS Y CRITICA, lo que los transformará en APRENDIZAJES. Si todo el proceso esta evaluado, necesitaremos el algoritmo para que nos realice la retroalimentación. Lo cual hará que todo nuestro proceso de aprendizaje este ayudado por este proceso tecnológico, pero siempre seremos nosotros quienes elijamos en última instancia el camino que vamos a seguir, frente a las múltiples propuestas en “beta” que nos presentará la tecnología.

Pronto el registro y análisis de datos semánticos podrá convertirse en un nuevo lenguaje común para las ciencias humanas y contribuir a su renovación y el desarrollo futuro.

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA,) por medio de una mezcla de inteligencia artificial y algorítmica.

Si partimos de la idea de que la REALIDAD es múltiple, podemos entender por qué aprender en la diversidad no tiene porque llevarnos a un punto común-….esta premisa es fundamental para entender el pensamiento crítico en los aprendizajes y sin la cuál sería imposible llevar a cabo aprendizajes basados en la diversidad-INCLUSIVIDAD (EXCELENCIA)…

Todo el mundo será capaz de clasificar los datos como quieran. Cualquier disciplina, ninguna cultura, ninguna teoría será capaz de clasificar los datos a su manera, para permitir la diversidad, utilizando un único metalenguaje, para garantizar la interoperabilidad. (EXCELENCIA PERSONALIZADA AUTOMATIZADA, por medio de una mezcla de inteligencia artificial y algorítmica.

“Vamos ya a aprender durante toda nuestra vida y en cualquier momento, el qué, cuándo, cómo y dónde (eligiendo con quién), ya han dejado de ser, una obligación para pasar a ser algo usual en nuestra vida, las TIC, Internet, la Inteligencia Artificial, “han dinamitado” todo ese planteamiento que no sabíamos ni podíamos superar, ahora el estaticismo de aprender de manera controlada, uniforme, el “ocupar un espacio y un tiempo”, han dejado ya de existir, por lo cual, vivimos aprendiendo, aprendemos en cada momento de nuestra vida, por eso, cualquier planteamiento que hagamos en este impás, debe acomodarse a esta nueva manera de entender la vida que ya está aquí, pero estamos “suscribiendo” las maneras de llegar a ello”.

Hasta ahora, la automatización de las tareas intelectuales humanas y el trabajo físico no nos ha privado del derecho a la libertad y la autonomía de elección. Las primeras tecnologías de la era digital presentaban menos variedades de inteligencia artificial y no representaban una amenaza real para nosotros.

El auge de la automatización y la tecnología nos ha llevado a un punto de inflexión único. En el futuro, los que prosperarán serán aquellos que hayan sabido adaptarse al nuevo entorno.

¿Habrá en el futuro suficiente empleo para reubicar y reciclar a las personas que serán desplazadas por la automatización?. ¿Sería posible establecer un sistema de reparto de la riqueza que sustituya al trabajo? La nueva visión de la educación promueve el uso de la tecnología para facilitar el aprendizaje mediante la participación de los estudiantes, la promoción de la creatividad, fomentar el aprendizaje autodirigido, la colaboración y habilidades de pensamiento avanzado, lo que hace que pase a ser un aprendizaje abierto, inclusivo, ubícuo y ahora, AUTOMATIZADO.

La digitalización y la robotización de millones de trabajos emerge como una tendencia inevitable. Y este proceso ya se ha cobrado múltiples “víctimas”, es decir, aquellas instituciones, sistemas y organismos que no son capaces de adecuarse a las pautas del nuevo escenario. Y entre estas “víctimas” podemos considerar la pérdida de muchos negocios y empleos que han dejado de ser útiles o necesarios

El resultado es que cada vez hay menos trabajo disponible y los aspirantes a trabajar cada vez son más. Ante esta situación y dado que el efecto de la tecnología parece inevitable, deberíamos prepararnos para poder dar una solución a este problema, que pronto se nos presentará en toda su magnitud.

Todo ello hace que el el aprendizaje, el trabajo y el desarrollo (L&D) como es conocido se desmorone:

En el paradigma antiguo, el protocolo de la relación entre trabajador y empresa o entidad empleadora seguía el siguiente patrón conversacional, lo cual vamos a extrapolar al mundo de la educación. A ver si acertamos en la HIPÓTESIS y en el desarrollo inclusivo, abierto y ubicuo:

Yo empresa, te asigno unas tareas para que produzcas un bien o servicio cuyos procesos están establecidos de antemano”. – Lo que sería algo así como: Yo organización educativa te asigno un curriculum para que lo cumplas y lo lleves a cabo bajo las directrices que te voy a dar.

Yo trabajador, te ofrezco a ti, empresa, mi fuerza bruta o conocimientos, como prueba de mis competencias te muestro mi formación y experiencia…. “Yo aprendiz, estudiante, voy a desarrollar todas mis competencias, a buscar todos los conocimientos posibles, a escucharte siempre y en todo momento, para cumplir tus directrices, organizacion educativa, siempre bajo tus directrices.

En el paradigma moderno, : “Yo trabajador, que he escuchado y estudiado lo que hace tu empresa, y en ese proceso he descubierto una oportunidad de crecimiento para ella. Te realizo una oferta para mejorar sus resultados, para lo cual cuento con una red de alianzas; un conjunto de nuevas destrezas (capacidad de coordinación, escucha, gestión emocional, impecabilidad, disposición a aprender y reclicarme). Y sobre todo, una proposición con la que juntos podemos crear valor. También te muestro los conocimientos que he adquirido y las experiencias exitosas y enriquecedoras que he tenido”.

Esta nueva realidad conversacional modifica el espacio y los protocolos clásicos de la intermediación laboral porque el rol del trabajador, aprendiz, es mucho más rico y activo.

En las empresas y organizaciones modernas que es donde debemos inspirarnos para que se entrenen y capaciten los aprendices trabajadores, y encontraremos a personas capaces de actuar autónomamente, de manera diversa, para tomar iniciativas, escuchar y responder a los cambios del entorno…

“Mira, estas son las tareas, yo las haría así, pero te pido que me sorprendas y me digas cómo las harías tú”.

El mundo de los negocios se está digitalizando rápidamente, rompiendo las barreras de la industria y la creación de nuevas oportunidades, mientras que la destrucción de los modelos de negocio ya anticuados están siendo exitosas.. Llamamos a esta alteración digital de proceso y, aunque el cambio de tecnología habilitada para barrer a menudo toma más tiempo de lo que esperamos, la historia muestra que el impacto de dicho cambio puede ser mayor de lo que imaginamos. Y mientras ¿qué hace la educación? Muy fácil, y como siempre, DISCUTIR QUE ES ESO DE LA DIGITALIZACIÓN Y SI SERÍA BUENO O NO UTILIZARLA…toda una paradoja.

Cuando nos adentramos en la proyección de escenarios de aprendizaje y de trabajo, deberemos siempre mirar hacia adelante mediante la comprensión de la naturaleza y el impacto de las fuerzas impulsoras, las que de alguna manera preveemos como con mayor capacidad de certidumbre y de otras, que siendo toatlmente inciertas nos ofrecerán un caudal mayor de creatividad . (Hoy somos capaces de crear oportunidades por medio de una amplia utilización de los recursos, por ejemplo de mobile learning, de e-learning y la educación científica basada en la investigación a través de la educación del diseño con escenarios de aprendizaje abiertos, inclusivos y ubícuos).

La disrupción tecnológica se debate ampliamente en los países industrializados y de altos ingresos; Sin embargo, los responsables de la formulación de políticas en los países en desarrollo también deben empezar a preocuparse por el impacto de la automatización.

Miramos hacia adelante , haciendo todo lo posible para tomar decisiones inteligentes, sabemos que no siempre serán acertadas, por lo que debemos estar preparados para ser capaces de incidir en procesos de retroalimentación, bien correctores (innovaciones) o, por el contrario, disruptoras, con lo que el escenario previsto en principio se nos moverá completamente y es aquí doce los escenarios colaborativos y especialmente los cooperativos, entrarán en pleno funcionamiento.

La planificación de escenarios se deriva de la observación de que, dada la imposibilidad de conocer con precisión cómo en el futuro interactuaremos, una buena decisión o estrategia a adoptar es la que juega bien a través de varios futuros posibles. Estos conjuntos de escenarios son, esencialmente historias sobre el futuro, cada uno modela un mundo verosímil distinto, o también simulado sin saber exactamente como será pero con propuestas que creemos podrían ser, en la que algún día podríamos tener que vivir y trabajar y aprender… creando escenarios virtuales con los que podamos experimentar en el ensayo-error que de otra manera no podríamos hacer nunca.

Estamos al borde de una nueva revolución tecnológica que no ha escrito sus reglas; así que póngase su mejor traje y desde ahorita prepárese para el pachangón, pues “los presidenciables” ya han sido pre-anunciados para ocupar la silla de la república TI”. El secreto será en conectar esta tecnología con un aprovechamiento real de la misma, por ejemplo: involucrándola en proyectos formativos.

Hoy en día, la definición del lugar de trabajo ha cambiado. Ya no es un edificio fijo con los empleados caminar en a una hora fija vistiendo ropas similares, reportando a los gerentes similares – básicamente la homogeneidad se ha sustituido por la multiplicidad . “Los lugares de trabajo” son hoy en día una ubicación agnóstica. Cualquier persona con una conexión a Internet y un dispositivo móvil o un ordenador portátil puede trabajar en cualquier momento y desde cualquier lugar. La naturaleza de los aprendices, empleados también está experimentando un profundo cambio – de los empleados permanentes a los trabajadores independientes, contratistas, proveedores, consultores, a trabajadores según los contextos, espacios, tiempo, necesidades, excelencias personalizadas….

Necesitamos :Dominios transversales (escuchar, declarar, afirmar, enjuiciar, pedir, prometer).excelencia personalizada: dirección, relaciones internas, relaciones externas, trabajo, aprendizaje, renovación, emocionalidad, planificación y evaluación.

El nuevo paradigma genera un nuevo modelo de currículum y con él, un cambio radical de las competencias, aptitudes y actitudes del nuevo aprendiz-trabajador.

Veamos de forma práctica cómo se revela esto a la hora de confeccionar el currículum, lo que nos servirá para tener claro siempre hacia donde podemos ir en el nuevo paradigma:

–Nuevas capacidades para escuchar (observar, recabar información, explorar…). Una oferta personalizada. No se trata de emplear el tiempo en enviar cientos de currículos, o en llevar a cabo Diseños Instruccionales genéricos, si no en utilizar las potencialidades de cada uno de nosotros (PERSONALIZED LEARNING: https://juandomingofarnos.wordpress.com/…/personalized-lea…/ de Juan Domingo Farnos.

–Armar sólidas y duraderas redes de colaboración que vayan creciendo y consolidándose a lo largo de la vida (mi potencial y efectividad como profesional está en función de la red de confianza que creo en torno a mí). Mi red de confianza me puede acompañar de por vida si la alimento, mi aprendizaje-empleo, no.

–La capacidad de desaprender y reaprender. Los conocimientos prácticos adquiridos que pueden reforzar el VALOR QUE YO PUEDO APORTAR.

-Los éxitos y experiencias pasadas (también los ERRORES- fracasos) que sirven de experiencia para fortalecer LO QUE VAMOS A APORTAR.

-La Educación como elemento aislado ha terminado, debe ir con el comercio, la cultura, el trabajo…pasamos a una meta-conectividad..

Pasar de “el fracaso no es una opción. a el fracaso no es un problema” es cambiar de “cultura, es pasarar a una cultura de la RESILENCIA….a una cultura de superación, adaptación, transparencia y confianza…lo que podríamos definir como cultura de la REDARQUÍA..

Cada vez necesitamos más adaptarnos a un nuevo PARADIGMA, más eficiente de aprender y con métodos más transparentes y más confiables métodos de evaluación alentando a los estudiantes a explorar diversas ideas, experimentar con diversos formatos o construir puentes con las comunidades diversas…

Es evidente que el actual sistema satisface las necesidades de la mayoría de los estudiantes de la mayoría de las veces – los datos lleva a cabo este año tras año. Lo que tenemos que hacer es…

Es evidente que el sistema no puede satisfacer las necesidades de la mayoría de los estudiantes…

¿Estamos preparados realmente para satisfacer las necesidades de los alumnos en un ambiente del siglo 21 que es / será cargada en el pensamiento crítico, medios de comunicación social y la colaboración potenciado por la tecnología?

Creo que si no lo estamos lo vamos a estar, realmente creo en la intención del libro/s que queremos sacar sobre EDUCACION DISRUPTIVA, y les pido que no solamente crean en ella, si no que lo podemos comprobar entre todos.

Los teléfonos inteligentes y las tabletas con sus aplicaciones ahora facilitan nuestra vida cotidiana y moldean cada vez más la forma en que trabajamos en el trabajo. Las redes sociales hacen que la extensión geográfica de nuestra tierra parezca estar a solo un clic de distancia, mientras que sin ‘Google Maps’ ya no queremos o no podemos explorar una nueva ciudad. Los datos de la llamada red de sensores del Internet de las Cosas nos brindan la información meteorológica más reciente, monitorean nuestros caminos o monitorean el sueño de nuestros hijos.

Para muchos de los que no lidiamos con estas tecnologías a diario, queda oculto que gran parte de estas aplicaciones toman decisiones por nosotros, ya en parte de forma autónoma, y ​​nos roban así parte de la libertad por la que hemos luchado a través de civilización. La entrada de la inteligencia artificial (IA) en las tecnologías de la era digital madura ha estado ocurriendo durante varios años. Con sus algoritmos y los datos requeridos, los métodos individuales de IA clasifican estructuras y forman patrones, hacen predicciones y nos muestran correlaciones de lo que parece ser una gran cantidad de datos.

Para nosotros como individuos, pero también como sociedad en su conjunto, es cada vez más esencial que tengamos una comprensión básica de cómo funciona la IA. Esta es la única forma en que podemos, por ejemplo, evaluar mejor los esfuerzos para automatizar lugares de trabajo extensos o evaluar los algoritmos basados ​​en datos de los servicios públicos de manera más integral. El sesgo y la discriminación en datos y algoritmos son más fáciles de detectar, al igual que la reproducción automatizada de desigualdades y desventajas. El conocimiento básico del procesamiento inteligente de datos nos permite desarrollar juicios diferenciados: por ejemplo, con respecto a las consecuencias para la protección de datos del monitoreo centrado en datos y en relación con la elaboración de perfiles algorítmicos para, por ejemplo, publicidad personalizada.

IA y educación

Desde hace algún tiempo, la IA como subárea de la informática ha estado recibiendo una atención extremadamente exagerada, y no solo en los medios. La economía también espera un enorme impulso en la productividad de todos los sectores a través de su uso. Con el uso de IA, se esperan formas completamente nuevas de automatización de tareas humanas a través de la toma de decisiones basada en datos, así como nuevas formas de modelos comerciales con sus productos y servicios inteligentes.

También se puede ver un uso creciente de algoritmos en la educación. La pandemia de COVID-19 reforzó estas tendencias hacia la educación digitalizada. El mercado de las llamadas tecnologías educativas (EdTech) está creciendo constantemente. Se espera un mayor impulso de crecimiento a través de un uso más intensivo de EdTech basado en IA. Llamamos a este primer nivel de visualización AI for Education .

La necesaria transferencia más amplia de información y conocimiento sobre la IA está experimentando un auge. En particular, la comprensión de que los ciudadanos deben percibir y evaluar mejor su responsabilidad con respecto al uso y las implicaciones éticas de las aplicaciones de IA se considera un factor impulsor de estos desarrollos. En Alemania, por ejemplo, una iniciativa de Stifterverband está dirigida a todos los sectores de la población con oportunidades de aprendizaje digital de libre acceso sobre IA (www.ki-campus.org). Nos referimos a la faceta de la interacción de la educación a través de la IA como IA en la educación .

IA para la educación

Muchos investigadores educativos, docentes y sus instituciones esperan que un mayor uso de EdTech basado en IA personalice e individualice el aprendizaje. Las ofertas de aprendizaje a medida apoyan el aprendizaje individual. El requisito previo para esto son los algoritmos de análisis de aprendizaje que recopilan y analizan datos extensos sobre el comportamiento de aprendizaje del individuo.

A primera vista, las ventajas de un análisis de aprendizaje individualizado son obvias. El aprendizaje estandarizado se reemplaza por conceptos de aprendizaje personalizados que garantizan un alto nivel de éxito en el aprendizaje basado en el comportamiento de aprendizaje. Los alumnos con dificultades de aprendizaje o con dificultades de acceso al aprendizaje ya no esperan estar en desventaja como resultado. Posibilita un aprendizaje autodeterminado y responsable, lo que hace obsoletas las desventajas de aprender de la misma manera y reduce las desigualdades sociales.

Por mi manera de trabajar de manera multidisciplinario los datos y meta datos son básicos y los utilizo en muchos planteamientos e ideas a la vez, nunca de manera simple e individualizada, una manera de trabajar que considero se adapta mejor a la complejidad de esta nueva sociedad..

En mi conversación con Nadia Fankhauser….Me encanta, lo mío es una intuición natural y un gran entrenamiento, de hecho me encanta la gran cantidad de datos porque me fascina relacionarlos y encajarlos, para ello los manejo nunca en una sola idea, sino con muchas a la vez, que pueden o no ser convergentes, vaya, generalmente divergentes, pero me encanta la propuesta que haces de herramientas ya que eso facilita a la gente el uso de datos y meta datos como hago yo.

Supongo que con eso podrán entender que en la sociedad compleja de hoy y de mañana, los datos, por muchos que sean, deben utilizarse con elementos múltiples si puede ser a la vez, ya que es la propuesta a la que nos reta esta sociedad..

A mi lo que me interesa y lo vengo comentando es un programa de inteligencia artificial, en este caso iria de perillas esto, que me pudiera retroalimentar de manera personalizada y según los datos recibidos, según las características personalizadas de cualquier aprendiz en cualquier ámbito.

Las aplicaciones en Tablets, smartphones… en cualquier herramienta móvil, seria lo ideal, por que de este manera los propios aprendices en cualquier entorno podrían re-dirigir sus aprendizajes en cualquier momento, según el contexto, las necesidades…

Evidentemente creo que el uso de las Táblets, teléfonos inteligentes.. en la educación formal (aunque a mi no me gusta) el uso de las táblets de manera universal, mejoraría en mucho los procesos de autoaprendizaje, por sus características de interacción, retroalimentación, creatividad…

Usando la web social semántica (SSW) y el Sistema de recomendación (RS) tecnologías de la PLEc integra “competencias de aprendizaje basadas en el aprendizaje personalizada (personalized learning) para generar recomendaciones personalizadas para cada alumno.

Normalmente realizamos un análisis de los datos análisis a través de miles de sistemas separados cada uno con su propia estructura de datos única y lo hacemos a manera de Big Data, pero de manera personalizada nos cuesta diseñar aplicaciones para cada persona, porque creemos que los datos y los metadatos, solo podrán servir en retroalimentaciones uniformes y previstas.

Stephen Downes nos comenta “El LPSS lanzado en una versión inicial pre-alpha 1 de octubre de 2014. Las invitaciones pueden obtenerse dirigiéndose a http://lpss.me y rellenando el formulario corto. También se pedirá a los usuarios si les gustaría participar en la investigación del desarrollo LPSS (esto no es necesario y toda la investigación personal está sujeto a Gobierno estricto de protocolos de ética de la investigación de Canadá). Funcionalidad en este sistema temprana es limitada; la primera versión se centró en la agregación de contenidos, la importación de competencias y definición, y simple recomendación.

Vemos que es mejor la posición de análisis y crítica personalizados avanzando en cada momento del aprendizaje y de la persona (razones sociales, cognitivas…) que mantener aquellos aspectos que ya hemos adquiridos y dejarlos de parte, ya que si lo hacemos así, convergeremos en muchos aspectos pero a medio largo plazo volveremos a “amontonar” procesos, ideas, comprobaciones…y tenderemos a clasificarlos, con lo que regresaremos al mundo de las jerarquías y los sistemas.

Esto nos acerca al santo grial de la personalización: donde la analítica del contenido adecuado, del proceso que necesitamos, de la retroalimentación que nos reindique el nuevo camino… para el alumno, en lugar de que el alumno deba encontrar estos datos por sí mismos.”

Aquí tenemos un ejemplo de geolocalización, el cual irá cambiando a medida que las necesidades personales lo hagan…

http://www.yelp.es/…/JmYckPs…/review/-C5cCA4wb33U78LQJwe-0w… (Yelp1)

Cuando usamos la analítica para entender cómo pepitas individuales de contenido se realiza, por ejemplo, que los alumnos acceden a los Nuggets, la forma en que están accediendo a ellos, en los que los están utilizando, que es el uso de ellos, y lo que las calificaciones son -lo que acabamos es con la capacidad de hacer ajustes frecuentes que mejoran las necesidades del alumno . Cuantos más de estos ajustes hagamos, más personalizado y más se personaliza todo el proceso, otra cosa será conseguir la automatización de la retroalimentación, lo cuál nos llevaría a un aspecto crítico, es cierto, pero por otra parte determinaria de una vez por todas que el auto-aprendizaje llegaría a su mayoría de edad y esto corresponde sin duda a la web 3.0 y/o 4.0.

Esto a su vez da a los diseñadores una conexión para el rendimiento instantáneo. Sabemos de inmediato qué tipo de impacto que cada pepita de contenido está teniendo en los aprendices, es una especie de RESONANCIA MAGNÉTICA continuada.. Esto nos acerca a el santo grial de la personalización, donde la analítica nos da el contenido adecuado para cada alumno, en lugar de que el alumno encontre el contenido por sí mismos.

Los elementos clave, sin embargo, son las pepitas de tamaño de un bocado de contenidos, perfiles de usuario, y la retroalimentación social.

El éxito de los desarrolladores de datos los que van a ser vistas como estratégicas para el negocio, el aprendizaje…, son los que van a abrazar la tendencia al desarrollo de datos-contenidos ágiles. Esto significa exponer contenido a la comunidad de aprendices, lo que les permite calificar y brindan información sobre cómo mejorar el contenido, y luego actualizar inmediatamente pepitas de contenido para la mejora, muy lejos continua y permanente a partir del curso anual de actualización, o lo que es lo mismo, que los aprendices puedan personalizar los datos que les llegan de manera generalizada.

Sin retroalimentación, las personas, las organizaciiones corren a ciegas en la forma en que hace su trabajo. Lo mismo ocurre a nivel de proyecto. La evaluación efectiva, la eficiencia al hacer posible el descubrimiento y la eliminación de esfuerzo perdido y de gastos. El rigor de diseño de soporte de rendimiento requiere un conocimiento preciso de las tareas de las personas realizan y cómo trabajan en colaboración para completarlos. Se puede realizar un seguimiento del cumplimiento del proceso y los patrones de uso de los recursos de aprendizaje y rendimiento. Y la sabiduría combinada de la multitud puede manifestarse a través de una infraestructura de soporte de rendimiento que permite identificar de forma continua los errores venidos de los ensayos (ensayo-error…método cientifico). Una realidad de apoyo al rendimiento es que si un recurso no es útil, lo que nos revela rápidamente elementos ineficaces de rendimiento y facilita la mejora continua en cómo las personas realizan en conjunto y de forma independiente su aprendizaje.

Cuando eLearning era un recurso más de aprendizaje, las personas hacían promesas ridículas con respecto a su capacidad para sustituir a los formadores (esa era la autentica retroalimentación, si el proceso formativo no funcionaba, se cambiaba al formador) En ese momento la realidad era que la vinculación del hipertexto fue el único proceso de mejora, entrecomillado, claro, para mejorar eLearning y su poder de instrucción que se tenía bajo el capó. Lamentablemente, incluso cuando eLearning aumentó en la capacidad de instrucción, la metodología ha descuidado demasiado su impacto en el aprendizaje. Sin embargo, los vendedores de eLearning certifican siempre que todos los cursos que ofrecen son igualmente eficaces, nada más lejos de la realidad.

Leo mucho a Richard Culatta del Departamento de Educación de Estados Unidos . «Él dice que la personalización es la suma de tres factores: el ritmo de ajuste (individualización), ajustando el enfoque (diferenciación), y que conectan los intereses y experiencias del alumno»…

Pero difiero y mucho porque él dice que la personalización se alcanzará cuando se obtenga un estandar, una talla única y a partir de ella podremos llega a una auténtica personalización.

Hacer las conexiones a través de los mares de la información, las personas y los recursos pueden ser abrumadoras. Conversaciones en línea han propuesto Personal Gestión del Conocimiento (PKM) como método para los trabajadores del conocimiento para convertirse en estudiantes más eficaces en entornos complejos. Primero acuñado por Peter Druker en 1959, los trabajadores del conocimiento utilizan su propio conocimiento para convertir los datos en información nueva. PKM no es sólo una solución centrada en el techno para absorber más y más contenido. Es una nueva forma de trabajar que pone la tecnología al servicio de nuestros deseos naturales para conectarse, aprender y crear. Combina el pensamiento y las habilidades sociales con herramientas técnicas para informar a nuestra perspectiva y nos ayudará a procesar mejor el mundo que nos rodea. Y tradicionalistas estarán encantados de saber que la pluma y el papel son todavía una tecnología PKM útil.

Con todos estos procesos, que son más FLUJOS QUE PROCESOS,el aprendizaje consiste en “corrientes” distintas, iterativos, e interconectados de aprendizaje, que no sólo desembocan en el futuro si no que se cruzan con las corrientes de aprendizaje personales de otras personas. Y juntos estas corrientes se convierten en “ríos” más grandes del aprendizaje de la que muchos se pueden beneficiar. –

Aplicación

Suite de Dashboard: La mochila comprensiva de informes de rendimiento de los estudiantes, incluyendo un Dashboard Maestro multifuncional que proporciona a los educadores con miras simples a toda la información académica disponible de un estudiante para ahorrar tiempo a los maestros y ayudarles a tomar decisiones mejor informadas de instrucción.

Seguimiento de Intervención: Herramientas y mecanismos para el seguimiento de las intervenciones de los profesores para reconocer lo que es más impactante en los logros y los resultados de los estudiantes.

Mapas de Aprendizaje: Mapas de aprendizaje mostrarán los conceptos clave de contenido y de nivel de grado para tomar decisiones mejor informadas de instrucción, desarrollado con la ayuda de especialistas de contenido con experiencia en la formación de docentes y la enseñanza. Inicialmente Los mapas de aprendizaje comunican qué normas son las normas y qué significan, y proporcionan una conexión directa con el contenido relevante. Las futuras versiones de los mapas de aprendizaje estarán conectados a los datos de rendimiento, el uso de varios tipos de evaluación. la Aplicación proporcionará un conjunto básico de aprendizaje de mapas en ELA / Alfabetización, Matemáticas, Ciencias, y de otras a áreas del racimo que los demás pueden utilizar como punto de partida para la creación de sus propios mapas personalizados de aprendizaje.

Autoría de Evaluación y entrega: Banco de artículos y herramientas para los profesores para crear, administrar y anotar las evaluaciones que se basan en el contenido que está alineado con las normas.

Etiquetado contenido y Discovery: Herramientas que los educadores pueden utilizar para buscar y contenido etiquetado sobre la base de normas u otras clasificaciones, incluyendo la búsqueda, herramientas de publicación, herramientas de alineación estándar, las normas de evaluación de rigor, motor de recomendación, gusta / disgusta y características comentando, y la integración del uso.

Repositorio de contenidos: La aplicacion utilizará una aplicación repositorio de contenido de código abierto y personalizarlo para apoyar la carga de objetos digitales para integrarse con el descubrimiento de contenido y aprendizaje, aplicaciones de mapas…

Herramientas de colaboración: Herramientas para educadores y otros asociados (como participantes STEM Learning Exchange) para colaborar en las actividades y la ejecución de programas STEM de Estudio de instrucción.

Exploración y Preparación: Aplicaciones y herramientas para apoyar a los educadores con las actividades de exploración de carreras, grados, maestrías.. para los aprendices, y para preparar a los estudiantes para carreras pero de manera personalizada Estos se conectarán a los recursos agregados a través de un STEM Intercambio de Aprendizaje y / o en esa comunidad en particular.

STEM Localizador y Programador: Solicitud de educadores para localizar y recursos STEM horarios disponibles a través de socios dentro de las Bolsas de aprendizaje STEM (por ejemplo, equipo, espacio de laboratorio, etc.).

Caminos Noticias y Actualidad Calendario: Información para los educadores y otros socios para obtener información sobre Illinois Caminos.

Todo está obviamente bajo el paraguas de los aprendizajes formales, por supuesto…. Este diseño será lo que los programadores deberán realizar para disponer de programas de Inteligencia Artificial que permitirán, primero dentro de las aulas, a los aprendices y profesores, trabajar con el personalized learning, y cuando estén más desarrollados de manera informal tal como nos proponen…

Sin embargo, los críticos ven el surgimiento de un modelo similar a Netflix («Netflix para la educación»), que conducirá a un aprendizaje digitalizado orientado al consumidor y la experiencia. La adquisición de conocimientos y su interconexión a través de la interacción entre alumnos y profesores se quedan en el camino. La educación se reduce a un consumo superficial. Tales estructuras intensifican la competencia entre los proveedores de educación tradicional y digital y degradan el valor social de la educación. Porque el comportamiento de aprendizaje automatizado ofrece conclusiones detalladas sobre el contenido de aprendizaje y su preparación didáctica. Por lo tanto, proporciona la base para la transformación de la educación en industria, en la que el aprendizaje está cada vez más controlado por el precio como un bien comerciable.

La tecnología educativa basada en IA también se puede utilizar para hacer un mal uso de los datos y manipular a los alumnos y profesores. Son adecuados para monitorear a estudiantes y profesores, permiten evaluaciones extensas de usuarios y brindan declaraciones detalladas sobre el desempeño individual. El aumento de las aplicaciones educativas basadas en IA significa que los estudiantes y los profesores tienen que adaptarse cada vez más a la tecnología. Esto puede conducir a mayores desventajas y discriminación. Esto frustra la esperada democratización de la educación a través de la digitalización.

EdTech basada en IA también incluye el uso de robots. Y especialmente los estudiantes con características neurodiversas, como los alumnos autistas, pueden aprender más fácilmente con la ayuda de los robots de enseñanza y lograr un éxito de aprendizaje mucho mayor .

En resumen, para garantizar el acceso equitativo, diverso e inclusivo a la educación en la era digital, es fundamental someter las tecnologías educativas basadas en IA a la idea de bienes públicos. Deben estar disponibles para todos por igual y sin restricciones o poder ser utilizados por todas las instituciones educativas. Como la tecnología de código abierto preferida, incluido el contenido de aprendizaje abierto, no se pueden crear dependencias tecnológicas en las plataformas de aprendizaje digital individuales.

IA en la educación

La IA en la educación significa una materia que debe enseñarse en la educación escolar general, la educación académica y la formación profesional. Tiene la tarea de impartir los conocimientos básicos necesarios sobre IA al grupo objetivo para promover las habilidades y competencias digitales de cada individuo para una participación igualitaria en la vida digital del futuro.

Sin embargo, es importante distinguir entre transferencia de conocimiento especializado y general. Los especialistas diseñan, desarrollan y supervisan la amplia gama de posibles aplicaciones de IA en las empresas y la administración pública. Usted investiga el desarrollo futuro de la IA en general y se ocupa en particular de cuestiones éticas para el uso responsable de la IA para todos nosotros. Las habilidades esenciales por las que se debe luchar incluyen el pensamiento analítico, el conocimiento especializado de algoritmos de IA concretos, el manejo de datos y herramientas, así como los aspectos sociales y éticos del desarrollo y la aplicación de artefactos inteligentes.

Un conocimiento general de la IA, por otro lado, nos ayuda como sociedad en su conjunto a dominar mejor los desafíos de nuestro mundo impulsado por la tecnología, a promover la confianza y a asumir responsabilidades. En última instancia, un amplio conocimiento básico también ayuda a aumentar la empleabilidad de todos para una transformación exitosa de nuestra economía y sociedad. Desde un punto de vista económico, la calidad de nuestras habilidades especiales y básicas existentes en esta tecnología clave determinará si las posibilidades de liderazgo tecnológico seguirán existiendo en el futuro. Para Europa, esto significa en particular establecer un contrapeso a los Estados Unidos y China,

Las aplicaciones de IA tienen la capacidad básica de tomar decisiones autónomas que pueden limitar nuestra libertad o libre albedrío. En contraste con la demanda constante de una amplia educación básica en informática, pensamiento computacional , la IA en la educación requiere la transferencia explícita de conocimientos sobre principios éticos. Esto se aplica por igual a generalistas y especialistas. El objetivo debe ser aumentar la conciencia de las cuestiones éticas y sus implicaciones morales ( Digital Ethical Self-Awareness) para que tanto los desarrolladores como los usuarios de IA puedan tomar mejores decisiones. Como resultado, una de las demandas más fundamentales al tratar con la IA será más fácil de cumplir: encontrar conceptos y soluciones más equilibrados éticamente que ayuden a evitar la discriminación y el sesgo, proteger nuestra privacidad de manera más integral y preservar mejor nuestro libre albedrío.

Fortalecimiento de la conciencia ética de la IA a través de la gamificación

Nuestros valores, normas y actitudes están determinados por la afiliación cultural (Inglehart/Wetzel 2010). La tecnología en sí misma no puede ser neutral ya que contiene “las normas y valores de sus creadores humanos” (Loh 2019, 205). Esto da como resultado una serie de consecuencias diferentes para la enseñanza del pensamiento ético (digital). Por un lado, las aplicaciones de IA difícilmente pueden ser universales, por otro lado, las personas de la cultura respectiva deciden si experimentan desventajas al usarlas o no.

La narrativa del automóvil autónomo se usa a menudo como ejemplo para discutir las implicaciones éticas de las aplicaciones de IA. En muchos lugares, países, organizaciones…la instrumentalización de humanos de acuerdo con nuestra concepción ética deontológica (ética del deber). La ética anglosajona del consecuencialismo o ética del propósito, en cambio, permitiría compensar a las víctimas ante un posible accidente de una máquina y decidiría según el principio de utilidad (Simanowski 2020, 25). ¿Cómo deben equiparse estos vehículos autónomos del futuro y cómo deben tomarse decisiones cuando un “inglés” (es decir, un vehículo utilitario) provoca un accidente en Alemania y, según su evaluación de beneficios, mata a una persona mayor en favor de un grupo de niños? Es solo un extracto de muestra de las diversas cuestiones éticas que rodean a la IA que muestra la enorme responsabilidad que tienen los diseñadores de IA en lo que respecta al diseño y la implementación.

Una mediación lúdica ( gamificación ) de cuestiones éticas fundamentales parece lo más apropiado, promueve una comprensión del comportamiento de diferentes culturas y agudiza la vista para una evaluación ética de los resultados que se generan por el procesamiento de datos de los algoritmos de IA.

El enfoque lúdico promueve una conciencia ética entre los alumnos y aclara las diferencias entre las tres teorías morales esenciales (ética del propósito, del deber y de la virtud) y ayuda a comprenderlas mejor. Permite una clasificación personal en la teoría moral, que es la forma más natural para ellos de orientarse. Al elegir un juego específico, las normas y valores fundamentales pueden interiorizarse antes de que se prueben y se reflejen frente a las convicciones de una de las teorías morales. Los juegos en sí evolucionan desde cuestiones éticas generales a otras específicas. De esta manera, se pueden abordar y resolver las diferencias éticas en la percepción, ya que se pueden encontrar conexiones y acuerdos entre los aprendices.

IA en educación y diversidad

La IA en la educación también debe estar sujeta a los hallazgos internacionales sobre el acceso neurodiverso e inclusivo al contenido de aprendizaje. La neurodiversidad aborda la diversidad biológica del cerebro humano y su procesamiento. El concepto niega la estigmatización de las personas con diferencias neurológicas como una característica patológica en el sentido de una enfermedad, trastorno o deficiencia. La neurodiversidad acepta las diferencias naturales del cerebro humano en sociabilidad, aprendizaje, atención, estado de ánimo y otras funciones mentales importantes (Armstrong 2011, 3).

Los estudiantes neurodiversos, que pueden representar hasta el 20% de la población, incluidas, por ejemplo, diversas formas de dislexia, así como formas autistas o TDAH, deben abordarse de manera inclusiva pero explícita. La neurodiversidad reconoce la diversidad de todas las personas, por lo que nadie es «neurotípico», donde «típico» es descriptivo o normativo; sin embargo, se tienen en cuenta las diferencias categóricas. Una analogía sería que físicamente no existe un ser humano «típico» (cada ser humano es diferente de los demás en términos de características y habilidades). No existe un estándar universalmente aceptado que juzgue a un grupo como superior a otro. A pesar de los prejuicios en el trato con nuestra diversidad física y fisiológica, nadie debe ser juzgado mejor o peor.

Por lo tanto, no solo es importante sino lógico comprender cómo piensan, sienten y aprenden los grupos neurodiversos. Esta es la única manera de que todos tengan la oportunidad de participar en la vida digital en igualdad de condiciones. Técnicas simples como reducir la cantidad de texto o proporcionar instrucciones claras y graduadas y aceptar resultados diferenciados promueven la transferencia de conocimiento inclusiva, especialmente en el campo de la IA. En particular, la gamificación como aprendizaje interactivo y experiencial abre estilos de adquisición de conocimiento que no solo son adecuados para neurodiversos, sino para todos los estudiantes por igual.

La IA en la educación debe tener en cuenta todas las formas de diversidad para que nosotros, como humanidad, podamos seguir beneficiándonos de las ventajas de esta tecnología clave en el futuro. Esta es la única forma en que nosotros, como sociedad, podemos garantizar la participación igualitaria e inclusiva en la vida y el trabajo digital para todas las personas. Y con eso también podemos comprender y evaluar mejor las implicaciones éticas de lidiar con la inteligencia artificial y estaríamos en condiciones de clasificar mejor las expectativas exageradas de los medios sobre la IA. Y como ciudadanos responsables, podemos votar por todos nosotros de una manera más informada sobre el diseño futuro de la IA.

juandon

FUENTES:

Este es nuestro campo de trabajo de los ALGORITMOS CON EL PERSONALIZED LEARNING https://juandomingofarnos.wordpress.com/tag/algoritmos/ Juan Domingo Farnós Miró

Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM” http://www.academia.edu/3275982/PERSONALIZATION_OPPORTUNITIES_IN_THE_MOODLE_SYSTEM

B. Mobasher, “Minería de Datos para la personalización,” La Web Adaptativo: Métodos y Estrategias de Web Personalización, P. Brusilovsky, A. Kobsa, y W. Nejdl, eds., Pp. 1–46, Springer, 2007.

AI Schein, A. Popescul, y LH Ungar, “Métodos y métricas para arranque en frío Recomendaciones”, Proc. 25 de Ann. Int’l ACM SIGIR Conf. Investigación y Desarrollo en Recuperación de Información, pp. 253–260, 2002.

S. McNee, J. Riedl, y JA Konstan, “Siendo precisa no es suficiente: Cómo métricas de precisión han herido de recomendación Systems,” Proc. ACM SIGCHI resúmenes sobre Factores Humanos en Sistemas Informáticos (CHI EA ’06), pp Extended. 1097–1101, 2006.

http://www.pearson.com.ar/pte.php

 http://thenewinquiry.com/…/the-algorithm-and-the…/ The Algorithm and the Watchtower

 By Colin Koopman

Vagale, Vija “ERSONALIZATION OPPORTUNITIES IN THE MOODLESYSTEM” http://www.academia.edu/…/PERSONALIZATION_OPPORTUNITIES…