Técnicas para el uso de la IA en la evaluación sumativa y formativa.

Técnicas para el uso de la IA en la evaluación sumativa y formativa.

Firas Alhafidh, Doctor en Educación.

Resumen:

La Inteligencia Artificial (IA) está transformando rápidamente las prácticas de evaluación educativa al ofrecer técnicas innovadoras para las evaluaciones formativas y sumativas. Este artículo explora varias técnicas impulsadas por IA utilizadas en contextos de evaluación educativa, incluida la calificación automatizada, la retroalimentación personalizada, el diseño de evaluación adaptativa, el análisis del aprendizaje y el apoyo a la evaluación entre pares. A través de la integración del aprendizaje automático, el procesamiento del lenguaje natural y el análisis de datos, estas técnicas permiten a los educadores proporcionar experiencias de evaluación personalizadas, eficientes y efectivas para los estudiantes. Además, las evaluaciones habilitadas por IA facilitan la toma de decisiones basada en datos, lo que permite a los educadores identificar brechas de aprendizaje, realizar un seguimiento del progreso de los estudiantes y adaptar la instrucción a las necesidades individuales. Sin embargo, la adopción generalizada de la IA en la educación también plantea consideraciones importantes relacionadas con la privacidad, la ética y la equidad, que deben abordarse cuidadosamente. En consecuencia, el avance continuo de las tecnologías de IA es muy prometedor para mejorar aún más las prácticas de evaluación en la educación, fomentando en última instancia el éxito y el rendimiento de los estudiantes en la era digital.

Palabras clave: IA, Sumativa, Formativa, Evaluación

Introducción

La Inteligencia Artificial (IA) está revolucionando el campo de la educación al ofrecer técnicas innovadoras para las evaluaciones formativas y sumativas. Estas técnicas aprovechan los algoritmos de aprendizaje automático, el procesamiento del lenguaje natural y el análisis de datos para proporcionar experiencias de evaluación personalizadas, eficientes y confiables tanto para estudiantes como para educadores. A continuación se presentan algunas de las técnicas clave para utilizar la IA en contextos de evaluación formativa y sumativa:

1.       Calificación automatizada:

·         Evaluaciones objetivas: Los algoritmos de IA pueden automatizar el proceso de calificación de evaluaciones objetivas, como preguntas de opción múltiple, afirmaciones de verdadero/falso y ejercicios para rellenar los espacios en blanco (Feng et al., 2009). Los modelos de aprendizaje automático se entrenan en un gran conjunto de datos de respuestas de muestra para reconocer las respuestas correctas, lo que permite una calificación rápida y coherente.

·         Evaluaciones basadas en rúbricas: Los sistemas de IA también pueden evaluar evaluaciones subjetivas basadas en rúbricas predefinidas (Devasahayam y Reddy, 2017). Al analizar los patrones lingüísticos y la coherencia semántica, los algoritmos de procesamiento del lenguaje natural pueden evaluar las respuestas escritas en cuanto a la relevancia, organización y coherencia del contenido.

2.       Comentarios personalizados:

·         Retroalimentación inmediata: Las herramientas de evaluación impulsadas por IA pueden proporcionar retroalimentación instantánea a los estudiantes al completar una tarea de evaluación (Shute y Kim, 2014). Estos sistemas analizan las respuestas de los estudiantes en tiempo real y ofrecen comentarios personalizados, incluidas explicaciones de respuestas incorrectas, sugerencias de mejora y enlaces a recursos de aprendizaje adicionales.

·         Apoyo con andamios: Los sistemas de tutoría con andamios pueden ofrecer apoyo con andamios a los estudiantes en función de su rendimiento y necesidades de aprendizaje (VanLehn, 2011). Estos sistemas proporcionan sugerencias, indicaciones y explicaciones adaptativas para guiar a los estudiantes a través de tareas desafiantes, fomentando un entorno de aprendizaje de apoyo.

3.       Diseño de evaluación adaptativa:

·         Teoría de la respuesta al ítem (IRT): Las  plataformas de pruebas adaptativas impulsadas por IA utilizan la teoría de respuesta al ítem para ajustar dinámicamente el nivel de dificultad de los ítems de la evaluación en función de las respuestas de los estudiantes (Van der Linden y Glas, 2010). Los ítems se seleccionan en función de su nivel de dificultad estimado y su capacidad para discriminar entre estudiantes de alto y bajo rendimiento, lo que lleva a una estimación más precisa de las habilidades de los estudiantes.

·         Evaluaciones basadas en el dominio: Los sistemas de IA pueden implementar modelos de evaluación basados en el dominio, en los que los estudiantes avanzan a través de las evaluaciones a su propio ritmo y deben demostrar el dominio de las habilidades previas antes de avanzar a conceptos más complejos (Corbett y Anderson, 1995). Los algoritmos de aprendizaje adaptativo personalizan la secuencia y el contenido de las tareas de evaluación en función de las competencias demostradas por los estudiantes.

4.       Analítica del aprendizaje:

·         Data-Driven Insights: Las herramientas de análisis de IA analizan grandes volúmenes de datos de los estudiantes para extraer información procesable para los educadores (Papamitsiou y Economides, 2014). Estos conocimientos incluyen tendencias en el rendimiento de los estudiantes, trayectorias de aprendizaje y áreas de dificultad. Los educadores pueden utilizar estos análisis para informar la toma de decisiones educativas, identificar a los estudiantes en riesgo y adaptar las intervenciones a las necesidades individuales de aprendizaje.

·         Análisis predictivo: Los algoritmos de IA aprovechan los datos históricos de las evaluaciones para predecir el rendimiento y el comportamiento futuros de los estudiantes (Baker et al., 2011). Al identificar las señales de advertencia temprana de los desafíos académicos, el análisis predictivo permite a los educadores intervenir de manera proactiva, brindando apoyo y recursos específicos a los estudiantes con dificultades.

5.       Procesamiento del Lenguaje Natural (PLN):

·         Evaluación de ensayos: Las técnicas de PNL permiten a los sistemas de IA analizar y evaluar las respuestas escritas de los estudiantes en evaluaciones abiertas, como ensayos y preguntas de respuesta corta (Dikli, 2006). Estos sistemas pueden evaluar la coherencia, la relevancia y la profundidad de los argumentos de los estudiantes, proporcionando información valiosa sobre sus habilidades de pensamiento crítico y escritura.

·         Evaluación de la competencia lingüística: Las herramientas de evaluación lingüística impulsadas por IA utilizan la PNL para evaluar la competencia de los estudiantes en una lengua meta (Chapelle y Douglas, 2006). Estas herramientas analizan las respuestas orales y escritas para la gramática, el uso del vocabulario, la pronunciación y la fluidez, proporcionando evaluaciones objetivas de las habilidades lingüísticas.

6.       Apoyo a la evaluación entre pares:

·         Asistencia para la revisión por pares: Los sistemas de IA pueden facilitar la evaluación por pares al proporcionar pautas, rúbricas y ejemplos a los estudiantes que participan en actividades de revisión por pares. Estos sistemas también pueden analizar la retroalimentación de los compañeros para identificar patrones y discrepancias, proporcionando a los estudiantes información adicional sobre sus fortalezas y áreas de mejora (Patchan y Schunn, 2007).

·         Garantía de calidad: Los algoritmos de IA pueden evaluar la calidad y la fiabilidad de las evaluaciones generadas por pares comparándolas con las evaluaciones de expertos. Al identificar valores atípicos y discrepancias, los sistemas de IA garantizan la coherencia y la equidad de los procesos de evaluación por pares (Cho y MacArthur, 2010).

7.       Monitoreo e intervención en tiempo real:

·         Seguimiento de la actividad: Las plataformas de evaluación habilitadas para IA monitorean las interacciones de los estudiantes con las tareas de evaluación en tiempo real, capturando datos sobre el tiempo dedicado, los niveles de participación y los patrones de interacción. Los educadores pueden utilizar esta información para identificar a los estudiantes que pueden requerir apoyo o intervención adicional, interviniendo con prontitud para abordar las dificultades de aprendizaje (Baker et al., 2010).

·         Alertas inteligentes: Los sistemas de IA pueden generar alertas y notificaciones basadas en criterios predefinidos, como la inactividad prolongada, los errores repetidos o las desviaciones de las trayectorias de aprendizaje esperadas. Estas alertas inteligentes impulsan a los educadores a intervenir de manera proactiva, brindando apoyo y orientación oportunos a los estudiantes según sea necesario (Baker et al., 2019).

Estas técnicas permiten a los educadores crear experiencias de evaluación más personalizadas, eficientes y efectivas para los estudiantes, lo que en última instancia fomenta el éxito y el rendimiento de los estudiantes en la era digital.

Conclusión

En conclusión, la integración de técnicas de IA tanto en las evaluaciones formativas como en las sumativas representa un avance transformador en las prácticas de evaluación educativa. Estas técnicas aprovechan el poder del aprendizaje automático, el procesamiento del lenguaje natural, el análisis de datos y los algoritmos de aprendizaje adaptativo para proporcionar experiencias de evaluación personalizadas, eficientes y efectivas para estudiantes y educadores. Al automatizar la calificación, proporcionar comentarios personalizados, adaptar el diseño de la evaluación, analizar el análisis del aprendizaje y respaldar la evaluación entre pares, las técnicas impulsadas por IA ofrecen numerosos beneficios, incluida la mejora de la eficiencia, la equidad y la confiabilidad de las evaluaciones.

Además, las evaluaciones habilitadas por IA facilitan la toma de decisiones basada en datos, lo que permite a los educadores identificar brechas de aprendizaje, realizar un seguimiento del progreso de los estudiantes y adaptar la instrucción a las necesidades individuales. A través de la supervisión y la intervención en tiempo real, los sistemas de IA permiten a los educadores proporcionar apoyo y orientación oportunos a los estudiantes, fomentando un entorno de aprendizaje propicio para el éxito académico.

Sin embargo, la adopción generalizada de técnicas de IA en la educación también plantea consideraciones importantes relacionadas con la privacidad, la ética y la equidad. Los educadores y los responsables políticos deben abordar estos desafíos de manera reflexiva, asegurándose de que las evaluaciones impulsadas por IA respeten los principios de equidad, transparencia e inclusión.

De cara al futuro, el avance continuo de las tecnologías de IA es muy prometedor para mejorar aún más las prácticas de evaluación en la educación. Al adoptar la innovación, la colaboración y el uso ético de la IA, los educadores pueden aprovechar estas poderosas técnicas para promover el aprendizaje, la participación y el rendimiento de los estudiantes en la era digital. A medida que navegamos por el panorama cambiante de la evaluación educativa, es esencial aprovechar el potencial de la IA de manera que empodere a los educadores, apoye a los alumnos y promueva los objetivos de la educación para todos.

Referencias:

Feng, M., Heffernan, N. T., & Koedinger, K. R. (2009). Addressing the assessment challenge in an intelligent tutoring system that tutors as it assesses. User Modeling and User-Adapted Interaction, 19(3), 243-266.

Devasahayam, S., & Reddy, M. (2017). Automated Essay Scoring: A Review of Systems and Applications. Computational Intelligence and Neuroscience, 2017, 1-9.

Shute, V. J., & Kim, Y. J. (2014). Formative and stealth assessment. In J. M. Spector, M. D. Merrill, J. Elen, & M. J. Bishop (Eds.), Handbook of Research on Educational Communications and Technology (pp. 311-321). Springer.

VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197-221.

Baker, R. S., D'Mello, S. K., Rodrigo, M. M., & Graesser, A. C. (2011). Better to be frustrated than bored: The incidence, persistence, and impact of learners' cognitive–affective states during interactions with three different computer-based learning environments. International Journal of Human-Computer Studies, 69(1-2), 1-20.

Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining: towards communication and collaboration. In 4th International Conference on Learning Analytics and Knowledge (LAK '14) (pp. 252-256). ACM.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2010). Detecting student misuse of intelligent tutoring systems. In International Conference on Artificial Intelligence in Education (pp. 531-538). Springer, Berlin, Heidelberg.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2011). Detecting emotional and cognitive student states in intelligent tutoring systems. In Workshop Proceedings of the 15th International Conference on Artificial Intelligence in Education (pp. 47-56).

Bishop, C. M. (2019). Pattern Recognition and Machine Learning. Springer.

Williamson, B. (2019). Governing by numbers: Data infrastructures and the politics of identity. Information, Communication & Society, 22(7), 907-925.

Kobayashi, T., Kawase, R., & Hayashi, Y. (2013). Automatic scoring system for Japanese text based on syntax analysis. In International Conference on Intelligent Tutoring Systems (pp. 255-257). Springer, Berlin, Heidelberg.

Siemens, G., Gasevic, D., & Dawson, S. (2015). Preparing for the digital university: A review of the history and current state of distance, blended, and online learning. Athabasca University Press.

Means, B., Bakia, M., & Murphy, R. (2013). Learning online: What research tells us about whether, when and how. Routledge.

Blikstein, P., & Wilensky, U. (2014). An atom is known by the company it keeps: A constructionist learning environment for materials science using agent-based modeling. International Journal of Computer-Supported Collaborative Learning, 9(2), 131-162.

D'Mello, S. K., & Graesser, A. C. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145-157.

VanLehn, K., Lynch, C., Schulze, K., Shapiro, J. A., Shelby, R., Taylor, L., ... & Treacy, D. (2005). The Andes physics tutoring system: Lessons learned. International Journal of Artificial Intelligence in Education, 15(3), 147-204.

Pellegrino, J. W., Chudowsky, N., & Glaser, R. (Eds.). (2001). Knowing what students know: The science and design of educational assessment. National Academies Press.

Cho, K. K., & MacArthur, C. D. (2010). Assessment of the validity of peer and self-assessment processes. In Handbook of Research on Educational Communications and Technology (pp. 1065-1075). Springer.

Chapelle, C. A., & Douglas, D. (2006). Assessing Language Through Computer Technology. Cambridge University Press.

Patchan, M. M., & Schunn, C. D. (2007). Exploring peer review as a strategy for increasing the depth of students' cognitive processing of scientific claims. Journal of the Learning Sciences, 16(3), 401-440.