En un momento en que la IA está transformando la forma en que los estudiantes aprenden y enseñan los profesores, pocas voces son tan influyentes como la Dra. Kristen DiCerbo, directora de aprendizaje en Khan Academy. Recientemente, ETS se sentó con DiCerbo para explorar cómo el diseño de aprendizaje basado en la evidencia, las tecnologías emergentes y el compromiso con la equidad educativa se están uniendo para moldear el futuro de la instrucción personalizada.
En esta conversación, DiCerbo ofrece una mirada poco habitual y entre bastidores a lo que realmente requiere una innovación significativa en la educación. Profundiza en lo que está funcionando, lo que aún queda por resolver y cómo los educadores pueden navegar este panorama en transformación con optimismo y claridad.
Como Director de Aprendizaje en Khan Academy, has estado a la vanguardia de la integración de la IA en las experiencias de aprendizaje. ¿Qué es lo que más te entusiasma de usar señales conductuales para medir habilidades más allá de las evaluaciones tradicionales?
DiCerbo: En realidad creo que lo que la IA nos ofrece quizás no sean señales de comportamiento, sino nuevas actividades. Llevamos más de una década trabajando en el uso de señales de comportamiento en la evaluación con evidencia de simulaciones y juegos. Diría que lo más emocionante de la IA generativa y la evaluación es que permite nuevos tipos de interacciones. Por ejemplo, los estudiantes pueden tener conversaciones con IA que imitan conversaciones del mundo real. También pueden generar resultados visuales de formas que antes nunca eran posibles.
¿Por qué crees que ahora es el momento adecuado para replantear cómo medimos competencias como la colaboración y la persistencia?
DiCerbo: La capacidad de tener nuevos tipos de interacciones conversacionales abre formas más auténticas de evaluar constructos como la colaboración y la comunicación. Por ejemplo, si quisiéramos evaluar la persuasión, las personas podrían mantener conversaciones con una IA para persuadirlas de una postura. Antes de la IA generativa, las conversaciones en evaluación no eran posibles. Tomemos la evaluación PISA de 2015 sobre resolución colaborativa de problemas. Para simular diálogos colaborativos de resolución de problemas, los creadores de los tests tuvieron que usar selección de opción múltiple donde los examinados eligieron qué opción "decir" a continuación. Esto limitó significativamente el espacio posible de soluciones para los examinados y obviamente hizo que la experiencia fuera mucho menos parecida a una conversación real de resolución de problemas. Ahora, con la IA generativa, tenemos la posibilidad de que los estudiantes participen en conversaciones como lo harían con humanos para demostrar sus habilidades. Por supuesto, esto requiere un esfuerzo considerable, incluyendo cosas como intentar guiar las respuestas de la IA a las aportaciones de los estudiantes.
En cuanto a la persistencia en particular, lo veo de forma diferente a los conceptos anteriores. La persistencia consiste esencialmente en observar si alguien sigue intentándolo frente al fracaso. Hemos podido observar eso en entornos digitales al menos durante la última década (como escribí aquí en 2016).
¿Existen oportunidades para incorporar datos multimodales, como la voz o el gesto, en las evaluaciones? ¿Qué desafíos o consideraciones éticas conlleva eso?
DiCerbo: Al lanzar Khanmigo, el tutor impulsado por IA para estudiantes y asistente de profesores de Khan Academy, nuestras funciones de texto a voz y voz a texto han sido bien recibidas, especialmente como formas de reducir la carga de lectura y tecografía. A medida que avanzamos hacia la evaluación, el reto de incluir voz o gestos será evitar sesgos en la puntuación.
¿Dónde ves el mayor potencial en el uso de la IA y los datos conductuales para la medición de habilidades y qué limitaciones deberían tener en cuenta los educadores?
DiCerbo: Estamos entusiasmados de haber pilotado una función llamada "Explica tu razonamiento" con unos 8.000 estudiantes durante el último año. Los estudiantes se enfrentan a una pregunta tradicional de matemáticas y luego mantienen un diálogo con IA generativa en el que se les pide que expliquen el razonamiento detrás de su respuesta. La actividad pretende imitar lo que hacen los profesores cuando se sientan junto a un estudiante y preguntan por su trabajo. Como en investigaciones anteriores realizadas en ETS, descubrimos que los estudiantes revelan más sobre su comprensión en estos escenarios que simplemente introduciendo una respuesta. Esto significa que los profesores y otros actores obtienen más información sobre lo que los estudiantes saben y pueden hacer.
¿Cómo equilibras la profundidad de los conocimientos de estos enfoques innovadores con la necesidad de escalabilidad y practicidad en las aulas?
DiCerbo: Como ocurre con muchas cosas en la evaluación, la innovación es mejor comenzar en el espacio formativo, donde las consecuencias por cosas como el aumento del error de medición son pequeñas. Si un estudiante dedica un poco de tiempo a practicar algo que ya ha dominado porque una evaluación indicó que no lo dominaba, eso no es un error fatal. Las evaluaciones en el aula con IA generativa pueden ser creadas por los profesores con relativa facilidad, como hizo este profesor al crear exámenes orales para su clase.
De cara al futuro, ¿qué papel ves para la IA en la creación de evaluaciones que resulten auténticas y culturalmente sensibles?
DiCerbo: Necesitamos más investigación sobre si la personalización que puede ser posible con evaluaciones impulsadas por IA generativa da lugar a evaluaciones más válidas y fiables. Sin duda, la inclusión de conocimientos de fondo irrelevantes para constructos puede resultar en una menor validez para algunos examinados. Es posible que usando IA generativa, ítems de evaluación y actividades se puedan ajustar para tener en cuenta las experiencias, el lenguaje y la comprensión cultural de cada alumno. Sin embargo, hacer esto manteniendo definiciones estándar del constructo que se evalúa no es una tarea sencilla.
¿Qué investigaciones o innovaciones te entusiasman más en los próximos años para medir habilidades del mundo real a través del comportamiento?
DiCerbo: Pongo innovaciones en varios compartimentos. Esto es lo que me entusiasma.
- Tecnología que existe pero que aún no hemos optimizado para la evaluación:
- IA agente: permite que la separación de diferentes partes del proceso de evaluación sea realizada por agentes especializados
- Grandes ventanas de contexto: proporcionar a la IA grandes cantidades de información puede ayudar a obtener retroalimentación y puntuación con criterios complejos
- Tecnología disponible en los próximos 12 meses:
- Streaming asequible de texto, audio y vídeo: permite que tanto el presentador como la IA interactúen de múltiples maneras, como en esta demo de Sal y su hijo
- IA explicable: entender que el razonamiento con IA apoyará mejor aplicaciones como la puntuación, donde las puntuaciones de "caja negra" no son útiles para proporcionar retroalimentación a los estudiantes
- Modelos conscientes de la privacidad en el dispositivo: abordarán las preocupaciones sobre el intercambio de datos y la privacidad
- Tecnología disponible en los próximos 1-3 años:
- Simulaciones multiagente: los examinadores interactúan con múltiples IAs que desempeñan diferentes roles en la evaluación, simulando escenarios reales de grupo