Vinculando el aprendizaje automático a los estándares de ciencia de nueva generación
11 de mayo de 2021
Los Next Generation Science Standards (NGSS®) abogan por un aprendizaje multidimensional que enfatiza la integración de las prácticas científicas con la comprensión conceptual de las ideas centrales para preparar mejor a los estudiantes para el mundo actual. El aspecto más importante de implementar el NGSS en el aula es su énfasis en el aprendizaje multidimensional de la ciencia y la práctica docente que apoya a los estudiantes. A medida que los estudiantes navegan por la vida diaria, desarrollan de forma natural conocimientos intuitivos y patrones de razonamiento que moldean su aprendizaje, incluido el aprendizaje de ciencias. A medida que los estudiantes participan en estas experiencias, es igualmente importante que los profesores estén preparados para interpretar las respuestas escritas de los estudiantes moldeadas por estas experiencias. Como resultado de esta necesidad, se ha realizado un estudio reciente financiado por la National Science Foundation, Student Reasoning Patterns in Next Generation Science Standards Assessment (SPIN-NGSS), que lidero junto a mis colegas de ETS con el objetivo de desarrollar herramientas automatizadas. Estas herramientas están destinadas a ayudar a los profesores a interpretar datos de evaluaciones alineadas con estos estándares para revelar patrones de razonamiento estudiantil, ayudando a reflejar debilidades particulares en el razonamiento estudiantil.
Construyendo sobre lo que los estudiantes aportan a clase
Los estudiantes aportan ideas diversas, habilidades de razonamiento y experiencias vitales al aula. Cuando se trata de comprender el mundo de la ciencia, las experiencias en la primera infancia pueden haber llevado a los niños a desarrollar habilidades de razonamiento causal que aplican ampliamente. Aprovechar las experiencias cotidianas de los estudiantes puede ser una forma eficaz de ampliar las ideas y estrategias de razonamiento existentes que los niños hayan desarrollado. Los patrones de razonamiento de los estudiantes reflejan una diversidad de ideas intuitivas y pueden considerarse pasos intermedios hacia una comprensión científica sofisticada. Sin embargo, a veces los estudiantes pueden aportar ideas al aula que el profesor considera inexactas y luego recibir instrucciones con conceptos precisos. Esta estrategia de sustitución puede hacer que los estudiantes memoricen los conocimientos escolares pero recurran a sus conceptos erróneos cuando se les pide que expliquen fenómenos científicos.
Patrones de razonamiento del estudiante en el aprendizaje y evaluaciones de ciencias de nueva generación
La investigación ha identificado distintos "estilos de razonamiento" de los científicos que involucran las tres dimensiones de conocimiento requeridas por el NGSS, a saber: las ideas disciplinarias centrales (DCIs), las prácticas de ciencia e ingeniería (SEPs) y los conceptos transversales (CCC). Hay menos documentación de los patrones de razonamiento de los estudiantes en el aprendizaje multidimensional. Con más evaluaciones alineadas con el NGSS disponibles, existen oportunidades para investigar características características del razonamiento estudiantil.
Como parte de nuestro proyecto de subvención, mis compañeros de ETS y yo hemos estado utilizando datos existentes de evaluación alineados con NGSS para identificar patrones típicos de razonamiento de los estudiantes. Por ejemplo, al explicar un concepto específico de ciencias, descubrimos que algunos estudiantes se centraban únicamente en describir observaciones y datos, mientras que otros solo aportaban principios científicos sin consultar datos ni evidencias. Finalmente, descubrimos que algunos intentaron integrar tanto datos como principios científicos en su razonamiento. Diagnosticar estos patrones de razonamiento es útil para generar retroalimentación personalizada que aborde las lagunas en el razonamiento estudiantil. En las aulas de ciencias, los profesores necesitan ayuda para identificar patrones de razonamiento estudiantil.
Diagnóstico automatizado de los patrones de razonamiento del estudiante
Para ayudar a los profesores a atender mejor las formas de razonar de los estudiantes, nuestro equipo ha desarrollado modelos de aprendizaje automático para automatizar el diagnóstico de patrones de razonamiento de los estudiantes basados en características clave relacionadas con las dimensiones NGSS. Estos modelos proporcionan tanto una etiqueta de patrón de razonamiento como evidencia en las respuestas de los estudiantes asociadas al patrón. Como parte de este proceso, los expertos en contenidos programaron primero un conjunto de respuestas de los estudiantes. Después, expertos en Procesamiento del Lenguaje Natural (PLN) utilizaron los códigos humanos para entrenar a los ordenadores a desarrollar modelos automatizados. Se aplicó un enfoque de clasificación en dos etapas. La clasificación de primera fase identifica partes de las respuestas relacionadas con las dimensiones NGSS. El segundo clasificador clasifica automáticamente respuestas completas con un patrón de razonamiento. El equipo continúa validando nuestros modelos y diseñando una herramienta automatizada de retroalimentación para apoyar el aprendizaje multidimensional en aulas de ciencias. SPIN-NGSS cubre la laguna de diagnóstico de patrones de razonamiento de los estudiantes vinculando el aprendizaje automático con el aprendizaje NGSS. Los productos de SPIN-NGSS tienen el potencial de mejorar el uso que hacen los profesores de las evaluaciones científicas para facilitar el aprendizaje del alumnado mediante retroalimentación individualizada e inmediata.
Lei Liu es Científica Senior de Investigación Gerente en ETS e Investigadora Principal de la subvención SPIN-NGSS NSF. Los co-investigadores principales del proyecto de beca SPIN-NGSS son Dante Cisterna (Desarrollador Asociado de Investigación, ETS), Aoife Cahill (Científica Senior Gerente de Investigación de ETS) y Matthew Johnson (Director Principal de Investigación de ETS).
Mira el vídeo del equipo del proyecto que destaca sus logros, que aparecerá en el STEM for All Video Showcase 2021.
Este material se basa en el trabajo apoyado por la National Science Foundation bajo la Subvención #2000492. Cualquier opinión, hallazgo, conclusión o recomendación expresada en este material es responsabilidad del autor o autores y no refleja necesariamente las opiniones de la National Science Foundation.