{"id":1724,"date":"2021-05-03T17:31:13","date_gmt":"2021-05-03T17:31:13","guid":{"rendered":"http:\/\/blog.taec.com.mx\/?p=1724"},"modified":"2021-09-28T16:04:23","modified_gmt":"2021-09-28T16:04:23","slug":"fundamentos-del-aprendizaje-adaptativo-para-e-learning","status":"publish","type":"post","link":"https:\/\/blog.taec.com.mx\/?p=1724","title":{"rendered":"Fundamentos del aprendizaje adaptativo para e-learning"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

Antes del e-learning, c\u00f3mo profesor, ten\u00edas que ser un h\u00e9roe y hacer todo. Un gran profesor, preparaba todo en adelantado y se alistaba para impresionar a su clase diariamente, d\u00eda tras d\u00eda por el resto de su vida laboral. Y a\u00fan as\u00ed siempre hay gente que no entender\u00e1 la lecci\u00f3n, a pesar de la mejor de las intenciones.<\/p>\n\n\n\n

Incluso los mejores profesores no son capaces de llenar el 100% de las brechas y la necesidad individual de cada ni\u00f1o. <\/p>\n\n\n\n

El aprendizaje adaptativo trata justamente este problema al tener el objetivo de democratizar la educaci\u00f3n entre los alumnos que son parte de un mismo grupo.<\/p>\n\n\n\n

Pero el potencial de la soluci\u00f3n va mucho m\u00e1s lejos. Imaginemos ahora que el profesor representa los organismos educativos que tienen la responsabilidad de llevar una educaci\u00f3n de buena calidad a todos los ni\u00f1os de una sociedad. Est\u00e1 claro: el problema es muy complicado porque de manera presencial se necesitan establecimientos, profesores, pupitres, sillas, etc\u2026 Y existe un gran d\u00e9ficit en los pa\u00edses menos desarrollados para que todos los ni\u00f1os puedan contar con una buena educaci\u00f3n.<\/p>\n\n\n\n

Por otro lado, la penetraci\u00f3n de los smartphones<\/em> en todas las sociedades representa la tecnolog\u00eda que hist\u00f3ricamente ha penetrado m\u00e1s en las poblaciones m\u00e1s pobres en d\u00f3nde se ha mantenido un uso com\u00fan y consistente.<\/p>\n\n\n\n

El tel\u00e9fono celular representa la tecnolog\u00eda con mayor penetraci\u00f3n nacional sumando un total de 86.5 millones de personas<\/strong> usuarias en el pa\u00eds. Existen m\u00e1s mujeres (44.7 millones) que usan el tel\u00e9fono celular que hombres (41.8 millones)<\/p>INEGI, ENDUTIH 2019<\/cite><\/blockquote>\n\n\n\n

El aprendizaje adaptativo permitir\u00e1 educar a cada persona que tenga un smartphone<\/em> a su disposici\u00f3n. Utilizando software educativo de alt\u00edsima calidad que cuente con la suficiente tecnolog\u00eda de IA y Machine Learning<\/em> para darle un seguimiento personalizado a cada usuario independientemente de quien sea o d\u00f3nde est\u00e9, de preferencia siempre acompa\u00f1ado por un docente.<\/p>\n\n\n\n

Ahora abordaremos (1) Origen y evoluci\u00f3n del concepto del Aprendizaje adaptativo (2)  una  taxonom\u00eda general de lo que es el aprendizaje adaptativo. (3) C\u00f3mo se puede poner en marcha y (4) a qu\u00e9 elementos el docente, capacitador o instructor se tiene que someter para obtener resultados favorables. (5) escaneo de las capacidades y habilidades por medio de IA para adaptarse al aprendiza<\/p>\n\n\n\n

1. Origen y evoluci\u00f3n del concepto de aprendizaje adaptativo<\/h3>\n\n\n\n

El aprendizaje adaptativo tiene su origen en la d\u00e9cada de los cincuentas de la mano del psic\u00f3logo B.F Skinner  principal desarrollador y expositor del conductismo, quien inventa la primera m\u00e1quina de aprendizaje adaptativo, mec\u00e1nica, con rollos de papel , preguntas y respuestas que el alumno iba desarrollando. <\/p>\n\n\n\n

. Ya en la d\u00e9cada de los setentas, esta rama de la educaci\u00f3n se fortalece cuando surge la primera tecnolog\u00eda de \u201cInteligencia artificial\u201d. Desde ese momento los humanos ya esperaban que esta tecnolog\u00eda rellenar\u00e1 al 100%  la carencia de personalizaci\u00f3n en la formaci\u00f3n que existe en los m\u00e9todos tradicionales.<\/p>\n\n\n\n

2. Una taxonom\u00eda general del aprendizaje adaptativo actual<\/h3>\n\n\n\n

El aprendizaje adaptativo acorta las brechas que existen en el entendimiento de cada individuo y mapea las posibilidades para que cualquier pueda obtener una personalizaci\u00f3n exacta de su necesidad de aprendizaje. El aprendizaje para cada individuo en realidad siempre ser\u00e1 diferente ya que las habilidades de los individuo var\u00edan. <\/p>\n\n\n\n

 Digamos que ponemos un examen para evaluar las habilidades de los alumnos, y  digamos que todos sacan el 80% correcto. El 20% que cada alumno tiene incorrecto variar\u00e1 de reactivo y problema. Todos tienen un nivel parecido pero todos tienen debilidades y fortalezas que var\u00edan. El aprendizaje adaptativo vuelve visible el proceso personal y permite un seguimiento detallado del avance del alumno que detalla y visibiliza sus carencias particulares.<\/p>\n\n\n\n

3. \u00bfC\u00f3mo se puede aplicar el aprendizaje adaptativo al e-learning?<\/h3>\n\n\n\n

De manera tan simple o tan compleja como lo desee el docente. En los casos m\u00e1s avanzados se cuenta con la ayuda de la IA y de machine learning<\/em> pero no hay que olvidar que todo proviene de un dise\u00f1o instruccional y de un dise\u00f1o de experiencia de aprendizaje. en d\u00f3nde el docente va a tener que estar profundamente involucrado para definir los diferentes caminos de adaptabilidad del aprendizaje que pueden existir. <\/p>\n\n\n\n

Un ejemplo simple ser\u00eda dise\u00f1ar una experiencia de matem\u00e1ticas para ni\u00f1os de preescolar en donde al ense\u00f1arles a sumar identificamos los 10 tipos de error de razonamiento m\u00e1s comunes por los cuales los chicos se confunden al sumar. <\/p>

Dise\u00f1amos el ejercicio con suficientes reactivos para obtener una muestra estad\u00edstica del tipo de error de razonamiento que est\u00e1 cometiendo el alumno en particular. Entonces programamos la experiencia para que la misma computadora pueda identificar estad\u00edsticamente el tipo de error de razonamiento y le despliegue autom\u00e1ticamente una gu\u00eda para entender y evitar dicho tropiezo al razonar.<\/p><\/blockquote>\n\n\n\n

Podr\u00edamos utilizar algoritmos de machine learning<\/em> que permiten hacer esta recolecta de informaci\u00f3n personalizada a la vez que despliegan tambi\u00e9n outputs personalizados si quisi\u00e9ramos hacerlo con ejercicios y opciones cada vez m\u00e1s complejos.  <\/p>\n\n\n\n

Un ejemplo m\u00e1s complejo es aquel que desarrolla mapas mentales a base de nodos de conocimiento que el alumno va progresivamente validando o no. Dependiendo de la validaci\u00f3n de estos nodos se puede hacer un  mapa de conocimiento que refleja en una simulaci\u00f3n el nivel de aprendizaje y conocimiento del cerebro en dicho tema.<\/p>\n\n\n\n

Para poner en pr\u00e1ctica de manera met\u00f3dica se utilizan 2 teor\u00edas. La teor\u00eda de la informaci\u00f3n (information theory), y la teor\u00eda de espacio de aprendizaje (Learning space theory)<\/p>\n\n\n\n

La teor\u00eda de la informaci\u00f3n. nace en 1948 por Claude Shanon que desarrolla la teor\u00eda matem\u00e1tica de la informaci\u00f3n. <\/p>\n\n\n\n

En pocas palabras: Cuando comprimes la informaci\u00f3n est\u00e1s sustrayendo  todo el contenido redundante. Este contenido es representado por alternativas de m\u00ednima probabilidad. Por otra parte, cuando existen alternativas igual de probables o similares, entonces el contenido de informaci\u00f3n crece, y no puede ser sustra\u00eddo como en el caso de la informaci\u00f3n de baja probabilidad.<\/p>\n\n\n\n

Es parecido a trabajar una ecuaci\u00f3n: podemos simplificar,  comprimir Para que ocupe menos espacio o en caso de necesitar exponer cada uno de los procesos complejizar la ecuaci\u00f3n para revelar cada uno de los procesos. para que al final el todo sea igual a 1 o igual. <\/p>\n\n\n\n

Por otra parte existen 3 reglas que considerar para entender c\u00f3mo esta teor\u00eda nos ayuda a generar pr\u00e1cticas de aprendizaje adaptativo:<\/p>\n\n\n\n