El impacto de la inteligencia artificial en la interacción alumno-instructor en el aprendizaje en línea

by | J de Jun de 2022 | Educación superior, Journal, Tecnología

Resumen

Los sistemas de inteligencia artificial (IA) ofrecen un soporte efectivo para el aprendizaje y la enseñanza en línea, incluida la personalización del aprendizaje para los estudiantes, la automatización de las tareas rutinarias de los instructores y la potenciación de las evaluaciones adaptativas. Sin embargo, si bien las oportunidades para la IA son prometedoras, el impacto de los sistemas de IA en la cultura, las normas y las expectativas sobre las interacciones entre estudiantes e instructores aún es difícil de alcanzar. En el aprendizaje en línea, la interacción alumno-instructor (entre otras cosas, comunicación, apoyo y presencia) tiene un profundo impacto en la satisfacción de los estudiantes y los resultados del aprendizaje. Por lo tanto, identificar cómo los estudiantes e instructores perciben el impacto de los sistemas de IA en su interacción es importante para identificar cualquier brecha, desafío o barrera que impida que los sistemas de IA alcancen su potencial previsto y pongan en riesgo la seguridad de estas interacciones. Para abordar esta necesidad de decisiones prospectivas, usamos Speed ​​Dating con guiones gráficos para analizar las voces auténticas de 12 estudiantes y 11 instructores en diversos casos de uso de posibles sistemas de IA en el aprendizaje en línea. Los resultados muestran que los participantes prevén que la adopción de sistemas de inteligencia artificial en el aprendizaje en línea puede permitir una interacción personalizada entre el alumno y el instructor a escala, pero con el riesgo de violar los límites sociales. Aunque los sistemas de IA han sido reconocidos positivamente por mejorar la cantidad y la calidad de la comunicación, por brindar apoyo personalizado justo a tiempo para entornos a gran escala y por mejorar la sensación de conexión, hubo preocupaciones sobre la responsabilidad, la agencia y la vigilancia. problemas. Estos hallazgos tienen implicaciones para el diseño de sistemas de IA para garantizar la explicabilidad, la participación humana y la recopilación y presentación cuidadosa de datos. En general, las contribuciones de este estudio incluyen el diseño de guiones gráficos del sistema de IA que son técnicamente factibles y apoyan positivamente la interacción alumno-instructor, capturando las preocupaciones de los estudiantes e instructores sobre los sistemas de IA a través de Speed ​​Dating, y sugiriendo implicaciones prácticas para maximizar el impacto positivo de la IA. sistemas mientras minimiza los negativos.

Introducción

Las oportunidades para la inteligencia artificial (IA) en el aprendizaje y la enseñanza en línea son amplias (Anderson et al., 1985; Panadero, 2016; Roll et al., 2018; Seo et al., 2020b; VanLehn, 2011), que van desde el aprendizaje personalizado para los estudiantes y la automatización de las tareas rutinarias de los instructores hasta las evaluaciones impulsadas por IA (Popenici & Kerr, 2017). Por ejemplo, los sistemas de tutoría de IA pueden proporcionar orientación, apoyo o retroalimentación personalizados al adaptar el contenido de aprendizaje en función de los patrones de aprendizaje o niveles de conocimiento específicos de los estudiantes (Hwang et al., 2020). Los asistentes de enseñanza de IA ayudan a los instructores a ahorrar tiempo respondiendo preguntas simples y repetitivas de los estudiantes en foros de discusión en línea y, en cambio, los instructores pueden dedicar su tiempo ahorrado a un trabajo de mayor valor (Goel & Polepeddi, 2016). El análisis de IA permite a los instructores comprender el rendimiento, el progreso y el potencial de los estudiantes al descifrar sus datos de flujo de clics (Roll & Winne, 2015; Fong et al., 2019; Seo et al., 2021; Holstein et al., 2018).

Si bien las oportunidades para la IA son prometedoras, los estudiantes e instructores pueden percibir negativamente el impacto de los sistemas de IA. Por ejemplo, los estudiantes pueden percibir la recopilación y el análisis indiscriminados de sus datos a través de sistemas de inteligencia artificial como una violación de la privacidad, como lo ilustra el escándalo de datos de Facebook-Cambridge Analytica (Chan, 2019; Suerte, 2017). El comportamiento de los agentes de IA que no tienen en cuenta el riesgo de sesgo de datos o sesgo algorítmico puede ser percibido por los estudiantes como discriminatorio (Crawford & Calo, 2016; Murphy, 2019). A los profesores les preocupa que confiar demasiado en los sistemas de IA pueda comprometer la capacidad del estudiante para aprender de forma independiente, resolver problemas de forma creativa y pensar críticamente (Wogu et al., 2018). Es importante examinar cómo los estudiantes e instructores perciben el impacto de los sistemas de IA en los entornos de aprendizaje en línea (Cruz-Benito et al., 2019).

La comunidad AI in Education (AIEd) explora cada vez más el impacto de los sistemas de IA en la educación en línea. Por ejemplo, Roll y Wylie (2016) piden una mayor participación de los sistemas de IA en la comunicación entre estudiantes e instructores, y en las aplicaciones educativas fuera del contexto escolar. Al mismo tiempo, Zawacki-Richter y sus colegas (2019) realizó una revisión sistemática de las publicaciones de AIEd de 2007 a 2018 y, como resultado, encontró una falta de reflexión crítica sobre el impacto ético y los riesgos de los sistemas de IA en la interacción alumno-instructor. Popenici y Kerr (2017) investigó el impacto de los sistemas de IA en el aprendizaje y la enseñanza, y descubrió conflictos potenciales entre estudiantes e instructores, como preocupaciones por la privacidad, cambios en las estructuras de poder y control excesivo. Todos estos estudios requirieron más investigación sobre el impacto de los sistemas de IA en la interacción alumno-instructor, lo que nos ayudará a identificar brechas, problemas o barreras que impidan que los sistemas de IA alcancen su potencial previsto.

De hecho, la interacción alumno-instructor juega un papel crucial en el aprendizaje en línea. Kang e Im (2013) demostraron que los factores de la interacción alumno-instructor, como la comunicación, el apoyo y la presencia, mejoran la satisfacción de los estudiantes y los resultados del aprendizaje. La interacción alumno-instructor afecta aún más la autoestima, la motivación para aprender y la confianza de los estudiantes para enfrentar nuevos desafíos (Laura & Chapman, 2009). Sin embargo, se sabe menos acerca de cómo la introducción de sistemas de inteligencia artificial en el aprendizaje en línea afectará la interacción entre el alumno y el instructor. Guillermo (2019, pags. 7) predijo que los sistemas de IA tendrían “un profundo impacto en el aula, cambiando la relación entre maestro y alumno”. Se necesita más trabajo para comprender cómo y por qué varias formas de sistemas de IA afectan la interacción alumno-instructor en el aprendizaje en línea (Felix, 2020).

Teniendo en cuenta los hallazgos en la literatura y las áreas para futuras investigaciones, el presente estudio tuvo como objetivo identificar cómo los estudiantes e instructores perciben el impacto de los sistemas de IA en la interacción alumno-instructor en el aprendizaje en línea. Con este fin, utilizamos Speed ​​Dating, un método de diseño que permite a los participantes interactuar rápidamente y experimentar los conceptos y las dimensiones contextuales de múltiples sistemas de IA sin ninguna implementación técnica (Davidoff et al., 2007). En Speed ​​Dating, a los participantes se les presentan varios escenarios hipotéticos a través de guiones gráficos mientras los investigadores realizan entrevistas para comprender las reacciones inmediatas de los participantes (Zimmerman & Forlizzi, 2017). Estas entrevistas brindaron excelentes oportunidades para comprender la forma en que los estudiantes e instructores perciben el impacto de los sistemas de IA en la interacción alumno-instructor y los límites más allá de los cuales los sistemas de IA se perciben como «invasivos».

El estudio ofrece varias contribuciones únicas. Primero, como parte del método, diseñamos guiones gráficos que se pueden usar para facilitar más investigaciones sobre las implicaciones de la IA para el aprendizaje en línea. En segundo lugar, el estudio documenta las principales promesas y preocupaciones de la IA en el aprendizaje en línea, tal como las perciben tanto los estudiantes como los profesores de educación superior. Por último, identificamos implicaciones prácticas para el diseño de sistemas basados ​​en IA en el aprendizaje en línea. Estos incluyen énfasis en la explicabilidad, el ser humano en el circuito y la recopilación y presentación cuidadosa de datos.

Este artículo está organizado de la siguiente forma: La siguiente sección proporciona el marco teórico y los antecedentes detrás de este trabajo de investigación al describir los aspectos principales de la interacción alumno-instructor y los sistemas de IA en la educación. “materiales y métodosLa sección ” está relacionada con el enfoque metodológico seguido en esta investigación y describe los guiones gráficos utilizados para recopilar datos, los participantes, el procedimiento de estudio y el análisis cualitativo realizado. “RecomendacionesLa sección ” muestra los resultados obtenidos y los principales hallazgos relacionados con la pregunta de investigación. Finalmente, «Discusión y conclusión” proporciona una descripción general de las conclusiones del estudio, las limitaciones y la investigación futura.

Fondo

Este documento explora el impacto de los sistemas de IA en la interacción alumno-instructor en el aprendizaje en línea. Primero propusimos un marco teórico basado en estudios sobre la interacción alumno-instructor en el aprendizaje en línea. Luego revisamos los sistemas de IA actualmente en uso en entornos de aprendizaje en línea.

Marco teórico

La interacción es primordial para el éxito del aprendizaje en línea (Banna et al., 2015; Nguyen et al., 2018). Los estudiantes intercambian información y conocimientos a través de la interacción y construyen nuevos conocimientos a partir de este proceso (Jou et al., 2016). moore (1989) clasificaron estas interacciones en el aprendizaje en línea en tres tipos: alumno-contenido, alumno-alumno y alumno-instructor. Estas interacciones ayudan a los estudiantes a ser más activos y comprometidos con sus cursos en línea (Seo et al., 2021; Martín et al., 2018) y, al hacerlo, fortalecer su sentido de comunidad, que es esencial para el uso continuo de las plataformas de aprendizaje en línea (Luo et al., 2017).

Martín y Bolliger (2018) encontró que la interacción alumno-instructor es la más importante entre los tres tipos de interacciones de Moore. Los instructores pueden mejorar la participación y el aprendizaje de los estudiantes proporcionando una variedad de canales de comunicación, apoyo, estímulo y retroalimentación oportuna (Martin et al., 2018). Los profesores también pueden mejorar el sentido de comunidad de los estudiantes participando y guiando debates en línea (Shackelford & Maxwell, 2012; Zhang et al., 2018). Colectivamente, la interacción alumno-instructor tiene un impacto significativo en la satisfacción y el rendimiento de los estudiantes en el aprendizaje en línea (Andersen, 2013; kang e im, 2013; Caminante, 2016).

El modelo de cinco factores de la interacción alumno-instructor ofrece una perspectiva útil para interpretar las interacciones entre los alumnos y el instructor en el aprendizaje en línea (consulte la Tabla 1; Kang, 2010). Robinson et al. (2017) encontró que la comunicación y el apoyo son factores clave de la interacción alumno-instructor para el diseño significativo…

[Truncado a 10.000 caracteres] [Traducido automáticamente]
Publicación Original

Publicar capacitación

Publique su primera capacitación en Online Education Center totalmente gratis.

Newsletter

Diariamente enviamos un newsletter con los últimos artículos publicados.