Sistema de tutoría inteligente

format_list_bulleted Contenido keyboard_arrow_down

ImprimirCitar

Un sistema de tutoría inteligente (ITS) es un sistema informático que imita a los tutores humanos y tiene como objetivo proporcionar instrucción o retroalimentación inmediata y personalizada a los alumnos, generalmente sin requerir la intervención de un maestro humano. Los ITS tienen el objetivo común de permitir el aprendizaje de manera significativa y efectiva mediante el uso de una variedad de tecnologías informáticas. Hay muchos ejemplos de ITS utilizados tanto en la educación formal como en entornos profesionales en los que han demostrado sus capacidades y limitaciones. Existe una estrecha relación entre la tutoría inteligente, las teorías del aprendizaje cognitivo y el diseño; y hay investigaciones en curso para mejorar la eficacia de ITS. Un ITS generalmente tiene como objetivo replicar los beneficios demostrados de la tutoría personalizada uno a uno, en contextos donde los estudiantes de otro modo tendrían acceso a instrucción uno a muchos de un solo maestro (por ejemplo, conferencias en el aula) o de ningún maestro. (por ejemplo, tarea en línea). Los ITS a menudo se diseñan con el objetivo de brindar acceso a una educación de alta calidad a todos y cada uno de los estudiantes.

Historia

Primeros sistemas mecánicos

La posibilidad de máquinas inteligentes se ha discutido durante siglos. Blaise Pascal creó la primera máquina calculadora capaz de realizar funciones matemáticas en el siglo XVII, llamada simplemente Calculadora de Pascal. En esta época, el matemático y filósofo Gottfried Wilhelm Leibniz imaginó máquinas capaces de razonar y aplicar reglas de la lógica para resolver disputas. Estos primeros trabajos inspiraron desarrollos posteriores.

El concepto de máquinas inteligentes para uso educativo se remonta a 1924, cuando Sidney Pressey de la Universidad Estatal de Ohio creó una máquina de enseñanza mecánica para instruir a los estudiantes sin un maestro humano. Su máquina se parecía mucho a una máquina de escribir con varias teclas y una ventana que proporcionaba preguntas al alumno. La máquina Pressey permitió la entrada del usuario y proporcionó retroalimentación inmediata al registrar su puntuación en un contador.

Pressey fue influenciado por Edward L. Thorndike, teórico del aprendizaje y psicólogo educativo de la Escuela de Profesores de la Universidad de Columbia. Colegio de finales del siglo XIX y principios del XX. Thorndike propuso leyes para maximizar el aprendizaje. Las leyes de Thorndike incluían la ley del efecto, la ley del ejercicio y la ley de lo reciente. Según estándares posteriores, la máquina de enseñanza y evaluación de Pressey no se consideraría inteligente, ya que funcionaba mecánicamente y se basaba en una pregunta y respuesta a la vez, pero sentó un precedente para proyectos futuros.

En las décadas de 1950 y 1960, estaban surgiendo nuevas perspectivas sobre el aprendizaje. Burrhus Frederic "B.F." Skinner, de la Universidad de Harvard, no estaba de acuerdo con la teoría del aprendizaje del conexionismo de Thorndike ni con la máquina de enseñanza de Pressey. Más bien, Skinner era un conductista que creía que los alumnos debían construir sus respuestas y no depender del reconocimiento. Él también construyó una máquina de enseñanza con un sistema mecánico incremental que recompensaría a los estudiantes por las respuestas correctas a las preguntas.

Los primeros sistemas electrónicos

En el período posterior a la Segunda Guerra Mundial, los sistemas binarios mecánicos dieron paso a las máquinas electrónicas basadas en binarios. Estas máquinas se consideraban inteligentes en comparación con sus homólogas mecánicas, ya que tenían la capacidad de tomar decisiones lógicas. Sin embargo, el estudio de la definición y el reconocimiento de la inteligencia de una máquina aún estaba en sus inicios.

Alan Turing, matemático, lógico e informático, vinculó los sistemas informáticos con el pensamiento. Uno de sus artículos más notables describió una prueba hipotética para evaluar la inteligencia de una máquina que llegó a conocerse como prueba de Turing. Básicamente, la prueba haría que una persona se comunicara con otros dos agentes, un humano y una computadora, haciendo preguntas a ambos destinatarios. La computadora pasa la prueba si puede responder de tal manera que el humano que hace las preguntas no pueda diferenciar entre el otro humano y la computadora. La prueba de Turing se ha utilizado en esencia durante más de dos décadas como modelo para el desarrollo actual de ITS. El principal ideal de los sistemas ITS es comunicarse de forma eficaz. Ya en la década de 1950 surgieron programas con funciones inteligentes. El trabajo de Turing, así como proyectos posteriores de investigadores como Allen Newell, Clifford Shaw y Herb Simon, mostraron programas capaces de crear pruebas y teoremas lógicos. Su programa, The Logic Theorist, exhibió una compleja manipulación de símbolos e incluso la generación de nueva información sin control humano directo y algunos lo consideran el primer programa de IA. Estos avances inspirarían el nuevo campo de la Inteligencia Artificial nombrado oficialmente en 1956 por John McCarthy en la Conferencia de Dartmouth. Esta conferencia fue la primera de este tipo dedicada a los científicos y la investigación en el campo de la IA.

La última parte de las décadas de 1960 y 1970 vio muchos nuevos proyectos CAI (instrucción asistida por computadora) que se basaron en avances en informática. La creación del lenguaje de programación ALGOL en 1958 permitió a muchas escuelas y universidades comenzar a desarrollar programas de instrucción asistida por computadora (CAI). Los principales proveedores de computadoras y agencias federales de EE. UU., como IBM, HP y la Fundación Nacional de Ciencias, financiaron el desarrollo de estos proyectos. Las primeras implementaciones en educación se centraron en la instrucción programada (PI), una estructura basada en un sistema computarizado de entrada y salida. Aunque muchos apoyaron esta forma de instrucción, hubo pruebas limitadas que respaldaran su eficacia. El lenguaje de programación LOGO fue creado en 1967 por Wally Feurzeig, Cynthia Solomon y Seymour Papert como un lenguaje optimizado para la educación. PLATO, una terminal educativa con pantallas, animaciones y controles táctiles que podía almacenar y entregar grandes cantidades de material de curso, fue desarrollada por Donald Bitzer en la Universidad de Illinois a principios de los años 1970. Junto con estos, se iniciaron muchos otros proyectos CAI en muchos países, incluidos Estados Unidos, el Reino Unido y Canadá.

Al mismo tiempo que el CAI iba ganando interés, Jaime Carbonell sugirió que los ordenadores podrían actuar como profesores y no sólo como herramientas (Carbonell, 1970). Surgiría una nueva perspectiva centrada en el uso de computadoras para entrenar inteligentemente a los estudiantes llamada Instrucción Asistida por Computadora Inteligente o Sistemas de Tutoría Inteligentes (ITS). Mientras que CAI utilizó una perspectiva conductista del aprendizaje basada en las teorías de Skinner (Dede y Swigger, 1988), ITS se basó en trabajos en psicología cognitiva, ciencias de la computación y, especialmente, inteligencia artificial. Hubo un cambio en la investigación de la IA en este momento a medida que los sistemas pasaron del enfoque lógico de la década anterior a sistemas basados en el conocimiento: los sistemas podían tomar decisiones inteligentes basadas en conocimientos previos (Buchanan, 2006). Este programa fue creado por Seymour Papert e Ira Goldstein, quienes crearon Dendral, un sistema que predijo posibles estructuras químicas a partir de datos existentes. Se comenzó a trabajar más para mostrar el razonamiento analógico y el procesamiento del lenguaje. Estos cambios centrados en el conocimiento tuvieron grandes implicaciones sobre cómo se podrían utilizar las computadoras en la instrucción. Sin embargo, los requisitos técnicos de los ITS demostraron ser más elevados y complejos que los de los sistemas CAI y los sistemas ITS tuvieron un éxito limitado en este momento.

Hacia finales de la década de 1970, el interés en las tecnologías CAI comenzó a decaer. Las computadoras todavía eran caras y no estaban tan disponibles como se esperaba. Los desarrolladores e instructores estaban reaccionando negativamente al alto costo de desarrollar programas CAI, la provisión inadecuada para la capacitación de instructores y la falta de recursos.

Microcomputadores y sistemas inteligentes

La revolución de las microcomputadoras a finales de los años 1970 y principios de los 1980 ayudó a revivir el desarrollo de CAI e impulsar el desarrollo de sistemas ITS. Las computadoras personales como Apple 2, Commodore PET y TRS-80 redujeron los recursos necesarios para poseer computadoras y, en 1981, el 50% de las escuelas estadounidenses utilizaban computadoras (Chambers y Sprecher, 1983). Varios proyectos CAI utilizaron el Apple 2 como sistema para impartir programas CAI en escuelas secundarias y universidades, incluido el Proyecto de Columbia Británica y el Proyecto de la Universidad Estatal de California en 1981.

A principios de la década de 1980 también se vería que los objetivos de la Instrucción Inteligente Asistida por Computadora (ICAI) y los ITS divergían de sus raíces en la CAI. A medida que CAI se centró cada vez más en interacciones más profundas con contenido creado para un área de interés específica, ITS buscó crear sistemas que se centraran en el conocimiento de la tarea y la capacidad de generalizar ese conocimiento de maneras no específicas (Larkin y Chabay, 1992). . Los objetivos clave establecidos para ITS eran poder enseñar una tarea además de realizarla, adaptándose dinámicamente a su situación. En la transición de los sistemas CAI a ICAI, la computadora tendría que distinguir no sólo entre la respuesta correcta e incorrecta sino también el tipo de respuesta incorrecta para ajustar el tipo de instrucción. La investigación en Inteligencia Artificial y Psicología Cognitiva impulsó los nuevos principios de ITS. Los psicólogos consideraron cómo una computadora podría resolver problemas y realizar tareas "inteligentes". actividades. Un programa ITS tendría que ser capaz de representar, almacenar y recuperar conocimiento e incluso buscar en su propia base de datos para derivar su propio conocimiento nuevo para responder a las preguntas de los alumnos. Básicamente, las primeras especificaciones para ITS o (ICAI) requieren que "diagnostique errores y adapte la solución en función del diagnóstico" (Shute y Psotka, 1994, p. 9). La idea de diagnóstico y remediación todavía se utiliza hoy en día al programar ITS.

Un avance clave en la investigación de ITS fue la creación de The LISP Tutor, un programa que implementó los principios de ITS de manera práctica y mostró efectos prometedores aumentando el rendimiento estudiantil. El Tutor LISP fue desarrollado e investigado en 1983 como un sistema ITS para enseñar a los estudiantes el lenguaje de programación LISP (Corbett & Anderson, 1992). El Tutor LISP podría identificar errores y proporcionar comentarios constructivos a los estudiantes mientras realizaban el ejercicio. Se encontró que el sistema disminuía el tiempo necesario para completar los ejercicios y mejorar las puntuaciones de los exámenes de los estudiantes (Corbett & Anderson, 1992). Otros sistemas de ITS que comienzan a desarrollarse en este momento incluyen TUTOR creado por Logica en 1984 como herramienta de instrucción general y PARNASSUS creado en la Universidad de Carnegie Mellon en 1989 para la enseñanza de idiomas.

ITS modernos

Después de la implementación del ITS inicial, más investigadores crearon varios ITS para diferentes estudiantes. A finales del siglo XX, el proyecto Bizancio, en el que participaron seis universidades, desarrolló herramientas de tutoría inteligentes (ITT). Los ITT fueron creadores de sistemas de tutoría de propósito general y muchas instituciones obtuvieron comentarios positivos mientras los usaban. (Kinshuk, 1996) Este constructor, ITT, produciría un subprograma de tutoría inteligente (ITA) para diferentes áreas temáticas. Diferentes profesores crearon los ITA y crearon un gran inventario de conocimientos al que otros podían acceder a través de Internet. Una vez creado un ITS, los profesores podían copiarlo y modificarlo para uso futuro. Este sistema era eficiente y flexible. Sin embargo, Kinshuk y Patel creían que el ITS no fue diseñado desde un punto de vista educativo y no fue desarrollado en base a las necesidades reales de estudiantes y profesores (Kinshuk y Patel, 1997). Trabajos recientes han empleado métodos de investigación etnográfica y de diseño para examinar las formas en que los estudiantes y profesores utilizan realmente los ITS en una variedad de contextos, revelando a menudo necesidades imprevistas que satisfacen, no satisfacen o, en algunos casos, incluso crean.

Los ITS modernos suelen intentar replicar el papel de un profesor o un asistente de enseñanza y automatizan cada vez más funciones pedagógicas como la generación de problemas, la selección de problemas y la generación de retroalimentación. Sin embargo, dado el cambio actual hacia modelos de aprendizaje combinado, el trabajo reciente sobre los ITS ha comenzado a centrarse en las formas en que estos sistemas pueden aprovechar de manera efectiva las fortalezas complementarias de la instrucción dirigida por humanos por parte de un maestro o un compañero, cuando se usan en aulas compartidas u otros contextos sociales. .

Hubo tres proyectos ITS que funcionaban en base al diálogo conversacional: AutoTutor, Atlas (Freedman, 1999) y Why2. La idea detrás de estos proyectos era que, dado que los estudiantes aprenden mejor construyendo conocimientos ellos mismos, los programas comenzarían con preguntas capciosas para los estudiantes y darían respuestas como último recurso. Los estudiantes de AutoTutor se enfocaron en responder preguntas sobre tecnología informática, los estudiantes de Atlas se enfocaron en resolver problemas cuantitativos y los estudiantes de Why2 se enfocaron en explicar sistemas físicos cualitativamente. (Graesser, VanLehn y otros, 2001) Otros sistemas de tutoría similares, como Andes (Gertner, Conati y VanLehn, 1998), tienden a proporcionar sugerencias y retroalimentación inmediata a los estudiantes cuando tienen problemas para responder las preguntas. Podían adivinar sus respuestas y tener respuestas correctas sin una comprensión profunda de los conceptos. La investigación se realizó con un pequeño grupo de estudiantes utilizando Atlas y Andes respectivamente. Los resultados mostraron que los estudiantes que usaron Atlas lograron mejoras significativas en comparación con los estudiantes que usaron Andes. Sin embargo, dado que los sistemas anteriores requieren un análisis de la información de los estudiantes, diálogos, aún queda mucho por hacer para poder gestionar diálogos más complicados.

Estructura

Los sistemas de tutoría inteligentes (ITS) constan de cuatro componentes básicos basados en un consenso general entre los investigadores (Nwana,1990; Freedman, 2000; Nkambou et al., 2010):

El modelo de dominio
El modelo estudiantil
El modelo Tutoring, y
El modelo de interfaz de usuario

El modelo de dominio (también conocido como modelo cognitivo o modelo de conocimiento experto) se basa en una teoría del aprendizaje, como la teoría ACT-R, que intenta tener en cuenta todos los pasos posibles. requerido para resolver un problema. Más específicamente, este modelo "contiene los conceptos, reglas y estrategias de resolución de problemas del dominio que se va a aprender". Puede cumplir varias funciones: como fuente de conocimiento experto, estándar para evaluar el desempeño del estudiante o para detectar errores, etc." (Nkambou et al., 2010, pág. 4). Otro enfoque para desarrollar modelos de dominio se basa en la teoría del aprendizaje a partir de errores de rendimiento de Stellan Ohlsson, conocida como modelado basado en restricciones (CBM). En este caso, el modelo de dominio se presenta como un conjunto de restricciones sobre soluciones correctas.

El modelo de estudiante puede considerarse como una superposición del modelo de dominio. Se considera como el componente central de un ITS prestando especial atención a los estados cognitivos y afectivos del estudiante y su evolución a medida que avanza el proceso de aprendizaje. A medida que el estudiante trabaja paso a paso en el proceso de resolución de problemas, un ITS participa en un proceso llamado rastreo de modelos. Cada vez que el modelo de estudiante se desvía del modelo de dominio, el sistema identifica o marca que se ha producido un error. Por otro lado, en los tutores basados en restricciones, el modelo del estudiante se representa como una superposición sobre el conjunto de restricciones. Los tutores basados en restricciones evalúan la solución del estudiante frente al conjunto de restricciones e identifican las restricciones satisfechas y violadas. Si se viola alguna restricción, la solución del estudiante es incorrecta y el ITS proporciona retroalimentación sobre esas restricciones. Los tutores basados en restricciones proporcionan retroalimentación negativa (es decir, retroalimentación sobre errores) y también retroalimentación positiva.

El modelo tutor acepta información del dominio y de los modelos de estudiantes y toma decisiones sobre estrategias y acciones de tutoría. En cualquier punto del proceso de resolución de problemas, el alumno puede solicitar orientación sobre qué hacer a continuación, en relación con su ubicación actual en el modelo. Además, el sistema reconoce cuando el alumno se ha desviado de las reglas de producción del modelo y le proporciona retroalimentación oportuna, lo que resulta en un período de tiempo más corto para alcanzar el dominio de las habilidades específicas. El modelo tutor puede contener varios cientos de reglas de producción que se puede decir que existen en uno de dos estados: aprendido o no aprendido. Cada vez que un estudiante aplica con éxito una regla a un problema, el sistema actualiza una estimación de probabilidad de que el estudiante haya aprendido la regla. El sistema continúa instruyendo a los estudiantes en ejercicios que requieren la aplicación efectiva de una regla hasta que la probabilidad de que la regla haya sido aprendida alcance al menos el 95% de probabilidad.

El seguimiento del conocimiento rastrea el progreso del alumno de un problema a otro y construye un perfil de fortalezas y debilidades en relación con las reglas de producción. El sistema de tutoría cognitiva desarrollado por John Anderson en la Universidad Carnegie Mellon presenta información del seguimiento del conocimiento como un skillometer, un gráfico visual del éxito del alumno en cada una de las habilidades monitoreadas relacionadas con la resolución de problemas de álgebra. . Cuando un alumno solicita una pista o se señala un error, los datos de seguimiento del conocimiento y el medidor de habilidades se actualizan en tiempo real.

El componente interfaz de usuario "integra tres tipos de información que se necesitan para llevar a cabo un diálogo: conocimiento sobre patrones de interpretación (para comprender al hablante) y acción (para generar expresiones). dentro de los diálogos; conocimiento del dominio necesario para comunicar contenido; y conocimientos necesarios para comunicar la intención" (Padayachee, 2002, pág. 3).

Nkambou et al. (2010) mencionan la revisión de Nwana (1990) de diferentes arquitecturas que subraya un fuerte vínculo entre arquitectura y paradigma (o filosofía). Nwana (1990) declara: "[E]s casi una rareza encontrar dos ITS basados en la misma arquitectura [que] resulta de la naturaleza experimental del trabajo en el área" (pág. 258). Explica además que las diferentes filosofías de tutoría enfatizan diferentes componentes del proceso de aprendizaje (es decir, dominio, estudiante o tutor). El diseño arquitectónico de un ITS refleja este énfasis, y esto conduce a una variedad de arquitecturas, ninguna de las cuales, individualmente, puede soportar todas las estrategias de tutoría (Nwana, 1990, citado en Nkambou et al., 2010). Además, los proyectos ITS pueden variar según el nivel relativo de inteligencia de los componentes. Por ejemplo, un proyecto que destaque la inteligencia en el modelo de dominio puede generar soluciones a problemas complejos y novedosos, de modo que que los estudiantes siempre pueden tener nuevos problemas en los que trabajar, pero es posible que solo tenga métodos simples para enseñar esos problemas, mientras que un sistema que se concentra en formas múltiples o novedosas de enseñar un tema en particular podría encontrar suficiente una representación menos sofisticada de ese contenido.

Métodos de diseño y desarrollo

Aparte de la discrepancia entre las arquitecturas ITS, cada una de las cuales enfatiza elementos diferentes, el desarrollo de un ITS es muy parecido a cualquier proceso de diseño instruccional. Corbett y cols. (1997) resumieron el diseño y desarrollo de ITS en cuatro etapas iterativas: (1) evaluación de necesidades, (2) análisis de tareas cognitivas, (3) implementación inicial del tutor y (4) evaluación.

La primera etapa conocida como evaluación de necesidades es común a cualquier proceso de diseño instruccional, especialmente al desarrollo de software. Esto implica un análisis del alumno, consultas con expertos en la materia y/o los instructores. Este primer paso es parte del desarrollo del dominio experto/conocimiento y estudiante. El objetivo es especificar objetivos de aprendizaje y delinear un plan general para el plan de estudios; Es imperativo no informatizar los conceptos tradicionales, sino desarrollar una nueva estructura curricular definiendo la tarea en general y entendiendo las necesidades de los alumnos. posibles comportamientos frente a la tarea y en menor medida el comportamiento del tutor. Al hacerlo, es necesario abordar tres dimensiones cruciales: (1) la probabilidad de que un estudiante sea capaz de resolver problemas; (2) el tiempo que lleva alcanzar este nivel de desempeño y (3) la probabilidad de que el estudiante utilice activamente este conocimiento en el futuro. Otro aspecto importante que requiere análisis es la rentabilidad de la interfaz. Además, se deben evaluar las características de ingreso de los docentes y estudiantes, como los conocimientos previos, ya que ambos grupos van a ser usuarios del sistema.

La segunda etapa, análisis de tareas cognitivas, es un enfoque detallado de la programación de sistemas expertos con el objetivo de desarrollar un modelo computacional válido del conocimiento requerido para la resolución de problemas. Los principales métodos para desarrollar un modelo de dominio incluyen: (1) entrevistar a expertos en el dominio, (2) realizar sesiones de "pensar en voz alta" estudios de protocolo con expertos en el campo, (3) realizar estudios de "pensar en voz alta" estudios con principiantes y (4) observación del comportamiento de enseñanza y aprendizaje. Aunque el primer método es el más utilizado, los expertos suelen ser incapaces de informar sobre los componentes cognitivos. La función "pensar en voz alta" Los métodos en los que se pide a los expertos que informen en voz alta lo que piensan al resolver problemas típicos pueden evitar este problema. La observación de interacciones reales en línea entre tutores y estudiantes proporciona información relacionada con los procesos utilizados en la resolución de problemas, lo cual es útil para generar diálogo o interactividad en los sistemas de tutoría.

La tercera etapa, la implementación inicial del tutor, implica establecer un entorno de resolución de problemas para permitir y respaldar un proceso de aprendizaje auténtico. A esta etapa le sigue una serie de actividades de evaluación como etapa final que nuevamente es similar a cualquier proyecto de desarrollo de software.

La cuarta etapa, la evaluación, incluye (1) estudios piloto para confirmar la usabilidad básica y el impacto educativo; (2) evaluaciones formativas del sistema en desarrollo, incluidos (3) estudios paramétricos que examinan la efectividad de las características del sistema y, finalmente, (4) evaluaciones sumativas del efecto final del tutor: tasa de aprendizaje y niveles de logro asintóticos.

Se ha desarrollado una variedad de herramientas de creación para respaldar este proceso y crear tutores inteligentes, incluidas ASPIRE, Cognitive Tutor Authoring Tools (CTAT), GIFT, ASSISTments Builder y las herramientas AutoTutor. El objetivo de la mayoría de estas herramientas de creación es simplificar el proceso de desarrollo de tutores, haciendo posible que personas con menos experiencia que los programadores profesionales de IA desarrollen sistemas de tutoría inteligentes.

Ocho principios de diseño y desarrollo ITS

Anderson y cols. (1987) describieron ocho principios para el diseño de tutores inteligentes y Corbett et al. (1997) posteriormente desarrollaron esos principios destacando un principio global que creían que regía el diseño de tutores inteligentes; se refirieron a este principio como:

Principio 0: Un sistema de tutor inteligente debe permitir al estudiante trabajar hasta la conclusión exitosa de la resolución de problemas.

Representar la competencia estudiantil como conjunto de producción.
Comuníquese la estructura de objetivos subyacente a la solución de problemas.
Proporcionar instrucción en el contexto de solución de problemas.
Promover una comprensión abstracta del conocimiento de solución de problemas.
Minimizar la carga de memoria de trabajo.
Proporcionar información inmediata sobre errores.
Ajuste el tamaño del grano de la instrucción con el aprendizaje.
Facilitar aproximaciones sucesivas a la habilidad diana.

Uso en la práctica

Todo esto supone una cantidad sustancial de trabajo, incluso si ya se dispone de herramientas de creación para facilitar la tarea. Esto significa que construir un ITS es una opción sólo en situaciones en las que, a pesar de sus costos de desarrollo relativamente altos, aún reducen los costos generales al reducir la necesidad de instructores humanos o aumentar suficientemente la productividad general. Estas situaciones ocurren cuando se necesita tutoría simultánea para grupos grandes o cuando se necesitan muchos esfuerzos de tutoría replicados. Ejemplos de ello son situaciones de formación técnica, como la formación de reclutas militares y las matemáticas de la escuela secundaria. Un tipo específico de sistema de tutoría inteligente, el Tutor Cognitivo, se ha incorporado a los planes de estudios de matemáticas en un número considerable de escuelas secundarias de los Estados Unidos, lo que ha producido mejores resultados de aprendizaje de los estudiantes en los exámenes finales y las pruebas estandarizadas. Se han construido sistemas de tutoría inteligentes para ayudar a los estudiantes a aprender geografía, circuitos, diagnóstico médico, programación de computadoras, matemáticas, física, genética, química, etc. Sistemas inteligentes de tutoría de idiomas (ILTS), p.e. éste, enseña lenguaje natural a estudiantes de primera o segunda lengua. ILTS requiere herramientas especializadas de procesamiento del lenguaje natural, como diccionarios grandes y analizadores morfológicos y gramaticales con una cobertura aceptable.

Aplicaciones

Durante la rápida expansión del auge de la web, los nuevos paradigmas de instrucción asistida por computadora, como el aprendizaje electrónico y el aprendizaje distribuido, proporcionaron una plataforma excelente para las ideas ITS. Las áreas que han utilizado ITS incluyen procesamiento de lenguaje natural, aprendizaje automático, planificación, sistemas multiagente, ontologías, web semántica e informática social y emocional. Además, otras tecnologías como multimedia, sistemas orientados a objetos, modelado, simulación y estadística también se han conectado o combinado con los ITS. Áreas históricamente no tecnológicas como las ciencias de la educación y la psicología también se han visto influenciadas por el éxito de los ITS.

En los últimos años, ITS ha comenzado a alejarse de la búsqueda para incluir una variedad de aplicaciones prácticas. Los ITS se han expandido a muchos dominios cognitivos críticos y complejos, y los resultados han sido de gran alcance. Los sistemas ITS han consolidado un lugar dentro de la educación formal y estos sistemas han encontrado un lugar en el ámbito de la capacitación corporativa y el aprendizaje organizacional. ITS ofrece a los alumnos varias posibilidades, como aprendizaje individualizado, retroalimentación justo a tiempo y flexibilidad en el tiempo y el espacio.

Si bien los sistemas de tutoría inteligentes evolucionaron a partir de la investigación en psicología cognitiva e inteligencia artificial, ahora se encuentran muchas aplicaciones en la educación y las organizaciones. Los sistemas de tutoría inteligentes se pueden encontrar en entornos en línea o en un laboratorio de computación en un aula tradicional, y se utilizan en aulas K-12, así como en universidades. Hay varios programas dirigidos a las matemáticas, pero se pueden encontrar aplicaciones en las ciencias de la salud, la adquisición del lenguaje y otras áreas del aprendizaje formalizado.

Los informes de mejora en la comprensión, el compromiso, la actitud, la motivación y los resultados académicos de los estudiantes han contribuido al interés continuo en la inversión y la investigación de estos sistemas. La naturaleza personalizada de los sistemas de tutoría inteligentes brinda a los educadores la oportunidad de crear programas individualizados. Dentro de la educación existe una gran cantidad de sistemas de tutoría inteligentes; no existe una lista exhaustiva, pero a continuación se enumeran varios de los programas más influyentes.

Educación

En mayo de 2024, los tutores de IA constituyen cinco de las 20 aplicaciones educativas principales en la App Store de Apple, y dos de los líderes son desarrolladores chinos.

Algebra Tutor: PAT (PUMP Algebra Tutor o práctico Algebra Tutor) desarrollado por el Pittsburgh Advanced Cognitive Tutor Center de la Universidad Carnegie Mellon, involucra a estudiantes en problemas de aprendizaje anclados y utiliza herramientas algebraicas modernas para involucrar a los estudiantes en la solución de problemas y compartir sus resultados. El objetivo del PAT es aprovechar el conocimiento previo de un estudiante y las experiencias cotidianas con las matemáticas para promover el crecimiento. El éxito del PAT está bien documentado (ex. Oficina de Evaluación e Investigación de las Escuelas Públicas del Condado de Miami-Dade) tanto desde una perspectiva estadística (resultados académicos) como emocional (recursos académicos e instructores).
SQL-Tutor: SQL-Tutor es el primer tutor basado en restricciones desarrollado por el Intelligent Computer Tutoring Group (ICTG) en la Universidad de Canterbury, Nueva Zelanda. SQL-Tutor enseña a los estudiantes cómo recuperar datos de bases de datos utilizando la declaración SQL SELECT.
EER-Tutor: EER-Tutor es un tutor basado en restricciones (desarrollado por ICTG) que enseña el diseño de bases de datos conceptuales utilizando el modelo Entity Relationship. Una versión anterior de EER-Tutor fue KERMIT, un tutor independiente para el modelado de ER, lo que dio lugar a una mejora significativa del conocimiento del estudiante después de una hora de aprendizaje (con el tamaño de efecto de 0.6).
COLLECT-UML: COLLECT-UML es un tutor basado en restricciones que admite a pares de estudiantes que trabajan en colaboración en diagramas de clase UML. El tutor proporciona información sobre el nivel de dominio, así como sobre la colaboración.
StoichTutor: StoichTutor es un tutor inteligente basado en la web que ayuda a los estudiantes de secundaria a aprender química, específicamente la sub-área de la química conocida como la estoquiometría. Se ha utilizado para explorar una variedad de principios y técnicas de la ciencia del aprendizaje, como ejemplos trabajados y cortesía.
Mathematics Tutor: El Tutor Matemático (Beal, Beck & Woolf, 1998) ayuda a los estudiantes a resolver problemas de palabras usando fracciones, decimales y porcentajes. El tutor registra las tasas de éxito mientras un estudiante está trabajando en problemas al tiempo que proporciona problemas posteriores y apropiados para que el estudiante trabaje. Los problemas posteriores que se seleccionan se basan en la capacidad de los estudiantes y se calcula un tiempo conveniente en el que el estudiante debe resolver el problema.
eTeacher: eTeacher (Schiaffino et al., 2008) es un agente inteligente o agente pedagógico que apoya la asistencia personalizada de aprendizaje electrónico. Construye perfiles estudiantiles mientras observa el rendimiento estudiantil en cursos en línea. eTeacher utiliza la información del rendimiento del estudiante para sugerir un curso personalizado de acción diseñado para ayudar a su proceso de aprendizaje.
ZOSMAT: ZOSMAT fue diseñado para atender todas las necesidades de un aula real. Sigue y guía a un estudiante en diferentes etapas de su proceso de aprendizaje. Este es un ITS centrado en los estudiantes lo hace registrando el progreso en el aprendizaje de un estudiante y el programa de estudiantes cambia basado en el esfuerzo del estudiante. ZOSMAT puede ser utilizado para el aprendizaje individual o en un ambiente de clase real junto con la orientación de un tutor humano.
REALP: REALP fue diseñado para ayudar a los estudiantes a mejorar su comprensión de lectura proporcionando práctica lexical específica del lector y ofreciendo práctica personalizada con materiales de lectura útiles y auténticos recogidos de la Web. El sistema construye automáticamente un modelo de usuario según el rendimiento del estudiante. Después de leer, el estudiante recibe una serie de ejercicios basados en el vocabulario objetivo que se encuentra en la lectura.
CIRCSlM-Tutor: CIRCSIM_Tutor es un sistema de tutoría inteligente que se utiliza con estudiantes médicos de primer año en el Instituto de Tecnología de Illinois. Utiliza el diálogo natural, el lenguaje esocrático para ayudar a los estudiantes a aprender sobre regular la presión arterial.
Why2-Atlas: Why2-Atlas es un ITS que analiza las explicaciones de los estudiantes sobre los principios de la física. Los estudiantes introducen su trabajo en forma de párrafo y el programa convierte sus palabras en una prueba haciendo suposiciones de creencias estudiantiles que se basan en sus explicaciones. Al hacer esto, se destacan las ideas erróneas y las explicaciones incompletas. El sistema aborda estas cuestiones mediante un diálogo con el estudiante y pide al estudiante que corrija su ensayo. Una serie de iteraciones pueden tener lugar antes de que el proceso esté completo.
SmartTutor: The University of Hong Kong (HKU) developed a SmartTutor to support the needs of continuing education students. El aprendizaje personalizado se identificó como una necesidad clave dentro de la educación de adultos en HKU y SmartTutor pretende llenar esa necesidad. SmartTutor proporciona apoyo a los estudiantes combinando tecnología de Internet, investigación educativa e inteligencia artificial.
AutoTutor: AutoTutor ayuda a los estudiantes universitarios a aprender sobre hardware informático, sistemas operativos e Internet en un curso introductorio de alfabetización informática simulando los patrones de discurso y estrategias pedagógicas de un tutor humano. AutoTutor intenta entender la entrada del estudiante desde el teclado y luego formular diálogo se mueve con retroalimentación, impulsos, corrección e insinuaciones.
ActiveMath: ActiveMath es un entorno de aprendizaje adaptado y basado en la web para las matemáticas. Este sistema se esfuerza por mejorar el aprendizaje a larga distancia, complementar la enseñanza tradicional del aula y apoyar el aprendizaje individual y permanente.
ESC101-ITS: El Instituto Indio de Tecnología, Kanpur, India, desarrolló el ESC101-ITS, un sistema de tutoría inteligente para problemas de programación introductoria.
AdaptErrEx: es un tutor inteligente adaptativo que utiliza ejemplos erróneos interactivos para ayudar a los estudiantes a aprender aritmética decimal.

Formación corporativa e industria

Marco Inteligente Generalizado para Tutoría (GIFT) es un software educativo diseñado para la creación de sistemas de tutoría basados en computadora. GIFT, desarrollado por el Laboratorio de Investigación del Ejército de EE. UU. de 2009 a 2011, se lanzó para uso comercial en mayo de 2012. GIFT es de código abierto e independiente del dominio, y se puede descargar en línea de forma gratuita. El software permite a un instructor diseñar un programa de tutoría que puede cubrir varias disciplinas mediante ajustes a los cursos existentes. Incluye herramientas de trabajo de curso destinadas a investigadores, diseñadores instruccionales, instructores y estudiantes. GIFT es compatible con otros materiales didácticos, como presentaciones de PowerPoint, que pueden integrarse en el programa.

SHERLOCK "SHERLOCK" se utiliza para capacitar a técnicos de la Fuerza Aérea para diagnosticar problemas en los sistemas eléctricos de los aviones F-15. El ITS crea diagramas esquemáticos defectuosos de los sistemas para que el alumno los localice y diagnostique. El ITS proporciona lecturas de diagnóstico que permiten al alumno decidir si la falla se encuentra en el circuito que se está probando o si se encuentra en otra parte del sistema. El sistema proporciona comentarios y orientación y hay ayuda disponible si se solicita.

Tutor cardíaco El objetivo del Cardiac Tutor es apoyar técnicas avanzadas de soporte cardíaco al personal médico. El tutor presenta problemas cardíacos y, mediante una variedad de pasos, los estudiantes deben seleccionar varias intervenciones. Cardiac Tutor proporciona pistas, consejos verbales y retroalimentación para personalizar y optimizar el aprendizaje. Cada simulación, independientemente de si los estudiantes pudieron ayudar con éxito a sus pacientes, da como resultado un informe detallado que luego los estudiantes revisan.

CÓDIGOS Cooperative Music Prototype Design es un entorno basado en web para la creación de prototipos de música cooperativa. Fue diseñado para ayudar a los usuarios, especialmente aquellos que no son especialistas en música, a crear piezas musicales a modo de prototipos. Los ejemplos musicales (prototipos) se pueden probar, tocar y modificar repetidamente. Uno de los aspectos principales de CODES es la interacción y cooperación entre los creadores de música y sus socios.

Efectividad

Evaluar la eficacia de los programas de ITS es problemático. Los ITS varían mucho en el diseño, la implementación y el enfoque educativo. Cuando los ITS se utilizan en un aula, el sistema no sólo es utilizado por los estudiantes, sino también por los maestros. Este uso puede crear barreras para la evaluación efectiva por varias razones; sobre todo debido a la intervención de los maestros en el aprendizaje de los estudiantes.

Los maestros a menudo tienen la capacidad de introducir nuevos problemas en el sistema o ajustar el plan de estudios. Además, los maestros y compañeros a menudo interactúan con los estudiantes mientras aprenden con ITSs (por ejemplo, durante una sesión individual de laboratorio de computación o durante conferencias de aulas que caen entre sesiones de laboratorio) de maneras que pueden influir en su aprendizaje con el software. El trabajo previo sugiere que la gran mayoría de los comportamientos de búsqueda de ayuda de los estudiantes en las aulas usando ITSs pueden ocurrir completamente fuera del software, lo que significa que la naturaleza y la calidad de la retroalimentación entre pares y maestros en una determinada clase puede ser un mediador importante del aprendizaje estudiantil en estos contextos. Además, aspectos del clima de aula, como el nivel general de comodidad de los estudiantes en pedir ayuda pública, o el grado en que un profesor está físicamente activo en la supervisión de estudiantes individuales puede agregar fuentes adicionales de variación en contextos de evaluación. Todas estas variables hacen una evaluación de un complejo de ITS, y pueden ayudar a explicar la variación de los resultados en los estudios de evaluación.

A pesar de las complejidades inherentes, numerosos estudios han intentado medir la eficacia general de los ITS, a menudo mediante comparaciones de los ITS con tutores humanos. Las revisiones de los primeros sistemas ITS (1995) mostraron un tamaño del efecto de d = 1,0 en comparación con ninguna tutoría, mientras que a los tutores humanos se les dio un tamaño del efecto de d = 2,0. La revisión mucho más reciente de Kurt VanLehn (2011) sobre los ITS modernos encontró que no había diferencia estadística en el tamaño del efecto entre los tutores humanos expertos uno a uno y los ITS basados en pasos. Algunos ITS individuales han sido evaluados más positivamente que otros. Los estudios del Tutor Cognitivo de Álgebra encontraron que los estudiantes de ITS superaron a los estudiantes enseñados por un maestro en problemas de pruebas estandarizadas y tareas de resolución de problemas del mundo real. Estudios posteriores encontraron que estos resultados fueron particularmente pronunciados en estudiantes de educación especial, cuyo idioma nativo no era el inglés y de bajos ingresos.

Un metaanálisis más reciente sugiere que los ITS pueden superar la eficacia tanto de los CAI como de los tutores humanos, especialmente cuando se miden mediante pruebas locales (específicas) en lugar de pruebas estandarizadas. "Los estudiantes que recibieron tutoría inteligente superaron a los estudiantes de clases convencionales en 46 (o 92%) de las 50 evaluaciones controladas, y la mejora en el desempeño fue lo suficientemente grande como para ser considerada de importancia sustancial en 39 (o 78%) de las 50 estudios. La mediana de ES en los 50 estudios fue 0,66, lo que se considera un efecto de moderado a grande para los estudios de ciencias sociales. Es aproximadamente equivalente a una mejora en el rendimiento de la prueba del percentil 50 al 75. Esto es más fuerte que los efectos típicos de otras formas de tutoría. C.-L. El metanálisis de C. Kulik y Kulik (1991), por ejemplo, encontró un ES promedio de 0,31 en 165 estudios de tutoría CAI. Sus ganancias son aproximadamente el doble. El efecto ITS también es mayor que los efectos típicos de la tutoría humana. Como hemos visto, los programas de tutoría humana suelen elevar las puntuaciones de las pruebas de los estudiantes en aproximadamente 0,4 desviaciones estándar respecto de los niveles de control. Los desarrolladores de ITS se propusieron hace mucho tiempo mejorar el éxito de la tutoría CAI e igualar el éxito de la tutoría humana. Nuestros resultados sugieren que los desarrolladores de ITS ya han cumplido ambos objetivos... Aunque los efectos fueron de moderados a fuertes en las evaluaciones que midieron los resultados de las pruebas desarrolladas localmente, fueron mucho menores en las evaluaciones que midieron los resultados de las pruebas estandarizadas. El ES promedio en estudios con pruebas locales fue de 0,73; El ES promedio en estudios con pruebas estandarizadas fue de 0,13. Esta discrepancia no es inusual para los metanálisis que incluyen pruebas tanto locales como estandarizadas... es probable que las pruebas locales se alineen bien con los objetivos de programas de instrucción específicos. Las pruebas estandarizadas disponibles en el mercado ofrecen un ajuste más flexible... Nuestra propia creencia es que tanto las pruebas locales como las estandarizadas brindan información importante sobre la efectividad de la instrucción y, cuando sea posible, ambos tipos de pruebas deben incluirse en los estudios de evaluación." ;

Algunas de las fortalezas reconocidas de ITS son su capacidad para proporcionar retroalimentación inmediata de sí o no, selección de tareas individuales, sugerencias bajo demanda y apoyo al aprendizaje de dominio.

Limitaciones

Los sistemas de tutoría inteligentes son costosos tanto de desarrollar como de implementar. La fase de investigación allana el camino para el desarrollo de sistemas que sean comercialmente viables. Sin embargo, la fase de investigación suele ser costosa; requiere la cooperación y el aporte de expertos en la materia, la cooperación y el apoyo de individuos tanto en organizaciones como en niveles organizacionales. Otra limitación en la fase de desarrollo es la conceptualización y el desarrollo de software dentro de limitaciones tanto de presupuesto como de tiempo. También hay factores que limitan la incorporación de tutores inteligentes al mundo real, incluido el largo tiempo necesario para su desarrollo y el alto coste de creación de los componentes del sistema. Una gran parte de ese costo es el resultado de la creación de componentes de contenido. Por ejemplo, las encuestas revelaron que codificar una hora de instrucción en línea requirió 300 horas de tiempo de desarrollo para el contenido de tutoría. De manera similar, construir el Tutor Cognitivo requirió una proporción entre el tiempo de desarrollo y el tiempo de instrucción de al menos 200:1 horas. El alto costo del desarrollo a menudo eclipsa la replicación de los esfuerzos para su aplicación en el mundo real. Los sistemas de tutoría inteligentes, en general, no son comercialmente viables para aplicaciones del mundo real.

Una crítica a los sistemas de tutoría inteligentes actualmente en uso es la pedagogía de retroalimentación inmediata y secuencias de sugerencias que están integradas para hacer que el sistema sea "inteligente". Esta pedagogía es criticada por no desarrollar un aprendizaje profundo en los estudiantes. Cuando a los estudiantes se les da control sobre la capacidad de recibir pistas, la respuesta de aprendizaje creada es negativa. Algunos estudiantes recurren inmediatamente a las sugerencias antes de intentar resolver el problema o completar la tarea. Cuando es posible hacerlo, algunos estudiantes tocan el fondo de las pistas (recibiendo tantas pistas como sea posible lo más rápido posible) para completar la tarea más rápido. Si los estudiantes no reflexionan sobre la retroalimentación o las sugerencias del sistema de tutoría y, en cambio, aumentan sus conjeturas hasta obtener retroalimentación positiva, el estudiante, en efecto, está aprendiendo a hacer lo correcto por razones equivocadas. Actualmente, la mayoría de los sistemas de tutoría son incapaces de detectar el aprendizaje superficial o de distinguir entre luchas productivas e improductivas (aunque véase, por ejemplo,). Por estas y muchas otras razones (por ejemplo, sobreadaptación de los modelos subyacentes a poblaciones de usuarios particulares), la efectividad de estos sistemas puede diferir significativamente entre los usuarios.

Otra crítica a los sistemas de tutoría inteligentes es la incapacidad del sistema para hacer preguntas a los estudiantes para explicar sus acciones. Si el estudiante no está aprendiendo el idioma del dominio, se vuelve más difícil obtener una comprensión más profunda, trabajar en colaboración en grupos y transferir el idioma del dominio a la escritura. Por ejemplo, si el estudiante no está "hablando de ciencia" de lo que se argumenta que no están inmersos en la cultura de la ciencia, lo que dificulta la realización de escritos científicos o la participación en esfuerzos colaborativos en equipo. Los sistemas de tutoría inteligentes han sido criticados por ser demasiado "instructivistas" y eliminar del aprendizaje la motivación intrínseca, los contextos de aprendizaje social y el realismo del contexto.

Deben tenerse en cuenta las preocupaciones prácticas, en términos de la inclinación de los patrocinadores/autoridades y de los usuarios a adaptar sistemas de tutoría inteligentes. En primer lugar, alguien debe tener la voluntad de implementar los ITS. Además, una autoridad debe reconocer la necesidad de integrar un software de tutoría inteligente en el plan de estudios actual y, finalmente, el patrocinador o la autoridad debe ofrecer el apoyo necesario a lo largo de las etapas del desarrollo del sistema hasta que se complete e implemente.

La evaluación de un sistema de tutoría inteligente es una fase importante; sin embargo, suele ser difícil, costoso y requiere mucho tiempo. Aunque existen varias técnicas de evaluación presentadas en la literatura, no existen principios rectores para la selección de métodos de evaluación apropiados que se utilizarán en un contexto particular. Se debe realizar una inspección cuidadosa para garantizar que un sistema complejo haga lo que dice hacer. Esta evaluación puede ocurrir durante el diseño y desarrollo temprano del sistema para identificar problemas y guiar modificaciones (es decir, evaluación formativa). Por el contrario, la evaluación puede ocurrir después de la finalización del sistema para respaldar afirmaciones formales sobre la construcción, el comportamiento o los resultados asociados con un sistema completo (es decir, evaluación sumativa). El gran desafío que introdujo la falta de estándares de evaluación resultó en descuidar la etapa de evaluación en varios ITS' existentes.

Mejoras

Los sistemas de tutoría inteligentes son menos capaces que los tutores humanos en las áreas de diálogo y retroalimentación. Por ejemplo, los tutores humanos pueden interpretar el estado afectivo del estudiante y potencialmente adaptar la instrucción en respuesta a estas percepciones. Un trabajo reciente está explorando estrategias potenciales para superar estas limitaciones de los ITS y hacerlos más efectivos.

Diálogo

Los tutores humanos tienen la capacidad de entender el tono y la inflexión de una persona dentro de un diálogo e interpretar esto para proporcionar una retroalimentación continua a través de un diálogo continuo. Se están desarrollando sistemas de tutoría inteligentes para intentar simular conversaciones naturales. Para obtener la plena experiencia del diálogo hay muchas áreas diferentes en las que se debe programar una computadora, incluyendo ser capaz de entender tono, inflexión, lenguaje corporal y expresión facial y luego responder a ellas. El diálogo en un ITS se puede utilizar para hacer preguntas específicas para ayudar a guiar a los estudiantes y obtener información al tiempo que permite a los estudiantes construir sus propios conocimientos. El desarrollo de un diálogo más sofisticado dentro de un ITS ha sido un foco en algunas investigaciones actuales parcialmente para abordar las limitaciones y crear un enfoque más constructivista para el ITS. Además, algunas investigaciones actuales se han centrado en modelar la naturaleza y los efectos de diversos aspectos sociales empleados comúnmente en un diálogo de tutores y tutores humanos, con el fin de construir confianza y rapport (que han demostrado tener impactos positivos en el aprendizaje estudiantil).

Afecto emocional

Un creciente cuerpo de trabajo está considerando el papel del afecto en el aprendizaje, con el objetivo de desarrollar sistemas de tutoría inteligentes que puedan interpretar y adaptarse a los diferentes estados emocionales. Los seres humanos no sólo utilizan procesos cognitivos en el aprendizaje, sino que los procesos afectivos por los que pasan también desempeñan un papel importante. Por ejemplo, los alumnos aprenden mejor cuando tienen un cierto nivel de desequilibrio (frustración), pero no lo suficiente como para que se sientan completamente abrumados. Esto ha motivado a la computación afectiva a comenzar a producir e investigar creando sistemas de tutoría inteligentes que puedan interpretar el proceso afectivo de un individuo. Se puede desarrollar un ITS para leer las expresiones de un individuo y otros signos de afecto en un intento de encontrar y guiar el estado afectivo óptimo para el aprendizaje. Hay muchas complicaciones al hacer esto ya que el afecto no se expresa de una sola manera sino de múltiples maneras, por lo que para que un ITS sea eficaz en la interpretación de los estados afectivos puede requerir un enfoque multimodal (tono, expresión facial, etc...). Estas ideas han creado un nuevo campo dentro de ITS, el de los Sistemas de Tutoría Afectivos (ATS). Un ejemplo de un ITS que aborda el afecto es Gaze Tutor, que fue desarrollado para rastrear los movimientos oculares de los estudiantes y determinar si están aburridos o distraídos y luego el sistema intenta volver a involucrar al estudiante.

Creación de relaciones

Hasta la fecha, la mayoría de los ITS se han centrado exclusivamente en los aspectos cognitivos de la tutoría y no en la relación social entre el sistema de tutoría y el estudiante. Como lo demuestra el paradigma de Las computadoras son actores sociales, los humanos a menudo proyectan heurísticas sociales en las computadoras. Por ejemplo, en observaciones de niños pequeños interactuando con Sam the CastleMate, un agente colaborativo para contar historias, los niños interactuaron con este niño simulado de la misma manera que lo harían con un niño humano. Se ha sugerido que para diseñar eficazmente un ITS que establezca una buena relación con los estudiantes, el ITS debería imitar estrategias de inmediatez de instrucción, comportamientos que salvan la aparente distancia social entre estudiantes y maestros, como sonreír y dirigirse a los estudiantes por su nombre. Con respecto a los adolescentes, Ogan et al. Se basa en observaciones de amigos cercanos que se dan tutoría entre sí para argumentar que para que un ITS establezca una relación como compañero con un estudiante, probablemente sea necesario un proceso más complicado de creación de confianza que, en última instancia, puede requerir que el sistema de tutoría posea la capacidad de responder e incluso producir comportamientos aparentemente groseros para mediar en los factores motivacionales y afectivos de los estudiantes a través de bromas y burlas.

Agentes enseñables

Tradicionalmente, los ITS asumen el papel de tutores autónomos, sin embargo, también pueden asumir el papel de tutelados con el fin de aprender mediante ejercicios de enseñanza. La evidencia sugiere que aprender mediante la enseñanza puede ser una estrategia eficaz para mediar en la autoexplicación, mejorar los sentimientos de autoeficacia e impulsar los resultados y la retención educativos. Para replicar este efecto se pueden intercambiar los roles del estudiante y de ITS. Esto se puede lograr diseñando el ITS para que parezca que se está enseñando, como es el caso del Juego Aritmético de Agentes Educables y el Cerebro de Betty. Otro enfoque es hacer que los estudiantes enseñen un agente de aprendizaje automático que pueda aprender a resolver problemas mediante demostración y retroalimentación de corrección, como es el caso del sistema APLUS creado con SimStudent. Para replicar los efectos educativos del aprendizaje mediante la enseñanza de agentes enseñables, generalmente se construye un agente social encima de ellos que plantea preguntas o transmite confusión. Por ejemplo, Betty de Betty's Brain le pedirá al estudiante que haga preguntas para asegurarse de que comprende el material, y Stacy de APLUS le pedirá al usuario explicaciones sobre los comentarios proporcionados por el estudiante.

Más resultados...