Rockbotic, en colaboración con alumnos del Colegio Los Peñascales, ha contribuido a una novedosa investigación educativa sobre la aplicación de Inteligencia Articial en clases de programación.
La investigación, realizada por Luis Eduardo Imbernón Cuadrado, Ángeles Manjarrés Riesco y Félix de la Paz López del Departamento de Inteligencia Artificial de la Universidad Nacional de Educación a Distancia (UNED), y publicado recientemente en la revista Applied Science (resumen en español al final de este artículo), se enfocó en aplicar técnicas de aprendizaje automático para detectar cuándo los estudiantes de Primaria necesitan asistencia al usar Scratch, un lenguaje de programación basado en bloques.
El estudio se centró en el diseño y la realización de 10 ejercicios de Scratch, analizando los patrones de aprendizaje de los estudiantes. Se buscaba desarrollar un modelo de inteligencia artificial que pudiera identificar automáticamente las necesidades pedagógicas de los estudiantes, una tarea crucial para mejorar la eficacia de la enseñanza.
Entre las conclusiones más relevantes, se destacó la necesidad de considerar el género de los estudiantes en la creación de modelos de inteligencia artificial para evitar sesgos. Este hallazgo es crucial para desarrollar soluciones tecnológicas educativas más inclusivas y equitativas. Además, se resaltó la importancia de la ética en la inteligencia artificial, especialmente en la educación, donde el manejo y análisis de los datos de los estudiantes debe hacerse de manera responsable.
La participación de Rockbotic en este estudio subraya nuestro compromiso permanente con la innovación en el campo de la tecnología educativa. Este proyecto no solo muestra la aplicación práctica de la inteligencia artificial en el ámbito educativo, sino que también resalta la importancia de la ética y la inclusión en el desarrollo de nuevas tecnologías.
Rockbotic continúa dedicándose a explorar y aplicar herramientas que enriquezcan la experiencia educativa, utilizando la tecnología como un medio para mejorar la enseñanza y el aprendizaje en diversos entornos.
Resumen del artículo en español: Uso de LSTM para identificar necesidades de ayuda en alumnos de Scratch de primaria
En los últimos años ha aumentado el interés por el uso de lenguajes de programación basados en bloques, así como por los aspectos éticos de la Inteligencia Artificial (IA) en la enseñanza primaria. En este artículo, presentamos nuestra investigación sobre la identificación automática de la necesidad de asistencia entre niños de primaria que realizan ejercicios con Scratch.
Para la recogida de datos, se han diseñado experiencias de uso que tienen en cuenta aspectos éticos, incluido el sesgo de género. Estas experiencias han sido posibles gracias a la colaboración de dos centros educativos: Rockbotic y el Colegio Los Peñascales.
El propósito de la experiencia de usuario es recopilar datos para ayudar en el desarrollo de un modelo inteligente para identificar, mediante el uso de técnicas de aprendizaje automático y el cálculo de distancia del lenguaje de programación basado en bloques, cuándo un alumno de primaria tiene necesidad de ayuda pedagógica.
Dado que nuestro objetivo final es ayudar a los estudiantes de primaria en un entorno real de aprendizaje mientras realizan ejercicios con Scratch, la recogida de datos debe realizarse en un entorno real de aprendizaje. Para ello, elegimos 10 ejercicios de Scratch, diseñados y validados por profesores de tecnología de primaria, de distintos grados de dificultad para que los alumnos los realizaran, con el objetivo de aprender los fundamentos de la programación y el pensamiento computacional. Los alumnos que participaron en estas experiencias de usuario eran muy conscientes de que durante el experimento debían pedir ayuda sólo cuando la necesitaran.
La aplicación de los principios éticos de la IA debe desempeñar un papel central en la educación. En este estudio, además de construir un modelo capaz de identificar cuándo un alumno necesita ayuda, nos basamos en métodos éticos. En las experiencias de usuario, dos de los elementos éticos más críticos son los sesgos (discriminación por género y por grupos minoritarios) y la transparencia. Además, para ofrecer la máxima transparencia, los padres o tutores legales y los alumnos que quisieron participar en las experiencias recibieron un formulario de consentimiento informado que incluía una descripción de las ventajas del estudio y sus posibles beneficios y riesgos para el alumno, una descripción detallada del propio estudio y de la política de protección de datos y, por último, un canal a través del cual formular preguntas.
En el caso de esta investigación, el Comité de Ética de la Investigación de la UNED exigió la declaración de «actividad de tratamiento de datos», que en nuestro caso se refería al tratamiento automatizado de datos académicos de personas menores de 14 años. Esta declaración implica el compromiso de conservar los datos estrictamente durante el tiempo necesario para cumplir la finalidad para la que fueron recabados y determinar las responsabilidades que pudieran derivarse de dicha finalidad y del tratamiento de los datos.
Por último, con respecto al modelo de inteligencia artificial, se ha utilizado un novedoso método de cálculo de distancia para lenguajes de programación basados en bloques en un modelo de memoria a corto y largo plazo (LSTM), con el objetivo de identificar cuándo un alumno de primaria necesita ayuda mientras realiza ejercicios de Scratch.
Este modelo se ha entrenado dos veces: la primera vez teniendo en cuenta el sexo de los alumnos, y la segunda excluyéndolo. La precisión del modelo que incluye el género es del 99,2%, mientras que la del modelo que excluye el género es del 91,1%.
Concluimos que tener en cuenta el género en el entrenamiento de este modelo puede llevar a un sobreajuste, debido a la infrarrepresentación de las chicas entre los estudiantes que participan en las experiencias, haciendo que el modelo sea menos capaz de identificar cuándo un estudiante necesita ayuda. También concluimos que evitar el sesgo de género es un reto importante en la investigación sobre sistemas educativos para el aprendizaje de habilidades de pensamiento computacional, y que implica necesariamente un diseño instruccional eficaz y motivador que tenga en cuenta el género.
En futuros trabajos, pretendemos realizar nuevas experiencias de usuario para recopilar más datos con más participantes; también nos esforzaremos por tener el mismo número de chicos y de chicas, y explorar métodos de selección de características, así como arquitecturas RNN para mejorar la precisión del modelo. Además, para estos modelos, se tendrán en cuenta más métricas de rendimiento, como la precisión, la recuperación y la puntuación f1, así como técnicas estadísticas para medir la pérdida de precisión resultante del barajado. También perfeccionaremos y validaremos el modelo en un entorno de aprendizaje real, y se llevará a cabo un análisis más profundo del impacto de los distintos atributos a la hora de determinar si un estudiante necesita ayuda.
