Un reciente Hackathon, organizado por /dev/color, reunió a organizaciones seleccionadas para explorar el Science Tutor for Effective Problem Solving (STEPS) del Stanford Ideal Learning Lab, un agente pedagógico impulsado por IA diseñado para ayudar a los estudiantes de grado en STEM a fortalecer sus procesos de resolución de problemas.

Representamos al Instituto de Investigación de ETS para examinar cómo la ciencia de la medición puede integrarse en entornos de tutoría con IA. Como STEPS ya funciona como una plataforma de evaluación formativa, el hackathon nos ofreció una oportunidad oportuna para examinar cómo la evidencia del aprendizaje del alumnado puede utilizarse en tiempo real para personalizar la tutoría con IA.

Nuestro principal producto fue un mapeo arquitectónico integral de un modelo de aprendizaje de extremo a extremo en bucle cerrado que podía integrarse dentro de la plataforma STEPS. Desarrollamos esta arquitectura mediante la colaboración entre nuestro equipo de ETS y /dev/color. En nuestro diseño propuesto, aprovechamos múltiples fuentes de evidencia, incluyendo medidas del uso de STEPS por parte de los estudiantes, resultados de evaluaciones diagnósticas y autoinformes para informar el aprendizaje personalizado. Estos flujos de datos se sintetizan luego en perfiles de aprendizaje que pueden guiar la experiencia de tutoría. Específicamente, traducimos medidas cuantitativas, como las puntuaciones o patrones de interacciones entre estudiantes y chatbots, en instrucciones pedagógicas para el tutor de IA. Estas determinan cuánto apoyo ofrecer y cuándo incitar a la reflexión. Estas instrucciones pedagógicas se incorporan a los temas utilizados por el sistema de tutoría de IA generativa dentro de STEPS, permitiendo al tutor adaptar su apoyo basándose en la evidencia sobre las necesidades de cada alumno para crear una experiencia de aprendizaje más personalizada. Nuestra colaboración con /dev/color ayudó a asegurar que el enfoque estuviera basado en la investigación y fuera práctico de implementar.

Basándonos en los comentarios positivos que recibimos del director del Ideal Learning Lab de Stanford, el Dr. Shima Salehi, y de otros participantes del hackatón, identificamos varias oportunidades para el ETS:

• Medición como facilitador de la IA adaptativa: A medida que los sistemas de tutoría con IA maduran, sus creadores buscan activamente métodos sistemáticos y basados en la evidencia para modelar la progresión del aprendizaje de los estudiantes, rasgos no cognitivos y habilidades duraderas. ETS está en una posición única para cubrir esta carencia.
• El valor de nuestras herramientas: Integrar la investigación y capacidades de medición ETS en los sistemas de tutoría de IA demuestra una vía clara para que nuestra investigación impulse tecnologías de aprendizaje de próxima generación.
• Un modelo para futuras colaboraciones: El hackathon ofrece un sólido plan conceptual sobre cómo ETS puede asociarse con laboratorios de investigación académica de primer nivel para proporcionar la infraestructura de medición subyacente a sus plataformas educativas.

Combinando nuestra experiencia en ETS con la tecnología emergente de IA, podemos avanzar hacia un sistema de apoyo más receptivo y comprensivo para cada aprendiz.