Perfeccionamiento del aprendizaje entre estudiantes

18 de Mayo de 2017
0
Perfeccionamiento del aprendizaje entre estudiantes

Artículo original escrito por Brainly

Lorena Casillas

Equipo Brainly España y América Latina

Tecnologías de la educación, educación en línea y redes sociales educativas para estudiantes

lorena.casillas@brainly.com

El corazón de Brainly siempre se ha fundamentado en poder conectar a los estudiantes entre sí en un ambiente de aprendizaje colaborativo. Los profesionales de la educación nos han dicho durante mucho tiempo que los estudiantes aprenden mejor cuando lo hacen en equipo. De esta forma construimos Brainly para ofrecer una especie de mesa de almuerzo especialmente diseñada para los estudiantes de la era digital, donde estudiantes de todo el mundo pueden reunirse para abordar problemas en un espacio socialmente atractivo y altamente colaborativo.

La parte difícil, sin embargo, es que nuestra mesa de almuerzo tiene ahora más de 80 millones de estudiantes sentados en ella. La buena noticia es que cada vez que un estudiante tiene una pregunta alguien está obligado a darle una respuesta. Pero también resulta difícil poner a esos dos estudiantes en contacto cuando hay mucho más en marcha.

Afortunadamente, contamos con algunas herramientas de gran potencia para ayudarnos a resolver este problema, así como excelentes colaboradores como el formidable profesor Chirag Shah (http://chirags.comminfo.rutgers.edu/) de la Universidad de Rutgers (http://www.rutgers.edu/).

Nos hemos asociado con el profesor Shah y Rutgers durante los últimos dos años para idear formas de personalizar la experiencia de aprendizaje en Brainly. El profesor Shah es una auténtica rockstar de la inteligencia artificial y machine learning, actualmente trabaja desarrollando tecnología de punta en estas áreas para ayudar a Brainly conectar exactamente a los estudiantes adecuados en los momentos exactos para hacer el aprendizaje colaborativo más eficaz y más atractivo que nunca .

Para el profesor Shah, ese proceso comienza con entender exactamente lo que los estudiantes necesitan y el momento en el que lo requieren. “Queremos conectar a los estudiantes que hacen las preguntas adecuadas con los estudiantes que proporcionan las mejores respuestas“, nos explicó recientemente. “Una gran parte de cómo lo estamos haciendo es encontrando maneras de recomendar preguntas específicas a usuarios específicos que tienen un récord claro de éxito con ese tipo de pregunta”.

Eso significa tratar con mucha información a la vez. Como resultado, 80 millones de estudiantes pueden producir muchas preguntas y muchas respuestas, y las máquinas son mucho mejores que los seres humanos al clasificarlo todo. “Estamos buscando patrones”, dice el profesor Shah. “Tenemos esta enorme cantidad de información y el punto de partida es organizar todo en categorías. Ahora estamos construyendo programas que pueden ordenar las preguntas de acuerdo a su nivel relativo de dificultad. Si sabemos lo difícil que es una pregunta, entonces podemos ser mucho más precisos cuando recomendamos preguntas para que los estudiantes respondan. Por ejemplo, si usted es un estudiante que se desempeña en un nivel de octavo grado, entonces hay mucho menos razón para que se le muestre una pregunta de grado 12 para responder “.

Reunir a los estudiantes adecuados en el momento adecuado significa hacer algunas suposiciones informadas sobre las necesidades y capacidades de los estudiantes en un futuro próximo. Sólo porque sabemos que un estudiante en particular tiene un excelente historial cuando se trata de responder a las preguntas de la Historia Americana, todavía no podemos estar 100% seguros de que será capaz de responder a la siguiente pregunta que surge en esa categoría. Aquí es donde las máquinas realmente pueden echar una mano. “Una de las maneras en que estamos clasificando toda esta información es mediante el uso de algo llamado aprendizaje profundo, que ha sido una de las mayores olas en el aprendizaje de máquinas en los últimos años”, dice el profesor Shah.

En pocas palabras, el aprendizaje profundo es una forma de captar información acerca de los diversos contextos que rodean una predicción particular. “A menudo asumimos ciertas cosas sobre esos contextos”, dice. Podríamos asumir, por ejemplo, que si una estudiante fue buena en historia el año pasado, también será buena en historia este año, lo que significa que estamos asumiendo que el contexto de su desempeño el año pasado es exactamente el mismo que el contexto de su rendimiento este año. “Así que obviamente si estamos equivocados en esas suposiciones podemos terminar haciendo grandes errores en nuestras predicciones. El aprendizaje profundo nos muestra cómo hacer mejores suposiciones sobre una situación capturando contextos de una manera que nunca antes se había hecho “.

Sin embargo, esto no es magia. El profesor Shah nunca dice que está “prediciendo el futuro”, pero insiste en que sólo está “haciendo predicciones sobre el futuro” usando hechos conocidos. “Esto no es lectura mental o lectura de palma”, dice. “Estamos haciendo predicciones que se limitan a lo que sucedería dentro de un contexto dado lo que sabemos. Es una ciencia basada en la evidencia. ”

La visión es utilizar esta ciencia para perfeccionar el proceso de mentor de los estudiantes en Brainly, ofreciéndoles preguntas cada vez más difíciles de responder y poniéndolos en contacto con los estudiantes más avanzados que pueden echar una mano. “Comenzamos determinando el nivel de aprendizaje de un nuevo usuario ofreciéndoles preguntas más fáciles de responder. Entonces los conectamos con otros usuarios de Brainly más establecidos que pueden mentorearlos, y luego los movemos gradualmente hacia adelante. Estamos buscando hacer mucho, mucho más que simplemente recomendar preguntas a los estudiantes para responder. Estamos buscando despertar interés y dar confianza a los estudiantes que pueden carecer de interés o apoyo “.

Un potencial especialmente emocionante de este enfoque es la oportunidad de utilizar la tecnología para ayudar a los estudiantes a concentrarse en áreas problemáticas particulares en sus experiencias de aprendizaje. “La tecnología tiene la reputación de dispersar la atención“, dice el profesor Shah, “pero simplemente no tiene por qué ser así. Todo el punto de Brainly es utilizar los datos y la tecnología para centrar la atención en un problema muy preciso y específico. Así, Amazon, por ejemplo, quiere que veas más y más cosas y hagas cosas en cantidad. Pero Brainly quiere hacer lo contrario. Queremos utilizar el aprendizaje automático para crear un camino de aprendizaje totalmente personalizado, para identificar con precisión dónde se encuentra un estudiante atascado o confundido o poco claro, y luego enfocarnos en ese problema específico y encontrar una solución “.

Aun así, las metodologías avanzadas de software, como el aprendizaje automático y el análisis de datos, pueden sentirse inhóspitas a veces. Cuando imaginamos la educación imaginamos intercambios interpersonales. Pensamos que los estudiantes interactúan con sus maestros y compañeros de clase en las aulas y las bibliotecas, y no de las máquinas crujiendo números, porque reconocemos que el aprendizaje es un poderoso fenómeno humano.

Pero, como dice el profesor Shah, “Brainly es una plataforma de aprendizaje muy humana. Todo el contenido está siendo producido por personas reales de acuerdo a sus intereses y necesidades muy humanas. Todas las conversaciones están ocurriendo entre seres humanos reales. Pero detrás de las cámaras las máquinas están ayudando a hacer las conexiones correctas posibles. ”

Sitio web

https://brainly.lat/

Aplicación Android

https://play.google.com/store/apps/details?id=co.brainly&hl=es_419

Aplicación iOS

https://itunes.apple.com/us/app/brainly/id745089947?mt=8

Facebook

https://www.facebook.com/brainlylat/

Twitter

https://twitter.com/BrainlyLat

Instagram

https://www.instagram.com/brainly.lat/

Déjanos tu comentario

Rellena el siguiente formulario si quieres dejarnos tus comentarios. Es necesario rellenar todos los campos del formulario. Debes aceptar la política de privacidad antes de publicar. Todos los comentarios serán moderados y podrán ser eliminados si no cumplen las condiciones de publicación.

*:

*: