La única condición inevitable es el acceso a Internet. Durante la pandemia, esta posibilidad fue determinante.
Por Laia Subirats, Pilar Rodríguez Marín; Sacha Gómez Moñivas
Santi Fort (*)
La cuestión de hacer llegar los contenidos a estudiantes sin capacidad de asistir a la escuela es fácil de solucionar. El punto en el que la enseñanza a distancia genera más dudas es en cómo hacer llegar la contribución del docente, como tutor, a los estudiantes. Esto incluye su capacidad para atender a sus dificultades, aclarar sus dudas y reforzar los contenidos cuando lo necesiten.
Esta tarea de tutorización que en la enseñanza presencial está bien establecida es algo que en la enseñanza a distancia tiene mucho camino por recorrer.
Los últimos avances en inteligencia artificial y tratamiento masivo de datos en educación han abierto la puerta a sistemas de docencia a distancia que se adaptan a las necesidades de los estudiantes.
Este avance se consigue evaluando sus resultados y actividad en línea. Para ello, se han desarrollado sistemas capaces de detectar los contenidos en los que los estudiantes tienen más dificultades. Estos sistemas, en sus versiones más avanzadas, son capaces incluso de proponer contenidos a la medida de cada estudiante para reforzar las lagunas de aprendizaje que pudiera tener.
En otros casos, se han generado tutores inteligentes con la capacidad de interaccionar en tiempo real con los estudiantes de forma similar a como lo harían sus profesores. Estas herramientas son capaces, en cierta medida, de ayudar en el trabajo de tutorización que haría un docente en las aulas y actúan como sistemas de alerta temprana cuya aceptación debe estudiarse.
El proyecto FiabevaluaCOVID19, financiado por el Fondo SuperaCOVID19, se propuso como objetivo la búsqueda de herramientas de enseñanza a distancia que mejoraran los sistemas de guía y evaluación de los alumnos durante la pandemia. Además de desarrollar herramientas online para la evaluación a distancia, también realizó un análisis exhaustivo de datos y trató de encontrar sistemas de predicción de fracaso académico.
Los resultados obtenidos indican que, si bien las herramientas online de aprendizaje se pueden desarrollar de forma eficaz, la predicción del posible fracaso de los estudiantes es algo que genera grandes dificultades. En este sentido, simular la acción la tutorización en la enseñanza a distancia solamente se puede cumplir en parte.
Si bien es sencillo diseñar sistemas que refuercen ciertos contenidos o resuelvan dudas, es muy complicado simular la intuición del profesorado a la hora de predecir el éxito o fracaso de sus estudiantes.
Este hecho no parece descabellado, pues la intuición de los profesores que interaccionan constantemente con sus estudiantes no es fácil de reproducir de forma artificial. Sin embargo, los algoritmos de IA han demostrado en otros escenarios una gran capacidad de predicción en tareas a priori muy complejas. De alguna manera, algo está pasando en el caso del rendimiento académico que complica aún más las cosas.
El principal problema para predecir con suficiente antelación la probabilidad de éxito de los estudiantes es la falta de datos. Los datos que se pueden obtener de los estudiantes siempre están ligados a sus acciones.
El problema es que, según los resultados obtenidos, un gran porcentaje de estudiantes no inicia actividad alguna hasta bien avanzado el curso. Estos estudiantes son los que estudian en el último momento, y bien podría pensarse que tienen una alta probabilidad de fracaso. En este sentido, se podría ajustar el sistema de predicción asumiendo que la falta de actividad de los alumnos es sinónimo de potencial fracaso.
La realidad es mucho más caprichosa.
Según nuestros estudios, aunque las probabilidades de éxito aumentan con un trabajo continuo, un trabajo de último minuto es, a veces, exitoso. Por ello, los datos obtenidos en los últimos días de estudio son vitales en la predicción de fracaso académico.
Durante todos los cursos analizados, los sistemas de predicción que empleaban datos hasta el mismo día del examen acertaban en porcentajes siempre superiores al 60 %, llegando a acercarse al 80 % en algún curso.
El inconveniente en este caso es que no se puede tener la predicción por adelantado, lo cual impide cualquier acción por parte de los docentes. Si eliminamos los datos del último mes con la esperanza de tener algunas semanas de margen para tomar medidas, la precisión disminuye por debajo del 50 %.
Para los equipos docentes esto presenta un doble desafío. Por un lado, se debe luchar contra la idea de que estudiando en el último momento aún pueden tener éxito (por mucho que sea verdad en ocasiones). El problema es que, aunque las posibilidades sean menores, es muy tentador para un estudiante jugársela a estudiar únicamente en el último momento. Es más peligroso, pero el sacrificio es menor.
Por otro lado, pensando más en términos prácticos para el equipo docente, el estudio en el último minuto es desastroso en el análisis masivo de datos pues impide predicciones con antelación suficiente. Según nuestros estudios, hasta un 75 % de los estudiantes concentran su actividad en las últimas semanas o incluso días. Para estos estudiantes, un sistema de predicción automática no funcionaría adecuadamente hasta que fuera demasiado tarde.
La enseñanza a distancia está dando pasos agigantados hacia un modelo de enseñanza robusto y bien establecido, pero todavía se encuentra con grandes limitaciones, como la de aplicar correctamente las tareas de tutorización de los equipos docentes. En la enseñanza presencial, la interacción con los estudiantes era una herramienta poderosa para que el docente intuyera las dificultades en el aula. En la enseñanza a distancia todo pasa por el análisis de datos.
En este sentido, uno de los esfuerzos que se debe hacer es conseguir que los datos estén disponibles a tiempo. Si los modelos de aprendizaje continuo han sido siempre deseables, en la enseñanza a distancia se convierten en imprescindibles.
(*) Laia Subirats es Adjunct associate, UOC – Universitat Oberta de Catalunya; Pilar Rodríguez Marín es de la Universidad Autónoma de Madrid; Sacha Gómez Moñivas es Associate professor, Universidad Autónoma de Madrid; y Santi Fort es Team leader, Eurecat! Centre Tecnològic de Catalunya.
