A diferencia de los estudiantes reales, estos "agentes enseñables" no se sienten avergonzados o frustrados cuando no saben algo. Responden fiablemente a una buena enseñanza sin cometer errores al azar o tonto, y su impacto en el aprendizaje puede ser rastreado y medido con precisión. Dentro de una década, los agentes enseñables podrían ser un pilar de la clase, estiman los investigadores. Por ahora, la mayoría siguen siendo criaturas del laboratorio, encontrándose con aulas reales sólo en estudios piloto.
Mientras que el aprendizaje por la enseñanza puede ser automatizado, los beneficios no son automáticos. Hacer un aprendiz digital realmente eficaz no es simple.
"Realmente no hay una sola razón por la que el aprendizaje por la enseñanza funcione tan bien", dijo Daniel Schwartz, profesor de educación en Stanford, quien dirige un laboratorio que desarrolla agentes que pueden enseñar. "Es una feliz confluencia de fuerzas que ayudan a los estudiantes a aprender. Están pasando muchas cosas."
Por ejemplo, hacer que los estudiantes enseñen los empuja a pensar sobre los conceptos subyacentes de un tema y las conexiones con el fin de medir lo que otro estudiante sabe y construir sobre esa comprensión. Para impulsar este efecto meta-cognitivo, Schwartz y un equipo de Vanderbilt, dirigido por el ingeniero eléctrico y profesor de ciencias de la computación Guatam Biswas, hizo un agente enseñable para las lecciones de ciencia que mostraría cada paso de su proceso de pensamiento en la pantalla como aprende. Lo llamaron Cerebro de Betty.
"Con Betty, puedes ver cómo calcula las cosas, basándote en lo que le has enseñado. Enseña a los estudiantes a razonar a través de cadenas de ideas ".
Daniel Schwartz, profesor de educación en la Universidad de Stanford
Para enseñar a Betty acerca de los ecosistemas, por ejemplo, una alumna construye un mapa del conocimiento del ecosistema en su "cerebro" uniendo palabras - tales como varias plantas, animales y nutrientes - con líneas que indican tipos específicos de relaciones (esto come eso o esto Causas que, etc.). Poco a poco, el cerebro de Betty se llena con un diagrama en pantalla de sistemas como las redes alimenticias, los flujos de agua y los ciclos de nutrientes. Y cuando Betty es cuestionada por otro avatar llamado Mr. Davis, las palabras y los vínculos entre ellos se resaltan en una secuencia cuando ella considera sus respuestas.
"Con Betty, puedes ver cómo calcula las cosas, basándote en lo que le has enseñado", dijo Schwartz. "Enseña a los estudiantes a razonar a través de cadenas de ideas".
Cuando Betty se ensucia, se puede ver con precisión qué conexiones la llevaron por el camino equivocado. Para ayudar a depurar un cerebro defectuoso, el estudiante puede hacer clic en la biblioteca en línea del Sr. Davis de información científica - el tipo de apoyo de fondo, o lo que los educadores llaman andamios, que los agentes enseñables deben ser eficaces. En los estudios piloto, los estudiantes de las clases de ciencias que utilizaron el cerebro de Betty durante un semestre no sólo aprendieron el currículo mejor que los estudiantes que no lo hicieron, también fueron más capaces de utilizar el razonamiento científico en una evaluación independiente.
Otra manera de estimular la meta-cognición y el aprendizaje más profundo podría ser hacer que un agente que ocasionalmente no está de acuerdo con su maestro, incluso cuando está mal. Esa es la idea detrás de Time Elf, un ambicioso sprite que está tratando de suplantar a los retirados "Guardianes de la Historia" en un juego hecho por el Grupo de Tecnología de Educación en la Universidad de Suecia Lund. De vez en cuando, el elfo de tiempo desafiará la comprensión del estudiante de la historia, como esto: "Pienso que usted tiene la fecha incorrecta. ¿Estás seguro?"
Time Elf todavía está en las primeras etapas de desarrollo. En un estudio inicial publicado el año pasado, los estudiantes que enseñaban al elfo estaban demasiado dispuestos a cambiar sus respuestas si él se oponía, incluso cuando su respuesta original era correcta. En la siguiente iteración, el investigador se asegurará de que los estudiantes entiendan que el elfo no sabe nada hasta que se lo enseñen, y cambiarán el lenguaje del elfo para que no parezca tan seguro de sí mismo.
El estudio confirmó que los estudiantes encontraron que el desafío del elfo era más divertido y atractivo para enseñar que un elfo completamente consentido, según Agneta Gulz, profesora de Ciencias cognitivas de la Universidad de Lund.
"Esa es una entrada que tuvimos de los estudiantes. Ellos querían que el agente tuviera más personalidad ", dijo. "Estamos tratando de construir más realismo en esa interacción".
El nivel de compromiso es importante, porque otra razón que los estudiantes aprenden por la enseñanza es el llamado efecto protegido. Es decir, actuar como un maestro hace que los estudiantes se sientan responsables por el aprendizaje de sus tutores, llevándolos a ser más persistentes en cubrir el material que estarían solos.
Con los protegidos digitales, "si los estudiantes se preocupan más por el agente, entonces estarán más comprometidos y así aprenderán más", dijo Noboru Matsuda, un científico que estudia la interacción hombre-computadora en la Universidad Carnegie Mellon. Matsuda ayudó a crear un agente enseñable llamado SimStudent que aprende álgebra. Los estudiantes nombran a sus SimStudents y personalizan su aspecto, cabello y vestuario antes de prepararlos para los cuestionarios de álgebra cada vez más difíciles.
Los estudios piloto con estudiantes de matemáticas de la escuela intermedia muestran que preocuparse por el éxito de SimStudent mejora el aprendizaje de los estudiantes, pero sólo hasta cierto punto. Recientemente, Matsuda y su equipo trataron de subir la apuesta en el compromiso animando a los niños a desafiar a los SimStudents de los demás en "programas de juego" donde los ganadores y los perdedores subirían o bajarían en la clasificación de SimStudent. No funcionó.
"A los niños les encanta ganar", dijo Matsuda. Pero en lugar de tratar de ganar por la tutoría de su SimStudent más atentamente, los estudiantes simplemente desafió a los opositores más débiles para ganar puntos. "Encontraron una estrategia que se centró en el programa de juego y no en la enseñanza", dijo Matsuda.
El fracaso del éxito, por supuesto, es el fracaso. Y la tercera manera de enseñar a los agentes puede ayudar a los estudiantes es hacer las luchas académicas un poco menos personal, lo que hace que los estudiantes más dispuestos a seguir intentando cuando el aprendizaje se pone duro. Un ejemplo de ello es un pequeño robot humanoide llamado CoWriter, desarrollado conjuntamente por el Instituto Superior Técnico de Portugal y el laboratorio de Interacción Computador-Interacción humana en el aprendizaje (CHILI) en la École Polytechnique Fédérale de Lausanne.
Los estudios demuestran que los niños que inicialmente luchan con la escritura a mano se desanimen fácilmente, llevándolos a evitar la práctica tan necesaria. Por lo tanto, los creadores de la CoWriter hizo un robot con horrible escritura a mano (sus letras están muy deformadas de formas específicas de acuerdo con un algoritmo de cambio de forma) que pide ayuda a un joven estudiante. El estudiante escribe cartas de práctica y las muestra al CoWriter quien intenta copiarlas. Poco a poco, a través de la máquina de aprendizaje, el robot es capaz de mejorar sus letras sobre la base de los ejemplos de los estudiantes.
"Una de las esperanzas de este proyecto es que al convertir al niño en profesor, los estudiantes que se sienten incapaces de escribir pueden recuperar su confianza en sí mismos", dijo Séverin Lemaignan, investigador post-doctoral de CHILI. "El desencadenar un cambio en la mentalidad puede ser suficiente para convertirlos en escritores mucho mejores".
