• Volver a la página de inicio
• Aprendizaje y educación

Repensar la evaluación para estudiantes diversos

Publicado: 19 Septiembre 2018

Este artículo tiene más de 5 años.

Artículos Aprendizaje y educación Sociedades Tecnología Habilidades del siglo XXI Tecnología educativa Diferencias individuales las disciplinas de STEM Tecnología y sociedad variabilidad del aprendizaje

chrstphre, flickr.com, CC-BY 2.0

Autor

Jodi Asbell-Clarke

Científico investigador sénior, TERC

Imagina solicitar una licencia de conducir en un país extranjero. Los formularios están en un alfabeto desconocido y las señales de tráfico te resultan desconocidas. Aunque seas un conductor experimentado, las palabras y los símbolos del examen práctico probablemente te impedirán obtener la licencia.

Así es como se siente la escuela para muchos estudiantes. Estudiantes que dominan la probabilidad y la estadística sofisticadas necesarias para juegos populares como Pokemon y Simétrica, Pero hay quienes no pueden aprobar un examen de matemáticas. Estudiantes que tal vez no lean ni escriban bien, pero que pueden desarmar un auto y volver a armarlo. O crear hermosas animaciones 3D, producir videos musicales o programar un videojuego. Estos estudiantes no tienen deficiencias; simplemente aprenden y producen de maneras que las pruebas académicas no miden.

Muchos estudiantes poseen talentos no reconocidos que no se cultivan ni se aprovechan. Los estudiantes con dificultades cognitivas, como TDAH, dislexia y autismo, pueden superar estas dificultades si sus propios objetivos están en juego. El aprendizaje basado en intereses es beneficioso para todos los estudiantes, pero resulta fundamental para aquellos con dificultades en las funciones ejecutivas.

Los estudiantes con dificultades de autorregulación y control de impulsos suelen prestar atención o mantener la calma en proyectos que les apasionan porque el trabajo en sí les resulta interesante. Quienes tienen dificultades con tareas como planificar, descifrar palabras y símbolos, y recordar secuencias de pasos, perseverarán e incluso sobresaldrán cuando se sientan motivados por sus propias pasiones.

“El aprendizaje basado en los intereses es beneficioso para todos los estudiantes, pero resulta fundamental para aquellos que presentan problemas en las funciones ejecutivas.”

Los estudiantes con diferencias cognitivas a menudo aportan fortalezas únicas como la creatividad, el pensamiento divergente, la resolución colaborativa de problemas o una meticulosidad extrema. Este modelo de activos de las diferencias cognitivas se ha vuelto evidente para las industrias que desean estas diversas habilidades en sus fuerzas laborales. Programas como el de Microsoft Programa de contratación de autismo han sido pioneros en el aprovechamiento de recursos que antes se consideraban "discapacitados para el aprendizaje".

Entonces, ¿cómo miden los investigadores estos recursos cognitivos? ¿Cómo los aprovechan los educadores para brindar un aprendizaje individualizado a estudiantes diversos? Estos esfuerzos requieren evaluaciones de implícitamente Conocimiento: conocimiento que los estudiantes tal vez no puedan expresar con palabras en una prueba, pero que demuestran a través de sus comportamientos cotidianos.

El químico y filósofo Michael Polanyi escribió en 1966“Sabemos más de lo que podemos expresar”. Sostuvo que el conocimiento implícito —aquello que sabemos pero no podemos expresar— constituye la base de todo aprendizaje. Los investigadores estudian cómo las organizaciones construyen conocimiento implícito colectivo y cómo los trabajadores de las cadenas de montaje adquieren habilidades implícitas para lograr una mayor eficiencia, pero el uso del aprendizaje implícito en entornos educativos ha desconcertado a los investigadores.

¿Cómo aprovechan los educadores los recursos cognitivos para proporcionar un aprendizaje individualizado a estudiantes con diferentes necesidades?

Los educadores requieren evidencia de conocimiento explícito, es decir, conocimiento que se expresa en una prueba, generalmente por escrito. Desafortunadamente, dichas pruebas, incluso las que se utilizan para evaluar las habilidades cognitivas, no suelen medir el conocimiento y las habilidades cotidianas de los estudiantes.

El año pasado asistí a una conferencia de investigación sobre dislexia, STEM y diferencias de aprendizaje, organizado por la Fundación Nacional de Ciencias de EE. UU. y el Instituto de Ciencias de la Educación. Existen intervenciones prometedoras para ayudar a los estudiantes de matemáticas tempranas con dislexia y discalculia (por ejemplo Fuchs&Fuchs), pero a menudo utilizan problemas de texto complejos para las pruebas previas y posteriores con el fin de estudiar su eficacia. En este caso, la evaluación se convierte en una barrera para los alumnos a los que intentan llegar.

Una buena evaluación del aprendizaje implícito mediría el conocimiento que se demuestra de forma natural a través de las actividades, en lugar de mediante una prueba. Esto es difícil de lograr, pero afortunadamente, ahora es el momento perfecto para abordar este desafío.

La minería de datos ayuda a capturar mejor lo que los estudiantes realmente saben.

Los estudiantes pasan cada vez más tiempo en entornos digitales. Los juegos digitales son donde muchos choose para invertir tiempo. Un juego educativo bien diseñado motiva a los jugadores a adquirir los conocimientos y habilidades necesarios para avanzar en el juego. Además, proporciona evidencia de que los jugadores han adquirido dichos conocimientos y habilidades, sirviendo así como una evaluación implícita del aprendizaje.

“Un juego educativo bien diseñado proporciona evidencia de que los jugadores han adquirido los conocimientos y las habilidades, y por lo tanto puede servir como una evaluación implícita del aprendizaje.”

Las evaluaciones de aprendizaje implícito basadas en juegos aprovechan el tiempo que los estudiantes dedican a los videojuegos con métodos de aprendizaje automático de vanguardia que utilizan herramientas de minería de datos para buscar evidencias de aprendizaje. Al registrar la actividad en los juegos digitales, los investigadores pueden rastrear cada movimiento de un jugador, junto con la retroalimentación correspondiente del juego, y etiquetar cada registro con una marca de tiempo y una identificación anónima del jugador.

Utilizando herramientas especializadas, como EdGE en TERC arquitectura de datos de aprendizaje basada en juegos, DataArcadeLos datos de registro digital se visualizan como una reproducción de video simulada del juego de un individuo. Esta herramienta de reproducción permite el etiquetado remoto y eficiente de las estrategias comunes en el juego. La Figura 1 muestra un ejemplo del etiquetado realizado por los investigadores de la evidencia de pensamiento computacional en el juego de lógica llamado Zoombinis.

Para cada juego que estudiamos, nuestro equipo de investigación analiza vídeos de partidas de diversos jugadores y determina qué constituye evidencia de aprendizaje potencial. A continuación, desarrollan modelos de aprendizaje automático para detectar automáticamente dicha evidencia a gran escala. Esta evaluación escalable del aprendizaje implícito abre nuevas oportunidades para la enseñanza y el aprendizaje inclusivos.

Investigación reciente usado DataArcade y minería de datos para construir detectores automatizados de aprendizaje científico implícito en un juego de física llamado Impulso. Este trabajo Se ha demostrado que cuando los profesores integran el aprendizaje basado en juegos con el contenido de clase, el aprendizaje explícito de ciencias de los alumnos mejora. Cuando un alumno usa más fuerza en el juego para mover partículas pesadas que partículas ligeras, el profesor puede decir: «Déjame contarte lo que dijo Sir Isaac Newton al respecto».

“Cuando los profesores integran el aprendizaje basado en juegos con los contenidos del aula, mejora el aprendizaje explícito de las ciencias por parte de los alumnos.”

Al utilizar la minería de datos para analizar las acciones de los estudiantes, y no solo sus palabras, podemos comprender mejor su verdadero conocimiento. Los detectores automatizados pueden identificar cuándo cada estudiante alcanza un momento clave de comprensión o si, por el contrario, tiene dificultades. El uso de estos métodos en entornos donde los estudiantes perseveran en la resolución de problemas complejos permite captar a un público diverso de alumnos.

Los docentes no solo pueden aprovechar esta información para un aprendizaje diferenciado, sino que los diseñadores pueden crear experiencias que se adapten a las fortalezas y debilidades de cada alumno. Por ejemplo, la información de las evaluaciones de aprendizaje implícito se puede integrar en tiempo real a una experiencia de juego para personalizar el aprendizaje según el comportamiento de cada alumno.

Las evaluaciones de aprendizaje implícito no se limitan a los juegos. Cualquier entorno digital donde se pueda rastrear la actividad de los estudiantes ofrece la base para una evaluación de aprendizaje. Los entornos de codificación introductorios, como Resistencia a  or Inventor de aplicaciones Los proyectos del MIT podrían ser entornos de pruebas complejos donde se mida el aprendizaje implícito.

“Ir a donde se produce el aprendizaje y utilizar herramientas para examinar lo que hay detrás, probablemente revelará todo tipo de capacidades cognitivas de las que nunca nos habíamos percatado.”

Ir al lugar donde se produce el aprendizaje y utilizar herramientas para analizarlo en profundidad probablemente revelará todo tipo de capacidades cognitivas que desconocíamos. Imagínese cuando cada docente pueda ver lo que cada alumno realmente sabe.