Por Andrew Myers Los investigadores en educación han evaluado la capacidad de los modelos de lenguaje grandes (LLMs) para ayudar a los profesores de matemáticas de secundaria a estructurar lecciones escalonadas para alcanzar diversos niveles de habilidades, una estrategia llamada andamiaje. Para quienes no trabajan en el ámbito educativo, puede resultar sorprendente que el aspecto más difícil de la docencia no sea, a menudo, lo que ocurre en el aula, sino la preparación que debe realizarse fuera de ella, más allá del horario laboral habitual. La labor más ardua reside en la planificación y estructuración de las clases para clases con estudiantes de diversos niveles de conocimiento y habilidades. Y, con la pérdida de aprendizaje causada por la pandemia, las aulas estadounidenses, en particular las de secundaria, están más llenas que nunca de estudiantes con diversos niveles de habilidades. En este contexto, investigadores de educación e informática de la Universidad de Stanford han evaluado la capacidad de los modelos de lenguaje de gran tamaño para ayudar a los profesores de matemáticas de secundaria a crear lecciones escalonadas que les permitan nutrir a aquellos que podrían haberse quedado atrás, a la vez que mantienen el interés de los estudiantes más avanzados. Todos salen ganando, afirman los investigadores, sobre todo los profesores para quienes el modelo es un excelente aliado, ya que les permite sacar a la luz ideas que tal vez no se les hubieran ocurrido. “Los docentes dedican mucho tiempo a adaptar los currículos a las necesidades de sus estudiantes, pero nadie se pregunta realmente cómo podemos apoyarlos en ese proceso”, afirma Rizwaan Malik, becario Knight-Hennessy que estudia ciencia de datos educativos en la Escuela de Posgrado en Educación de Stanford. Malik es el primer autor de un nuevo estudio , publicado en el British Journal of Educational Technology, que presenta el marco de tareas y evaluación. El artículo presenta el primer marco de evaluación para el andamiaje de lecciones basado en procesos de docentes expertos y los primeros experimentos que prueban y adaptan los LLM para esta tarea. "La idea del andamiaje consiste en incorporar apoyos al currículo que ayuden a todos los estudiantes, independientemente de su ubicación, a acceder al contenido", afirma Dora Demszky , profesora de ciencia de datos educativos y autora principal del artículo. Su trabajo contó con el apoyo del programa de subvenciones iniciales del Instituto Stanford para la IA Centrada en el Ser Humano (HAI). Estudiar a los docentes para formar el modelo Antes de comenzar a experimentar con los LLM, Malik, Demszky y sus colegas analizaron la planificación de las clases de los docentes para comprender los fundamentos del andamiaje. Esta es quizás la parte más difícil de la planificación de clases, afirma Malik, exprofesor de matemáticas familiarizado con las peculiaridades y la dedicación de tiempo que requiere la planificación de clases. “La premisa del proyecto era ver cómo la tecnología puede ayudar a los docentes en el proceso de adaptar un currículo al aula”, dice Malik. “No solo estamos creando una herramienta, sino un marco que ayuda a los docentes a estructurar el currículo eficazmente, garantizando que el contenido generado por IA se ajuste a las necesidades reales del aula”. En su análisis, identificaron tres pasos que siguen los docentes para crear planes de lecciones: observación (evaluar los niveles de habilidad de sus estudiantes), formulación de una estrategia de instrucción e implementación a través de un plan de lecciones estructurado que satisfaga las necesidades de todos los estudiantes. Un mejor calentamiento El modelo de IA se diseñó para generar ejercicios de preparación que ayudan a los estudiantes a activar sus conocimientos previos. En las evaluaciones de los usuarios, estos ejercicios generados por IA obtuvieron mejores calificaciones que los creados por personas en términos de accesibilidad, adecuación a los objetivos de aprendizaje y preferencia del profesorado. El enfoque mejor calificado alimentó al modelo con un conjunto de datos adicional de materiales curriculares originales y utilizó indicaciones complejas y matizadas informadas por un educador experto. “Mantener el rigor y apoyar a los estudiantes con diferentes necesidades es crucial; simplificar demasiado solo aumenta las brechas de aprendizaje”, afirma Demszky. La IA no está exenta de limitaciones, enfatizan los investigadores. Los LLM son bastante buenos generando contenido textual (problemas narrativos y descripciones escritas), pero tienen dificultades con los enfoques visuales, diagramas, gráficos, etc., que son un componente esencial de la enseñanza de las matemáticas. Los investigadores están trabajando para abordar estas limitaciones. Su artículo más reciente, en revisión, busca abordar los desafíos específicos de la generación de diagramas con el primer punto de referencia para diagramas matemáticos de K-12. Próximos pasos En futuras iteraciones, el equipo de investigación planea ampliar el conjunto de datos para incluir andamiajes instruccionales más allá de los calentamientos. Para perfeccionar la herramienta, también desean probarla en un aula real. Finalmente, están estudiando estrategias de andamiaje personalizadas, adaptadas a aulas específicas y, quizás, incluso a estudiantes individuales. Sin embargo, a pesar de los resultados prometedores, ninguno de los investigadores imagina un día en que la IA reemplace a los docentes como planificadores de lecciones; en cambio, esperan que la IA sirva como un socio de pensamiento valioso para los educadores para ayudarlos a trabajar de manera más eficiente y al mismo tiempo mejorar el aprendizaje de los estudiantes. “La tesis clave que sustenta todo nuestro trabajo es que nada puede reemplazar jamás a un profesor”, concluye Malik. “La IA debería ampliar, no sustituir, su experiencia”.