Lo que se está llamando la temporada de admisión universitaria más loca de la historia también está demostrando ser un experimento natural para el sistema educativo estadounidense.
Las admisiones opcionales y ciegas a las pruebas en los últimos años podrían significar una expansión radical del acceso a universidades selectivas. Sin embargo, a pesar de los esfuerzos bien intencionados para interrumpir las desigualdades sistémicas en quién es admitido, las universidades están volviendo a las evaluaciones estandarizadas con la esperanza de poder predecir mejor qué estudiantes tendrán éxito en su entorno y se graduarán a tiempo. Si bien volver a lo conocido puede ser más eficiente, también corre el riesgo de perpetuar las desigualdades preexistentes que ellos mismos están trabajando incansablemente para eliminar.
El parcheado de políticas de pruebas de admisión en la universidad destaca un desafío mayor—y una oportunidad—tanto para la educación primaria y secundaria como para la educación superior. Mientras el propósito y las aspiraciones de los sistemas educativos siguen cambiando, la forma en que las escuelas definen y miden el éxito de los estudiantes no ha avanzado al mismo ritmo—una desconexión que está impulsando el actual dilema de admisiones en la educación superior. Para ponerse al día, la medición en la educación debe ir más allá de usar un conjunto de puntajes (SATs) para predecir otro (éxito postsecundario) y producir datos que mejoren las oportunidades para todos los estudiantes—dentro y fuera del aula. Las tecnologías emergentes, como la inteligencia artificial, pueden ser de ayuda.
Inteligencia artificial para personalizar, no estandarizar las evaluaciones
La tecnología ha moldeado durante mucho tiempo el enfoque de las escuelas hacia la evaluación. A principios de los años 2000, adquirí experiencia de primera mano en cómo los distritos grandes toman decisiones sobre la adopción de tecnología educativa y la implementación de aprendizaje personalizado habilitado por inteligencia artificial. En ese momento, la adopción de soluciones de aprendizaje adaptativo y diagnóstico como DreamBox, i-Ready, IXL, e incluso NWEA Map estaba explotando en todo el país. Estas herramientas educativas fueron vistas como una tecnología innovadora que ofrecía aulas informes y análisis en tiempo real para rastrear y ajustar la enseñanza mientras los estudiantes juegan. Desde entonces, el aprendizaje en línea sigue rompiendo los límites de los enfoques tradicionales y monolíticos de la enseñanza y el aprendizaje K-12. El trabajo de Digital Promise sobre equidad y seguridad digital y la síntesis de Getting Smart sobre la evolución de las innovaciones habilitadas por IA que dan forma a la enseñanza y el aprendizaje son un testimonio de cuánto progreso hemos logrado.
La IA generativa podría potenciar esos enfoques existentes. Pero también podría interrumpirlos. Utilizada correctamente, la IA podría inaugurar una generación de evaluaciones que mitiguen nuestra excesiva dependencia de la estandarización en favor de un enfoque mucho más personalizado—y equitativo.
Esto plantea un desafío especial para los líderes del sistema: ¿Cómo podemos aprovechar la IA para habilitar la medición de las cosas que sabemos que importan pero que aún no somos buenos midiendo? ¿Cómo podemos aprovechar la IA para personalizar, no estandarizar, las evaluaciones para que cada estudiante reciba apoyo de manera equitativa para tener éxito dentro y fuera del aula?
La respuesta radica en expandir nuestros esfuerzos en al menos tres áreas: evaluaciones centradas en el estudiante; evaluaciones integradas e invisibles; y datos desagregados.
1. Desarrollar evaluaciones centradas en el estudiante alineadas con sistemas centrados en el estudiante
Las habilidades que nos hacen únicos como humanos son las habilidades que un marco centrado en el estudiante defiende. También son las habilidades que serán muy difíciles, si no imposibles, de replicar confiablemente para la tecnología. En lugar de enfocar nuestra energía en enseñar a los niños lo que los robots pueden hacer, debemos enfocarnos en enseñarles lo que solo los humanos pueden hacer.
Por ejemplo, para mejorar como escritores, lectores y pensadores críticos, Quill.org ofrece a los estudiantes de bajos ingresos un tutor de alfabetización impulsado por IA que les brinda a los estudiantes capacitación y retroalimentación en tiempo real sobre actividades de alfabetización que combinan la lectura de textos informativos con la escritura informativa. Además, la nueva herramienta Reading for Evidence de Quill ofrece a los estudiantes la oportunidad de demostrar su comprensión de textos no ficticios escribiendo argumentos basados en la retroalimentación de la herramienta de IA de Quill sobre cómo fortalecer la lógica, la evidencia y la sintaxis en sus respuestas. Como resultado, los estudiantes reciben de manera equitativa la retroalimentación que necesitan, especialmente aquellos que provienen de comunidades con recursos limitados o estudiantes multilingües que pueden beneficiarse de andamiaje adicional.
Las herramientas de alfabetización impulsadas por IA también tienen el potencial de fortalecer la capacidad de los estudiantes para el pensamiento histórico, y a su vez, el diálogo cívico—una habilidad cada vez más necesaria para todos los individuos. Thinking Nation, por ejemplo, una organización sin fines de lucro dedicada a mejorar la educación en estudios sociales, recientemente cambió de pagar a educadores para calificar ensayos basados en un rubro a un chatbot de IA. El chatbot se está entrenando en el mismo rubro para dar a los estudiantes retroalimentación instantánea sobre su capacidad para evaluar críticamente textos históricos. Esto, a su vez, puede liberar el ancho de banda del maestro para elevar la voz del estudiante y comprometer a los alumnos en el arte de la negociación y el debate—actividades que fomentan la habilidad de los estudiantes para mostrar empatía, comprensión y respeto para llevar a cabo acciones individuales y colectivas.
2. Cambiar de evaluaciones en papel a evaluaciones integradas e invisibles
Métodos de evaluación que están integrados en el tejido del aprendizaje e invisibles para los estudiantes ofrecen otra oportunidad para aprovechar la IA y transformar la forma en que medimos el progreso de los estudiantes. Durante la COVID, especialmente en el primer año cuando las puertas de las escuelas permanecieron cerradas, las evaluaciones sigilosas se convirtieron en la línea de vida para la mayoría de las familias. También se ha encontrado que las evaluaciones sigilosas reducen la ansiedad ante las pruebas y aumentan la participación de los estudiantes. Este tipo de evaluación ofrece oportunidades ilimitadas para medir las habilidades de pensamiento de orden superior. Las evaluaciones basadas en videojuegos, por ejemplo, son particularmente atractivas como medio para cultivar habilidades que son únicas para el cerebro humano y pueden ayudar a aumentar la participación.
Una encuesta reciente de Gallup y la Fundación Walton Family encontró que menos de la mitad de los estudiantes de la Generación Z inscritos en la escuela intermedia y secundaria se sentían motivados para ir a la escuela. Solo alrededor de la mitad informaron hacer algo interesante en la escuela todos los días. Un factor contribuyente a este aumento en el desinterés es el enfoque estrecho en el plan de estudios junto con las pruebas de alto riesgo como el principal medio para medir el conocimiento y las habilidades de los estudiantes.
Para contrarrestar este declive en la participación estudiantil, programas como Labster están en una misión para democratizar el acceso a la educación al hacer posible que los estudiantes remotos participen en laboratorios virtuales de ciencias. Los estudiantes se unen a esta comunidad virtual y reciben aprendizaje simulado del mundo real con retroalimentación en tiempo real a su propio ritmo y a su propio tiempo. Este cambio de evaluaciones en papel a simulaciones de la vida real no solo ha aumentado la participación estudiantil, sino también el interés de los estudiantes en carreras STEM.
3. Desagregar datos para cambiar el enfoque del estudiante promedio a cada estudiante
Desde una perspectiva de equidad, las pruebas de referencia normativa—básicamente todas las pruebas estandarizadas—son particularmente problemáticas. En primer lugar, rara vez son apropiadas para estudiantes con dominio limitado del inglés, o para hablantes de dialectos que no sean el inglés general americano. El formato de estas pruebas también puede introducir sesgos porque reflejan valores tradicionales occidentales. Estos valores pueden manifestarse incrustados en la lógica de las preguntas, así como en las expectativas de velocidad de finalización. Aquellos con acceso a recursos pueden sortear estos desafíos a través del uso de tutores o servicios de preparación para las pruebas.
Aprovechar la IA para emplear técnicas analíticas que permitan datos desagregados puede cambiar el enfoque del grupo dominante para asegurar que cada niño—incluidos los que son negros, hispanos, de bajos ingresos, inmigrantes, aprendices de inglés y estudiantes con necesidades especiales—sea visto desde una perspectiva basada en activos al comprender su experiencia y fortalezas en relación con su propio grupo de referencia. Un esfuerzo conjunto entre la Fundación Carnegie para el Avance de la Enseñanza y el Instituto de Investigación ETS tiene un gran potencial para la transición crucial que se necesita de la estandarización a la personalización adaptativa en la evaluación.
Para aprovechar eficazmente la IA también se requerirá un cambio en las herramientas computacionales utilizadas. Una técnica prometedora para garantizar que las evaluaciones auténticas y basadas en juegos proporcionen ideas significativas es aprovechar un diseño de evaluación centrado en la evidencia. Este diseño incluye un modelo de estudiante que describe los rasgos, habilidades o capacidades que se evaluarán; un modelo de tarea que describe las actividades que los estudiantes harán para producir evidencia de que están desarrollando esos rasgos; y un modelo de evidencia que describe las variables y técnicas estadísticas que se utilizarán para conectar la evidencia con esos rasgos. Estas características son especialmente útiles para simulaciones basadas en computadora y pueden ser automatizadas por la IA para desentrañar los resultados deseados a nivel de estudiante.
Un llamado a invertir en I+D de evaluaciones para eliminar las desigualdades
Para los estudiantes que no son atendidos adecuadamente por el enfoque limitado ofrecido por las pruebas estandarizadas, especialmente para predecir el éxito fuera del aula, potenciar el poder de las evaluaciones impulsadas por IA puede ser un cambio de juego.
Estos nuevos enfoques tienen un inmenso potencial disruptivo: a primera vista, esta creciente lista de oportunidades impulsadas por IA en las evaluaciones puede parecer de “menor calidad” en comparación con las pruebas estandarizadas probadas y probadas que dominan el mercado educativo actual. Pero pueden encontrar un nicho en los vastos bolsillos de no consumo de evaluación, donde la única alternativa es no medir estos resultados en absoluto.
Pero para garantizar que las evaluaciones impulsadas por IA no se escalen de manera que refuercen el statu quo, debiliten las relaciones humanas o empeoren la desigualdad, los dólares de I+D deben ayudar a que estos enfoques disruptivos echen raíces, y garantizar que las medidas se creen con equidad y transparencia, y que se alineen con los programas que existen para apoyar a los estudiantes. Como he sugerido anteriormente, nuestra incapacidad para facilitar un aprendizaje profundo entre organizaciones pares ha limitado nuestra capacidad para escalar soluciones que podrían tener el mayor impacto en el aprendizaje de los estudiantes, la competencia en habilidades y la movilidad ascendente. Con un intercambio de conocimientos facilitado y una comprensión accesible y detallada, los líderes del sistema en todo el K-12 estarán mejor posicionados para probar y escalar rápidamente lo que funciona para quién, y bajo qué condiciones.
A medida que las escuelas continúan desarrollando hojas de ruta y políticas para impulsar el mejor uso de la tecnología y las herramientas de integración tecnológica, esta es una oportunidad emergente para que educadores, responsables políticos y tecnólogos trabajen juntos—y junto con los estudiantes y sus familias—para aprovechar las oportunidades que ofrece la IA para reimaginar cómo pueden ser las evaluaciones personalizadas en un momento en que los estudiantes más las necesitan.
Relacionado:
Una taxonomía para usar la IA en la educación
El papel de la IA en el futuro del aprendizaje
Para más noticias sobre la IA en la educación, visita el centro de Aprendizaje Digital de eSN
Dr. Mahnaz R. Charania, Ex becaria del Instituto Christensen
Dr. Mahnaz R. Charania, ex becaria de investigación superior en educación en el Instituto Christensen.
Últimas publicaciones de colaboradores de eSchool Media (ver todas)