🤖 AI

T-TExTS (Teaching Text Expansion for Teacher Scaffolding): Enhancing Text Selection in High School Literature through Knowledge Graph-Based Recommendation

Este artículo presenta T-TExTS, un sistema de recomendación basado en grafos de conocimiento que aprovecha ontologías pedagógicas y estrategias de incrustación de grafos para ayudar a los profesores de inglés de secundaria a seleccionar textos literarios diversos y temáticamente alineados, demostrando que los modelos híbridos que combinan señales estructurales y pedagógicas ofrecen un equilibrio óptimo entre interpretabilidad y rendimiento de clasificación.

Autores originales: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Publicado 2026-05-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Problema: El "Bibliotecario Abrumado"

Imagina a un profesor de inglés de secundaria como un bibliotecario que necesita construir una estantería especial para su clase. No quiere cualquier libro; necesita un conjunto específico de historias que hablen todas de la misma gran idea (como "la rebelión" o "la distopía"), pero que provengan de diferentes autores, culturas y épocas.

Sin embargo, el profesor está ocupado. No tiene horas para leer cada libro del mundo para encontrar las coincidencias perfectas. Por lo general, termina eligiendo los mismos clásicos antiguos que conoce bien, lo que significa que la estantería carece de diversidad. Necesita un asistente inteligente que le ayude a encontrar libros nuevos y diversos que encajen perfectamente en el plan de estudios.

La Solución: T-TExTS (El "Mapa Inteligente")

Los investigadores construyeron una herramienta llamada T-TExTS. Piensa en esto no como un simple motor de búsqueda que busca palabras clave (como "distopía"), sino como un gigantesco mapa interactivo del mundo literario.

El Mapa (Grafo de Conocimiento): En lugar de una simple lista de libros, el sistema construye un mapa donde cada libro es una ciudad. Las carreteras que conectan estas ciudades no son solo "palabras similares"; son conexiones educativas profundas. Una carretera podría decir: "Estos dos libros tratan ambos sobre la censura", mientras que otra dice: "Estos dos tienen una dificultad de lectura similar".
El Plano (Ontología): Antes de dibujar el mapa, los investigadores trabajaron con profesores expertos para crear un plano estricto (llamado ontología). Este plano asegura que el mapa solo utilice carreteras "pedagógicas"—conexiones que realmente importan para la enseñanza—en lugar de similitudes superficiales.

Cómo el Sistema "Camina" por el Mapa

Para encontrar los mejores libros, el sistema envía pequeños "exploradores" (algoritmos) a caminar por las carreteras de este mapa. El artículo probó cuatro formas diferentes en que estos exploradores podrían caminar:

DeepWalk (El Turista Aleatorio): Este explorador camina al azar, tomando cada carretera con la misma probabilidad. Obtiene una sensación amplia y general del vecindario.
Caminata Aleatoria Sesgada (El Tour Guiado): Este explorador es guiado por los profesores expertos. Si los profesores dicen: "El género es la conexión más importante", este explorador se ve obligado a tomar esas carreteras específicas con más frecuencia. Es como un guía turístico que solo te muestra los "mejores" lugares basándose en una regla específica.
Node2Vec (El Senderista Estratégico): Este explorador es inteligente. Puede elegir quedarse cerca de casa (mirando a los vecinos inmediatos) o caminar lejos para descubrir nuevos territorios distantes. Equilibra entre explorar el área local y encontrar joyas ocultas lejos.
Híbrido (Lo Mejor de Ambos Mundos): Este explorador lleva una mochila que contiene los mapas tanto del "Turista Aleatorio" como del "Tour Guiado". Combina la visión amplia con las reglas específicas de los profesores.

Lo Que Descubrieron (Los Resultados de la Carrera)

Los investigadores probaron estos exploradores en mapas de diferentes tamaños (98 libros, 196 libros y 351 libros) para ver cuál encontraba las mejores coincidencias.

La Sorpresa: El "Tour Guiado" (Caminata Aleatoria Sesgada), que dependía en gran medida de las ponderaciones específicas de los profesores, en realidad funcionó peor al encontrar la estructura general del mapa que el "Senderista Estratégico" (Node2Vec).
- La Analogía: Resulta que el mapa fue dibujado tan bien por los expertos desde el principio que el "Tour Guiado" no necesitaba forzar al explorador por caminos específicos. El propio mapa ya contenía las pistas correctas. Forzar al explorador a ceñirse a un tipo de carretera en realidad hizo que perdiera algunas conexiones excelentes.
El Ganador: Node2Vec (el Senderista Estratégico) fue el mejor para encontrar los libros adecuados, especialmente a medida que la biblioteca crecía. Sabía cuándo quedarse cerca y cuándo caminar lejos para encontrar la coincidencia temática perfecta.
La Elección Práctica: El modelo Híbrido fue el subcampeón. No fue tan rápido como Node2Vec, pero fue casi tan bueno. Crucialmente, como incluía la parte del "Tour Guiado", los profesores podían mirar los resultados y decir: "Ah, veo por qué eligió este libro; es por la regla de género que establecí". Esta transparencia es vital para los profesores que necesitan confiar en la herramienta.

Una Prueba del Mundo Real: El Desafío de "1984"

Para demostrar que funcionaba, le dieron al sistema el libro 1984 de George Orwell y preguntaron: "¿Qué otros libros deberíamos enseñar con este?"

El sistema identificó correctamente Fahrenheit 451 como la coincidencia #1 (porque ambos son famosas historias distópicas sobre la censura).
El explorador Node2Vec fue el único en encontrar las cinco coincidencias "perfectas" aprobadas por expertos (incluyendo Los Juegos del Hambre y Rebelión en la Granja).
El modelo Híbrido encontró cuatro de cinco, y también encontró algunos "casi aciertos" (como El Colector) que no estaban en la lista oficial pero que seguían siendo excelentes opciones de enseñanza.

La Conclusión

El artículo concluye que no necesitas ajustar constantemente las reglas de la carretera para obtener buenas recomendaciones. Si construyes un mapa de muy alta calidad (el Grafo de Conocimiento) basado en principios de enseñanza expertos, un explorador inteligente (Node2Vec) puede navegarlo mejor que uno guiado rígidamente.

Sin embargo, para una herramienta utilizada en un aula, el enfoque Híbrido es el punto dulce. Te da el alto rendimiento del explorador inteligente pero mantiene la "voz del profesor" visible en los resultados, asegurando que las recomendaciones sean tanto precisas como explicables.

Lo que el artículo NO afirma:

No afirma que esta herramienta haya sido probada en aulas reales con estudiantes reales todavía (eso está planificado para el futuro).
No afirma reemplazar a los profesores; afirma ayudarles a ahorrar tiempo y encontrar libros diversos.
No afirma funcionar para todas las materias; está diseñado específicamente para Literatura Inglesa de Secundaria.

Resumen Técnico: T-TExTS (Ampliación de Textos para Andamiaje Docente)

Enunciado del Problema
Los docentes de Literatura en inglés de secundaria enfrentan barreras significativas para ensamblar conjuntos de textos diversos y alineados temáticamente debido al tiempo limitado de planificación y a la falta de recursos pedagógicos. Los sistemas de recomendación tradicionales, como el Filtrado Colaborativo (CF) y el Filtrado Basado en Contenido (CBF), son inadecuados para este dominio. El CF sufre del problema de inicio en frío con datos de interacción dispersos, mientras que el CBF lucha por introducir temas novedosos más allá de las preferencias existentes del usuario. Además, las aplicaciones existentes de Grafos de Conocimiento (KG) en educación se han centrado mayoritariamente en la secuenciación lineal de conceptos en STEM o MOOCs, sin abordar las conexiones semánticas no lineales (por ejemplo, temas compartidos, atributos de justicia social, complejidad de género) requeridas para la educación en alfabetización. Existe una brecha distintiva en herramientas que apoyen el andamiaje pedagógico de conjuntos de textos para las Artes del Lenguaje Inglés (ELA) de nivel secundario.

Metodología
Los autores proponen T-TExTS, un sistema de recomendación basado en Grafos de Conocimiento que prioriza el mérito pedagógico sobre los metadatos superficiales. La metodología consta de tres componentes principales:

Construcción de Ontología Específica del Dominio:
Utilizando la Metodología de Adquisición y Representación del Conocimiento (KNARM), los autores construyeron una ontología específica del dominio fundamentada en criterios pedagógicos. Este proceso implicó:
- Recopilación de Datos: Agregación de textos de estudios estatales de Kansas, consultas con educadores y planes de estudios de educación superior (ENGL 545 y ENGL 580).
- Análisis de Textos: Aplicación de herramientas cuantitativas (Lexile, Flesch-Kincaid, ATOS) y rúbricas cualitativas (Achieve the Core) para evaluar la complejidad del texto y el mérito instruccional.
- Diseño de Ontología: Separación del esquema en una Caja Terminológica (TBox) que define clases (Texto, Autor, Género, Tema, ComplejidadDelTexto) y una Caja Asercional (ABox) que contiene aserciones específicas. La ontología modela explícitamente relaciones como tieneGénero, tieneTema y tieneComplejidadDelTexto.
Generación del Grafo de Conocimiento:
La ontología se instanció como un Grafo de Conocimiento utilizando RDFLib y se almacenó en un repositorio GraphDB. El grafo representa textos y autores como individuos conectados por relaciones pedagógicas y estructurales.
Estrategias de Incrustación y Recomendación:
El sistema proyecta las relaciones simbólicas del KG en un espacio vectorial continuo utilizando técnicas de incrustación de grafos basadas en paseos aleatorios. Se evaluaron cuatro estrategias:
- DeepWalk: Paseos aleatorios uniformes.
- Paseo Aleatorio Sesgado: Paseos guiados por expertos donde las probabilidades de transición se ponderan por expertos del dominio para priorizar relaciones pedagógicas específicas (por ejemplo, género, tema).
- Node2Vec: Paseos aleatorios parametrizados controlados por parámetros de retorno ( $p$ ) y de entrada-salida ( $q$ ) para equilibrar la exploración de Búsqueda en Anchura (BFS) y Búsqueda en Profundidad (DFS).
- Modelo Híbrido: Una concatenación de incrustaciones de DeepWalk (uniforme) y Paseo Aleatorio Sesgado (ponderado por expertos) para combinar la cobertura estructural con el enfoque pedagógico.
Las recomendaciones se generan calculando la Similitud Coseno entre la incrustación de un texto ancla y todos los demás textos en el corpus.

Configuración Experimental
El sistema se evaluó en tres configuraciones de conjunto de datos que contenían 98, 196 y 351 textos. Los grafos se dividieron en conjuntos de entrenamiento (80%), validación (10%) y prueba (10%). Los hiperparámetros se ajustaron utilizando Optuna con la predicción de enlaces (AUC) como objetivo de optimización. El rendimiento se midió mediante:

Predicción de Enlaces: Área bajo la Curva (AUC) de la Característica Operativa del Receptor (ROC).
Métricas de Clasificación: Hits@K, Recíproco Medio de Rango (MRR) y Ganancia Acumulada Descuentada Normalizada (nDCG@10).
Análisis de Sensibilidad: Comparación de la ponderación predeterminada frente a un esquema de ponderación "énfasis en género".

Resultados Clave

Ajuste Estructural vs. Ponderación de Expertos: La ponderación a nivel de recorrido por expertos (Paseo Aleatorio Sesgado) por sí sola no superó el ajuste estructural algorítmico. El Paseo Aleatorio Sesgado obtuvo el AUC más bajo (0.6888–0.7466) en todas las escalas.
Dominio de Node2Vec: Node2Vec logró el AUC más alto en cada tamaño de conjunto de datos (0.9642–0.9750) y las métricas de clasificación más fuertes (Hits@K, MRR, nDCG) en escalas mayores (196 y 351 textos). La configuración óptima de hiperparámetros favoreció consistentemente un alto parámetro de entrada-salida ( $q=4.0$ ), lo que indica una preferencia por la exploración de Búsqueda en Profundidad (DFS) para capturar cadenas más largas de asociación temática.
Rendimiento del Modelo Híbrido: El modelo Híbrido (concatenación de DeepWalk y Paseo Sesgado) mantuvo un AUC alto (0.9122–0.9350) en todas las escalas y se mantuvo dentro de unos pocos puntos porcentuales de Node2Vec en métricas de clasificación. Crucialmente, el modelo Híbrido demostró robustez ante perturbaciones de peso; mientras que el rendimiento del Paseo Sesgado cambió en aproximadamente un 3% cuando se ajustaron los pesos de género, el cambio del modelo Híbrido se amortiguó a aproximadamente un 1.5%.
Estudio de Caso Cualitativo: Para el texto ancla 1984, Node2Vec fue la única configuración que recuperó las cinco recomendaciones de verdad fundamental curadas por expertos (incluyendo textos estructuralmente distantes pero temáticamente alineados como Marrow Thieves). El modelo Híbrido recuperó con éxito textos de verdad fundamental que el Paseo Sesgado pasó por alto (por ejemplo, Animal Farm), demostrando el valor de combinar la amplitud estructural con el sesgo pedagógico.

Significado y Afirmaciones
El artículo afirma que T-TExTS proporciona un enfoque novedoso, centrado primero en la pedagogía, para la recomendación educativa, distinto de los sistemas basados en similitud de usuarios o popularidad. El hallazgo empírico central es que una ontología de alta fidelidad, curada por expertos, codifica inherentemente una señal pedagógica suficiente tal que el ajuste estructural algorítmico (específicamente Node2Vec) puede recuperarla sin necesidad de ponderación adicional a nivel de recorrido.

Sin embargo, los autores argumentan que el modelo Híbrido representa la opción de implementación más práctica para herramientas dirigidas a docentes. Ofrece un equilibrio entre calidad de clasificación competitiva e interpretabilidad, permitiendo a los educadores rastrear qué pesos asignados por expertos influyeron en las recomendaciones. El estudio demuestra que las incrustaciones de KG impulsadas por ontologías son viables para el andamiaje educativo incluso en escalas de datos modestas (hasta 351 textos) y que el rendimiento relativo de los métodos de incrustación se mantiene estable a medida que el currículo se expande.

Limitaciones
Los autores reconocen que el conjunto de datos, aunque curado por expertos, es modesto en escala en comparación con los puntos de referencia generales. La evaluación se basa en una verdad fundamental curada por expertos en lugar de estudios de usuarios en aulas en vivo, lo que significa que el impacto del sistema en el tiempo de planificación y la diversidad real de conjuntos de textos en aulas reales permanece sin medir. Además, las métricas de clasificación estándar pueden penalizar "casi aciertos pedagógicamente defendibles" que no coinciden con la lista específica de verdad fundamental pero que aún son valiosos para el diseño curricular. Los autores sugieren que el trabajo futuro debe centrarse en la validación dirigida a docentes y en el desarrollo de nuevas métricas de evaluación más adecuadas para sistemas de recomendación neuro-simbólicos impulsados por expertos.