Learning AI Without a STEM Background: Mixed-Methods Evidence from a Diverse, Mixed-Cohort AIED Program

Resumen Técnico: Aprender IA sin una Formación en STEM

Enunciado del Problema
A pesar de la creciente integración de la inteligencia artificial (IA) en la gobernanza, la fuerza laboral y la vida cívica, el acceso a la educación en IA sigue siendo inequitativo. Las iniciativas actuales se dirigen predominantemente a estudiantes preparados en STEM, dependen en gran medida de la competencia en programación o se centran en aprendices de etapas tempranas de su carrera. Esta exclusión impide sistemáticamente que los estudiantes universitarios no pertenecientes a STEM y los profesionales adultos participen en la IA en contextos de políticas públicas, interés social y fuerza laboral. En consecuencia, los modelos existentes a menudo priorizan la implementación técnica sobre el juicio ético, reforzando las disparidades en la participación tecnológica y limitando la capacidad de diversos grupos de interés para evaluar críticamente los sistemas automatizados o adaptarse a los mercados laborales impulsados por datos.

Metodología
Este estudio emplea un diseño de evaluación de métodos mixtos para analizar el programa "Data Crossings", una iniciativa de educación en IA financiada por la Fundación Nacional de Ciencias (NSF) y de duración anual. El programa utiliza un modelo de cohortes mixtas, integrando intencionalmente a estudiantes universitarios no pertenecientes a STEM (de humanidades, ciencias sociales, artes y negocios) con estudiantes adultos (profesionales activos y personas en transición de carrera).

• Participantes: La primera cohorte constó de 19 participantes seleccionados (12 estudiantes universitarios, 7 adultos) extraídos de más de 200 solicitantes (tasa de aceptación del 9,45 %). La selección priorizó la motivación para el compromiso con la IA no técnica y la preparación para el aprendizaje en cohortes mixtas sobre la competencia técnica; se excluyó a los solicitantes con formación formal en computación STEM.
• Fuentes de Datos: La recolección de datos incluye encuestas a participantes (administradas al ingreso y a lo largo del programa), reflexiones abiertas, informes de instructores y becarios docentes, y narrativas de solicitud.
• Enfoque Analítico:
  • Cuantitativo: Análisis descriptivo de ítems de escala Likert que miden la confianza autoinformada, la relevancia percibida y la agencia académica. Se utilizó una matriz de transición para calcular los cambios de valor esperado en los niveles de comodidad respecto a la tecnología de IA.
  • Cualitativo: Se aplicó un enfoque híbrido computacional-cualitativo de Procesamiento del Lenguaje Natural (PLN) a las narrativas de solicitud. Esto implicó un modelado de temas no supervisado (por ejemplo, BERTopic) combinado con codificación con intervención humana para identificar temas latentes relacionados con motivaciones y orientaciones éticas.
  • Integración: Se utilizó una estrategia convergente de métodos mixtos para triangular los autoinformes de los aprendices con las perspectivas de los educadores.

Contribuciones Clave

1. Diseño de Cohortes Mixtas: El artículo introduce un modelo de IAED que integra a aprendices de diversas disciplinas, edades y etapas profesionales, desafiando la norma de aulas de IA homogéneas y segregadas por edad.
2. Evidencia Longitudinal: Proporciona evidencia de métodos mixtos de un programa sostenido de un año de duración en lugar de una intervención a corto plazo, ofreciendo una visión más robusta de las trayectorias de aprendizaje.
3. Replanteamiento de los Resultados de Aprendizaje: El estudio postula que el juicio ético y la agencia académica deben tratarse como resultados de aprendizaje centrales junto con la alfabetización en IA, en lugar de considerar el dominio técnico como el único prerrequisito para el compromiso.

Resultados

• Motivaciones: El análisis de las narrativas de solicitud (n=201) reveló que la motivación dominante para la participación fue el uso ético y responsable de la IA (68 %), seguido de la aplicación de la IA para el bien social (65 %). Los solicitantes enmarcaron consistentemente la IA como una herramienta para la interpretación y la toma de decisiones en lugar de la construcción de modelos, citando a menudo los prerrequisitos tradicionales de programación como barreras estructurales.
• Ganancias en Confianza: El análisis cuantitativo de los datos de las encuestas indicó ganancias significativas en la confianza autoinformada. Los participantes que ingresaron con niveles de comodidad bajos a moderados mostraron el mayor movimiento ascendente. El cambio general de valor esperado en la comodidad fue positivo (+0,90), sin que ningún participante transitara hacia una incomodidad extrema.
• Razonamiento Ético: Los datos cualitativos revelaron un énfasis consistente en la responsabilidad, el juicio y el razonamiento contextual. Los participantes demostraron la capacidad de articular compensaciones éticas y cuestionar suposiciones incluso en ausencia de certeza técnica.
• Dinámicas Pedagógicas: Los instructores y mentores cercanos a los pares reportaron un alto compromiso, particularmente en actividades de aprendizaje dialógico y basado en escenarios. La estructura de cohortes mixtas funcionó como un activo epistémico, donde los estudiantes adultos aportaron experiencia de dominio y juicio profesional, mientras que los estudiantes universitarios contribuyeron con prácticas reflexivas, normalizando la incertidumbre y ampliando las perspectivas.

Significado y Afirmaciones
El artículo argumenta que los apoyos instruccionales centrados en el ser humano —específicamente el andamiaje ético, la mentoría y la discusión estructurada— son esenciales para una educación en IA equitativa en poblaciones heterogéneas. Afirma que:

• El juicio ético es aprendible y observable incluso sin dominio técnico, desafiando modelos que posponen la ética hasta después de lograr la competencia técnica.
• Los estudiantes adultos actúan como contribuyentes epistémicos en lugar de participantes remediales, elevando la profundidad intelectual y ética del entorno de aprendizaje.
• La facilitación es un mecanismo central de equidad, creando espacio para el cuestionamiento y el razonamiento sin penalizar la incertidumbre técnica, a diferencia de los modelos autodirigidos o centrados primero en la programación.

Los autores concluyen que expandir la educación en IA requiere repensar las suposiciones de diseño para incluir modelos de cohortes mixtas y centrados en la ética que preparen a diversos aprendices —no solo a desarrolladores, sino a futuros tomadores de decisiones— para comprometerse responsablemente con la IA. El estudio reconoce limitaciones relacionadas con el tamaño de la muestra y la auto-selección, señalando que los resultados integrales posteriores al programa están pendientes de un análisis longitudinal.