Artificial intelligence as a real game to enlighten science education for disabled students in rural New Mexico

Resumen Técnico: La Inteligencia Artificial como un Juego Real para Iluminar la Educación Científica para Estudiantes con Discapacidad en las Zonas Rurales de Nuevo México

Planteamiento del Problema
Las escuelas rurales en Nuevo México enfrentan barreras sistémicas en la entrega de una educación científica equitativa para estudiantes con discapacidades. Estos desafíos incluyen la escasez de docentes especializados en ciencias, recursos de laboratorio limitados y déficits de infraestructura, particularmente en lo que respecta al acceso a internet de banda ancha. En consecuencia, los estudiantes con discapacidad en estas regiones geográficamente aisladas carecen a menudo del apoyo personalizado necesario para una verdadera inclusión en las aulas de ciencias convencionales. Si bien la Inteligencia Artificial (IA) ofrece soluciones potenciales mediante el aprendizaje adaptativo y las tecnologías de asistencia, su integración práctica en entornos rurales con recursos limitados sigue siendo poco explorada, particularmente en cuanto a su eficacia como mecanismo de "juego real" para el aprendizaje de las ciencias.

Metodología
El estudio empleó un diseño de métodos mixtos que combinó una intervención de pre-prueba/post-prueba experimental con analítica predictiva.

• Participantes: La muestra consistió en $N = 120$ estudiantes (grados 6–10) con discapacidades documentadas (que variaban desde discapacidades de aprendizaje como dislexia y TDAH hasta discapacidades físicas, auditivas y visuales) y 15 instructores de ciencias de cuatro escuelas rurales de Nuevo México.
• Intervención: Durante un período de 8 semanas, se integró una plataforma de aprendizaje impulsada por IA en el currículo de ciencias. La plataforma presentaba contenido gamificado, simulaciones de laboratorios virtuales, sistemas de tutoría inteligente para la resolución de problemas y ayudas de interfaz de voz para el apoyo en lectura/escritura.
• Recolección de Datos: Los datos cuantitativos incluyeron puntuaciones de pre-prueba y post-prueba para la retención de conceptos y el desempeño en el laboratorio, junto con calificaciones de compromiso (medidas mediante protocolos de observación y encuestas de escala de Likert). Los datos cualitativos se recopilaron mediante observaciones en el aula y entrevistas a docentes.
• Modelos Analíticos:
  1. Regresión Lineal Múltiple: Se construyó un modelo para predecir las ganancias de aprendizaje ($Y$) basadas en tres predictores: tiempo de interacción con la IA ($X_1$), tasa de compromiso ($X_2$) y puntuaciones de la pre-prueba ($X_3$). El modelo fue validado utilizando Mínimos Cuadrados Ordinarios (OLS), con controles de diagnóstico para linealidad, normalidad y multicolinealidad.
  2. Red Neuronal Artificial (ANN): Una red de alimentación hacia adelante (feed-forward) con una topología de 3–5–1 (3 neuronas de entrada, 5 neuronas ocultas con activación sigmoidea, 1 neurona de salida con activación lineal) fue entrenada mediante retropropagación para predecir las ganancias de aprendizaje. El conjunto de datos se dividió en un conjunto de entrenamiento (70%) y un conjunto de validación (30%).

Contribuciones Clave

• Evidencia Empírica en Contextos Rurales: El estudio proporciona evidencia cuantitativa de que la pedagogía basada en juegos e impulsada por IA puede mejorar significamente los resultados del aprendizaje de las ciencias para estudiantes con discapacidades en entornos rurales desatendidos.
• Modelado Predictivo: Demuestra la alta precisión predictiva de los modelos de regresión lineal y de la ANN no lineal al medir las ganancias de aprendizaje derivadas del uso de herramientas de IA, con la ANN capturando interacciones no lineales entre el compromiso y el conocimiento previo.
• Marco Conceptual: El artículo integra la Teoría del Aprendizaje Constructivista, el Diseño Universal para el Aprendizaje (UDL) y la Teoría Cognitiva Social para enmarcar la IA no meramente como una herramienta, sino como un "Juego Real" que media la entrega de contenido y modera la accesibilidad para mejorar el compromiso y el desarrollo cognitivo.

Resultos

• Mejoras en el Desemño: El análisis post-intervención reveló ganancias estadísticamente significativas en todas las dimensiones medidas:
  • Retención de Conceptos: Aumentó un 32% (la puntuación media pasó de 54.3% a 71.8%).
  • Desempeño en el Laboratorio: Mejoró un 27% (la puntuación media pasó de 49.6 a 63.0).
  • Compromiso del Estudiante: Mostró un incremento relativo del 42% (la calificación media subió de 3.1 a 4.4 en una escala de 5 puntos).
• Análisis de Regresión: El modelo de regresión lineal múltiple alcanzó un $R^2$ de 0.92 ($p < 0.001$), indicando que el 92% de la varianza en las ganancias de aprendizaje fue explicada por el tiempo de interacción con la IA, la tasa de compromiso y las puntuaciones de la pre-prueba. Tanto el tiempo de interacción como el compromiso fueron predictores positivos significativos.
• Desempeño de la ANN: El modelo ANN logró una correlación de Pearson de $r = 0.95$ en el conjunto de validación ($R^2 \approx 0.90$). Crucialmente, la ANN reveló una interacción no lineal donde los estudiantes con puntuaciones bajas en la pre-prueba pero alto compromiso produjeron ganancias desproporcionadamente grandes, sugiriendo un efecto amplificador para los aprendices más desfavorecidos.
• Hallazgos Cualitativos: Los docentes reportaron un aumento en la confianza de los estudiantes, particularmente entre aquellos con discapacidades de movilidad que pudieron navegar laboratorios virtuales sin barreras físicas. La naturaleza universal del apoyo de la IA redujo el estigma asociado con la asistencia especializada, fomentando una cultura de aula más inclusiva.

Significancia y Reivindicaciones
El artículo concluye que la pedagogía impulsada por IA actúa como un "ecualizador transformador" en la educación científica rural. El alto poder explicativo de los modelos estadísticos confirma que la exposición a las herramientas de IA es un predictor robusto de la mejora del estudiante. El estudio afirma que la IA es una realidad viable para lograr una educación científica equitativa en entornos desatendidos, siempre que se aborden la infraestructura (internet/dispositivos) y el desarrollo profesional docente.

Los autores enfatizan que los beneficios no son uniformes; los datos sugieren que las intervenciones de IA producen efectos amplificados para los aprendices con mayores necesidades iniciales, alineándose con los objetivos de la educación inclusiva. Sin embargo, el documento mantiene una postura modesta, reconociendo limitaciones tales como la corta duración de la intervención (8 semanas), la concentración geográfica y demográfica específica de la muestra, y la necesidad de mayor investigación sobre la retención a largo plazo y las implicaciones éticas de la dependencia de la IA. El estudio postula que para que la IA sea sostenible, debe estar integrada dentro de los sistemas de apoyo multinivel existentes (como el MLSS de Nuevo México) y contar con el apoyo de una formación docente continua.