From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning

Resumen Técnico: Del Prompting a la Proactividad Epistémica

Planteamiento del Problema
Aunque los sistemas de IA Generativa (GenAI) se están adoptando cada vez más como compañeros de aprendizaje, particularmente en matemáticas, existe una brecha crítica en la comprensión de cómo los estudiantes utilizan estas herramientas en entornos de aprendizaje abiertos. La investigación existente suele basarse en métricas estáticas (por ejemplo, frecuencia de uso, calidad agregada de los prompts) o encuestas, las cuales no logran capturar el proceso dinámico de aprendizaje dentro de la interacción. Una preocupación central es la "descarga epistémica" (epistemic offloading), donde los estudiantes pueden depender de la IA para realizar el trabajo cognitivo requerido para un aprendizaje genuino (por ejemplo, identificar lagunas, formular preguntas, evaluar soluciones) en lugar de realizarlo ellos mismos. El artículo postula que la calidad del aprendizaje apoyado por IA no depende meramente de la calidad de los prompts individuales, sino de si los estudiantes mantienen comportamientos "epistémicamente proactivos" —un compromiso estratégico, autorregulado y orientado a la comprensión— a lo largo del tiempo. El estudio busca determinar si trayectorias temporales específicas de la interacción estudiante-IA predicen el desempeño independiente posterior (libre de IA).

Metodología

• Participantes: 112 estudiantes de 9.º grado (14–15 años) de escuelas tipo Gymnasium alemanas. 97 estudiantes completaron el protocolo completo, incluyendo pre-tests y post-tests.
• Tarea y Entorno: Los estudiantes participaron en una sesión de práctica abierta de 40 minutos con un LLM de propósito general basado en la web (Mistral Large) para prepararse para una evaluación alineada con el currículo sobre modelización matemática (MM) que involucraba funciones lineales y cuadráticas. La tarea se enmarcó explícitamente como una mejora de habilidades en lugar de una simple resolución de tareas.
• Recolección de Datos:
  • Pre/Post-Tests: Ítems de MM validados del grupo IQB VERA para medir el conocimiento previo y el desempeño post-intervención libre de IA.
  • Datos Conversacionales: Se analizaron las transcripciones completas de los chats.
  • Marco de Codificación: Se desarrolló un esquema de codificación por turnos, basado en la teoría, utilizando tres dimensiones:
    1. Aprendizaje Autorregulado (SRL): Codificado utilizando el modelo cíclico de Zimmerman (PLANIFICAR, MONITOREAR, SOLICITAR, EVALUAR).
    2. Búsqueda de Ayuda (HS): Codificada según su orientación (instrumental vs. ejecutiva) y contenido (conceptual, procedimental, verificación, búsqueda de respuestas).
    3. Modelización Matemática (MM): Codificada utilizando el marco de Blum (comprender la situación, identificar variables, matematizar, trabajar con el modelo, interpretar, validar).
  • Validación: La codificación automatizada mediante LLM (Gemini 2.5 Pro) fue validada contra codificadores expertos humanos, mostrando un acuerdo aceptable (Coeficiente Kappa de Cohen > 0.5 para la mayoría de las dimensiones).
• Enfoque Analítico:
  • Análisis Estático: Se probaron las proporciones de códigos de toda la sesión y la diversidad conductual (entropía de Shannon) contra las puntuaciones del post-test mediante ANCOVA, controlando el conocimiento previo.
  • Análisis Temporal: La sesión se dividió en fases tempranas y tardías. Se calcularon tres indicadores de "Cambio de Proactividad" para medir el cambio de orientación de la fase temprana a la tardía:
    1. Cambio de Proactividad de Regulación: Cambio de SOLICITAR a (PLANIFICAR + MONITOREAR + EVALUAR).
    2. Cambio de Proactividad de Búsqueda de Ayuda: Cambio de (Verificación + Búsqueda de respuestas) a (Conceptual + Procedimental).
    3. Cambio de Proactividad Matemática: Cambio de (Interpretar + Validar) a (Comprender + Estructurar + Matematizar + Trabajar).

Resultos Clave

• Patrones Descriptivos: Las interacciones estuvieron dominadas por turnos de SOLICITUD (74%), siendo la búsqueda de ayuda instrumental el 70% de las solicitudes. Los movimientos regulatorios explícitos (MONITOREAR, EVALUAR) fueron raros (5% y 3%, respectivamente). Los turnos de modelización matemática se concentraron en "Comprensión" (43%) y "Trabajo" (32%), siendo la "Validación" poco frecuente inicialmente.
• Predictores Estáticos: Los resúmenes estáticos de la interacción (proporciones de funciones de SRL de toda la sesión, tipos de solicitud, etapas de MM y diversidad conductual) no predijeron el desempeño del post-test libre de IA tras controlar el conocimiento previo.
• Predictores Temporales: Los indicadores temporales fueron predictores significativos de los resultados de aprendizaje.
  • En promedio, los estudiantes se alejaron de las orientaciones proactivas con el tiempo (cambios negativos en la proactividad de HS y MM), moviéndose hacia la verificación y la validación.
  • Sin embargo, los estudiantes que exhibieron un cambio positivo hacia orientaciones epistémicamente proactivas (aumento de la búsqueda de ayuda conceptual/procedimental y del trabajo matemático constructivo en relación con la verificación/validación) lograron puntuaciones significativamente más altas en el post-test.
  • Específicamente, el Cambio de Proactividad de Búsqueda de Ayuda ($\beta = .250, p = .009$) y el Cambio de Proactividad Matemática ($\beta = .209, p = .031$) predijeron significativamente el desempeño del post-test más allá del conocimiento previo.
  • El Cambio de Proactividad de Regulación mostró una tendencia positiva pero no significativa ($p = .090$).
• Diferencias de Grupo: Una agrupación de trayectorias basada en estos cambios reveló que los estudiantes que mantenían o aumentaban los comportamientos proactivos (Grupo 1) superaron a aquellos que se desplazaban hacia comportamientos reactivos (Grupo 0), con una diferencia significativa en los residuales del post-test ($p = .014$).

Significancia y Reivindicaciones
El artículo argumenta que el aprendizaje apoyado por IA productivo se entiende mejor como una trayectoria de proactividad epistémica específica del dominio en lugar de una colección de prompts aislados de alta calidad.

• Contribución Teórica: El estudio demuestra que los agregados estáticos de la interacción son insuficientes para predecir los resultados de aprendizaje. En su lugar, la dirección del cambio de comportamiento a lo largo del tiempo es el indicador crítico. El aprendizaje es un proceso en desarrollo donde la capacidad de mantener o fortalecer el compromiso proactivo (regulación, búsqueda de ayuda orientada a la comprensión y trabajo específico del dominio) es más predictiva del éxito que la mera presencia de estos comportos.
• Implicaciones para el Diseño: Los tutores de IA deben ir más allá de evaluar la calidad de los prompts individuales para monitorear la evolución temporal de la interacción. Los sistemas deben detectar trayectorias reactivas (por ejemplo, el aumento de la dependencia de la verificación sin mayor trabajo matemático) y proporcionar andamiaje solo cuando tales patrones emerjan, en lugar de reaccionar a instancias aisladas de búsqueda de respuestas.
• Implicaciones para la Práctica: Los docentes pueden utilizar los rastros de interacción para diagnosticar dificultades específicas en el ciclo de modelización matemática (por ejemplo, dificultad para estructurar un modelo frente a la validación de resultados) y guiar a los estudiantes para distinguir entre tareas aptas para la delegación por IA y aquellas que requieren responsabilidad epistémica.

Limitaciones
Los autores señalan que el estudio es correlacional, lo que impide realizar afirmaciones causales respecto a los indicadores temporales. La duración de la interacción fue corta (40 minutos) y la fiabilidad de la codificación para pasos específicos de MM fue moderada. Se requiere trabajo futuro para probar estos hallazgos longitudinalmente y para evaluar si los andamios adaptativos pueden promover activamente trayectorias de proactividad epistémica.