Atom Learning Model (ALM): how a real classroom got tokenised
Este artículo describe el Modelo de Aprendizaje Atom (ALM), un sistema que tokenizó dos libros de texto de matemáticas en un grafo de prerrequisitos de 1.934 pasos de aprendizaje para generar preguntas personalizadas para 373 estudiantes a un bajo costo, al tiempo que reveló hallazgos inesperados como el alto costo de establecer vínculos, la incapacidad de los modelos de lenguaje para predecir la dificultad de las preguntas y el hecho de que el despliegue del sistema se detuvo justo antes de probar su premisa central.
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
En un aula típica, un profesor se para frente a treinta estudiantes, todos aproximadamente de la misma edad, e intenta impartir una sola lección. El desafío es que no hay dos niños en esa sala que estén exactamente en el mismo punto de su aprendizaje. Uno puede estar listo para resolver un rompecabezas complejo, mientras que otro todavía está luchando con las piezas básicas. Debido a que el profesor no puede conocer instantáneamente el nivel de habilidad preciso de cada uno de los estudiantes, la lección se plantea en un punto medio, dejando a algunos aburridos y a otros perdidos. Durante décadas, los educadores han intentado resolver esto clasificando a los estudiantes en grupos basados en su capacidad general, pero esto solo estrecha la brecha ligeramente; sigue tratando a los treinta niños como una sola unidad en lugar de como treinta individuos. El problema central es una falta de resolución: las escuelas tienen un mapa de lo que debe aprenderse, pero carecen de una forma de localizar exactamente dónde se encuentra cada niño en ese mapa en un momento dado.
Este es el vacío que un nuevo sistema llamado Modelo de Aprendizaje Atómico (Atom Learning Model) intenta llenar. La idea es descomponer una asignatura escolar, como las matemáticas, en sus pasos más pequeños posibles, llamados "átomos". Imagine una habilidad como resolver una ecuación no como una tarea única y monolítica, sino como una cadena de acciones diminutas y distintas: saber cómo multiplicar, saber cómo restar, saber cómo reorganizar una línea. Si un estudiante puede hacer las tres primeras pero falla en la cuarta, el sistema sabe exactamente dónde está la ruptura en la cadena. Al mapear estos pasos diminutos y el orden en el que deben aprenderse, el sistema puede, teóricamente, entregar a cada niño una hoja de trabajo que esté perfectamente ajustada justo más allá de lo que ya sabe. Este enfoque promete alejar la educación de los grupos de años rígidos y avanzar hacia un modelo donde los estudiantes progresen a su propio ritmo, dominando un pequeño paso antes de pasar al siguiente.
Un investigador del Imperial College London, liderado por Philipp Bogdan, puso a prueba esta idea en un entorno real durante siete semanas en dos escuelas secundarias de Inglaterra. No escribieron el currículo ni las preguntas a mano. En su lugar, introdujeron dos libros de texto de matemáticas estándar en un sistema informático y le pidieron que leyera las páginas, extrajera las habilidades y construyera un mapa de conocimiento masivo e interconectado. El sistema procesó 757 páginas de texto y las convirtió en 1,934 "átomos" distintos, cada uno representando una sola cosa que un alumno puede hacer. Luego dedicó la mayor parte de su esfuerzo a determinar cómo se conectan estos átomos, creando más de 4,600 vínculos que muestran qué habilidades deben aprenderse antes que otras. Esta estructura permitió que la computadora generara miles de preguntas únicas, adaptadas a combinaciones específicas de estas diminutas habilidades, y las sirviera a 373 estudiantes.
Los resultados de este experimento fueron sorprendentes y desafiaron varias suposiciones comunes sobre cómo funciona el aprendizaje. Primero, los investigadores descubrieron que un modelo computacional que observa una pregunta no podía predecir qué tan difícil sería para un estudiante. El sistema había asignado etiquetas de dificultad a las preguntas, pero cuando compararon estas etiquetas con el desempeño real de los estudiantes, las etiquetas resultaron ser completamente inútiles. La dificultad de una pregunta, descubrieron, no es una propiedad fija de la pregunta en sí. En cambio, la dificultad es una relación entre la pregunta y el estudiante específico que la responde. Una pregunta es difícil solo si el estudiante carece de los pasos diminutos específicos necesarios para resolverla. Esto significa que un profesor o una computadora no pueden simplemente mirar un problema y decir que es "difícil"; solo pueden saber que es difícil para un niño particular que carece de los antecedentes necesarios.
Otro hallazgo inesperado se refirió a la velocidad de la retroalimentación. Los investigadores midieron cuánto tiempo esperaban los estudiantes para que sus respuestas fueran calificadas y cómo ese tiempo de espera afectaba su disposición para seguir trabajando. Descubrieron que si un estudiante tenía que esperar solo siete segundos para recibir una calificación, era significativamente menos propenso a comenzar la siguiente pregunta en comparación con si esperaba solo tres segundos. Este pequeño retraso, que la mayoría de los educadores consideraría insignificante, fue suficiente para romper el impulso del estudiante. Esto sugiere que, en un entorno de aprendizaje digital, la velocidad del sistema es tan crítica para el compromiso como la calidad de las preguntas.
Quizás la limitación más significativa del estudio fue que el sistema nunca llegó a probar su teoría más profunda. La premisa central del Modelo de Aprendizaje Atómico es que la dificultad proviene de la profundidad de la cadena de habilidades que a un estudiante le faltan. Para probar esto, el sistema tendría que haber servido preguntas que requirieran que un estudiante cerrara una brecha de tres o cuatro pasos faltantes. Sin embargo, en la prueba de siete semanas, el sistema casi nunca sirvió una pregunta que fuera más allá de dos pasos. El investigador admitió que la parte más importante de su teoría —la idea de que la dificultad se debe puramente a lo que falta— permaneció sin probar porque el sistema nunca planteó las preguntas difíciles que habrían podido probarlo. El sistema funcionó bien para preguntas superficiales, pero la prueba definitiva de si puede guiar a un estudiante a través de una brecha profunda de conocimiento quedó para el futuro.
A pesar de estas limitaciones, el experimento proporcionó una mirada concreta a lo que podría costar y cómo podría funcionar un currículo totalmente tokenizado. Todo el proceso de leer los libros de texto y construir el mapa de habilidades costó entre £615 y £1,230, una inversión única. Una vez construido, el sistema generó más de 6,000 preguntas para los estudiantes a un costo de aproximadamente 26 peniques por pregunta. El estudio demostró que es posible automatizar la creación de una ruta de aprendizaje personalizada sin que los profesores humanos escriban cada problema. Sin embargo, el investigador fue cuidadoso en señalar que el sistema aún no reemplaza al profesor. El mapa de habilidades existía y las preguntas eran generadas, pero el sistema aún no utilizaba los datos de desempeño en vivo del estudiante para decidir qué mostrarle a continuación en tiempo real. Las puntuaciones se calcularon a posteriori, lo que significa que los estudiantes no estaban siendo guiados por el pleno potencial del sistema durante la prueba.
La visión que emerge de este trabajo es una donde el concepto de "grupo de año" se vuelve obsoleto. Si un sistema sabe exactamente qué pequeño paso ha dominado un niño y cuál le falta, no hay necesidad de mantener a treinta niños juntos en una sola sala esperando a que el resto de la clase los alcance. Un niño podría avanzar a través del material a su propio ritmo, pasando nueve meses en un nivel si lo necesita, o avanzando a través de él en seis meses si está listo. El examen, actualmente un evento logístico donde todos se sientan al mismo tiempo, podría convertirse en un hito personal que el estudiante toma cuando esté listo. El Modelo de Aprendizaje Atómico no alcanzó este futuro en la prueba de siete semanas, pero construyó el primer puente real hacia él, mostrando que la infraestructura para tal sistema puede construirse, incluso si el agua aún no ha comenzado a fluir por ella.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.