Scaffolded and Unscaffolded Generative AI Use in Mathematics Teacher Education: Effects on Pre-Service Teachers’ Instructional Design Competence
Este estudio de métodos mixtos demuestra que proporcionar un andamiaje pedagógico para el uso de la IA generativa mejora significativamente la competencia en diseño instruccional, la preparación para la IA, el aprendizaje autorregulado y el pensamiento crítico de los futuros docentes de matemáticas en comparación con el uso de la IA sin andamiaje.
Artículo original bajo licencia CC BY 4.0 (https://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
Imagina un aula donde el profesor no es solo una persona, sino un potente programa informático capaz de redactar planes de clase, crear problemas matemáticos y explicar ideas complejas en segundos. Esta es la promesa de la inteligencia artificial generativa, una tecnología que ha entrado rápidamente en las escuelas y universidades. Pero hay un inconveniente. Si un estudiante simplemente le pide la respuesta a la computadora y la acepta sin cuestionarla, podría aprender a depender de la máquina en lugar de desarrollar su propia capacidad para pensar, planificar y resolver problemas. Esta es la tensión central que enfrenta la formación docente hoy en día: cómo utilizar estas herramientas inteligentes para ayudar a los futuros docentes a aprender, sin dejar que las herramientas piensen por ellos. La clave para resolver este rompecabezas reside en un concepto llamado andamiaje. En educación, el andamiaje es como las vigas de soporte temporales que se utilizan para construir una casa; sostienen la estructura mientras los constructores aprenden su oficio, y se retiran una vez que el edificio es lo suficientemente fuerte como para sostenerse por sí mismo. La pregunta que los investigadores plantearon fue si proporcionar a los futuros profesores de matemáticas este tipo de guía estructurada mientras utilizaban la inteligencia artificial los haría mejores profesores que si se les dejara resolverlo por su cuenta.
Un equipo de investigadores en Ghana se propuso responder a esta pregunta trabajando con setenta y seis futuros profesores de matemáticas. Estos estudiantes estaban inscritos en un curso dedicado al aprendizaje de cómo diseñar lecciones de matemáticas, una habilidad crítica para cualquier educador. Los investigadores dividieron la clase en dos grupos. Un grupo utilizó la herramienta de inteligencia artificial sin instrucciones especiales; se les dijo que usaran la tecnología para ayudarles a planificar sus lecciones, pero que tenían que descubrir por sí mismos cómo hacer las preguntas adecuadas y verificar las respuestas. El otro grupo utilizó la misma tecnología, pero se le proporcionó un conjunto específico de apoyos. Estos apoyos incluían ejemplos de cómo escribir buenas preguntas para la computadora, listas de verificación para verificar el trabajo de la computadora y preguntas guiadas que les obligaban a pensar si el plan de clase tenía sentido para sus alumnos. El objetivo era ver si esta guía adicional cambiaba la capacidad de los estudiantes para diseñar una lección, qué tan preparados se sentían para usar la tecnología, qué tan bien podían gestionar su propio aprendizaje y qué tan críticamente podían evaluar la información que la computadora les proporcionaba.
Después de catorce semanas trabajando en planes de clase, los resultados fueron claros. Los estudiantes que recibieron la guía estructurada tuvieron un desempeño significativamente mejor que aquellos que trabajaron sin ella. Cuando los investigadores analizaron los planes de clase finales creados por los estudiantes, el grupo con los apoyos había diseñado lecciones más efectivas y reflexivas. Fueron mejores organizando el material, eligiendo las actividades adecuadas y creando formas de comprobar si los estudiantes comprendían las matemáticas. El grupo sin los apoyos produjo planes que a menudo eran apresurados o requerían una edición profunda porque habían aceptado el resultado de la computadora con demasiada rapidez. El grupo guiado también obtuvo puntuaciones más altas en las medidas de su preparación para usar la tecnología en el futuro. Se sentían más seguros de su capacidad para hablar con la computadora, comprender sus limitaciones y usarla de manera responsable. Eran menos propensos a ser engañados por errores o información sesgada generada por el software.
El estudio también reveló que los estudiantes guiados aprendieron a aprender mejor. Mostraron una capacidad mucho más fuerte para regular su propio proceso de aprendizaje. En lugar de simplemente escribir una solicitud y esperar un resultado, se detenían para planificar su enfoque, monitoreaban la salida de la computadora a medida que llegaba y evaluaban si las sugerencias coincidían con sus objetivos. Trataban a la computadora como un socio al que cuestionar en lugar de una máquina a la que obedecer. Este pensamiento crítico fue la diferencia más distintiva entre los dos grupos. Los estudiantes con los apoyos se preguntaban constantemente si las ideas de las lecciones eran precisas y apropiadas para niños reales. Verificaban las matemáticas, comparaban las sugerencias con sus libros de texto y revisaban los planes cuando la computadora cometía un error. Los estudiantes sin los apoyos a menudo aceptaban la primera respuesta que recibían, incluso cuando era errónea, porque carecían de las herramientas para verificarla.
Cuando los investigadores entrevistaron a un grupo más pequeño de estudiantes para comprender sus experiencias, el patrón se volvió aún más vívido. Los estudiantes que contaban con los apoyos describieron un proceso de pensamiento profundo. Explicaron que las listas de verificación y las preguntas guiadas los obligaban a bajar el ritmo y considerar el "porqué" detrás de cada actividad en su lección. Se dieron cuenta de que la calidad de la lección dependía de sus propias decisiones, no solo del resultado de la computadora. En contraste, los estudiantes sin los apoyos admitieron que a menudo se sentían perdidos o inseguros cuando la computadora daba una respuesta extraña. Tendían a empezar de nuevo con un nuevo chat en lugar de corregir su pregunta original, y frecuentemente priorizaban la velocidad sobre la precisión. Sentían que la computadora estaba haciendo el trabajo por ellos, lo que los dejaba sintiéndose menos preparados para enseñar por su cuenta.
Los hallazgos sugieren que el simple hecho de entregar a los futuros profesores una poderosa herramienta de inteligencia artificial no es suficiente para convertirlos en mejores educadores. La herramienta es tan buena como la guía que la rodea. Cuando los investigadores proporcionaron un marco que fomentaba la planificación, la verificación y la reflexión, los estudiantes utilizaron la tecnología para perfeccionar sus habilidades profesionales. Aprendieron a diseñar mejores lecciones, a pensar de manera más crítica sobre la información que recibían y a tomar el control de su propio aprendizaje. Sin ese marco, la tecnología corría el riesgo de convertirse en una muleta que impidiera el desarrollo del juicio independiente que necesitarían en un aula real. El estudio concluye que, para que la inteligencia artificial ayude verdaderamente a formar a la próxima generación de docentes, debe utilizarse con un apoyo intencional que enseñe a los estudiantes cómo pensar, no solo cómo preguntar.
¿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.